多层忆阻脉冲神经网络的片上错误触发学习

神经形态计算近期的突破表明，局部形式的梯度下降学习与脉冲神经网络（SNNs）及突触可塑性相兼容。尽管 SNN 可利用神经形态 VLSI 可扩展地实现，但能以梯度下降就地学习的架构仍然缺失。本文中，我们提出一种局部的、基于梯度的、错误触发的学习算法，具有在线三值权重更新。所提算法支持使用忆阻神经形态硬件对多层 SNN 进行在线训练，与当前最优方法相比性能损失很小。我们还提出一种基于忆阻交叉阵列的硬件架构来执行所需的向量-矩阵乘法。用于在线训练所需的包括突触前、突触后与写电路的外围电路，已采用标准 180 nm CMOS 工艺在亚阈值区设计以节省功耗。