忆阻器在神经突触仿生中的应用研究进展
2024-03-14
来源:要发发教育
・ 76 ・ 材料导报A:综述篇 2015年8月(上)第29卷第8期 忆阻器在神经突触仿生中的应用研究进展 张超超h。,尚 杰 ,郝健 ,张文斌 ,冀正辉 一,刘 钢。,李润伟z (1 上海大学理学院,上海200444;2 中国科学院宁波材料技术与工程研究所,宁波315201; 3宁波大学理学院,宁波315211;4中国科学技术大学纳米科学技术学院,合肥230026) 摘要 随着对计算机性能要求的不断提高,人们一直在寻找能像人脑一样具有学习记忆功能的新型计算机。 自从2008年惠普实验室发现忆阻器以后,发展具有人脑水平的智能计算机成为可能。众所周知,突触是大脑神经网 络的基本单元,突触可塑性是学习和记忆的生物学基础。因此,为了实现具有学习和记忆功能的智能计算机,利用忆 阻器模拟突触可塑性至关重要。综述了忆阻器在模拟突触的增强、抑制、短时程可塑性和长时程可塑性方面的研究 现状,并对其研究前景进行了展望。 关键词 忆阻器突触突触可塑性短时程可塑性长时程可塑性 中图分类号:TB34 文献标识码:A DOI:10.11896/j.issm 1005—023X.2015.015.014 Recent Progress of Memristor Application in Synaptic Emulation ZHANG Chaochao ,SHANG J ie ,HA0 J ian ,ZHANG Wenbin w, JI Zhenghui ”,LIU Gang0,LI Runwei (1 College of Science,Shanghai University,Shanghai 200444;2 Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences,Ningbo 315201;3 College of Science,Ningbo University,Ningbo 315211; 4 Nano Science and Technology Institute,University of Science and Technology of China,Hefei 230026) Abstract New concept computers working 1ike brain have long been sought along with increased requirements for the computer performance.It is possible to develop intelligent computer towards the level of the brain since mem- ristor was found at HP laboratory in 2008.It is generally known that synapse is the basic unit of the brain neural net— work,and synaptic plasticity is regarded as biological basis of learning and memory.Thus,in order to realize the in— telligent computer with functions of learning and memory,it is important to simulating synaptic plasticity based on memristor.The research situation of memristor on synaptic simulation,including synaptic potentiation,depression, short-term plasticity,long-term plasticity as well as the research development in the field are reviewed. Key words memristor,synapse,synaptic plasticity,short-term plasticity,long-term plasticity 0 引言 随着大数据时代的到来,数据正在迅速膨胀并变大,对 的神经网络是高度并行的非线性信息处理系统,能够高效地 同时处理视觉、听觉、嗅觉等各种信息。大脑的感知、思考、 判断和学习能力更是科学家多年来梦寐以求能够模拟的功 能。因此模拟大脑功能对计算机的发展具有深远意义。 人类的数据驾驭能力提出了新的挑战。然而由于传统的 冯・诺依曼计算机体系结构具有先天的局限性,从根本上限 制了现代计算机的发展。冯・诺依曼计算机是通过数据总 线将中央处理器、存储器、输入设备和输出设备4个部分连 接起来。这种体系结构简化了电路,使目前的超大规模集成 人脑是由多达1O“~1O 个神经元组成的复杂网络系 统,各神经元之间在功能上发生联系的部位称为突触。突触 的连接强度会随着自身活动的加强或减弱相应得到加强或 减弱,这种功能和形态可发生改变的特性称为突触可塑性。 电路得以实现。与此同时,这种体系结构也决定了计算机通 在细胞水平上,突触可塑性被公认为学习和记忆的生物学基 础Ⅲ。因此对突触功能的模拟被视为人工神经网络研究的 关键一步。在突触功能模拟上,多个晶体管与电容相组合的 CMOS器件是一类可实现单一突触功能的电子器件 ],然 过串行方式处理信息,从而限制了数据输入和处理时间。另 外,冯・诺依曼计算机只能依照程序指令处理信息,不仅程 序编写本身是一项十分复杂繁重的脑力劳动,而且不能对接 触到的信息进行自主地学习、思考和判断。与此相反,大脑 而其复杂的制作工艺和高功耗势必给电路的大规模集成带 *国家自然科学基金(21172141;61306152);宁波市自然科学基金(2014A610152) 张超超:男,1989年生,硕士生,研究方向为基于忆阻器的神经突触仿生器件研究 E-mail:zhangcc@nimte.ac.cn 尚杰:男,1979 年生,博士,副研究员,研究方向为阻变、磁性材料及器件的研究士,教授,博士生导师,研究方向为有机氟化学、功能材料等E-mail:shangjie@nimte.aC.cn郝健:通讯作者,男,1964年生,博 E-mail:jhao@shu.edu.cn 忆阻器在神经突触仿生中的应用研究进展/张超超等 电频率诱导和影响突触的长时程可塑性在突触的学习和记 忆上具有重要的生物学意义。很多课题组对忆阻器件施加 ・ 79 ・ 要的作用。但除了神经突触的可塑性外是否还存在另外的 特性或部位(比如神经元胞体和神经胶质细胞)对大脑的学 不同频率的脉冲电压,脉冲频率越高,器件的导电性增加越 快,如图6(a)所示,这与脉冲频率依赖的长时程突触可塑性 吻合[I5,22,34]。除了脉冲频率之外,脉冲时序也是大脑信息编 码的重要元素。突触前神经元放电先于突触后神经元可引 起突触的长时程增强(△w>O),放电时间间隔越短增强越明 显;放电时序相反会引起突触的长时程抑制(AW<O),放电 时间间隔越短抑制越明显。