Численное моделирование и экспериментальное исследование аппаратной импульсной нейросети с мемристорными синапсами

Busygin, A. N.; Bobylev, A. N.; Gubin, A. A.; Pisarev, A. D.; Udovichenko, S. Yu.; Бусыгин, А. Н.; Бобылев, А. Н.; Губин, А. А.; Писарев, А. Д.; Удовиченко, С. Ю.

Численное моделирование и экспериментальное исследование аппаратной импульсной нейросети с мемристорными синапсами

Busygin, A. N., Bobylev, A. N., Gubin, A. A., Pisarev, A. D., Udovichenko, S. Yu., Бусыгин, А. Н., Бобылев, А. Н., Губин, А. А., Писарев, А. Д., Удовиченко, С. Ю.

Дата публикации: 2021

Дата публикации в реестре: 2023-12-05T16:57:50Z

Аннотация:

Представлены результаты численного моделирования и экспериментального исследования электрической схемы аппаратного импульсного персептрона на основе мемристорно-диодного кроссбара. Для этого разработан и изготовлен измерительный стенд, электрическая схема которого состоит из схемы аппаратного персептрона и входной периферийной электрической схемы для реализации активационной функции нейрона и обеспечения работы запоминающей матрицы в импульсном режиме. Проведено исследование работы аппаратной импульсной нейросети с мемристорными синапсами в виде запоминающей матрицы в режиме расчета синапсов однослойного персептрона. Персептрон может рассматриваться в качестве первого слоя биоморфной нейросети, выполняющего первичную обработку поступающей информации в биоморфном нейропроцессоре. Получены экспериментальная и модельная кривые обучения, показывающие ожидаемое увеличение доли правильных классификаций с ростом числа эпох обучения. Продемонстрирована генерация новой ассоциации при переобучении, вызванном поступлением новой входной информации. Сравнение результатов моделирования и эксперимента по обучению небольшой нейросети с малым кроссбаром позволит создавать адекватные модели аппаратных нейросетей с мемристорно-диодным кроссбаром большой размерности. Поступление новой неизвестной информации на вход аппаратной импульсной нейросети можно отожествлять с генерацией новых ассоциаций в биоморфном нейропроцессоре, а в дальнейшем при совершенствовании нейросети научиться осмысливать эту информацию и, следовательно, совершить переход от слабого искусственного интеллекта к сильному.

Работа выполнена при финансовой поддержке РФФИ в рамках гранта № 19-37-90030.