[发明专利]一种基于忆阻器的神经元电路

说明书

本发明属于神经元器件技术领域，具体为一种基于忆阻器的神经元电路。本发明的神经元电路包括：积分重置电路、电阻比较电路和脉冲输出电路；积分重置电路以外部电路的电流作为输入，通过忆阻器的复位或置位操作来实现对输入电流的积分，并以忆阻器实时阻值的监测电压作为输出；电阻比较电路接收实时监测电压，将其与参考电阻的电压信号进行比较，并将电阻比较结果输出给脉冲输出电路；当实时监测电压越过阈值，脉冲输出电路向外部电路输出神经脉冲信号，同时把反馈信号发送给积分重置电路，使积分重置电路的忆阻器阻值重置。本发明具有集成后面积代价低，且实时性好、误操作率低的特点。

技术领域

本发明属于神经元器件技术领域，具体涉及一种基于忆阻器的神经元电路。

背景技术

近年来，受益于摩尔定律、云计算和大数据的推动，人工智能（AI）技术在语音识别、图像识别、无人驾驶和医疗诊断等越来越多的领域的应用取得突破。但是，当前人工智能技术的大规模普及也面临着诸多问题，如训练时间长、计算资源和人力成本高以及训练数据需求量大等。发展高性能计算能够在一定程度上缓解当前人工智能面临的问题。但是，高性能计算主要还是依赖底层芯片的计算性能。随着摩尔定律的脚步逐步放缓，CMOS器件的微缩速度越来越慢，芯片计算性能的提升已经不足以应对人工智能发展带来的计算需求的增长。同时，功耗的过快增加也成为限制芯片集成度提高的重要因素。另外，由于人工智能是数据密集型计算，而目前的CPU、GPU、FPGA或专用芯片在架构上仍然基于传统的冯洛伊曼架构，计算和存储在物理上分离，计算过程中数据在总线的频繁搬运导致功耗和性能的巨大损失，即所谓“冯洛伊曼瓶颈”。

神经形态计算被认为是高性能计算之后人工智能发展的下一个阶段。神经形态计算最早由加州理工学院的卡弗·米德于20世纪80年代提出，通过模仿人脑神经元和突触的活动，利用模拟芯片来仿真脉冲神经网络（spiking neural network，SNN）。人脑的基本组成单元是神经元，数量达到1011个，每个神经元通过103~104个突触与其他神经元相连，构成复杂的神经网络。人脑突触的数量高达1015个，其权值在外界信号作用下动态调整其连接与强度，从而完成学习与记忆功能。神经信号在传递的过程中消耗极少的电量，使人脑计算具有高并行度和和高能效的特点，而且在图像、语音识别等认知应用中的准确率远超当今最先进的人工智能技术。IBM公司所推出的百万神经元级别的TrueNorth芯片，在执行某些任务时，功耗仅为70 mW，能效可达传统CPU的数百倍。另外，神经形态计算可以使用无监督技术从环境中学习，只需少量样本即可使其实现快速学习。同时，神经形态计算的泛化能力强，易于实现小型化集成。这样，物联网终端、可穿戴设备、手机等计算资源较少的设备在无需大型服务器支持的条件下，神经形态计算可以使它们具有学习能力。

但是，目前神经形态计算系统在模仿人脑进行信息处理时，在规模方面还有极大的局限性。要构建与人脑功能接近的神经计算系统，首先要具有相当数量的神经元器件和突触器件。目前，很多实验已经证明，忆阻器、相变器件等新型存储器的交叉阵列可以实现高密度的突触器件。但是，对于神经元器件，目前主要有两种实现方式，即数字电路和模拟电路。采用数字电路实现方式，神经元需要数量巨大的晶体管，带来较大的面积代价；采用模拟方式，往往需要电容作为积分器，而在芯片上集成电容器件往往消耗过多的面积。神经元面积过大导致目前神经元的集成密度非常低，远远无法满足神经形态计算的需求。为了克服这一问题，目前有一些研究也开始采用忆阻器、相变器件等新型存储器来实现神经元电路，但在电路实现上还存在实时性差、误操作率高等问题。

发明内容

本发明旨在解决现有神经元电路存在的响应实时性差、误操作率高的不足，而提供一种集成后面积代价低，且具有实时性好、误操作率低特征的神经元器件。

为实现上述目的，本发明提供了如下方案：

一种基于忆阻器的神经元电路，包括积分重置电路、两种可能的电阻比较电路和脉冲输出电路；其中：