您好,欢迎来到华中科技大学材料科学与工程学院官网!

联系我们 | English | 旧版入口

学术活动

联系我们

华中科技大学材料科学与工程学院

电话:027-87543676

当前位置: 首页 > 学术活动 > 正文

郭新教授团队在忆阻突触学习法则研究中取得重要进展

发布时间:2019-01-17 编辑:蒋文海 来源: 浏览次数:

 

近年来,人工智能发展迅速,构建人工神经网络,实现与大脑可媲美的人工智能,是人类长久以来追求的目标。大脑智能的实现依赖于由大量神经元和突触构成的生物神经网络。而忆阻器基于其独特的阻变特性,能很好的模拟神经突触及神经元的基本功能,为硬件上搭建功耗更低、运算速度更快的大规模神经网络进而实现人工智能开辟了新的途径。然而,目前报道实现的突触权重更新法则相对比较简单,一些复杂的学习法则有待进一步有待研究开发。

日前,材料科学与工程学院的郭新教授团队在忆阻突触学习法则的研究中取得了重要进展。1月9日,该团队成果《Bienenstock, Cooper and Munro Learning Rules Realized in Second-Order Memristors with Tunable Forgetting Rate》在材料科学的顶尖期刊《先进功能材料》(Advanced Functional Materials,影响因子:13.325)在线发表。郭新教授和杨蕊副教授为共同通讯作者,硕士生熊珏为第一作者,华中科技大学为该文的唯一单位。该项研究创新性地采用合金电极控制器件界面的微观结构,实现了器件遗忘速率的控制,从而实现了BCM学习法则的模拟,为构建硬件人工神经网络提供坚实的基础。

在生物系统中,突触权重是两个神经元之间的连接强度,依据一定的学习法则在学习过程中发生改变。这种调节方式是大脑学习和记忆的生物学基础。神经科学家Elie Bienenstock,Leon Cooper和Paul Munro的研究指出,突触权重的变化是频率依赖的。低频刺激导致权重减弱,而高频刺激导致权重增强。权重减弱和增强之间的频率临界点被称为频率阈值,该阈值不是固定的,其会随神经元活动历史的变化而左右滑动。这一理论被称为BCM学习法则,并且被认为是迄今为止最准确的描述突触权重更新的学习法则由于BCM学习法则的复杂性,其物理实现还鲜见报道。为了更好模拟这一复杂的学习法则,郭新教授团队创新性地采用合金电极调节器件界面结构,研制出了遗忘速率连续可调的忆阻器,通过对其遗忘速率的控制,在忆阻器中实现了可调滑动频率阈值和更准确的BCM学习法则。

在基于阴离子迁移的忆阻器中,遗忘过程往往是源于氧离子在刺激后于电极/阻变层界面处的自发反向扩散,这个过程在过往的研究中难以控制。为了在忆阻器中实现遗忘速率的连续可调,郭新教授团队通过共溅射的方法在Pt金属电极中引入能改变离子迁移率的Al元素,再通过控制掺入Al的比例,实现了对器件离子迁移速率的控制,从而能够规律的控制器件的遗忘速率。具有可调控遗忘速率的器件能很好的模拟具有可调滑动频率阈值的BCM学习法则,并且频率阈值可通过忆阻器的初始状态和活动历史进行大范围调控。

该团队之前已有人工突触及人工神经元的工作发表(Adv. Mater. 2018, 1803849,Adv. Funct. Mater. 2018, 28, 1704455Adv. Mater. 2016, 28, 377),结合目前的对突触权重更新法则的拟进一步完善的工作,将可以构建基于硬件的忆阻神经网络,相关后续工作正在开展中。

上述研究工作是在国家自然科学基金(51772112U183211651372094)以及中央高校基本科研专项资金(HUST:2016YXZD058)的资助和支持下完成的。

文章链接:https://onlinelibrary.wiley.com/doi/full/10.1002/adfm.201807316