推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

存储芯片的仿生计算与神经形态存储架构.docx

资料介绍

存储芯片的仿生计算与神经形态存储架构

1 引言

仿生计算(Neuromorphic Computing)通过模拟生物神经系统的结构和信息处理方式,在能耗和并行处理能力方面展现显著优势。存储芯片在仿生计算中扮演核心角色——忆阻器(Memristor)、ReRAMMRAM等新型存储器件可模拟生物突触的可塑性,实现权重存储和在线学习。本章系统分析仿生计算中的存储架构需求、神经形态器件的原理和片上学习系统。

2 神经形态计算原理

2.1 生物神经网络

生物神经网络由约860亿个神经元和数万亿个突触组成。突触是神经元之间的连接结构,其连接强度(权重)可通过学习调节。神经形态计算的目标是在硬件上模拟这一机制。

2.2 人工神经网络

人工神经网络中,每个神经元接收来自前一层神经元的加权输入,通过激活函数产生输出。突触权重的更新通过反向传播算法实现,需要大量数据搬运操作,在传统冯·诺依曼架构中效率低下。

3 神经形态存储器件

3.1 忆阻器突触

忆阻器(ReRAM)的电导可连续调节,模拟生物突触的权重更新。在Crossbar阵列中,通过基尔霍夫电流定律实现矩阵向量乘法,是神经形态计算的核心操作。忆阻器突触的电导更新精度可达4-8比特,支持脉冲时序依赖可塑性(STDP)等学习规则。


部分文件列表

文件名 大小
存储芯片的仿生计算与神经形态存储架构.docx 38K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载