01 题目及来源

image-20210116134440257

02 这篇文章讲了什么

神经元和突触因为其动力学特性,而能同时被应用到监督学习和无监督学习之中。现如今,神经元模拟已经指出了类脑运算的可能,但相关实验仍然处在初期阶段。本论文着重关注了用忆阻器件进行高效内脑运算的相关进展、挑战和可能解决方案。

03 论文中的图与笔记

1、忆阻器尺度小,编程速度快,且能通过欧姆定律和基尔霍夫电流定律的联合作用实现深度学习所需要的向量矩阵乘法,这对传统架构的计算机来说本是件很耗费资源的工作。此外,对于无论什么大小的矩阵,电流检测都是一次性完成的,即可以实现超大规模的并行计算。

2、忆阻器可以和传感器直连从中读取模拟信号,而不需要数模转换,这将极大程度节省资源的消耗。

3、忆阻器的一些物理特征(最常用的是电导),可以作为用来表示突触权重的参量。改变忆阻器电导的方法主要有三种:改变沟道宽度、改变沟道和电级间的宽度以及改变沟道的化学组成。如下图所示:

image-20210116145957535

4、忆阻器如今未能大规模应用的原因:在器件性能上(如可变性)状态不够理想;此外,在大规模阵列集成中也存在较大的问题。

5、为了使忆阻器提升效能,外围电路必须与计算内核集成,以获得最佳的能量和吞吐量整体效率。

6、具有高活化能的流动元素更倾向于在输出过程中减小电导态的漂移和干扰,而使忆阻器更稳定,使权重不会随时间而轻易改变。

7、通过用最小尺寸的晶体管将两个忆阻器串联起来,并利用忆阻器的电阻率对信息进行编码,信息误码率可以大大减少。

8、在低电导范围内,忆阻器的I-V分布通常是非线性的,且电阻水平有较大的变化。此时,欧姆定律失效,应采用另一种做法进行计算:施加相同幅值的脉冲,但是脉冲宽度不同,根据Q=VGt来建立测得的电荷(Q)与脉冲(t)之间的线性关系,其中V为电压振幅、G为电导,通过读取电荷数来获得参数。

9、1T1R指的是将一个忆阻器和一个晶体管集成在一起,目的是抑制漏电流,从而实现对忆阻器的准确读取和编程。在忆阻器计算操作(推论)期间,1T1R阵列中的所有晶体管均处于导通状态,以最大程度地减小通道电阻对交叉开关阵列操作的影响;在忆阻器电导编程(训练)期间,晶体管处于部分导通状态,以实现精确的重量更新。

10、无源阵列在忆阻器交叉开关中没有晶体管,因其低功耗和高封装密度的潜力而备受关注,但是潜行电流和半选择问题会影响其编程性能和在大型阵列中对忆阻器地读取。解决潜行电流的一个方法是:在每个单元中串联一个两端选择器设备,即1S1R架构。当双极忆阻器与选择器串联时,组合器件具有非线性特性,在读取电压的一半时电流要低得多。

11、用Crossbar阵列所做的一些已应用于实际的忆阻器件以及其与无源阵列所做的对比,如下表所示:

image-20210116152437726

12、SNN以峰值的时间编码信息,仅在事件发生时进行计算。

04 关于SNN和DNN的补充

image-20210117182344838

如上所示,介绍了SNN和DNN的区别以及他们在以CMOS为结构、冯·洛伊曼架构的计算机中的应用。

05 总结

这篇文献讲了以Crossbar为结构的忆阻器的基本架构。后面还提到了一些制造方法,但因为与课题无关,所以就略过了。读完这篇文献,最大的收获是结合在机器学习课程中的知识,系统了解了忆阻器通过什么样的途径来应用到硬件级神经网络的构建之中。