Scientific reports|基于随机开关二元CMOS集成忆阻器件的模拟模式识别 ...

文章链接：https://doi.org/10.1038/s41598-020-71334-x

基于具有随机开关二进制 CMOS 集成记忆装置的模拟模式识别

背景

近年来，忆阻器在神经形态电子学中的使用迅速增长。这种日益增长的兴趣归因于机器学习方法的广泛使用以及相关的当今技术对能量的稳步增长。神经形态电子学4不依赖于冯·诺依曼架构，已知该架构会限制处理时间并导致高能耗。因此，它们提供了一种有希望的方式来克服物理和经济上的局限性，互补金属氧化物半导体（CMOS）技术将很快达到这些极限。 此外，可以利用神经形态技术来开发受生物系统启发的新型计算架构。在生物学中，组成神经系统的神经元通过突触相互连接，其突触的塑性耦合强度会因特定的神经活动模式而改变。这种行为被称为突触可塑性，其重要特征-长期增强（LTP）及其对应的长期抑制（LTD）-已被确定为负责自然界中学习和记忆的基本机制。此外，突触前和突触后神经元活动的相对时机，称为尖峰时序依赖性可塑性（STDP），对诱导LTP或LTD至关重要。此外，由于生物系统在处理噪声数据方面表现出卓越的性能，因此有可能使用概率模型来重现其生物信息处理。

摘要

在执行关联任务（例如模式识别）的过程中，生物神经网络在功耗和计算速度方面优于当前的计算机技术。生物学中的模拟和大规模并行内存计算与依赖于冯·诺依曼架构的传统晶体管电子设备有很大不同。因此，在神经形态计算领域中，新颖的受生物启发的计算架构已经引起了很多关注。在这里，忆阻器件用作非易失性电阻性存储器，用于模拟生物突触的塑性行为。特别是，CMOS集成电阻式随机存取存储器（RRAM）器件有望将常规CMOS技术扩展到神经形态系统。但是，处理电阻切换的固有随机性可能会对网络性能造成挑战。在这项工作中，利用概率切换来利用完全集成CMOS的二进制RRAM器件来模拟随机可塑性。详细研究了两种具有不同设备可变性的不同RRAM技术，并研究了它们在能够解决MNIST模式识别任务的随机人工神经网络（StochANN）中的潜在应用。带有硬件突触和软件神经元的混合信号实现与数值模拟相结合表明，所提出的随机计算概念能够使用二进制存储单元处理模拟数据。

Biological neural networks outperform current computer technology in terms of power consumption and computing speed while performing associative tasks, such as pattern recognition. The analogue and massive parallel in-memory computing in biology differs strongly from conventional transistor electronics that rely on the von Neumann architecture. Therefore, novel bio-inspired computing architectures have been attracting a lot of attention in the field of neuromorphic computing. Here, memristive devices, which serve as non-volatile resistive memory, are employed to emulate the plastic behaviour of biological synapses. In particular, CMOS integrated resistive random access memory (RRAM) devices are promising candidates to extend conventional CMOS technology to neuromorphic systems. However, dealing with the inherent stochasticity of resistive switching can be challenging for network performance. In this work, the probabilistic switching is exploited to emulate stochastic plasticity with fully CMOS integrated binary RRAM devices. Two different RRAM technologies with different device variabilities are investigated in detail, and their potential applications in stochastic artificial neural networks (StochANNs) capable of solving MNIST pattern recognition tasks is examined. A mixed-signal implementation with hardware synapses and software neurons combined with numerical simulations shows that the proposed concept of stochastic computing is able to process analogue data with binary memory cells.