[发明专利]仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法

说明书

仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法,它涉及人工智能领域，具体涉及仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法，它将忆阻器内化为电路的非线性部分，用来模拟生物细胞膜的离子通透性，PART1是电路的输入部分，PARTII是反馈控制部分，PARTIII是输出部分，电路的动态特性描述如下：电流I代表神经元接受来自其他神经元总的电流输入，初始时晶体管T1，T3，CT1、CT2的P通路导通，其余晶体管断路，比较器CP输出电位Vo1和求和电路输出电位Vo2为低电平，电容Cm的电位代表神经元的膜电位，初始为0V，AP的输出Vo2是对Vo1的多延时求和。采用上述技术方案后，本发明有益效果为：它兼顾硬件可实现性和生物可解释性两方面，搭建脉冲神经元信号发生电路，并且保证神经元前后脉冲的一致性。

技术领域

本发明涉及人工智能领域，具体涉及仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法。

背景技术

近年来，人工智能领域的飞速发展使得人们对高智能系统的期待越来越大，科学界在探索更加类人的智能系统，而工程界对高智能系统的需求也在与日俱增。人脑能够适应不断变化的外界环境，同时可以并行、高效和实时的计算，人脑具有如此卓越的能力其结构肯定有着独到之处。脉冲神经网络就是对生物神经网络的一种模拟，其中脉冲神经元作为主要的信息处理单元一直受到研究者们的关注。而忆阻在2008年由惠普实验室首次堆叠成功，其独特的非线性特性使其能够应用于多个领域。

已有的脉冲神经元信号发生电路基本都是基于晶体管、场效应管等电子元件搭建而成，从最早的Hodgkin Huxley模型、积分-发放模型、Izhikevich-Wilson模型到带泄露的积分-发放模型，均采取了大量的晶体管来实现，还存在一些不足之处，比如HodgkinHuxley模型，它详细地描述了神经元的活动，但是数学模型过于复杂，很难在硬件实现上达到较小的功耗。积分-发放模型、Izhikevich和Wilson模型等模型简化了数学模型，但是又无法拥有较好的生物可解释性，忽略了一些真实生物脉冲的特征。另一方面，当使用这些模型搭建放生系统时，神经网络的突触电路必须精心设计，有的无法保持神经元前后脉冲的一致性。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法，它兼顾硬件可实现性和生物可解释性两方面，搭建脉冲神经元信号发生电路，并且保证神经元前后脉冲的一致性。

为实现上述目的，本发明采用以下技术方案是：它将忆阻器内化为电路的非线性部分，用来模拟生物细胞膜的离子通透性，PART1是电路的输入部分，PARTII是反馈控制部分，PARTIII是输出部分，电路的动态特性描述如下：电流I代表神经元接受来自其他神经元总的电流输入，初始时晶体管T1，T3，CT1、CT2的P通路导通，其余晶体管断路，比较器CP输出电位Vo1和求和电路输出电位Vo2为低电平，电容Cm的电位代表神经元的膜电位，初始为0V，AP的输出Vo2是对Vo1的多延时求和。

电容Cm对输入电荷进行积分，当Cm的电位达到阈值电压，比较器CP的输出电压Vo1发生翻转，T2，T3，CT1的P通路和CT2的N通路导通，其余断路，Cm上的电荷进行泄放，Vt接入CP正端维持CP的输出；

一段时间后，Vo2的电压发生翻转，同时Vo1的电压发生翻转，T1，T4，CT2的P通路和CT1的N通路导通，其余断路，Cm继续泄放；

Vo1的电压经过增益模块K施加在忆阻器M和输出电阻Ro上，Vo1电位的变化决定了M的忆阻值变化，忆阻值为最大值时电路回复初始状态，忆阻值会影响忆阻的分压，Ref处的电压即为输出脉冲，可以通过电压跟随器接出作为其他神经元电路的输入。

采用上述技术方案后，本发明有益效果为：它兼顾硬件可实现性和生物可解释性两方面，搭建脉冲神经元信号发生电路，并且保证神经元前后脉冲的一致性。

附图说明