华中科技大学郭新教授Adv.Funct.Mater.：二阶忆阻器实现突触的抑制性三脉冲STDP学习规则

【引言】

近年来，人工智能以迅猛之势得到了长足的发展，而基于深度学习的AlphaGo击败人类的新闻再一次将人工智能的强大之处显露无疑，而具有神经功能的纳米器件的发展是实现硬件人工智能的基础，忆阻器与突触具有类似的两端结构，其连续可变的电导可以用来模拟突触的权重，拥有长时和短时两个状态变量的二阶忆阻器还可以模拟生物突触的短时变化过程（如Ca2+动力学等）。脉冲时序依赖可塑性（Spiking-Timing-Dependent Plasticity, STDP）是调控突触权重的重要规则，突触接受前后神经元脉冲对的时序和间隔控制着权重变化的方向和强度，生物学更进一步的研究发现突触权重调控还受脉冲对前一个脉冲的抑制（三脉冲STDP），该现象可以联系STDP与其他规则（如脉冲频率依赖可塑性等），对高阶时空联系的模式信号有更好的选择性。利用二阶忆阻器的短时变量，基于神经元的漏电流整合发射（Leaky Integrate and Fire, LIF）模型，在接受神经信号时，通过局部分级电位的变化实现信号的空间与时间整合。

【成果简介】

近日，来自华中科技大学的杨蕊副教授、王小平教授与郭新教授（共同通讯作者）在Advanced Functional Materials上发表了题为“Synaptic Suppression Triplet-STDPLearning Rule Realized in Second-Order Memristors”的文章。研究人员通过脉冲激光沉积（PLD）方法在Nb掺杂SrTiO3（Nb-STO）衬底上沉积一层STO薄膜，并利用磁控溅射沉积Pt顶电极，在电极与材料界面处构建肖特基势垒。该方法制备得到的忆阻器具有长时和短时两个状态变量，长期稳定性好，利用短时变量实现了三脉冲STDP，并探究了不同电阻态下STDP学习规则的变化。基于器件构建模型，仿真模拟了LIF模型中的空间和时间整合，通过LIF电路发出的脉冲基于三脉冲STDP调控人工突触权重。

【图文导读】

图1 Pt/STO/Nb-STO二阶忆阻器的阻变性能

（a）电预处理（Forming）过程以及稳定的10000圈I-V循环特性；

（b）施加正向或负向脉冲实现的电导连续变化；

（c）不同状态的电导随时间变化曲线；

图2二阶忆阻器实现的依赖权重的双脉冲STDP

（a）对不同初始状态的器件施加时电导的相对变化曲线；

（b）不同初始状态下测得的STDP曲线，内插图为施加前后脉冲的形状；

图3三脉冲STDP图形

（a）一个前脉冲，两个后脉冲的情况；

（b）两个前脉冲，一个后脉冲的情况；

图中星星和圆圈代表实验数据，背景颜色代表生物模型拟合数据。

图4不同初始状态下的三脉冲STDP曲线

（a）标准情况；（b）兴奋性主导；（c）抑制性主导

图5人工LIF神经元电路以及对兴奋性突触后电流的空间和时间整合

（a）人工LIF神经元电路以及其与生物神经元的比较；

（b）空间整合；

（c）时间整合；

图6基于LIF神经元根据抑制性三脉冲STDP调控突触权重的仿真结果

脉冲序列可以根据神经元的时间常数分隔成多个区间，在脉冲作用下产生权重的变化。

【总结】

在本文中，研究人员介绍通过简单的方法制备得到了Pt/STO/Nb-STO结构、具有长时和短时状态变量的二阶忆阻器。利用短时状态变量模拟了脉冲对前的脉冲与脉冲对相互作用的三脉冲STDP和基于局部分级电位实现的LIF模型的时间、空间整合。该器件在未来构建人工神经网络具有很大的前景。

文献链接：Synaptic Suppression Triplet-STDP Learning Rule Realized in Second-Order Memristors（Advanced Functional Materials, 2017, 1704455）

相关文献推荐：

Zheng-Hua Tan, Rui Yang, Kazuya Terabe, Xue-Bing Yin, Xiao-Dong Zhang, Xin Guo. Synaptic Metaplasticity Realized in Oxide Memristive Devices, Advanced Materials,2016,28,377-384; http://onlinelibrary.wiley.com/doi/10.1002/adma.201503575/epdf

本文由材料人新能源前线 沐雨若晴 投稿，材料牛整理编辑。

技术服务