忆阻神经网络中的学习
最优化与控制
2025-07-22 v1
摘要
忆阻器是非线性两端电路元件,其在给定时刻的电阻取决于过去的电刺激。近年来,忆阻器网络在神经形态计算中受到关注,因为它们可用于在硬件中实现人工神经网络(ANN)。为此,可以使用一类称为交叉阵列的忆阻电路。在本文中,我们描述了一种ANN的电路实现,并解决了关于这种实现的三个问题。特别地,我们展示了(1)如何在输入处评估该实现,(2)如何从外部(电流)测量确定给定时刻忆阻器的电阻值,以及(3)如何通过向网络施加合适的外部电压将电阻引导至期望值。这些结果将应用于两个示例:一个用于概念验证的学术示例,以及一个使用MNIST数据集训练的ANN。
引用
@article{arxiv.2507.15324,
title = {Learning in Memristive Neural Networks},
author = {H. M. Heidema and H. J. van Waarde and B. Besselink},
journal= {arXiv preprint arXiv:2507.15324},
year = {2025}
}