脉冲神经网络中基于器件信息的脉冲时序依赖可塑性的状态依赖忆阻器动力学

本工作使用文献推导的阈值忆阻器模型，研究脉冲神经网络中基于器件信息的脉冲时序依赖可塑性（STDP）。局部 STDP 指令决定编程极性和编程坐标，用于第一全连接层中状态依赖的电导更新，而经反向传播训练的输出层执行分类。HSPICE 仿真表征了阈值化、极性和状态依赖的器件动态以及差分交叉阵列的乘累加行为。在 MNIST 和 Fashion-MNIST 上的实验将混合学习规则与直接截断 STDP 进行比较，并评估编程不对称性、器件参数变异、写入噪声、固定故障和输入损坏。混合模型在 MNIST 上达到 95.15% 的准确率，在 Fashion-MNIST 上达到 85.92%。在另一项种子匹配的比较中，它分别达到 95.02% 和 84.79%，而直接截断 STDP 为 92.33% 和 83.25%。增强主导的不对称性降低了输入依赖的特征选择性，训练期间引入的端点故障比训练后引入的故障危害更小。网络级映射是一种降阶的、经验证选择的抽象，而非脉冲精确的物理编程实现。这些结果量化了状态依赖的忆阻器动态如何塑造局部 STDP 学习及其对硬件非理想性的敏感性。

中文由 AI 翻译，仅供参考，以原文为准。