由電容器構(gòu)成的類腦神經(jīng)形態(tài)系統(tǒng)，功耗可降低萬倍
2021-09-12 11:57:29 EETOP
這一成果詳情發(fā)表在IEEE Transactions on Neural Networks and Learning Systems上。https://ieeexplore.ieee.org/document/9526883
模仿生物大腦結(jié)構(gòu)并實(shí)現(xiàn)神經(jīng)元和突觸元素的神經(jīng)形態(tài)系統(tǒng)有望用于人工智能（AI），但目前，作為AI的優(yōu)化還不夠。這主要是由于兩個(gè)問題：使用大規(guī)模的模擬電路和憶阻器（可變電阻），導(dǎo)致大的直流電流和瞬態(tài)；使用大規(guī)模的電路來控制突觸連接的強(qiáng)度，導(dǎo)致大的功率消耗。
因此，在神經(jīng)擬態(tài)系統(tǒng)的開發(fā)中，為了降低功耗，該團(tuán)隊(duì)決定使用沒有直流電流并能減少瞬時(shí)電流的記憶電容，同時(shí)在神經(jīng)形態(tài)系統(tǒng)的開發(fā)中使用自主的本地學(xué)習(xí)來縮小電路規(guī)模。
在這項(xiàng)研究中，選擇了使用鐵電電容的MemCapacitor。采用了一個(gè)簡(jiǎn)單的結(jié)構(gòu)，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(gè)橫桿式膜電容。研究人員表示，鐵電電容器的自發(fā)極化隨著施加電壓的歷史變化而變化，從而形成一個(gè)具有不同電容的電路元件。
另一方面，自主局部學(xué)習(xí)則是一種學(xué)習(xí)方法，其中單個(gè)元件僅根據(jù)自身的驅(qū)動(dòng)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(qiáng)度。以使神經(jīng)形態(tài)系統(tǒng)只用memcapacitor來學(xué)習(xí)，而不用任何電路來控制突觸元素的耦合強(qiáng)度。
在學(xué)習(xí)階段，所需的電容變化是通過簡(jiǎn)單地對(duì)橫條形的水平電極和垂直的垂直電極施加電壓來誘導(dǎo)的。推理階段也很簡(jiǎn)單：在水平電極上施加電壓，然后讀取垂直電極的電壓。
在實(shí)驗(yàn)中，這個(gè)神經(jīng)擬態(tài)系統(tǒng)被用來記憶字母“T”和“L”，當(dāng)輸入稍微不同的模式時(shí)，確認(rèn)輸出的是記憶的“T”或“L”中較接近的一個(gè)。
這種行為被稱為 "聯(lián)想記憶"，它可以直接應(yīng)用于字符識(shí)別和圖像識(shí)別，但也可以根據(jù)問題集應(yīng)用于各種人工智能任務(wù)。此外，據(jù)說傳統(tǒng)的認(rèn)知計(jì)算系統(tǒng)的規(guī)模約為10個(gè)冰箱的大小，功耗為幾百千瓦，但根據(jù)這項(xiàng)研究的基本結(jié)果，預(yù)計(jì)可以建立一個(gè)具有類似功能的系統(tǒng)，其尺寸為單芯片LSI，功耗為20W左右，功耗降低近萬倍。
關(guān)鍵詞： 神經(jīng)形態(tài) 神經(jīng)擬態(tài) 記憶電容 memcapacitor
EETOP 官方微信
創(chuàng)芯大講堂 在線教育
半導(dǎo)體創(chuàng)芯網(wǎng) 快訊
相關(guān)文章
