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.