[发明专利]一种基于多阻态忆阻器的电流型神经网络

摘要

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。

主权项

1.一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(1)、权值网络模块(2)、极性寄存器模块(3)、偏置信号模块(4)、电流等效加法模块(5)和激活函数模块(6)；所述信号输入模块(1)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(2)；所述权值网络模块(2)包括若干1T1R忆阻器权值单元；所述极性寄存器模块(3)分别与权值网络模块(2)和偏置信号模块(4)连接；所述偏置信号模块(4)将输出的偏置电流信号与权值网络模块(2)输出的电流信号一起输入至电流等效加法模块(5)；所述电流等效加法模块(5)对输入电流进行运算，并将运算结果输入至激活函数模块(6)；所述激活函数模块(6)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M_em、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；方式3：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；极性寄存器模块分别与MOS管G极和反相器输入端连接，反相器输出端连接另一根MOS管的G极；所述1T1R忆阻器权值单元功能实现方法如下：1)、将权值矩阵的正负编辑在极性寄存器W之中，并通过引脚输入到1T1R单元之中；2)、当电路连接采用方式1或者方式2时，输入信号模块将模值信号|V_pluse|和极性特征信号S′通过引脚输入至1T1R忆阻器权值单元，进行模值信号运算，并将结果输出至Pos_channel或者Neg_channel通道之中，其中输出结果的通道由极性寄存器模块和极性特征信号S′共同决定；3)、当电路连接采用方式3时，1T1R忆阻器权值单元对模值信号|V_pluse|进行运算，并将结果输出至Pos_channel或者Neg_channel通道之中，其中输出结果的通道由极性寄存器模块单独决定；4)、输入到各个1T1R单元中的信号，经过处理之后，皆以上述的方式运算，并将结果输出到Pos_channel或者Neg_channel通道之中，实现信号汇聚；所述基于多阻态忆阻器的电流型神经网络的系统搭建步骤如下：L1、在上位机的神经网络训练完成之后，根据数据对所搭建的神经网络系统中的忆阻突触权值进行指定位置的编程；L2、对权值网络中的忆阻器单元进行编程，将权值网络中权值正负输入到极性寄存器之中，并完成的工作电压的设置；L3、完成电路的编程之后，将输入信号传输至信号输入模块，信号输入模块对输入的信号实现模值和极性的分离；L4、将模值信号和极性特征信号输入到权值网络之中，模值信号通过1T1R忆阻器权值单元运算，输出电流信号由极性寄存器模块以及输入信号的极性共同控制，选择流入Pos_channel或Neg_channel通道之中；L5、对偏置信号模块进行信号输入，将运算后的偏置电流信号输入至Pos_channel和Neg_channel通道中。L6、电流等效加法模块接收Pos_channel和Neg_channel通道中的电流信号，内部电流加法器节点Neronal_node单元将Pos_channel和Neg_channel通道中的电流信号进行累加求和，最终输出结果V_outx，输出到激活函数模块之中；L7、激活函数单元对输出结果V_outx进行激活处理，并将输出的信号输入到下一层神经网络中的输入模块之中。L8、通过上述网络连接的过程实现了神经网络的若干层数连接，构建多层神经网络系统。