这种特性表现为脉冲时序依赖 的长时程突触可塑性,在很多忆阻器中都实现了对它的模 拟,如图6(b)所示。生物中有少数突触类型表现出完全不同 的脉冲时序依赖可塑性,华中科技大学缪向水研究组在忆阻 器中通过施加不同形状的脉冲完成了对生物中几种不同的 脉冲时序依赖可塑性的模拟 1 j。 15 .(b) /。 —F●E“cxp.udravtea 10 。 5 -.. . ● 0 司 ~5 -— —10 —15 .60--40-.20 0 20 40 60 At/LL s 图6电子器件对脉冲频率依赖的突触可塑性的模拟(a) ; 电子器件对脉冲时序依赖突触可塑性的模拟(b) 。] Fig.6 The emulation of spike-rate dependent plasticity based on the electronic device(a) ;the emulation of spike-timing dependent plsaticity based on the electronic device(b) 2结语 自2008年以来,忆阻器在仿生突触方面的研究已取得 不少进展,很多课题组都实现了对单个突触的增强与抑制过 程、短时程可塑性与长时程可塑性等重要特性的模拟,但通 过忆阻器模拟大脑功能还有以下问题需要深入研究。 (1)目前人们已在众多材料中实现了对单个突触功能的 模拟,但由于缺乏衡量器件性能(如稳定性和使用寿命)的标 准,对于选取什么样的忆阻器材料更适合突触仿生难以达成 统一的认识,因此需要尽快制定衡量器件性能的标准。 (2)基于忆阻器仿生突触的研究,目前主要集中在突触 的增强与抑制和突触的短时程可塑性与长时程可塑性的模 拟上,认为突触的可塑性对于大脑的学习和记忆具有至关重 习和记忆具有重要作用还一无所知,需要加强这方面的研 究。 (3)研究忆阻器仿生突触器件以期最终在硬件上实现自 主学习和记忆功能,此目标不仅需要完美地模拟单个突触功 能,还需要构建庞大的突触网络。虽然南京大学万青课题组 已开始利用2个及2个以上的忆阻器元件研究突触网络的 时空信息整合特性口 。 ,但对于如何构建庞大的突触网络 还需要提出明确的思路。 参考文献 1 Bi G Q。Poo M M.Synaptic modifications in cultured hip- pocampal neurons:Dependence on spike timing,synaptic strength,and postsynaptic cell type l-J].J Neuroseience, 1998,18(24):10464 2 B0Ⅲ1 P A,Murray A F.Synchrony detection and ampliifca— tion by silicon neurons with sTDP synapses[J].IEEE Trans Neural Networks,2004,15(5):1296 3 Hafliger P,Mahowald M.Spike based normalizing Hebbian learning in an analog VLSI artificial neuronl,J].Analog Inte— grated Circuits Signal Processing,1999,18(2):133 4 Xia Q F,Robinett W C,Williams R S,et a1.Memristor- CMOS hybrid integrated circuits for reconfigurable logic[J]. Nano Lett,2009,9(10):3640 5 Jo S H,Chang T,Lu W,et a1.Nanoscale memristor device as synapse in neuromorphic systems ̄J].Nano Lett,2010,10 (4):1297 6 Pershin Y V.Experimenta1 demonstration of associative me- mory with memristive neural networks[J].Neural Netw, 2010,23(7):881 7 Chua L O.Memristor-the missing circuit elementl,J].Cir— cuit Theory,IEEE Transactions On,1971,18(5):507 8 Strukov D B,Snider G S,Williams R S,et a1.The missing memristor found[J].Nature,2008,453(7191):8O 9 Zucker R S Calcium-and activity-dependent synaptic plasti~ cityl,J].Current Opinion Neurobiology,1999,9(3):305 10 Zucker R S.Short-term synaptic plasticity[J].Annual Rev Neuroscience,l989,12(1):13 11 Bliss T V,Collingridge G L.A synaptic model of memory: Long-term potentiation in the hippocampus ,lJ].Nature, 1993,361(6407):31 12 Stevens C F,Wesseling J F.Augmentation is a potentiation of the exocytotic process[J].Neuron,1999,22(1):139 13 Martin S,Grimwood P,Morris R.Synaptic plasticity and memory:An evaluation of the hypothesis[J].Annual Rev Neuroscience,2000,23(1):649 14 Wan C J,Zhu L Q,Wan Q,et a1.Memory and learning be— haviors mimicked in nanogranular Si02-based proton conduc— tor gated oxide-based synaptic transistors口].Nanoscale, ・ 8O・ 材料导报A:综述篇 2015年8月(上)第29卷第8期 2Ol3,5(21):1o194 memory transition in a nanoscale memristor[J].ACS Nano, 2011,5(9):7669 26 Hasegawa T,Ohno T,Aono M,et a1.Learning abilities a— 15 Wang Z Q,Xu H Y,Zhu X J,et a1.Synaptic learning and memory functions achieved