[发明专利]一种基于多阻态忆阻器的电流型神经网络

说明书

本发明针对以忆阻器作为神经网络核心器件的的特殊要求，提出一种由类脑器件忆阻器结合传统器件搭建电流型神经元电路的方法，能够模拟实现前向的神经网络运算，采用由忆阻器件和MOS管为核心的1T1R权重模式，极大地减少了神经网络运算中所耗费的片上资源，结合其他类的电子器件诸如MOS管、低功耗运放、轨到轨运放技术、以及数字、模拟电路方面的原理和仿生学原理，解决了1T1R作为神经网络中核心器件所设计的信号输入、权值网络、电流等效加法器求和以及激活层面的的设计问题，实现正负信号的处理和神经网络层之间的传递，并搭建了相对应的突触权值矩阵模型和多层神经元网络电路。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于多阻态忆阻器的电流型神经网络系统，具体是一种由低功耗(LP-amp)、轨到轨(Rail-To-Rail-amp)运放技术和寄存器技术以及多阻态忆阻器件为核心的硬件电路构建的神经网络系统。

背景技术

开发能够调节参数的硬件人工神经网络是现代神经网络技术的一个必要的发展趋势，近10多年来，在学术界，学者们致力于开发高效的硬件神经网络或者与其相应的实现环境。

大脑具有非常高的工作效率，虽然有很高的神经网络密度，但相对于电脑芯片，消耗能耗极低。有实验表明，单个神经元的局部反应速度在10Hz/s，大脑的快速运行主要是并行结构的计算和关于神经元编码动力学创造的，因此这对我们以合理的结构和如何大量的应用忆阻器件有着非常重要的启示。

在生物学中，动作电位信号以尖峰的形式沿着神经纤维膜传导，从微观的角度来看，这与在电路中的脉冲信号有着很类似的效果。在实际电路中，人工神经网络中的信号是以稳定的阈值信号或者波形实现的。

为了减少研究的复杂性，要对生物神经网络功能进行主要特征的筛选和实现，即通过几次有效的信号传递，来实现其诸如分类、识别以及记忆主要功能。

发明内容

发明目的：本发明针对以忆阻器件作为神经网络核心器件的要求，提出一种由类脑器件——忆阻器结合传统器件搭建的一种电流型神经元电路，能够模拟实现前向神经网络运算，采用由忆阻器件和MOS管为核心1T1R的权重模式，极大地减少了神经网络运算中所耗费的片上资源。

本发明采用的技术方案为：

一种基于多阻态忆阻器的电流型神经网络，其特征在于：包括信号输入模块、权值网络模块、极性寄存器模块、偏置信号模块、电流等效加法模块和激活函数模块；

所述信号输入模块为三端口绝对值电路，将输入信号V_pluse分解为输出模值信号|V_pluse|和极性特征信号S′，输入至权值网络模块；所述权值网络模块包括若干1T1R忆阻器权值单元；所述极性寄存器模块分别与权值网络模块和偏置信号模块连接；所述偏置信号模块将输出的偏置电流信号与权值网络模块输出的电流信号一起输入至电流等效加法模块；所述电流等效加法模块对输入电流进行运算，并将运算结果输入至激活函数模块；所述激活函数模块对运算结果进行激活处理，将最终结果输入到下一层神经网络中；

所述1T1R忆阻器权值单元包括：忆阻器模块电路Mem、同或门电路、反相器、PMOS管和NMOS管，电路连接方式有以下3种：

方式1：采用两根同型MOS管，MOS管的S极连接忆阻器Mem，输入信号V_pluse由 MOS管D极输入；同或门电路输入端连接极性特征信号S′与极性寄存器模块(3)，输出端分别连接其中一根MOS管的G极以及反相器的输入端，反相器输出端与另一根 MOS管的G极相连；

方式2：采用一根P型MOS管和一根N型MOS管，两根MOS管的S极连接忆阻器Mem，输入信号V_pluse由MOS管D极输入；同或门电路输入端连接极性特征信号S′与极性寄存器模块(3)，输出端分别连接两根MOS管的G极；