憶阻器在神經網絡中的應用

憶阻器在神經網絡中的應用

　　憶阻器，全稱記憶電阻(Memristor)。它是表示磁通與電荷關系的電路器件。憶阻具有電阻的量綱，但和電阻不同的是，電阻的阻值是由流經它的電流決定，而憶阻的阻值是由流經它的電荷確定。因此，通過測定憶阻的阻值，便可知道流經它的電荷量，從而有記憶電荷的作用。1971年，蔡少棠從邏輯和公理的觀點指出，自然界應該還存在一個電路元件，它表示磁通與電荷的關系。2008年，惠普公司的研究人員首次做出納米憶阻器件，掀起憶阻研究熱潮。納米憶阻器件的出現，有望實現非易失性隨機存儲器。并且，基于憶阻的隨機存儲器的集成度，功耗，讀寫速度都要比傳統的隨機存儲器優越。此外，憶阻是硬件實現人工神經網絡突觸的最好方式。由于憶阻的非線性性質，可以產生混沌電路，從而在保密通信中也有很多應用。

　　摘要：憶阻器是除電阻器、電容器、電感器之外的第四種基本無源電子元件。憶阻器和電阻的量綱相同，但是它的電阻值會隨著流經的電荷量而發生改變，因而具有不同于普通電阻的非線性電學性能。憶阻器能夠在電流斷開時，仍能記憶之前通過的電荷量，從而保持之前的阻值狀態，因而具有記憶功能。憶阻器的這些特性與生物大腦中神經突觸的工作原理及結構有著高度相似性，并且，憶阻器有著很簡單的金屬/介質層/金屬三明治結構，集成度高，因此在新型神經突觸仿生電子器件領域引起極為廣泛的關注。基于憶阻器，有望在不久的將來實現無數科學家一直以來的夢想――開發出與人腦結構類似的認知型計算機以及類人機器人。

　　關鍵詞：相似性;阻變機理;可塑性

　　引言

　　人工神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統。神經元之間突觸的聯系強度是可變，這是學習和記憶的基礎。人工神經網絡可以通過“訓練”而具有自學習和自適應的能力。神經網絡技術的關鍵是權重設計，權重的硬件實現需要一個長期保持記憶且不耗能的納米級元件。傳統的人工神經網絡技術都是在傳統計算機基礎上進行的，其主要缺點是運算量巨大且運算不是并行處理。如果在硬件上實現人工神經網絡的并行分布式處理、非線性處理，自我學習功能和自適應性等功能，就能夠解決了人工神經網絡在傳統計算機上運算量巨大的缺點。而單個憶阻器便可實現神經突觸功能的模擬，而且憶阻器能夠很容易與納米交叉連接技術相結合，具有大規模并行處理、分布式信息存儲、巨大存儲量等優勢。所以利用憶阻系統是人工神經網絡實現神經突觸功能的模擬的最好的方式之一，因而成為近年來研究的熱點。

　　一、憶阻與神經突觸的相似性

　　神經元是大腦處理信息的基本單元。人腦大約含有1011-1012個神經元，神經元互相連接成神經網絡。突觸是神經元間信息傳遞的關鍵部位，決定了前后神經元之間的聯系強度。圖1.神經突觸的結構示意圖。神經遞質通過突觸前膜釋放到突觸間隙，作用于突觸后膜上的受體，使突觸后膜發生電位變化，使下一個神經元產生興奮或抑制。生物系統記憶和學習功能是以精確控制通過神經元及突觸的離子流為基礎建立的。突觸能夠隨外界的電位刺激變化，粒子流產生動態連續的變化，聯系強度增強或者減弱，即突觸的可塑性。在憶阻器件出現之前，人工神經網絡突觸的的硬件實現需要集成電路甚至超大規模的集成電路，而且人工神經網絡的密度也很難達到生物神經網絡的密度，因而電路復雜體積龐大，制約了人工神經網絡對于復雜的人腦功能模擬的實現。憶阻器的出現解決了這個問題，世界各地多個研究小組已實現了具有不同憶阻模型和憶阻特性的憶阻器件。由于憶阻器的電阻可變和電阻記憶特性，與突觸的功能上有很強的相似性，因此憶阻在人工神經網絡電路中可以模擬突觸在生物神經網絡中的作用。

