用于字符识别的2D突触和 CMOS 神经元的混合神经形态硬件

以下文章来源于Artificial Synapse ，作者Synapse

研究背景

由于内存和计算分离，冯-诺依曼架构需要通过总线进行频繁的数据交互，从而导致大量能耗并限制了系统性能，尤其是对于数据密集型应用。神经形态计算从大脑拓扑结构中汲取灵感，构建由物理神经元组成的电路，这些神经元通过物理突触相互连接，并以非易失性方式实现原位存储器。这大大降低了对数据传输的需求，并提高了速度和能效，因为信息可以通过尖峰来传输，而尖峰的关键在于定时，它本身就能传递信息。然而，目前的神经形态芯片通常需要大量人工神经元和突触(多达数百万个)来实现某些功能，这些人工神经元和突触要么基于互补金属氧化物半导体(CMOS)技术，要么基于新兴的模拟存储器技术，这使得系统体积庞大且能耗高。通过消耗更少的突触和神经元来复制功能将有助于简化神经形态系统，并进一步促进集成密度和计算能力的提高。

二维(2D)材料具有超薄的原子层状结构和随之而来的独特性能，在神经形态器件和系统应用方面显示出巨大的潜力。各种二维突触器件已被证实具有多种可调仿生可塑性、快速响应性和低尖峰能耗。人们利用二维材料的固有极性实现了神经管，通过单个器件实现了神经元的高效逻辑运算，显示了其紧凑性的潜力。至于涉及复杂组成结构的人工神经元，通常以 CMOS 技术为主。此外，高放电率和工艺成熟度使 CMOS 电路成为人工神经元的最佳候选器件。有鉴于此，混合集成似乎很有吸引力，因为它能将二维突触和CMOS神经元的优势结合起来。更重要的是，目前二维材料在神经形态计算中的功能应用还停留在模拟阶段，几乎没有神经形态硬件展示。

研究成果

神经形态计算能够高效处理数据密集型任务，但某些功能需要大量人工突触和神经元，从而导致系统体积庞大并面临能源挑战。用更少的突触和神经元实现功能将有助于提高集成密度和计算能力。二维(2D)材料展现了人工突触的潜力，包括多样化的仿生可塑性和高效计算。考虑到神经元电路的复杂性和互补金属氧化物半导体(CMOS)的成熟性，混合集成具有吸引力。在这里，复旦大学周鹏、王水源&马顺利教授等人展示了一种混合神经形态硬件，板上集成了二维 MoS2 突触阵列和CMOS 神经回路。在混合集成、频率编码和特征提取的共同作用下，12 个 MoS2 突触、3个 CMOS 神经元的总成本与数字/模拟转换器相结合，实现了字母和数字识别。MoS2 突触表现出逐步可调的重量可塑性，CMOS 神经元整合并发射频率编码尖峰，以显示目标字符。节省突触和神经元的混合硬件显示出 98.8% 的极高准确率和 11.4W 的单次识别能耗。这项工作为构建具有高紧凑性和可计算性的神经形态硬件提供了可行的解决方案。相关研究以“Hybrid neuromorphic hardware with sparing 2D synapse and CMOS neuron for character recognition”为题发表在Science Bulletin期刊上。

图文导读

Fig. 1. The architecture of hybrid neuromorphic hardware.

Fig. 2. Tunable synaptic plasticity of 2D MoS2 arrays.

Fig. 3. Circuit implementation and frequency coding of CMOS neurons.

Fig. 4. Hybrid neuromorphic hardware for character recognition and display.

总结与展望

总之，作者展示了一种集成了二维材料和 CMOS 杂交技术的神经形态硬件，它利用稀疏的突触和神经元进行图像识别和显示。整个系统由两个 MoS2 突触阵列 (12个单元)、三个CMOS 神经元、两块 FPGA 板(ADC/DAC)主机和显示器屏幕组成。由 FPGA 控制的 DAC板将主机上的用户定义字符转换成电压脉冲，为 MoS2 突触阵列提供能量。每个突触单元都具有连续可调的传导性，并与作为空间权重的变阻器串联，以确保高效、高精度的计算CMOS 神经元电路整合突触电流，并发射频率编码的电压尖峰。尖峰序列的频率由 FPGA控制的 ADC 板读取，以显示识别出的目标字母和数字字符。混合神经形态硬件的平均准确率达到 98.8%，单次识别能耗为 11.4 W。得益于混合集成、频率编码和特征提取，所提出的硬件展示了在减少突触和神经元消耗的情况下实现高效字符识别的潜力。这项工作有望为开发具有高紧凑性和可计算性的神经形态硬件带来新的启示。

文献链接

Hybrid neuromorphic hardware with sparing 2D synapse and CMOS neuron for character recognition

https://doi.org/10.1016/j.scib.2023.09.006

转自：“i学术i科研”微信公众号

如有侵权，请联系本站删除！