由電容器構成的類腦神經形態系統，功耗可降低萬倍
2021-09-12 11:57:29 EETOP
這一成果詳情發表在IEEE Transactions on Neural Networks and Learning Systems上。https://ieeexplore.ieee.org/document/9526883
模仿生物大腦結構并實現神經元和突觸元素的神經形態系統有望用于人工智能（AI），但目前，作為AI的優化還不夠。這主要是由于兩個問題：使用大規模的模擬電路和憶阻器（可變電阻），導致大的直流電流和瞬態；使用大規模的電路來控制突觸連接的強度，導致大的功率消耗。
因此，在神經擬態系統的開發中，為了降低功耗，該團隊決定使用沒有直流電流并能減少瞬時電流的記憶電容，同時在神經形態系統的開發中使用自主的本地學習來縮小電路規模。
在這項研究中，選擇了使用鐵電電容的MemCapacitor。采用了一個簡單的結構，以方便未來的高度整合。具體來說，采用由Bi3.25 La0.75 Ti3O12（BLT）的薄膜液相工藝，一種鉍（Bi）、鑭（La）和鈦（Ti）的氧化物合金，在液相中被加工成一個橫桿式膜電容。研究人員表示，鐵電電容器的自發極化隨著施加電壓的歷史變化而變化，從而形成一個具有不同電容的電路元件。
另一方面，自主局部學習則是一種學習方法，其中單個元件僅根據自身的驅動條件改變其特性，并通過充分利用記憶電容器的電壓歷史的電容特性，控制電路突觸元件的耦合強度。以使神經形態系統只用memcapacitor來學習，而不用任何電路來控制突觸元素的耦合強度。
在學習階段，所需的電容變化是通過簡單地對橫條形的水平電極和垂直的垂直電極施加電壓來誘導的。推理階段也很簡單：在水平電極上施加電壓，然后讀取垂直電極的電壓。
在實驗中，這個神經擬態系統被用來記憶字母“T”和“L”，當輸入稍微不同的模式時，確認輸出的是記憶的“T”或“L”中較接近的一個。
這種行為被稱為 "聯想記憶"，它可以直接應用于字符識別和圖像識別，但也可以根據問題集應用于各種人工智能任務。此外，據說傳統的認知計算系統的規模約為10個冰箱的大小，功耗為幾百千瓦，但根據這項研究的基本結果，預計可以建立一個具有類似功能的系統，其尺寸為單芯片LSI，功耗為20W左右，功耗降低近萬倍。
關鍵詞： 神經形態 神經擬態 記憶電容 memcapacitor
