基于RRAM阵列的神经形态计算训练电路设计

摘要

近年来，人工智能的快速发展极大的改变了人们的生活方式，科技的进步使得人们对类脑实现更加期盼，但是由于利用人工智能进行类脑实现仍然采用传统的冯诺依曼架构，信息在存储器与处理器之间进行传递仍然需要通过总线来实现，而当模拟人脑中处理的海量信息时，总线上数据的传递会产生大量的功耗，无法打破冯诺依曼瓶颈，而人脑同样会处理海量的数据却显然功耗要低得多，人们逐渐意识到仅凭软件上的程序不能实现真正的类脑研究，因此人们把目光转向了神经网络的硬件实现。通过将仿生学研究中的神经网络进行硬件实现的类脑研究被称作神经形态计算，但是在过去的几十年中突触的实现方法有着种种弊端，神经形态计算的研究进展缓慢。
　　RRAM阻变器件具有面积小、功耗低等优点，更为重要的是RRAM阻变器件具有与突触工作机制类似的电学特性，因此这种新型阻变器件被认为可用于对神经形态计算中的突触进行模拟实现。由于将RRAM阻变器件用作突触实现的神经形态计算应用可以打破传统人工智能中使用的冯诺依曼架构，并且可以模拟人脑工作机制进而实现真正的机器智能，在此背景下，本文开展了基于RRAM阵列的神经形态计算的相关研究工作。
　　本文从仿生学神经网络研究入手，选取合适的神经网络模型，神经元模型，神经网络学习规则，利用RRAM阻变器件用作模拟突触实现，进行了神经形态计算架构的设计。通过对RRAM阻变器件及阻变现象的介绍深入研究导电细丝模型，建立RRAM阻变器件模型并验证了模型具有的阻变现象与实际器件的一致性，验证了脉冲操作下RRAM阻变器件具有的类突触特性，完成了器件实物的测量工作，并通过对器件模型与实物的使用提出了一些建议。提出了用于字符0-9的训练功能的神经形态计算的电路结构及训练机制，对简单图像进行了神经形态计算的训练功能的实现，并验证了训练电路的训练结果，基于人脑工作的特点进行了电路的改进，并对器件良率进行了蒙特卡洛分析。
　　本文通过利用RRAM阻变器件实物对其具有重要应用前景的神经形态计算领域进行了相关研究与设计，打破了传统人工智能中采用的冯诺依曼体系架构，进行了类脑研究的探索工作，为后续在此方向上继续进行的研究工作提供了一些有益参考。

目录

第1章 绪 论

1.1 课题来源及背景

1.2 国内外研究现状

1.3 课题的目的和意义

1.4 研究内容与论文结构

第2章 神经形态计算应用的搭建

2.1 人工神经网络模型概述

2.2 神经元与突触

2.3 神经形态计算算法概述

2.4本章小结

第3章 RRAM阻变器件

3.1 RRAM阻变现象与阻变机制

3.2 RRAM阻变模型

3.3 RRAM阻变器件实物测试

3.4 本章小结

第4章 基于RRAM阵列的神经形态计算应用研究

4.1 基于RRAM阵列的神经形态计算电路设计

4.2 基于RRAM阵列的神经形态计算电路实现

4.3 神经形态计算应用的缺点与改进

4.4 蒙特卡洛分析

4.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