Математическое моделирование самообучающейся нейроморфной сети, основанной на наноразмерных мемристивных элементах с 1T1R-кроссбар-архитектурой

Аннотация

Искусственные нейронные сети играют важную роль в современном мире. Основная их область применения это задачи распознавания и обработки изображений, речи, а также робототехника и беспилотные системы. Использование нейронных сетей связано с большими вычислительными затратами. Отчасти именно этот факт сдерживал их прогресс, и только с появлением высокопроизводительных вычислительных систем  началось активное развитие данной области. Тем не менее, вопрос ускорения работы нейросетевых алгоритмов все еще актуален. Одним из перспективных направлений является создание аналоговых реализаций искусственных нейронных сетей, так как аналоговые вычисления производятся на порядки быстрее, чем цифровые. В качестве базового элемента, на котором строятся такие системы, выступает мемристор. Мемристор представляет собой резистор, проводимость которого зависит от суммарного пройденного через него заряда. Объединение мемристоров в матрицу (кроссбар) позволяет реализовать на аппаратном уровне один слой искусственных синапсов. Традиционно в качестве аналогового метода обучения применяется метод STDP, основанный на правиле Хебба. В работе выполняется моделирование двухслойной полносвязной сети с одним слоем синапсов. Мемристивный эффект может проявляться в разных веществах (в основном в разных оксидах), поэтому важно понимать, как характеристики мемристоров будут влиять на параметры нейронной сети. Рассматриваются два оксида: оксид титана (TiO₂) и оксид гафния (HfO₂). Для каждого оксида выполняется параметрическая идентификация соответствующей математической модели для наилучшего согласования с экспериментальными данными. Производится настройка нейронной сети в зависимости от используемого оксида и моделируется процесс ее обучения распознаванию пяти шаблонов.