　　二、神經突觸的可塑性特性

　　神經突觸一個重要的特征是突觸的可塑性，電信號刺激能夠加強或者弱化突觸，突觸連接強度可連續調節。利用憶阻器模擬生物突觸最基本的依據是由于它具有電阻緩變的特性，當施加電壓下器件的阻值可實現從高(低)阻值到低(高)阻值的緩變過程，器件的導電性(或阻值)相當于突觸權重，導電性增大和減小的過程分別對應突觸的增強和抑制過程。記憶是通過大腦中大量突觸之間的相互連接所表現出來，因此，突觸可塑性被認為是學習和記憶重要的神經化學基礎。實現突觸學習功能時，一個典型特性是電脈沖時間依賴可塑性(STDP)。人類大腦中記憶或者突觸可塑性按保留時間可以分為短程記憶和長程記憶。短時程可塑性與神經元的信息傳遞和處理有著密切的關系。神經系統每時每刻都接受數以千計來自外界的刺激，短時可塑性對如何在大量的輸入信息中提取有用信息扮演重要角色。長時程可塑性促使突觸在數小時到數天之內發生持續性的變化，人們認為其在學習和記憶存儲的突觸機制中發揮重要作用。

　　三、憶阻器件的阻變機理

　　早在1971年，美國校華裔科學家蔡少棠就通過理論計算預言，在電阻、電容和電感之外必定存還在第四種無源電子元件，即憶阻器。如圖3所示，電路的3個基本元件電阻、電感和電容，可以分別有由4個電路變量變量電壓(v)、電流 (i)、電荷量(q)和磁通量(φ)中的兩個來定義，分別為：由電壓和電流定義的電阻R、由電荷和電壓定義的電容 C 以及由磁通量和電流定義的電感L。出于邏輯完備性，蔡紹棠認為應該還存在由電荷量和磁通量定義的第4類基本電路元器件即憶阻器。然而學界卻一直沒有找到這個在理論上成立的無源元器件，直到37年后(2008年)，美國惠普公司宣布在Pt/TiO-x/Pt兩端器件實現了具有憶阻功能的器件結構(圖4)，從而找到這個一直缺失的電路元件，至此憶阻器開始引起更多學者的研究興趣，并迅速成為電路、材料、生物等領域的研究熱點。

　　隨著人們對憶阻器研究的深入，多種憶阻器件和模型在各研究領域相繼提出和實現。目前，阻變機理主要有邊界遷移模型、絲電導模型、電子自旋阻塞效應、氧化還原反應等。中科院諸葛飛課題組在錐形納米孔洞結構的非晶碳薄膜材料中，實現了納米導電絲機制的憶阻器件。非晶碳膜阻變器件的電致電阻效應決定于通孔中的納米導電細絲的通斷(如圖4)。

　　四、結論與展望

　　本文對神經網絡的概念、憶阻器與神經突觸的相似性、神經突觸的可塑性、憶阻器的阻變機理進行了綜述，指出了目前很多憶阻器是利用人工神經網絡實現人工智能及超級計算機的硬件基礎。目前憶阻器材料研究存在的兩個主要問題是阻 變機理不夠清楚和阻變性能不夠穩定。憶阻器材料非常之多，甚至把任意絕緣材料做到納米級，就很有可能具有阻變特性。找出隱藏在眾多阻變現象之后的機理有無共同的規律，研究阻變特性是由材的化學成分決定還是由材料的微 觀結構決定，這將是以后研究中需要回答的問題。

　　參考文獻：

　　[1] Fei Z G， Jun L，Hao C et al. Single-crystalline metal filament-based resistive switching in a nitrogen-doped carbon film containing conical nanopores. Applied Physics Letters，2015， 106： 083104.

【憶阻器在神經網絡中的應用】相關文章：

脈沖耦合神經網絡在醫學圖像處理中的應用11-22

粗糙集神經網絡在圖像分割中的應用03-07

路阻函數理論及其在路徑選擇中的應用03-07

鐵電存儲器在儀表中的應用03-18

Oracle觸發器在MIS 開發中的應用03-18

失效檢測器在制造網格中的應用03-07

MRFIC1502在GPS接收器中的應用03-18

SPCE061A在語音遙控器中的應用03-25

功能性音樂在健身房抗阻訓練中的應用論文12-02