Connecting Spiking Neurons to a Spiking Memristor Network Changes the Memristor Dynamics

A szakemberek várakozása szerint a nemrisztorok új neuromorf számítások új alapelemei lehetnek. A neuronok Hodgkin-Huxley modellje valamint a tüzelések időfüggő plaszticitása mind hatékonyan modellezhető a memrisztorok elméletével. A memrisztork egyenáramú válasza egy áramtüske. A fenti három tény miatt javasoljuk a memrisztorok közvetlen neuronokhoz történő interfészelését. Ebben a tanulmányban megmutatjuk, hogy egy memrisztor hálózatot neuron sejtekhez csatlakoztatva megváltozik a memrisztorhálózat dinamikája, aminek a hatásai részletesen be vannak mutatva a cikkben. Ez azt mutatja, hogy a neuronok számítógépes fordítás nélkül képesek közvetlenük kommunikálni a memrisztorokkal, aminek a hatásai részletesen be vannak mutatva a cikkben.

Gater, Deborah, et al. "Connecting Spiking Neurons to a Spiking Memristor Network Changes the Memristor Dynamics." arXiv preprint arXiv:1402.4029(2014).

Is Spiking Logic the Route to Memristor-Based Computers?

A nemrisztorok magukban hordozzák a neuromorfikus számítások új lehetőségét az idegsejtek (szinapszisok és ion pumpák) és memrisztorok hasonlósága miatt. A memrisztor egyenáramra történő viselkedése egy áram-tüske, ami vélemányünk szerint hasznos eleme lehet memrisztoroból épített számítógépeknek. Cikkünkben vizsgálataink alapján négy logikai megállapítást mutatunk be szekvenciális logika memrisztorokkal történő megvalósításához. Megmutatjuk, hogy a memrisztor alapú szekvenciális logikával lehetőség van NOT kapu, AND kapu, teljes összegző megvalósítására akár egyetlen memrisztorral történő megvalósítására is. A teljes összeadó memrisztor memóriát használ három bináris jegy összeadásához, ahol a kimenet az eredmény, a carry bit és továbbá a bemeneti sorrend is. 

Gale, Ella, Ben de Lacy Costello, and Andrew Adamatzky. "Is Spiking Logic the Route to Memristor-Based Computers?." arXiv preprint arXiv:1402.4036(2014).

The Short-term Memory (DC Response) of the Memristor Demonstrates the Causes of the Memristor Frequency Effect

A memrisztort gyakran azonosítják jellegzetes, megnyúlt hiszterézis görbéjével és annak tesztelése során megfigyelhető frekvenciahatással. A hiszterézis mérete arányos a frekvenciával és nullára csökken ha a frekvencia végtelenhez tart. Bár matematikailag érthető, anyagtudományi okai nem jól ismerjük. A memrisztor egyenáramú válasza egy hanyatló görbe saját időskáláján. Matematikai érveléssel alátámasztva megmutatjuk, hogy a váltakozó áram transzformáció során a frekvencia hatást is figyelembe véve a hanyatló görbe diszkretizált görbéhez vezet. Ezek után megmutatjuk két, különböző memrisztor típusból származó kísérleti adatokon a megközelítés érvényességét.

Gale, Ella, et al. "The Short-term Memory (DC Response) of the Memristor Demonstrates the Causes of the Memristor Frequency Effect." arXiv preprint arXiv:1402.4013 (2014).

Memristor Crossbar-Based Neuromorphic Computing System: A Case Study

A masszívan párhuzamos biológiai rendszerek mintáját követve, az információ feldolgozására a neuromorf hardverek kompakt és energiahatékony platformot biztosítanak. A hagyományos Neumann architektúrának illetve a korlátozott számú csatlakozásoknak számos hátránya van, ami súlyosan korlátozza a hardveres implementációk skálázhatóságát és teljesítményét. A memrisztorok és biológiai színapszisok hasonlósága miatt az utóbbi időban számos kutatás keretében vizsgálták a nemrég felfedezett memrisztor neuromorf rendszerekben történő alkalmazhatóságát. Ebben a tanulmányban a szerzők a memrisztorokból alkotott ún. crossbar tömb, mint autóasszociatív memória működését és annak ún. brain-state-in-a-box (BSB) neurális hálózatként történő alkalmazását vizsgálják. Kiemelten a több választásos karakterfelismerő folyamat visszahívási és tanulási folyamatainak elemzését végzik el. A BSB hálózat robosztusságának elemzése és kiértékelése kiterjesztett Monte Carlo szimulációval történik, figyelembe véve a bemeneti hibákat és a folyamat szórását. Az eredmények azt mutatják, hogy a javasolt hardver-alapú tanító rendszer csökkenti, sőt meg is szünteti a letöbb zaj miatt adódó problémát.

Hu, M.; Li, H.; Chen, Y.; Wu, Q.; Rose, G.S.; Linderman, R.W., "Memristor Crossbar-Based Neuromorphic Computing System: A Case Study," Neural Networks and Learning Systems, IEEE Transactions on , vol.PP, no.99, pp.1,1