メムリスタを用いたホップフィールド神経ネットワークの複数のアトラクターとカオス同期

要約　本研究では、メムリスタ技術によって強化されたホップフィールド神経ネットワーク（HNN）の動的特性と同期能力を調査しています。メムリスタは、以前の抵抗状態に関する情報を保持できる新しい電子デバイスであり、神経ネットワーク内のシナプスとして機能します。HNN内の伝統的なシナプスをメムリスタに置き換えることで、単一および二重スクロールアトラクターを支える革新的なカオスモデルがメムリスタベースのHNNフレームワーク内に生成されます。多安定性やアトラクターの共存などの側面を含むモデルの複雑な動的挙動について分析しました。この概念の実質的検証は回路の構築を通じて行われました。このモデルに基づいて、スライディングモード制御システムを設計し、固定時間同期を達成し、画像暗号化などの将来的な応用の基盤を築きました。