憶阻器與神經網路
神經形態工程（Neuromorphic engineering）引發了重新思考我們如何處理和整合信息的潮流。然而，目前的神經形態處理器仍受到數位電路的限制，無法在功耗、延遲和晶片面積等方面重現生物神經計算的能力。因此，該研究使用憶阻器（Memristors）模擬神經元的動作電位，以期實現更為高效的神經形態處理。
憶阻器
憶阻器（圖一）具有三個終端：Source、Gate 和 Drain。其中，Source 與 Drain 的跨壓（SD）用於讀取，Gate 與 Drain 的跨壓（GD）用於寫入。憶阻器的電導歸一化後可分為三個運作區間：Rest、Pulse 和 Relaxation。首先，當 SD 處於 Rest 狀態時，SD 間的電導為零。第二，若 GD 施加寫入電壓，電解質凝膠（electrolyte gel）裡的 Li+ 離子會附著到 SD 上，導致 SD 的電導線性上升。此反應類似於神經累積到足夠的刺激後產生動作電位。最後，當寫入電壓刺激被移除時，通道導電度會以特徵的雙指數衰減。
 |
| 圖一。(a) 憶阻器示意圖。(b)三種運作區間的電壓與電導的關係圖。(c)三種運作區間電解質凝膠的離子濃度變化。(右)Relaxation階段的方程式與擬合結果。 |
手寫字判斷
首先，使用事件相機觀察手寫數字（圖二 a,b），事件相機會產生非同步的動作電位（圖二 c），透過多個憶阻器讀取非同步電位可以產生time surface（圖二 d,e,f）。接著透過非監督式學習可以將time surface分成不同的cluster（圖二 i,j）。最後使用Support Vector Classifier (SVC)和Euclidean Histogram classifier (Hist)讀取非監督式學習產生的分群（特徵）判斷影像屬於哪個手寫數字（0到9）。最後的準確率能高達9成。
 |
| 圖二 使用憶阻器將時空事件模式(非同步動作電位)映射為時間表面(time surface)。 |
結論
使用憶阻器是否能夠取代數位電路的方式模擬神經，以實現神經形態工程的重大突破，目前仍然存在疑問。然而，本篇論文的研究仍然具有參考價值，值得繼續深入探究。
撰文：謝明儒
參考資料
Rasetto, M., Wan, Q., Akolkar, H., Shi, B., Xiong, F., & Benosman, R. (2022). The Challenges Ahead for Bio-inspired Neuromorphic Event Processors: How Memristors Dynamic Properties Could Revolutionize Machine Learning. arXiv preprint arXiv:2201.12673.
留言
張貼留言