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