Математическое моделирование самообучающейся нейроморфной сети, основанной на наноразмерных мемристивных элементах с 1T1R-кроссбар-архитектурой
Аннотация
Об авторах
А. Ю. МорозовРоссия
Морозов Александр Юрьевич —канд. физ.-мат. наук, научный сотрудник
К. К. Абгарян
Россия
Абгарян Каринэ Карленовна — доктор физ.-мат. наук, доцент, заведующая отделом
Д. Л. Ревизников
Россия
Ревизников Дмитрий Леонидович — доктор физ.-мат. наук, профессор
Список литературы
1. Wong H.-S. P., Lee H. Y., Yu S., Chen Y. S., Wu Y., Chen P. S., Lee B., Frederic T. Metal-oxide RRAM // Proceedings of the IEEE. 2012. V. 100, N 6. P. 1951—1970. DOI: 10.1109/JPROC.2012.2190369
2. Yang J. J., Strukov D. B., Stewart D. R. Memristive devices for computing // Nature Nanotechnology. 2013. V. 8, N 1. P. 13—24. DOI: 10.1038/nnano.2012.240
3. Li C., Hu M., Li Y., Jiang H., Ge N., Montgomery E., Zhang J., Song W., Dávila N., Graves C. E., Li Z., Strachan J. P., Lin P., Wang Z., Barnell M., Wu Q., Williams R. S., Yang J. J., Xia Q. Analogue signal and image processing with large memristor crossbars // Nature Electronics. 2018. V. 1, N 1. P. 52—59. DOI: 10.1038/s41928-017-0002-z
4. Hu M., Graves C. E., Li C., Li Y., Ge N., Montgomery E., Davila N., Jiang H., Williams R. S., Yang J. J., Xia O., Strachan J. P. Memristor-Based Analog Computation and Neural Network Classification with a Dot Product Engine // Advanced Materials. 2018. V. 30. N 9, P. 1705914. DOI: 10.1002/adma.201705914
5. Морозов А. Ю., Ревизников Д. Л., Абгарян К. К. Вопросы реализации нейросетевых алгоритмов на мемристорных кроссбарах // Известия вузов. Материалы электронной техники. 2019. Т. 22, № 4. С. 272—278. DOI: 10.17073/1609-3577-2019-4-272-278
6. Diehl P., Cook M. Unsupervised learning of digit recognition using spike-timing-dependent plasticity // Frontiers in Computational Neuroscience. 2015. V. 9. P. 99. DOI: 10.3389/fncom.2015.00099
7. Ambrogio S., Milo V., Wang Z.-Q., Ramaswamy N., Balatty S., Carboni R., Calderoni A., Lelmibi D. Neuromorphic Learning and Recognition With One-Transistor-One-Resistor Synapses and Bistable Metal Oxide RRAM // IEEE Transactions on Electron Devices. 2016. V. 63, N 4. P. 1508—1515. DOI: 10.1109/TED.2016.2526647
8. Guo Y., Wu H., Gao B., Qian H. Unsupervised learning on resistive memory array based spiking neural networks // Frontiers in Neuroscience. 2019. V. 13, Art. 812. DOI: 10.3389/fnins.2019.00812
9. Milo V., Laudato M., Ambrosi E., Chicca E., Pedretti G., Bricalli A., Bianchi S., Ielmini D. Resistive switching synapses for unsupervised learning in feed-forward and recurrent neural networks // IEEE International Symposium on Circuits and Systems (ISCAS). Florence. 2018. P. 1—5. DOI: 10.1109/ISCAS.2018.8351824
10. Pedretti G., Bianchi S., Milo V., Calderoni A., Ramaswamy N., Ielmini D. Modeling-based design of brain-inspired spiking neural networks with RRAM learning synapses // IEEE International Electron Devices Meeting (IEDM). San Francisco (CA), 2017. P. 28.1.1—28.1.4. DOI: 10.1109/IEDM.2017.8268467
11. Milo V., Ielmini D., Chicca E. Attractor networks and associative memories with STDP learning in RRAM synapses // IEEE International Electron Devices Meeting (IEDM). San Francisco(CA), 2017. P. 11.2.1—11.2.4. DOI: 10.1109/IEDM.2017.8268369
12. Strukov D. B., Snider G. S., Stewart D. R., Williams R. S. The missing memristor found // Nature. 2008. V. 453, N 7191. P. 80—83. DOI: 10.1038/nature06932
13. Yang J. J., Pickett M. D., Xuema L., Ohlberg D. A. A., Stewart D. R., Williams R. S. Memristive switching mechanism for metal/oxide/metal nanodevices // Nature nanotechnology. 2008. V. 3, N 7. P. 429—433. DOI: 10.1038/nnano.2008.160