using oxygen ion migration/dif— fusion in an amorphous InGaZnO memristor[J].Adv Funct Mater,2012,22(13):2759 chieved by a single solid-state atomic switch[J].Adv Ma— ter,2010,22(16):1831 27 Zeng F,Li S Z,Pan F,et a1.Learning processes modulated 16 Chang T,Jo S H,Lu W,et a1.Synaptic behaviors and modeling of a metal oxide memristive device[J].Appl Phys A,2011,102(4):857 17 Ohno T,Hasegawa T,Aono M,et a1.Short-term plasticity by the interface effects in a Ti/conducting polymer/Ti resis— tire switching cell[J].RSC Adv,2014,4(29):14822 28 Kuzum D,Jeyasingh R G,Wong H S,et a1.Nanoelectronic programmable synapses based on phase change materials for and long-term potentiation mimicked in single inorganic sy- napses[J].Nat Mater,2011,10(8):591 18 Li Y。Zhong Y P,Miao X S,et a1.Activity-dependent sy- naptic plasticity of a chalcogenide electronic synapse for neu— brain-inspired computing[J].Nano Lett,2012,12(5):2179 29 Xu H N。Xia Y D,Liu Z G,et a1.The chemically driven phase transformation in a memristive abacus capable of cal— romorphic systems[J].Sci Rep,2014,4:4906 19 Hu S G,Liu Y,Hosaka S,et a1.Emulating the paired— culating decimal fractions[J].Sci Rep,2013,3:1230 30 Wan C J,Zhu L Q,Wan Q,et a1.Inorganic proton conduc— ting electrolyte coupled oxide-based dendritic transistors for pulse facilitation of a biological synapse with a NiO 一based 一稿一0 memristor[J].Appl Phys Lett,2013,102(18):183510 2O Li Y。Zhong Y P,Miao X S,et a1.Ultrafast synaptic e— synaptic electronics[J].Nanoscale,2014,6(9):4491 31 Zhou J M,Wan C J,Wan Q,et a1.Synaptic behaviors mimicked in flexible oxide-based transistors on plastic sub— vents in a chalcogenide memristorVJ].Sci Rep,2013,3:1619 21 Alibart F,Pleutin S,Vuillaume D,et a1.An organic nano- particle transistor behaving as a biological spiking synapse strates[J].IEEE Electron Dev Lett,2013,34(11):1433 32 Zhu I Q,Wan C J,Wan Q,et a1.Artificia1 synapse net— work on inorganic proton conductor for neuromorphic sys— [J].Adv Funct Mater,2010,20(2):330 22 Li S Z,Pan F,Guo D,et a1.Synaptic plasticity and learning behaviours mimicked through Ag interface movement in an tems[J].Nat Commun,2014,5:3158 33 Josberger E E,Deng Y X,Rolandi M,et a1.Two—terminal protonic devices with synaptic-like short-term depression and Ag/conducting polymer/Ta memristive system[J].J Mater Chem C,2013,l(34):5292 23 Hota M K,Bera M K,Malti C K,et a1.A natural silk fi- device memory[J].Adv Mater,2014,26:4986 34 Wu G D,Zhang J,Jiang S H,et a1.Chitosan-based biopo— broin protein-based transparent bio-memristor[J].Adv Funct Mater。2012,22(21):4493 lysaccharide proton conductors for synaptic transistors on 一刊~ 余波) ●-’ paper substrates[J].J Mater Chem C,2014,2(31):6249 35 Zhang LI,Tao H W,Holt C E,et a1.A critical window 24 He W,Huang K J,Pei J,et a1.Enabling an integrated rate- temporal learning scheme on memristor[J].Sci Rep,2014, 4:4755 for cooperation and competition among developing retinotec tal synapses[J].Nature,1998,395(6697):37 25 Chang T.Jo S H,Lu W.Short—term memory to long—term (责任编辑
因篇幅问题不能全部显示,请点此查看更多更全内容