用于视觉与听觉信号早期融合脉冲神经网络的栅极可调 MoS 2 忆阻神经元

摘要 受大脑并行处理能力和高效性的启发，类脑神经形态计算系统为人工智能提供了极具前景的解决方案。由神经元和突触元件组成的脉冲神经网络（SNNs）是实现神经形态系统的关键途径。然而，传统的硬件神经元实现需要辅助电路才能使 SNNs 获得良好的训练性能。开发合适的基于单器件的神经元器件以实现高效的 SNNs 构建仍具挑战。在此，我们介绍了一种栅极可调的 MoS 2 忆阻神经元。该神经元具有可调的不应期和发放阈值，无需外部电路即可模拟神经元的关键动力学特性。利用这些自适应神经元，我们开发了一种基于可调神经元器件的多模态信息处理早期融合 SNN 架构。通过跨模态权重共享，所提出的神经元能够在不同栅极电压下学习跨模态的通用特征以及模态特异性特征。该架构实现了多感官数据的无缝融合，同时显著降低了硬件成本。我们在图像-音频数字识别任务中证实了硬件使用量减少 49%，同时识别准确率大幅提升至 95.45%。我们这种由可调神经元驱动的 SNN 为高效神经计算和神经形态智能的进一步集成提供了一条途径。image