Тюменские физики обучили нейронную сеть ассоциативному самообучению
Спайковые нейронные сети (SNN) стали перспективными типами искусственных нейронных сетей (ANN). SNN более биологически правдоподобны, чем точечные нейроны, имеют более простую структуру за счет меньшего количества нейронов и способны реализовывать биоподобные механизмы самообучения. Однако SNN требуют более высокой вычислительной мощности для программного расчета функции каждого нейрона. Эта проблема может быть решена аппаратной реализацией SNN, что и реализовали ученые из ТюмГУ.
Статья «Моделирование обработки информации в биоморфном нейропроцессоре» физиков ТюмГУ и НОЦ «Нанотехнологии» вышла в журнале OBM Neurobiology.
Ранее группа ученых представила концепцию биоморфного нейропроцессора, которая основана на мемристорно-диодном кроссбаре и реализует аппаратную SNN с многочисленными биоморфными нейронами. Используются ключевые узлы аппаратной составляющей нейропроцессора: сверхбольшие запоминающая и логическая матрицы, задающие вес и маршрут связи между нейронами соответственно.
Эти матрицы должны быть очень большими, потому что каждый нейрон в сети может иметь множество синаптических связей. Нейропроцессор уникален тем, что построен на основе оригинальной электрической схемы биоморфного нейрона и воспроизводит работу биоморфной нейронной сети, созданной на основе оригинальной программной модели биоморфного нейрона.
Кроме того, нейропроцессор содержит устройства кодирования и декодирования входной и выходной информации, построенные с использованием универсальной логической матрицы на основе композитного мемристорно-диодного кроссбара. Максимальный размер квадратных запоминающей и логической матриц равен 10 в шестой степени ячеек, согласно анализу затухания входного сигнала.
Таким образом, с использованием этих матриц можно построить устройства ввода-вывода и аппаратную нейронную сеть соответствующего размера. Современные мемристоры имеют низкую стабильность и воспроизводимость характеристик. Тем не менее, обрабатываемая информация в аппаратных биоморфных SNN распределена по всей сети, что снижает требования к стабильности и воспроизводимости отдельных мемристоров.
В результате работ на основе упрощенных электрических моделей мемристора и диода Зенера создана физико-математическая модель работы ячейки для численного моделирования сверхбольшой логической матрицы с композитным мемристорно-диодным кроссбаром.
Разработана физико-математическая модель обработки сигналов в сверхбольшой логической матрице биоморфного нейропроцессора при маршрутизации выходных сигналов нейронного блока.
Представлены результаты численного моделирования процесса маршрутизации выходных импульсов нейронов на синапсы других нейронов с помощью логической матрицы.
Разработана физико-математическая модель обработки информации в кодирующем устройстве биоморфного нейропроцессора на основе логической матрицы с композитным мемристорно-диодным кроссбаром.
Получены результаты численного моделирования декодирования информационных сигналов в форме последовательностей импульсов в двоичный формат данных. Показана компактная реализация схемы декодирования сигналов в нейропроцессоре, которая может быть реализована в одном слое мемристорно-диодной логической матрицы.
Результат схемотехнического решения достигнут за счет применения логических преобразований, выполняемых внутри мемристорно-диодного кроссбара, и генератора двоичных чисел, установленного на периферии мемристорной логической матрицы. Разработаны также и физико-математические модели ассоциативного самообучения запоминающей матрицы, которые обеспечивают специфичную реализацию правил самообучения LTP и STDP, связанную с оригинальностью мемристорно-диодной ячейки.
С помощью численного моделирования продемонстрирована способность запоминающей матрицы с числом ячеек 4х2 к ассоциативному самообучению в составе аппаратной импульсной нейросети. Таким образом, с помощью численного моделирования на основе разработанных моделей показана работоспособность отдельных устройств нейропроцессора. Работа частично поддержана грантом РФФИ.
Telegram 
Дзен 
VK 
