用于机器学习的忆阻器模型

在寻求传统 CMOS 替代方案的过程中，有人建议通过将精度与应用相匹配来提高数字计算的效率和功率。许多应用并不需要当今所用的高精度。特别是，通过专用的近似计算引擎模拟实现，可以在面积和功率效率方面获得巨大增益。在本工作中，我们探索了基于称为储层计算 (reservoir computing) 的机器学习框架，利用忆阻器网络进行模拟近似计算。大多数关于忆阻器动力学的实验研究都集中在其非易失性行为上。因此，已开发技术中存在的易失性通常是不受欢迎的，并未包含在仿真模型中。相比之下，在储层计算中，易失性不仅是可取的，而且是必要的。因此，在本工作中，我们提出了两种将其纳入忆阻器仿真模型的不同方法。第一种是 Strukov 模型的扩展，第二种是等效的 Wiener 模型近似。我们分析并比较了这些模型的动力学特性，并讨论了它们对忆阻器网络的记忆能力和非线性处理能力的影响。我们的结果表明，器件变异性在传统计算机设计中日益成为问题，但在储层计算的背景下却是一种资产。我们得出结论，虽然这两种模型都可能导向有用的基于忆阻器的储层计算系统，但它们的计算性能会有所不同。因此，为了开发精确的易失性忆阻器模型，需要进行实验建模研究。