忆容耦合忆阻器件建模及其在类脑神经形态计算中的应用设计
人工智能的快速发展需要人工智能专用硬件的快速发展，受人脑存算一体、并行处理启发而构建的神经形态计算范式，可以有效的降低人工智能中计算工作的能耗。储池计算是神经形态计算范式的一种，具有结构简单、训练参数少等特点，在时序信号处理、混沌动力学系统预测等方面有着巨大的应用潜力。由于采用随机初始化的网络权重，传统储池计算需要大量的数据和计算时间用于预热处理和网络参数优化。下一代储池计算（Nextgenerationreservoircomputing,NGRC）可以在保证预测精度的条件下有效缓解这些问题，但仍需要大量计算资源的开销用于乘法计算操作。本文在总结了忆阻器、忆容器、以及储池计算发展历程的基础上，提出了带阈值电压的忆容耦合忆阻器件模型、带阈值电压的忆容耦合忆阻器件模型的组合理论、交叉杆阵列中可用于提升权重精度的多值模块结构、以及一种基于存算一体范式实现NGRC的硬件实现方法，具体工作及创新点如下： （1）提出了阈值电压自适应忆容耦合忆阻器件（VoltageThresholdAdaptiveMemcapacitive-coupledMemristor,VTEAM-M）模型，通过设定相应模型参数使模型可以模拟带阈值电压的忆阻器、带阈值电压的忆容器、以及有电阻电容耦合变化现象的带阈值电压的忆阻器。仿真实验部分，基于MATLAB仿真了VTEAM-M模型的电阻-电压变化图像及电容-电压变化图像。 （2）提出VTEAM-M模型的组合理论。在组合理论的框架内VTEAM-M模型可自由叠加或与其他模型叠加，来反映实际器件中电阻和电容的变化特性，解决了含多个阈值电压的忆阻器、忆容器以及忆容耦合忆阻器的行为学模型建模问题。仿真实验部分，基于MATLAB，利用组合理论构建了有多个电阻、电容平台的Ag/MoOx/MoS2/Ag结构忆阻器的行为学模型。 （3）提出多值模块结构。目前有多个阻态的带阈值电压的忆阻器的阻态难以准确调整，本文设计了由多个只有两个阻态的带阈值电压忆阻器组合构成的多值模块，这种多值模块可应用于交叉杆阵列中进行向量矩阵乘法运算，提升权重精度。 （4）提出了一种基于存算一体范式实现下一代储池计算的硬件实现方法，将NGRC过程通过矩阵向量乘法操作简化，并利用带阈值电压的忆阻器的交叉杆阵列结构完成矩阵向量乘法操作。通过忆阻器交叉杆阵列仿真实验，在Lorenz63时间序列预测任务中验证了该方法可行性，以及该方法在噪声条件下预测结果的鲁棒性，并探究忆阻器交叉杆阵列权重精度对预测结果的影响。仿真实验结果表明，预测效果与输出精度和权重精度密切相关。当输出精度达到16bit，进一步提高输出精度对预测效果的影响可忽略不计，并且具有良好的抗噪声能力；当权重精度达到8bit，对Lorenz63三维时间序列预测的短期预测（1个李雅普诺夫时间）就可以有良好的预测效果（NRMSE小于0.05），并可以在一定程度进行长期预测。
神经形态计算;忆阻器;忆容器;阈值电压;储池计算
西南交通大学
硕士
凝聚态物理
张勇;杨峰
2022
中文
TP183
2022-12-13（万方平台首次上网日期，不代表论文的发表时间）