Вышедшие номера
Адаптивные свойства спайковых нейроморфных сетей с синаптическими связями на основе мемристивных элементов
Переводная версия: 10.1134/S1063785019040278
Российского научный фонд, 18-79-10253
Правительство РФ, 074-02-2018-330
Никируй К.Э.1,2, Емельянов А.В.1,2, Рыльков В.В.1,3, Ситников А.В.1,4, Демин В.А.1,2,5
1Национальный исследовательский центр "Курчатовский институт", Москва, Россия
2Московский физико-технический институт (Государственный университет), Долгопрудный, Московская обл., Россия
3Фрязинский филиал Института радиотехники и электроники им. В.А. Котельникова РАН, Фрязино, Россия
4Воронежский государственный технический университет, Воронеж, Россия
5Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия
Email: NikiruyKristina@gmail.com
Поступила в редакцию: 25 января 2019 г.
Выставление онлайн: 20 марта 2019 г.

Нейроморфные вычислительные сети (НВС) с синаптическими связями на основе мемристоров ("сопротивления с эффектом памяти") могут обеспечить гораздо более эффективный подход при аппаратной реализации различных типов алгоритмов нейронных сетей, чем традиционные элементы на основе комплементарной технологии. Для реализации эффективных НВС необходимо, чтобы сопротивление мемристора могло быть изменено по локальным правилам (например, пластичности, зависящей от времени прихода импульсов, - STDP). Изучена возможность локального обучения мемристоров на основе нанокомпозита (Co0.4Fe0.4B0.2)x(LiNbO3)1-x по правилам STDP. На примере НВС, состоящей из четырех входных и одного выходного нейрона, продемонстрирована возможность ее обучения по правилам STDP. Обнаружено, что конечное состояние НВС не зависит от начального состояния данной сети, а зависит только от условий обучения (последовательности импульсов). Изучена зависимость результата обучения от значения порогового тока выходного нейрона. Полученные результаты открывают перспективы создания автономных НВС, способных к обучению решению сложных когнитивных задач.
  1. Wang J., Zhuge F. // Adv. Mater. Technol. 2019. P. 1800544. First published: 03 January 2019
  2. Sourikopoulos I., Hedayat S., Loyez C., Danneville F., Hoel V., Mercier E., Cappy A. // Front. Neurosci. 2017. V. 11. P. 123
  3. Li C., Hu M., Li Y., Jiang H., Ge N., Montgomery E., Zhang J., Song W., Davila N., Graves C.E., Li Z., Strachan J.P., Lin P., Wang Z., Barnell M., Wu Q., Williams R.S., Yang J.J., Xia Q. // Nature Electron. 2018. V. 1. P. 52--59
  4. Ielmini D. // Semicond. Sci. Technol. 2016. V. 31. P. 063002
  5. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Adam G.C., Likharev K.K., Strukov D.B. // Nature. 2015. V. 521. P. 61--64
  6. Антонов И.Н., Белов А.И., Михайлов А.Н., Морозов О.А., Овчинников П.Е. // Радиотехника и электроника. 2018. Т. 63. N 8. С. 880--888
  7. Acharya U.R., Oh S.L., Hagiwara Y., Tan J.H., Adeli H. // Comput. Biol. Med. 2018. V. 100. P. 270--278
  8. Pedretti G., Milo V., Ambrogio S., Carboni R., Bianchi S., Calderoni A., Ramaswamy N., Spinelli A.S., Ielmini D. // Sci. Rep. 2017. V. 7. P. 5288
  9. Emelyanov A.V., Lapkin D.A., Demin V.A., Erokhin V.V., Battistoni S., Baldi G., Dimonte A., Korovin A.N., Iannotta S., Kashkarov P.K., Kovalchuk M.V. // AIP Adv. 2016. V. 6. P. 111301
  10. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Likharev K., Strukov D.B. // Sci. Rep. 2016. V. 6. P. 21331
  11. Kim K.-H., Gaba S., Wheeler D., Cruz-Albrecht J., Hussain T., Srinivasa N., Lu W. // Nano Lett. 2012. V. 12. P. 389--395
  12. Hu S.G., Liu Y., Chen T.P., Liu Z., Yu Q., Deng L.J., Yin Y., Hosaka S. // Appl. Phys. Lett. 2013. V. 102. P. 183510
  13. Serb A., Bill J., Khiat A., Berdan R., Legenstein R., Prodromakis T. // Nature Commun. 2016. V. 7. P. 12611
  14. Hsieh C.C., Roy A., Chang Y.F., Shahrjerdi D., Banerjee S.K. // Appl. Phys. Lett. 2016. V. 109. P. 223501
  15. Lapkin D.A., Emelyanov A.V., Demin V.A., Berzina T.S., Erokhin V.V. // Microelectron. Eng. 2018. V. 185-186. P. 43--47
  16. Hansen M., Zahari F., Kohlstedt H., Ziegler M. // Sci. Rep. 2018. V. 8. P. 8914
  17. Wang Z., Joshi S., Savel'ev S., Song W., Midya R., Li Y., Rao M., Yan P., Asapu S., Zhuo Y., Jiang H., Lin P., Li C., Yoon J.H., Upadhyay N.K., Zhang J., Hu M., Strachan J.P., Barnell M., Wu Q., Wu H., Williams R.S., Xia Q., Yang J.J. // Nature Electron. 2018. V. 1. P. 137--145
  18. Pan X., Shuai Y., Wu C., Luo W., Sun X., Zeng H., Zhou S., Bttger R., Ou X., Mikolajick T., Zhang W., Schmidt H. // Appl. Phys. Lett. 2016. V. 108. P. 032904
  19. Рыльков В.В., Николаев С.Н., Демин В.А., Емельянов А.В., Ситников А.В., Никируй К.Э., Леванов В.А., Пресняков М.Ю., Талденков А.Н., Васильев А.Л., Черноглазов К.Ю., Веденеев А.С., Калинин Ю.Е., Грановский А.Б., Тугушев В.В., Бугаев А.С. // ЖЭТФ. 2018. Т. 153. В. 3. С. 424--441
  20. Никируй К.Э., Емельянов А.В., Демин В.А., Рыльков В.В., Ситников А.В., Кашкаров П.К. // Письма в ЖТФ. 2018. Т. 44. В. 10. С. 20--28
  21. Hennequin G., Agnes E.J., Vogels T.P. // Annu. Rev. Neurosci. 2017. V. 40. P. 557--579.

Подсчитывается количество просмотров абстрактов ("html" на диаграммах) и полных версий статей ("pdf"). Просмотры с одинаковых IP-адресов засчитываются, если происходят с интервалом не менее 2-х часов.

Дата начала обработки статистических данных - 27 января 2016 г.