Synthesis and analysis of a memristor-based perceptron for logical function emulation

• Autorzy: Mladenov V. , Kirilov S.

Identyfikatory

DOI

10.15199/48.2016.04.06

Warianty tytułu

PL

Synteza i analiza perceptronu opartego na memristorze dla emulacji funkcji logicznej

• Języki publikacji: EN

Abstrakty

EN

The purpose of this research is to propose a new memristor-based synaptic device for use in perceptrons. A synaptic circuit made by two memristors is analyzed and a linear relationship between time and synaptic weight is obtained for rectangular input pulses. For adjusting the synaptic weight pulses with long duration and high magnitude are used. The operating input signals are with short duration and low amplitude to avoid altering the memristor state. A successful operation of the new memristor linear synapse is established after scaling the synaptic weight.

PL

W pracy zaproponowano nowe urządzenie synaptyczne bazujące na memristorze, które można użyć w perceptronach. Przeanalizowano obwód synaptyczny zbudowany z dwóch memristorów i dla prostokątnych impulsów wejściowych uzyskano liniowe zależności pomiędzy czasem a wagą synaptyczną. W celu dopasowania wag synaptycznych użyto impulsów o długim czasie trwania i dużej amplitudzie. Sygnały wejściowe posiadają krótki czas trwania oraz małą amplitudę w celu uniknięcia zmiany stanu memristora. Po wyskalowaniu wagi synaptycznej uzyskano skuteczne działanie nowego memristora.

Słowa kluczowe

EN

memristor; synaptic weight; perceptron; activation function

PL

waga synaptyczna; perceptron; funkcja aktywacji

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 4
• Strony: 22--25
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wykr.

Twórcy

autor

Mladenov V.

• Technical University of Sofia, 1000 Sofia 8 St. Kl. Ohridski Blvd, Dept. of Theoretical Electrical Engineering

autor

Kirilov S.

• Technical University of Sofia, 1000 Sofia 8 St. Kl. Ohridski Blvd, Dept. of Theoretical Electrical Engineering

Bibliografia

• [1] Wang, L., M. Duan, S. Duan. Memristive Perceptron for Combinational Logic Classification. Hindawi Publishing Corporation, Mathematical Problems in Engineering, Vol. 2013, Article ID 625790, pp. 1 – 7, DOI:10.1155/2013/625790.
• [2] Fausett, L. Fundamentals of Neural Networks. Prentice Hall, 1994, ISBN 0130422509.
• [3] Haykin, S. Neural Networks: A Comprehensive Foundation. 2-nd edition, Prentice Hall, 1999, ISBN 0132733501.
• [4] Sah, M., C. Yang, H. Kim, T. Roska, L. Chua. Memristor Bridge Circuit for Neural Synaptic Weighting. 13th International Workshop on Cellular Nanoscale Networks and Their Applications (CNNA), IEEE, pp. 1 – 5, DOI: 10.1109/CNNA.2012.6331434, 2012.
• [5] Jo, S., T. Chang, I. Ebong, B. Bhadviya, P. Mazumder, W. Lu. Nanoscale Memristor Device as Synapse in Neuromorphic Systems. NanoLetters, American Chemical Society, 2010, pp. 1297 – 1301, DOI: 10.1021/nl904092h.
• [6] Kim, Y., K. Min. Synaptic Weighting Circuits for Cellular Neural Networks. 13th International Workshop on Cellular Nanoscale Networks and Their Applications (CNNA), IEEE, pp. 1 – 6, DOI: 10.1109/CNNA.2012.6331430.
• [7] Chua, L. O. Memristor – The Missing Circuit Element. IEEE Trans. on Circuit Theory, Vol. CT-18, pp. 507-519, September (1971), DOI 10.1109/TCT.1971.1083337.
• [8] Strukov, D. B., G. S. Snider, D. R. Stewart, R. S. Williams. The missing memristor found. Nature, 06932, Vol. 453, pp. 80 – 83, (2008), DOI:10.1038/nature06932.
• [9] Corinto, F., A. Ascoli. A boundary condition-based approach to the modeling of memristor nanostructures. IEEE Transactions on circuits and systems – I, Regular papers, Vol. 59, Issue 11, ISSN 1549 – 8328, pp. 2713 – 2726, November (2012).
• [10] Walsh, A., Carley, R., Feely, O., Ascoli, A. Memristor circuit investigation through a new tutorial toolbox. 2013 European Conference on Circuit Theory and Design (ECCTD), IEEE, DOI: 10.1109/ECCTD.2013.6662261, pp. 1 – 4.
• [11] Wen, S., Z. Zeng, T. Huang, X. Yu. Noise cancellation of memristive neural networks. Neural Networks 60, Elsevier, pp. 74 – 83, 2014, DOI: 10.1016/j.neunet.2014.07.014.
• [12] Thomas, A. Memristor-Based Neural Networks. Journal of Physics D: Applied Physics 46, pp. 1 – 12, 2013, DOI: 10.1088/0022-3727/46/9/093001.
• [13] Adhikari, S., C. Yang, H. Kim, L. Chua. Memristor Bridge Synapse-Based Neural Network and Its Learning. IEEE Transactions on Neural Networks and Learning Systems, Vol. 23, 2012, pp. 1426 – 1435.
• [14] The MathWorks, Inc. Neural Network Toolbox TM User’s Guide. MATLAB, Release 2009a.
• [15] Chu, M., Kim, B., Park, S., Hwang, H., Jeon, M., Lee, B. H, Lee, B. G. Neuromorphic Hardware System for Visual Pattern Recognition With Memristor Array and CMOS Neuron. IEEE Transactions on Industrial Electronics, Vol. 62, No. 4, April 2015, DOI: 10.1109/TIE.2014.2356439, pp. 2410 – 2419.
• [16] Hu, M., Li, H., Chen, Y., Wu, Q., Rose, G., Linderman, R. Memristor Crossbar-Based Neuromorphic Computing System: A Case Study. IEEE Transactions on Neural Networks and Learning Systems, Vol. 25, No. 10, October 2014, DOI: 10.1109/TNNLS.2013.2296777 pp. 1864 – 1878.
• [17] Sheri, A., Hwang, H., Jeon, M., Lee, B. Neuromorphic Character Recognition System With Two PCMO Memristors as a Synapse. IEEE Transactions on Industrial Electronics, Vol. 61, No. 6, June 2014, pp. 2933 – 2941, DOI: 10.1109/TIE.2013.2275966.
• [18] Cai, W., Ellinger, F., R. Tetzlaff. Neuronal Synapse as a Memristor: Modeling Pair- and Triplet-Based STDP Rule. IEEE Trans. on Biomedical Circuits and Systems, Vol. 9, No. 1, 2015, pp. 87 – 95, DOI: 10.1109/TBCAS.2014.2318012.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.