Spikekontingentabhängiges Lernen in memristiven Nanogeräten

Das neuromorphe Paradigma ist aufgrund seiner massiven Parallelität, potenziellen Skalierbarkeit und inhärenten Fehler-, Mangel- und Ausfalltoleranz attraktiv für Berechnungen im Nanoskalabereich. Wir zeigen, wie zeitbasierte Lernregeln, wie spikekontingentabhängige Plastizität (STDP), in einfachen, memristiven Nanogeräten implementiert werden können, wie sie aus bestimmten Metalloxiden hergestellt werden. Solche nanoskalaren „Synapsen“ können mit CMOS-„Neuronen“ kombiniert werden, um neuromorphe Hardware zu schaffen, die mehrere Größenordnungen dichter ist als dies in herkömmlichen CMOS möglich ist. Die Schlüsselideen sind: (1) zwei synaptische Zustandsvariablen auf prä- und postsynaptische Neuronen zu übertragen; und (2) rechnerische Kommunikation von Lernen durch Zeitmultiplexierung von impulslängenmodulierten Signalen durch Synapsen zu trennen. Dieser Ansatz bietet die Vorteile von: besserer Kontrolle über die Leistungsabgabe; weniger Einschränkungen beim Design der memristiven Materialien, die für nanoskalare Synapsen verwendet werden; Lern-Dynamik kann dynamisch ein- oder ausgeschaltet werden (z. B. durch aufmerksame Priming-Mechanismen, die extrasynaptisch kommuniziert werden); größere Kontrolle über die präzise Form und den Zeitpunkt der STDP-Gleichungen; die Fähigkeit, eine Vielzahl anderer Lernregeln neben STDP zu implementieren; bessere Schaltungsvielfalt, da der Ansatz es ermöglicht, verschiedene Lernregeln in verschiedenen Bereichen eines einzelnen Chips unter Verwendung desselben memristiven Materials für alle Synapsen zu implementieren.