Endurance-Aware Mapping of Spiking Neural Networks to Neuromorphic Hardware
类脑计算系统采用忆阻器来实现高密度和低功率突触存储，作为硬件中的交叉阵列。这些系统在执行脉冲神经网络（SNN）时是能量高效的。我们观察到忆阻交叉开关中的长位线和字线是产生电流不对称的寄生电压降的主要来源。通过电路模拟，我们显示了显着的耐力变化，结果从这种不对称性。因此，如果临界忆阻器（具有较低耐久性的忆阻器）被过度利用，则它们可能导致交叉杆的寿命减少。我们提出了eSpine，这是一种新的技术，通过在映射机器学习工作负载时将每个交叉杆内的耐久性变化结合起来来提高寿命，确保具有较高激活的突触始终在具有较高耐久性的忆阻器上实现，反之亦然。eSpine分为两个步骤。首先，它使用Kernighan-Lin Graph Partitioning算法将工作负载划分为神经元和突触的集群，其中每个集群可以适合交叉开关。其次，它使用粒子群优化（PSO）的实例来将集群映射到瓦片，其中通过分析它们在工作负载内的激活来执行集群的突触到交叉杆的忆阻器的放置。我们评估eSpine的最先进的神经形态硬件模型与相变存储器（PCM）为基础的忆阻器。使用10个SNN工作负载，我们证明了有效寿命的显着改善。
2021-03-09 cs.AR cs.ET cs.NE
Spiking Neural Networks for Inference and Learning: A Memristor-based Design Perspective
在密度和能效指标上，神经形态技术有可能在实时功能、适应性和自主性至关重要的任务中超越主流计算技术。虽然类脑计算的算法进展正在成功地进行，但忆阻器改善类脑计算的潜力尚未取得成果，主要是因为它们经常被用作传统存储器的直接替代品。然而，锚定在机器学习理论中的跨学科方法表明，将神经和突触动力学与设备能力相匹配的多因素可塑性规则可以更好地利用忆阻器动力学及其随机性。此外，这样的可塑性规则通常表现出比经典的尖峰时间相关可塑性（STDP）规则更高的性能。本章回顾了脉冲神经网络模型学习的最新发展及其可能的忆阻硬件实现。
2019-10-08 cs.ET
Memristor-Based Spiking Neural Network Accelerator for Bio-inspired Interception Task
The University of Texas at Arlington（阿灵顿德州大学）；South Dakota State University（南达科他州立大学）
提出一种模拟忆阻器脉冲神经网络加速器，通过内存计算和模拟积分点火神经元实现异步事件驱动，在捕食者-猎物追踪任务中能耗降低12.7倍、延迟降低1.26倍。
2026-05-29 cs.ET cs.NE
Stress-induced Artificial neuron spiking in Diffusive memristors
本研究在柔性PET衬底上制备了基于银纳米颗粒的扩散型忆阻器，通过施加外部机械冲击成功诱导并调控人工神经元的电脉冲行为，为开发触觉感知传感器提供了新途径，并提出数学模型描述其工作原理。
2024-10-08 cs.ET physics.app-ph physics.ins-det
An Efficient and Accurate Memristive Memory for Array-based Spiking Neural Networks
本文提出一种基于限流的3T1R忆阻存储器设计，解决忆阻突触编程不可靠问题，较1T1R设计优化READ电流约19倍、节能约9倍，并降低工艺变化影响，适用于脉冲神经网络。
2023-09-06 cs.ET cs.NE
Evolution of Plastic Learning in Spiking Networks via Memristive Connections
本文提出了一种尖峰神经进化系统，它将忆阻器实现为塑料连接，即其权重可以在试验期间变化。进化设计过程利用参数自适应和可变的拓扑结构，允许神经元的数量，连接权重和神经元间的连接模式出现。通过比较两个现象学的现实世界的忆阻器实现与网络组成的（i）线性电阻（ii）恒定值的连接，我们证明，这种方法允许网络的演变出现适当的复杂性，同时利用连接的忆阻特性，以减少学习时间。我们扩展这种方法，允许网络内的忆阻器的异构混合物，我们的方法提供了一个深入的网络结构分析。我们的网络模拟机器人导航任务进行评估，结果表明，忆阻可塑性，使更高的性能比恒定加权连接在静态和动态奖励的情况下，和忆阻元件的混合物相比，同质忆阻网络提供性能优势。
