用于原位学习的忆阻器-CMOS混合神经元及全硬件忆阻脉冲神经网络的实现（英文）

作者：张续猛; 卢建; 王中锐; 王睿; 魏劲松; 时拓; 窦春萌; 吴祖恒; 朱佳雪; 尚大山; 邢国忠; 陈文新; 刘琦^*; 刘明

来源：Science Bulletin, 2021, 66(16): 1624-1633.

• Memristor
• Hybrid neuron
• In-situ learning
• Fully hardware
• Spiking neural network

脉冲神经网络由脉冲神经元和可塑性的神经突触构成,是当前实现高效神经形态计算的一种有效方案.忆阻器具有丰富的神经动力学特性和生物单元相似性,近年来成为实现神经元和突触的理想硬件单元之一.然而,目前忆阻器基神经元的功能非常单一,而且支持原位学习的全硬件忆阻脉冲神经网络的功能演示比较初级.本文将忆阻器与简单的数字电路相结合,设计并实现了一种混合脉冲神经元,丰富了神经元的功能.该混合神经元不仅可以利用忆阻器的物理动力学特性实现基本的漏电积分激发特性,还可以对连接的突触权值进行原位调节.作者进一步构建了基于混合神经元和忆阻器突触的全硬件脉冲神经网络,并实现了赫布学习过程.该工作为脉冲神经元的发展开辟了一条新道路,为高密度神经形态计算系统实现原位学习提供了有利支持.

• 单位
  复旦大学; 中国科学院大学