用于SNN在线STDP学习与推理的忆阻突触
A Memristive Synapse for Online STDP Learning and Inference in SNNs
浏览论文内容
中文总结 AI 辅助
本文提出一种全模拟忆阻突触电路，实现SNN在线STDP学习，无需外部控制，仿真验证了电导适应与神经元特化。
中文摘要 AI 辅助
这项工作提出了一种全模拟忆阻突触电路，用于脉冲神经网络（SNNs）中的在线脉冲时序依赖可塑性（STDP）学习。所提出的突触集成了一个局部STDP电路，该电路直接从突触前和突触后脉冲生成渐进的时序依赖电导更新。学习发生在正常网络运行期间，无需外部数字控制或显式STDP波形合成。在130纳米CMOS技术中实现的忆阻突触的后布局仿真显示了SNN运行期间脉冲时序依赖的电导适应性。一个2x2 SNN仿真进一步通过无监督学习展示了在线神经元特化。
英文摘要
This work presents a fully analog memristive synaptic circuit for online spike-timing-dependent plasticity (STDP) learning in spiking neural networks (SNNs). The proposed synapse integrates a local STDP circuit generating gradual timing-dependent conductance updates directly from pre- and post-synaptic spikes. Learning occurs during normal network operation without requiring external digital control or explicit STDP waveform synthesis. Post-layout simulations of the memristive synapse implemented in a 130 nm CMOS technology show spike-timing-dependent conductance adaptation during SNN operation. A 2x2 SNN simulation further illustrates online neuron specialization through unsupervised learning.
发表机构
- Universitat Politècnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学）
机构由 AI 辅助整理，请以论文原文为准。
