Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара, Писарев А.Д., Удовиченко С.Ю., 2021

Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара, Писарев А.Д., Удовиченко С.Ю., 2021.

   Предложена концепция биоморфного нейропроцессора, реализующего аппаратную импульсную нейросеть для традиционных задач обработки информации, а также для воспроизведения работы кортикальной колонки мо зга или её фрагмента. Аппаратная нейросеть построена на основе оригинальных биоморфных программной и электрической моделей нейрона. Представлены электрические схемы, топология и нанотехнология изготовления основных узлов аппаратной части нейропроцессора: запоминающей и логической матриц, входного и выходного устройств, построенных на основе комбинированного мемристорно-диодного кроссбара и обладающих высокими интеграцией элементов и энергоэффективностью по сравнению с известными нейропроцессорами и отдельными матрицами. Приведены результаты SPICE-моделирования и аппаратного тестирования процессов обработки сигналов в режимах: сложения выходных импульсов нейронов в запоминающей матрице; их маршрутизации на синапсы других нейронов в логической матрице, скалярного умножения матрицы чисел на вектор, а также ассоциативного самообучения. Впервые продемонстрирована генерация новой ассоциации (нового знания) в изготовленном мемристорно-диодном кроссбаре в отличие от ассоциативного самообучения в существующих аппаратных нейросетях с синапсами на базе дискретных мемристоров.

Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара, Писарев А.Д., Удовиченко С.Ю., 2021


ИНТЕГРАЦИЯ МЕМРИСТОРНЫХ УСТРОЙСТВ С КМОП-ЛОГИКОЙ.
Аппаратная реализация нейросетей очень важна для их дальнейшего использования. Однако современная коммерческая электроника (основанная на КМОП — комплементарных металл-оксид-полупроводник структурах) не позволяет быстро и эффективно производить нейросетевые вычисления. Таким образом, интеграция нейроморфных устройств с коммерческой электроникой является важным направлением исследований.

Нейроморфные КМОП-устройства уже разрабатываются, например, процессор IBM TrueNorth [30] благодаря многоядерной архитектуре обеспечивает достаточную производительность для моделирования кортикальной колонки мозга. Каждое из 4096 ядер моделирует 256 нейронов с 256 синапсами у каждого нейрона, что достаточно для функционального моделирования одного среза кортикоморфной колонки. Тем не менее подобная реализация использует 5,4 млрд транзисторов и энергозависимую память. Таким образом, масштабирование такой системы приведет к существенному увеличению энергопотребления и замедлению вычислений. Использование мемристоров в качестве синаптических связей в подобных устройствах позволит упростить их архитектуру, что увеличит быстродействие и снизит потребление энергии.

Интегрирование мемристивных устройств с КМОП-логикой уже применяется при разработке аппаратных нейроморфных сетей [31] и создании чипов памяти [32; 33]. Возможность использования мемристоров в качестве синапсов искусственных нейросетей подтверждена экспериментально [34].