2012-12-14 cs.ET cs.NE
Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing
机器学习，特别是以深度学习的形式，推动了人工智能最近的大部分基本发展。深度学习基于计算模型，这些模型在一定程度上是生物启发的，因为它们依赖于并行操作的连接的简单计算单元的网络。深度学习已成功应用于对象/模式识别、语音和自然语言处理、自动驾驶汽车、智能自诊断工具、自主机器人、知识渊博的个人助理和监控等领域。这些成功主要由三个因素支持：大量数据的可用性，计算能力的持续增长和算法创新。摩尔定律的即将消亡，以及随之而来的通过缩放可以实现的计算能力的预期适度改进，提出了所描述的进展是否会由于硬件限制而减慢或停止的问题。本文回顾了一种新型的超越CMOS硬件技术忆阻器的案例，它是实现高能效存内计算、深度学习加速器和脉冲神经网络的潜在解决方案。中心主题是对非冯诺依曼计算架构的依赖以及开发定制学习和推理算法的需求。为了证明生物学的经验教训可以为人工智能的进一步发展提供方向，我们简要讨论了一个基于储备池计算的例子。我们通过推测未来神经形态和大脑启发的计算系统的大局观来结束审查。
2020-04-30 cs.ET cs.NE
Effect of memristorś potentiation-depression curves peculiarities in the convergence of physical perceptrons
本文通过实验获取锰氧化物忆阻器的增强-抑制曲线，研究其对感知器字符识别收敛时间的影响，发现低粒度、非线性非对称响应及权重更新噪声可降低收敛所需轮数。
2023-08-10 cond-mat.mes-hall cs.ET
Homogeneous Spiking Neuromorphic System for Real-World Pattern Recognition
Boise State University（博伊西州立大学）
结合CMOS模拟尖峰神经元和忆阻突触的神经形态芯片为脑启发计算提供了一个有前途的解决方案，因为它可以提供大规模的神经网络并行性和密度。以前的混合模拟CMOS-忆阻器方法需要大量的CMOS电路进行训练，因此消除了采用忆阻器突触所获得的大部分密度优势。此外，他们对突触前和突触后尖峰使用了不同的波形，这增加了不期望的电路开销。在这里，我们描述了一个硬件架构，可以具有大量的忆阻器突触学习现实世界的模式。我们提出了一个多功能的CMOS神经元，它结合了集成和发射行为，驱动无源忆阻器并在紧凑的电路模块中实现竞争性学习，并使忆阻器突触中的原位可塑性成为可能。我们演示了手写数字识别使用晶体管级电路模拟所提出的架构。由于所描述的神经形态架构是同质的，它实现了大规模节能大脑启发硅芯片的基本构建块，可能导致下一代认知计算。
2015-06-08 cs.AI cs.CV cs.ET
An All-Memristor Deep Spiking Neural Computing System: A Step Towards Realizing the Low Power,Stochastic Brain
深度“模拟人工神经网络”（ANN）以非常高的精度执行复杂的分类问题。然而，它们依赖于巨大的功率来执行计算，掩盖了准确性的好处。另一方面，生物大脑比这些网络强大得多，消耗的能量也少了几个数量级，这表明我们存在一些概念上的不匹配。考虑到生物神经元使用能量高效的尖峰序列进行通信，并且行为是不确定的，将这些效应纳入深度人工神经网络可能会使我们朝着更现实的神经元迈出几步。在这项工作中，我们提出了如何利用纳米级电阻器件的固有随机性来模拟尖峰神经元的功能，该神经元可以被纳入深度随机脉冲神经网络（SNN）。在算法层面上，我们提出了如何修改训练，以将ANN转换为SNN，同时支持这些设备提供的随机激活函数。我们设计电路架构，将随机忆阻神经元与执行突触权重功能的忆阻交叉杆结合在一起。我们测试了所提出的用于图像分类的全忆阻器深度随机SNN，并且在结合电路和设备相关的非理想性之后，观察到ANN基线的准确度仅下降约1%。我们见证了该网络对某些变化的鲁棒性，并且消耗的能量比CMOS对应物少约6.4倍。
2018-04-13 cs.ET
Fully Memristive Spiking-Neuron Learning Framework and its Applications on Pattern Recognition and Edge Detection
随着忆阻器件的发展，以漂移忆阻器为轴突、扩散忆阻器为树突的全忆阻脉冲神经元学习框架成为近年来的研究热点。通常情况下，一些其他的设备，如电阻或电容器仍然是必要的最近的作品完全忆阻学习框架。然而，理论上，一个神经元只需要轴突和树突，这使得技术过程更简单，学习框架更类似于生物大脑。本文提出了一种全忆阻脉冲神经元学习框架，其中神经元结构仅由一个漂移和一个扩散忆阻模型构成。为了验证该方法的有效性，设计了用于模式识别的前向神经网络和用于边缘检测的细胞神经网络。实验结果表明，与其他忆阻神经网络相比，该框架结构简单，在模式识别中处理速度快，节省了硬件资源。由于扩散忆阻模型的动态滤波功能，其峰值信噪比（PSNR）比传统的边缘检测算法高得多。
2020-05-19 cs.ET
Unified Memcapacitor-Memristor Memory for Synaptic Weights and Neuron Temporal Dynamics
提出一种统一忆阻与忆容行为的存储堆栈，设计电路同时控制循环脉冲神经网络的空间与时间动态，仿真表明其在高效神经形态处理方面具潜力。
2025-06-27 cs.ET cs.NE eess.SP
Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method
Indian Statistical Institute（印度统计研究所）；Balasore Alloys Limited（巴拉索尔合金有限公司）
本文提出一种采用监督式原位STDP算法的忆阻SNN架构，无需外部控制硬件，经LTspice评估，在Iris、BCW数据集及5×3二值图像上实现高识别准确率与鲁棒性。
2026-09-01 cs.ET cs.NE
Topology Optimization of Random Memristors for Input-Aware Dynamic SNN
the University of Hong Kong（香港大学）；ACCESS – AI Chip Center for Emerging Smart Systems, InnoHK Centers（ACCESS新兴智能系统AI芯片中心（InnoHK中心））；Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所）
本文提出PRIME框架，通过优化随机忆阻脉冲神经网络拓扑并采用输入感知动态早停策略，在保持性能的同时大幅提升能效并降低计算负载。
2024-07-26 cs.AI cs.ET cs.NE
Energy-Efficient Cryogenic Neuromorphic Network with Superconducting Memristor
本研究提出结合超导忆阻器脉冲神经元与突触拓扑的集成低温神经形态框架，经小车倒立摆任务仿真验证其能效与性能，为超低功耗生物启发计算提供新方案。
2025-01-13 cs.ET
Contrastive Learning in Memristor-based Neuromorphic Systems
本研究针对深度反向传播网络能效低、生物不可解释的问题，设计了基于忆阻器神经形态系统的无反向传播对比信号依赖可塑性（CSDP），实验证明其硬件可免复杂梯度计算学习简单逻辑函数。
2024-09-17 cs.ET cs.NE q-bio.NC
Single Memristor Logic Gates: From NOT to a Full Adder
基于忆阻器与神经元（特别是突触和离子泵）之间的相似性，忆阻器被认为是类脑计算的新途径。忆阻器的直流动作是电流尖峰，其赋予装置短期记忆。这里证明了这种短期记忆的工作方式与习惯化完全一样（例如在\emph{Aplysia}中）。我们阐明的物理规则，能量守恒的基础上，管理这些电流尖峰的相互作用：总和，“反弹”，方向性和“递减回报”。使用这些规则，我们引入4种不同的逻辑系统来实现忆阻器中的时序逻辑，并通过实例化“非”门、“与”门、“异”门和具有单个忆阻器的全加器来演示时序逻辑如何工作。全加器利用忆阻器的短期存储器将三个二进制值相加，并输出和、进位数字，甚至是它们输入的顺序。忆阻器全加器也输出位的算术和，允许逻辑上（但不是物理上）可逆的系统。从本质上讲，我们可以用额外的时间步长替换输入/输出端口，允许单个忆阻器进行迄今为止意想不到的大量计算。这弥补了忆阻器的缓慢操作速度，并且可能与神经元如何以如此缓慢的操作速度进行类似的大计算有关。我们建议，使用尖峰逻辑，无论是在门或神经元类似物，与塑料之间的连接，将允许一个神经形态计算机的建设。
2015-10-19 cond-mat.mes-hall cs.ET cs.NE
Memristive integrative sensors for neuronal activity
先进的神经元接口的出现为将大脑功能与电子设备联系起来提供了巨大的希望。实现这一目标的一个主要瓶颈是大数据的实时处理，这对带宽、能源和计算能力提出了过高的要求;限制了生物电子链路的总数。在这里，我们提出了一种新的监测系统的概念，利用记忆电阻器的内在属性，用于处理神经信息在实时的。我们证明了固态TiOx忆阻器的固有电压阈值可以用于区分显着的神经活动，即尖峰事件，从噪声。当与一个多维的，主成分特征空间阈值检测器相比，我们的系统是能够记录大多数的重大事件，而不诉诸于计算繁重的离线处理。我们还展示了一种忆阻集成传感阵列，它可以区分体外记录的神经元活动。我们证明，尖峰事件幅度的信息同时转换和存储为非易失性电阻状态转换，允许更有效的数据压缩，展示了忆阻器的潜力，为大数据构建可扩展的，但能源效率的节点上的处理器。
2015-07-24 cs.ET
Enhanced Read Resolution in Reconfigurable Memristive Synapses for Spiking Neural Networks
本文针对4位忆阻突触READ分辨率不足的问题，通过器件级缩放及READ电压、体偏置运行时自适应显著提升电流裕度与分辨率，并在分类任务中验证其抗噪准确率优势。
2023-06-23 cs.ET
NbO2-based memristive neurons for burst-based perceptron
基于脉冲学习的类脑计算在降低计算能力方面具有广阔的前景。由两个局部有源忆阻器组成的忆阻神经元被用来模拟生物神经元的动力学行为。在这项工作中，基于NbO2的忆阻神经元的动态工作条件和它们的转换之间的尖峰和爆发的边界进行了全面的研究。此外，分析了突发的基本机制，并证明了在每个突发期间的尖峰数量的可控性。最后，提出了在感知器神经网络中，利用每个突发周期内的脉冲数来编码信息，实现模式分类和信息传输。研究结果为神经电阻在脉冲神经网络中的实际应用提供了一种很有前途的方法。
2020-04-10 cs.ET eess.SP
Scaling Limits of Memristor-Based Routers for Asynchronous Neuromorphic Systems
本研究探讨忆阻交叉阵列作为异步SNN硬件中路由通道的扩展极限，通过理论建模、22nm FDSOI电路仿真及4K-ReRAM芯片实验，确定了IR压降和漏电问题导致的功能界限，为多核异步神经形态系统的忆阻路由器设计提供指导。
2023-12-21 cs.ET cs.NE
Self-Adaptive Spike-Time-Dependent Plasticity of Metal-Oxide Memristors
金属氧化物忆阻器已经成为人工突触硬件实现的有前途的候选者-高性能模拟神经形态网络的关键组件-由于其出色的扩展前景。由于一些高级认知任务需要尖峰神经形态网络，它明确地模拟生物神经系统中的单个神经脉冲（尖峰），因此忆阻突触支持尖峰时间依赖可塑性（STDP）是至关重要的，这被认为是Hebbian适应的主要机制。STDP实现的一个主要挑战是，与一些简单的可塑性模型相比，人工硬件突触中突触权重的基本变化不仅取决于突触前和突触后信号，还取决于初始权重（忆阻器的电导）值。在这里，我们实验证明，第一次，STDP协议，确保自适应的平均忆阻器电导，使可塑性稳定，即不敏感的设备的初始状态。实验是使用集成到12 x12十字棒中的200纳米Al 2 O3/TiO 2-x忆阻器进行的。实验观察到的自适应STDP行为已经补充了一个简单的系统中的重量动态的数值建模与泄漏集成和火灾神经元与随机尖峰序列输入，使用紧凑的模型忆阻器的可塑性，适合定量正确描述我们的忆阻器。
2015-05-20 cond-mat.other cs.ET
Analysis on Effects of Fault Elements in Memristive Neuromorphic Systems
Kwangwoon University（光云大学）
本文通过改变故障比例、类型与位置，分析忆阻SNN神经形态系统中故障神经元及SA0/SA1故障突触的影响，揭示了四项关于脆弱性和性能变化的规律。
2023-12-08 cs.AI cs.ET cs.LG