14. Pickett M. D., Stukov D. B., Borghetti J. L., Yang J. J., Snider G. S., Stewart D. R., Williams R. S. Switching dynamics in titanium dioxide memristive devices // J. Appl. Phys. 2009. V. 106, N 7. Art. 074508. DOI: 10.1063/1.3236506
15. Joglekar Y. N., Wolf S. J. The elusive memristor: properties of basic electrical circuits // European Journal of Physics. 2009. V. 30, N 4. P. 661. DOI: 10.1088/0143-0807/30/4/001
16. Biolek Z., Biolek D., Biolkova V. SPICE Model of memristor with nonlinear dopant drift // Radioengineering. 2009. V. 18, N 2. P. 210—214. URL: https://www.radioeng.cz/fulltexts/2009/09_02_210_214.pdf
17. Prodromakis T., Peh B. P., Papavassiliou C., Toumazou C. A versatile memristor model with nonlinear dopant kinetics // IEEE Transactions on Electron Devices. 2011. V. 58, N 9. P. 3099—3105. DOI: 10.1109/TED.2011.2158004
18. Zha J., Huang H., Liu Y. A novel window function for memristor model with application in programming analog circuits // IEEE Transactions on Circuits and Systems II: Express Briefs. 2015. V. 63, N 5. P. 423—427. DOI: 10.1109/TCSII.2015.2505959
19. Kvatinsky S., Friedman E. G., Kolodny A., Weiser U. C. TEAM: Threshold adaptive memristor model // IEEE Transactions on Circuits and Systems I: Regular Papers. 2012. V. 60, N 1. P. 211—221. DOI: 10.1109/TCSI.2012.2215714
20. Kvatinsky S., Ramadan M., Friedman E. G., Kolodny A. VTEAM: A general model for voltage-controlled memristors // IEEE Transactions on Circuits and Systems II: Express Briefs. 2015. V. 62, N 8. P. 786—790. DOI: 10.1109/TCSII.2015.2433536
21. Yakopcic C., Taha T. M., Subramanyam G., Pino R. E., Rogers S. A memristor device model // IEEE Electron Device Letters. 2011. V. 32, N 10. P. 1436—1438. DOI: 10.1109/LED.2011.2163292
22. Zheng G., Mohanty S. P., Kougianos E., Okobiah O. Polynomial Metamodel integrated Verilog-AMS for memristor-based mixed-signal system design // IEEE 56th International Midwest Symposium on Circuits and Systems (MWSCAS). Columbus (OH), 2013. P. 916—919. DOI: 10.1109/MWSCAS.2013.6674799
23. Mladenov V. Analysis of memory matrices with HfO2 memristors in a PSpice environment // Electronics. 2019. V. 8, N 4. P. 383 (16pp.). DOI: 10.3390/electronics8040383
24. Teplov G. S., Gornev E. S. Multilevel bipolar memristor model considering deviations of switching parameters in the Verilog-A language // Russ. Microelectron. 2019. V. 48, N 3. P. 131—142. DOI: 10.1134/S1063739719030107
25. Morozov A. Y., Reviznikov D. L. Adaptive interpolation algorithm based on a kd-tree for numerical integration of systems of ordinary differential equations with interval initial conditions // Differential Equations. 2018. V. 54, N 7. P. 945—956. DOI: 10.1134/S0012266118070121
26. Morozov A. Yu., Reviznikov D. L., Gidaspov V. Yu. Adaptive interpolation algorithm based on a kd-tree for the problems of chemical kinetics with interval parameters // Mathematical Models and Computer Simulations. 2019. V. 11, N 4. P. 622—633. DOI: 10.1134/S2070048219040100.
27. Morozov A. Y., Abgaryan K. K., Reviznikov D. L. Mathematical model of a neuromorphic network based on memristive elements // Chaos, Solitons & Fractals. 2021. V. 143, Art. 110548. DOI: 10.1016/j.chaos.2020.110548
Для цитирования:
Морозов А.Ю., Абгарян К.К., Ревизников Д.Л. Математическое моделирование самообучающейся нейроморфной сети, основанной на наноразмерных мемристивных элементах с 1T1R-кроссбар-архитектурой. Известия высших учебных заведений. Материалы электронной техники. 2020;23(3):186-195. https://doi.org/10.17073/1609-3577-2020-3-186-195