Оглавление.
Предисловие.
Введение.
Отличие биоморфного нейропроцессора, способного воспроизводить работу кортикальной колонки, от применяемых в IT нейропроцессоров.
Список литературы.
Глава 1. БИОМОРФНЫЙ НЕЙРОПРОЦЕССОР НА ОСНОВЕ ИНТЕГРАЦИИ ПЕРС ПЕКТИВНЫХ НАНОРАЗМЕРНЫХ МЕМРИСТОРНЫХ ЭЛЕМЕНТОВ НАНОЭЛЕКТРОНИКИ С КЛАССИЧЕСКОЙ КМОП-НАНОТЕХНОЛОГИЕЙ - НОВОЕ НАПРАВЛЕНИЕ В ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЯХ (IТ).
1.1. Мемристор в качестве быстродействующего переключателя в IT. Модель формованного мемристора.
1.2. Мемристор в качестве синаптической связи нейрона с другими нейронами.
1.3. Физико-математическая модель неформованного мемристора.
1.3.1. Математическая модель переноса зарядов в мемристоре.
1.3.2. Аналитическая и численная модели переключения мемристора.
1.4. Численное моделирование физических процессов в мемристоре.
1.4.1. Реализация модели мемристора в виде программы.
1.4.2. Моделирование резистивных состояний и переключения мемристора.
1.5. Интеграция мемристорных устройств с КМОП-логикой.
1.6. Мемристорно-диодный кроссбар — новый компонент наноэлектроники как основа аппаратного устройства биоморфного нейропроцессора.
1.6.1. Мемристорно-диодный кроссбар для запоминающей матрицы.
1.6.2. Мемристорно-диодный кроссбар для логической матрицы.
1.7. Специализированная программа MDC-SPICE для расчета больших электрических схем, содержащих мемристорно-диодные кроссбары.
1.8. Концепция аппаратного устройства биоморфного нейропроцессора.
1.9. Аппаратная реализация нейропроцессора.
1.9.1. Запоминающая матрица как массив мемристорных синапсов, задающий вес связи между нейронами.
1.9.2. Развитие электрической модели нейрона для интеграции запоминающей матрицы с блоком нейронов.
1.9.3. Логическая матрица как массив мемристорных синапсов, задающий маршрут связи между нейронами.
Список литературы.
Глава 2. БИОМОРФНАЯ НЕЙРОСЕТЬ ДЛЯ НЕЙРО ПРОЦЕССОРА.
2.1. Оригинальная биоморфная модель нейрона.
2.1.1. Модель дендрита.
2.1.2. Модель сомы.
2.1.3. Модель аксона.
2.2. Принципы построения нейросети на основе биоморфной модели нейрона.
2.3. Симуляция тестовой нейросети.
2.4. Адаптация биоморфной нейросети к аппаратной части нейропроцессора.
2.5. Программно-аппаратная реализация нейросети.
2.6. Особенности работы нейросети на электронном устройстве с энергонезависимой памятью.
Список литературы.
Глава 3. ЗАПОМИНАЮЩАЯ МАТРИЦА НА ОСНОВЕ КОМБИНИРОВАННОГО МЕМРИСТОРНО-ДИОДНОГО КРОССБАРА.
3.1. Планарная двухслойная запоминающая матрица на основе интеграции элементарных ячеек.
3.2. Электрическая схема, топология и нанотехнология изготовления 3D запоминающей матрицы.
3.3. Взвешивание напряжений входных сигналов и суммирование выходных напряжений и токов ячеек.
3.4. Численное моделирование работы запоминающей матрицы.
3.5. Ассоциативное самообучение синапсов запоминающей матрицы и генерация новой ассоциации.
Список литературы.
Глава 4. УНИВЕРСАЛЬНАЯ ЛОГИЧЕСКАЯ МАТРИЦА НА ОСНОВЕ КОМБИНИРОВАННОГО МЕМРИСТОРНО-ДИОДНОГО КРОССБАРА.
4.1. Планарная двухслойная логическая матрица на основе интеграции элементарных ячеек.
4.1.1. Мемристорная ячейка с транзисторами для блока логического коммутатора.
4.2. Электрическая схема, топология и нанотехнология изготовления 3D логической матрицы.
4.2.1. Логическая ячейка на основе комбинированного мемристорно-диодного кроссбара.
4.2.2. Топология и технология изготовления 3D логической матрицы.
4.2.3. Электрическая схема матрицы.
4.3. Маршрутизация выходных сигналов нейронного блока.
4.4. Умножение матрицы чисел на вектор с использованием позиционного кодирования.
4.5. Логическая матрица во входном/выходном блоке нейропроцессора.
4.6. Численное моделирование работы логической матрицы.
4.7. Реализация нейронных функций запоминающей матрицы в логической матрице.
4.8. Ассоциативное самообучение синапсов в логической матрице и генерация новой ассоциации.
Список литературы.
Глава 5. ПРЕОБРАЗОВАНИЕ ИНФОРМАЦИИ ВО ВХОДНОМ И ВЫХОДНОМ УСТРОЙСТВАХ БИОМОРФНОГО НЕЙРОПРОЦЕССОРА.
5.1. Дискретное косинусное преобразование для первичной обработки сигналов.
5.1.1. Метод дискретного косинусного преобразования.
5.1.2. Быстрый алгоритм дискретного косинусного преобразования для входного блока нейропроцессора.
5.1.3. Адаптация быстрого алгоритма дискретного косинусного преобразования к входному блоку нейропроцессора.
5.2. Биоморфное импульсное кодирование информации в электронных нейронах, реализуемых на базе элементов логической матрицы.
5.2.1. Принципы импульсного кодирования информации в биологических системах.
5.2.2. Схема и принцип работы электронного нейрона, реализуемого на базе элементов 3D логической матрицы.
5.2.3. Условия формирования биоморфных импульсов на шинах 3D логической матрицы.
5.2.4. Анализ возможности получения максимального количества синаптических связей для суммации биоморфных импульсов.
5.2.5. Реализация логических функций на базе 3D КМОП-мемристорной логической матрицы.
5.2.6. SPICE-моделирование программирования резистивных состояний мемристора в 3D КМОП-мемристорной логической матрице.
5.3. Импульсное сжатие и кодирование цифровой информации во входном устройстве нейропроцессора.
5.3.1. Принцип работы входного блока нейропроцессора на основе логической матрицы.
5.3.2. Генерация биоморфных импульсов.
5.4. Способы кодирования информации в импульсы.
5.5. Аппаратное кодирование информации в импульсы на основе мемристорно-диодного кроссбара.
5.5.1. Кодирование числа в частоту импульсов.
5.5.1.1. Один виртуальный входной нейрон.
5.5.1.2. Популяция виртуальных входных нейронов.
5.5.2. Кодирование числа в задержки импульсов.
5.5.2.1. Один виртуальный входной нейрон.
5.5.2.2. Популяция виртуальных входных нейронов.
5.5.3. Одновременное кодирование популяцией нейронов пространственной производной входного числа в частоту и значения входного числа в задержки импульсов.
5.6. Преобразование информации об активации нейронов в цифровой двоичный код в выходном устройстве нейропроцессора.
5.6.1. Функциональная характеристика выходного устройства.
5.6.2. Преобразование частоты импульсов от одного нейрона.
5.6.3. Маршрутизация импульсов от популяции нейронов.
5.6.4. Пространственно-временное преобразование информации.
5.6.5. Результаты SPICE-моделирования схем, декодирующих импульсные сигналы от популяции нейронов.
Список литературы.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара, Писарев А.Д., Удовиченко С.Ю., 2021 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России.Купить эту книгу



Скачать - pdf - Яндекс.Диск.
Дата публикации:





Хештеги: :: :: :: :: ::


Следующие учебники и книги:
Предыдущие статьи: