课程文献中心 更多>>

关键词： 事件触发探测器   时空事件流   自适应切片   脉冲神经网络   光流预测   目标追踪  

摘要： 目前,国内目标追踪领域仍采用基于“帧”和“曝光”体制的图像传感器作为主要的成像器件。但传统图像传感器在运动目标探测追踪领域存在信息价值密度低、功耗大、动态范围小、时间分辨率低、运动模糊等瓶颈问题,这些问题严重影响了光电追踪设备的工作效率以及相关目标追踪算法的实际应用效果。为解决目标追踪领域所面临的瓶颈问题,一种基于事件触发成像的探测器应运而生。事件触发探测器与传统图像传感器相比在成像体制上完全不同,它不是以固定帧频捕获图像,而是每个像素独立工作,异步响应场景中光强变化的部分,然后图像数据以异步事件流的形式进行输出,每个事件数据包含编码亮度变化的时间、空间和极性信息,所以其图像数据也被称为时空数据流或时空事件流。相比于传统体制的图像传感器,事件触发探测器在运动目标探测追踪领域的技术优势主要体现在以下几个方面:优于120d B的动态范围、级的时空分辨率、毫瓦级的超低功耗、无运动模糊及良好的智能化处理接口等。因此,事件触发探测器在目标追踪领域,尤其是在传统图像传感器具有挑战性的目标追踪场景中有着广泛的应用前景。由于事件触发探测器采用异步时空事件流的数据格式,导致现有基于“帧”图像格式的目标追踪算法并不能直接应用到事件触发探测器的时空数据中。而现有基于事件触发探测器的目标追踪算法往往将异步时空数据流进行切片积分,构建为“图像帧”后再利用传统图像处理算法进行目标追踪。这种近似于传统成像体制的数据处理方式,虽然在应用模式上相对便捷,但由于事件触发探测器的时空数据中没有目标的灰度值,所以无法利用目标的颜色和纹理信息对“图像帧”中的目标进行精准追踪。同时,也会由于构“帧”方法不当等问题,造成目标信息丢失或者运动模糊现象存在,从而影响目标追踪结果,丧失事件触发探测器一部分低数据量、高时空分辨率的优势。针对现有目标跟踪算法存在的问题,本文通过对事件触发成像运动目标探测机理进行分析,结合事件触发探测器的数据特点,开展基于异步时空数据的目标追踪算法研究。首先开展基于时空数据的预处理算法研究,完成时空数据流的自适应切片,使用于目标追踪的时空事件切片内既无目标信息丢失也无运动模糊现象;其次,提出了针对异步事件流数据目标追踪应用需求的光流预测网络,将自适应切片内的事件以离散形式进行表述,通过光流预测网络对离散事件进行光流预测,为后续目标追踪提供光流信息,提高目标追踪算法的精度;最后,通过基于时空数据光流特性的目标追踪算法研究,完成动态场景下目标追踪算法的验证与性能评价。具体的,论文的主要研究内容包括以下几点:(1)开展事件触发探测器成像机理研究,对事件触发探测器的大动态、低数据率、低功耗探测机理进行分析验证。并对现有事件触发探测器的时空数据处理方法进行归纳总结,为后续目标追踪算法的时空事件预处理奠定基础。(2)开展事件触发探测器输出的时空数据预处理算法研究。针对现有时空数据切片方法存在的运动模糊或信息丢失现象,提出一种基于时空数据流的自适应切片方法,使每个事件切片内既包含完整的目标信息又无运动模糊现象。通过实际切割效果对比及指标计算分析表明,本方法所获得的事件切片质量要优于其他几种方法。本研究内容所提出的预处理算法为后续目标追踪提供良好的输入数据基础。(3)开展时空数据光流预测算法研究。针对现有基于卷积的光流预测网络运算量大,且不能直接处理离散的时空事件等问题,提出一种基于脉冲神经网络的时空事件光流预测方法,该网络可直接处理事件切片内离散时空数据,不再需要将时空数据流构建为图像帧,极大减少了所需计算的数据量,提高了计算速度,更好的保留了事件触发探测器低数据量的优势。对比试验表明本算法的实施功耗比传统基于卷积的光流预测网络相比要低99%以上。(4)开展基于时空数据光流特性的目标追踪算法研究。在前几项研究内容的基础上,创新性的将光流场引入聚类算法当中,扩展事件信息维度,并将基于时空事件光流场聚类分割结果作为卡尔曼滤波校正参数,完成动态场景下的目标追踪并进行算法性能比较。在公开数据集上的实验结果表明,本章提出的算法由于融合了事件域的光流信息更加适用于复杂运动背景下的运动目标追踪,具有极高的实际应用价值。

关键词： 存算一体芯片   静态随机存储器   忆阻器   脉冲神经网络   可编程存内逻辑计算  

摘要： 近年来,随着计算科学和信息技术领域的快速发展,以及大数据、人工智能和深度学习等领域的崛起,人们对高性能计算平台的需求越来越多。虽然随着半导体工艺的进步,计算机的性能在不断提高,但内存与处理器之间的速度差异逐渐扩大,导致数据传输成为性能的瓶颈,这种内存墙限制被广泛称为冯·诺伊曼瓶颈。为了突破冯·诺伊曼瓶颈的限制,存内计算架构被提了出来。存内计算的核心思想在于融合计算功能与数据存储于一体,计算操作直接在存储器中执行,极大地减少了数据传输的需求,由此降低了内存带宽的负担,从而显著提高了计算效率。基于此,存内计算为神经网络计算、医疗影像处理以及物联网等应用中的大规模数据处理提供了新的可能性。尽管存内计算一经提出就得到了快速发展,然而,目前的存内计算芯片仍然面临着不少的挑战,例如存储容量限制、存内计算稳定性与可靠性问题以及能耗问题。由于存内计算处于起步阶段,为了寻找更多基于存内计算的新型应用,寻找新型存内计算架构以及实现更高性能、更通用的存算一体技术,本文结合存算一体芯片关键技术开展新型存内计算架构、新型存内计算训练方法和新型存内计算介质,主要包含以下三个方面的工作:1.针对探究新型存内计算架构的研究,提出了一种储备池存内计算架构。研究了用于实现储备池计算的硬件架构以及映射方法,在此基础上研究了高效的输入编码与非线性转换电路,可重构的储备池计算层随机连接神经元以及储备池节点电流转换模块。设计了基于SRAM存算一体的储备池计算架构以及基于该架构的软硬件平台以实现完整的储备池计算。通过在提出的软硬件平台上实现NARMA10时间序列、连续语音识别任务,验证储备池存内计算芯片的功能。在与常规数字平台构建的储备池计算架构相比,全数字电路实现的储备池计算架构消耗的能量为所提出的储备池存内计算架构的1.55倍,所需的操作数为储备池存内计算架构的2.08倍。2.针对探究新型存内计算训练方法的研究,提出了一种片上无监督学习脉冲神经网络存内计算芯片架构。研究了硬件友好型的基于存内计算架构的脉冲神经网络模型。设计了基于电荷共享的9T1C SRAM存算一体单元、权重可编程存内计算模块、精度可配置存算一体偏置单元模块以及地静态功耗的轨至轨输入动态比较器。设计了基于该存算架构的低面积开销、低能耗的片上STDP无监督学习硬件和算法。采用了所提出的赢者通吃机制后使侧抑制层权重数量大大减小。相较于其他工作,本设计在MNIST手写数据集识别中的准确率可以达到了92.1%,每个像素学习消耗的能量为0.47 n J。3.针对寻找新型存内计算介质的研究,提出了一种集成忆阻器的非易失性SRAM的行方向与列方向可独立编程的存内逻辑计算架构。设计了一种具有多种工作模式的8T4R非易失性SRAM单元结构和具有双模式单电源供电的灵敏放大器。在此基础上,研究了该架构位于常规SRAM模式、非易失性SRAM模式、可编程存内逻辑计算模式和二进制内容寻址存储器模式下的实现方法。研究了在可编程存内逻辑计算模式中三种逻辑计算的映射方法。在实现1位全加器时仅用了两级可编程存内逻辑计算单元;进一步地,本设计还基于所提出的存内逻辑计算架构实现了一个8位Kogge-Stone加法器和一个4位Wallace乘法器,在映射复杂度和计算复杂度方面优于以往的工作。综上,本文提出的储备池存内计算架构、基于片上无监督学习的存内计算架构和集成忆阻器的非易失性SRAM可编程存内逻辑计算架构等存算一体芯片设计关键技术研究有望为最终实现稳定性更高、能效比更优、应用更广的存算一体架构提供思路。

关键词： 类脑智能   忆阻   操作性条件反射   多模态泛化分化   PAD情绪模型  

摘要： 在大数据技术飞速发展的时代,类脑智能近年来被广泛研究与应用。类脑智能是一种模拟大脑结构和功能的人工智能方法,大脑信息传递和学习基本单元的突触和神经元是研究的重点。随着对类脑智能研究的不断深入,数据处理和计算需求呈现爆发式增长,硬件神经网络系统面临着摩尔定律失效的挑战。为了解决这一难题,学者们开始探索可集成大规模神经网络电路的新型纳米元件。忆阻是一种可以模拟神经元行为和突触连接的可塑性器件,具有低功耗、快速响应和小型化等优势,有望成为集成大规模类脑神经网络电路的核心元件。本文构建了面向联想学习和类脑情感的忆阻神经网络电路,实现了操作性条件反射学习、多模态泛化分化联想学习和PAD三维情绪模型等功能,主要内容如下:针对行为结果影响行为趋向的现象,分析了联想记忆中操作性条件反射的学习过程,构建了基于忆阻的操作性条件反射神经网络电路,实现了操作性条件反射过程。所构建的电路由电压控制模块、促进抑制模块和操作模块组成,能够模拟操作性条件反射理论中的正向增强、正向惩罚、负向惩罚、逃避和削弱等过程,并考虑了即时性和饱腹感对操作性条件反射的影响。基于忆阻的操作性条件反射神经网络电路有效地模拟操作性条件反射学习行为,为构建符合生物特征的类脑神经网络提供思路。针对巴甫洛夫联想记忆中多个相似神经元产生泛化的现象,提出了二级分化的概念,并构建了多模态泛化分化的巴甫洛夫联想记忆神经网络电路。所构建的电路由信号判断模块、信号调节模块和突触神经元模块构成,实现了学习、遗忘、泛化、分化、二次分化和多次泛化分化等功能,从而解决了联想学习过程中相似神经元产生误判的现象。基于忆阻的多模态泛化分化神经网络电路可以有效区分相似刺激导致的误判行为,为集成大规模神经网络电路提供了方法。针对记忆和情绪之间的相互影响的关系,提出了一种三维情绪空间模型的情绪生成电路,并将生成的情绪应用于情绪一致性效应。根据边缘系统的大脑情绪理论,构建了基于忆阻的PAD情绪模型,包括下丘脑、感觉皮层、眶额皮质、扣带回和杏仁核等模块。所构建的电路是根据视觉、语音和文本信息生成由效价(P)、唤醒度(A)和支配度(D)三个维度构成的类脑情绪模型。将三维空间的情绪与学习相联系,实现情绪一致性效应。基于忆阻的PAD三维情绪模型有助于更好地理解类脑情绪生成的过程,将学习与情绪结合,为构建符合生物特征的类脑神经网络提供方法和思路。本文以忆阻为核心元件,构造了操作性条件反射神经网络电路、多模态泛化分化神经网络电路和PAD三维情绪模型,实现了类脑智能中的学习、记忆和情绪的功能,为类脑智能的研究和发展提供参考。

关键词： 多脑区脉冲神经网络   功能磁共振成像   神经编码特异性   网络拓扑特性   生物电磁技术  

摘要： 研究类脑模型的神经编码特异性有助于理解生物脑的认知功能,从而促进类脑智能的发展。生物脑可以对不同的刺激产生相应的反应,从而形成神经编码特异性来识别不同的外界信号实现认知。神经编码特异性极其依赖于类脑模型,然而,现如今类脑模型的生物解释性仍然不足。为了提高类脑模型的生物可解释性,在本文中,提出了一种新型的脉冲神经网络作为类脑模型,其中拓扑结构受人脑功能磁共振成像(Functional Magnetic Resonance Imaging,fMRI)约束,并基于神经编码特异性验证了语音任务下类脑模型的性能。本文的主要工作如下: (1)为了提高类脑模型的生物可解释性,本文以反映健康人脑功能连接的fMRI脑功能网络为拓扑,以前额叶和海马神经元模型为工作记忆脑区节点,以Izhikevich神经元模型为非工作记忆脑区节点,以具有时滞的兴奋性和抑制性共同调节的突触可塑性为边,构建了fMRI多脑区脉冲神经网络,并基于网络拓扑特性分析了该类脑网络的动态演化过程。 (2)为了评价所构建的类脑模型的性能,本文基于神经编码特异性对比分析了语音任务下fMRI多脑区脉冲神经网络和另外三种不同的脉冲神经网络。研究结果表明:所构建的fMRI多脑区脉冲神经网络在语音任务下的神经编码特异性优于fMRI单脑区脉冲神经网络、无标度脉冲神经网络和小世界脉冲神经网络。为了探索拓扑对类脑模型的影响,本文从复杂网络特性角度分析了网络拓扑对信息传递能力的影响。研究结果表明:更具生物可解性的类脑模型有着更强的信息处理能力。受真实脑网络约束的类脑模型比算法生成拓扑的类脑模型有着更好的信息传递能力。 (3)为了评估电磁刺激对病态类脑模型的调控效应,本文基于神经编码特异性对比分析了电磁调控前后语音任务下病态fMRI多脑区脉冲神经网络。研究结果表明:健康类脑模型的神经编码特异性优于调控后病态类脑模型,且电磁调控后病态类脑模型的神经编码特异性优于病态类脑模型。为了探索电磁调控对病态类脑模型的影响,本文从网络拓扑的角度分析了电磁调控对病态类脑模型的影响。研究结果表明:电磁调控可以有效的改善病态类脑模型的信息传递能力。该研究结果从类脑角度探索了电磁调控对阿兹海默症患者的影响。

关键词： 混沌时间序列   小波神经网络(WNN)   微弱脉冲信号检测  

摘要： 混沌是世界上很普遍的一种现象,因此基于混沌动力学的动态信息处理技术由于其巨大的发展潜力而备受关注。目前,微弱信号的检测依然是一个备受关注的问题,在雷达、通信、海杂波处理、故障诊断、地震监测等方面,混沌时间序列和微弱信号检测具有广泛的应用价值。但是,传统的检测方法并不能满足当前的信号检测需求,这是因为传统的微弱信号检测技术大多采用了噪声抑制技术,在信噪比较低时,其检测性能很差,尤其在信号被混沌噪声和分形噪声所淹没的情况下更是如此。所以,对混沌噪声背景中的微弱信号进行深入的研究是非常有意义的。 本文从混沌系统的研究入手,利用小波神经网络(WNN)对混沌背景下的微弱脉冲信号进行了检测。根据混沌信号的局部可预测性,将含有混沌噪声和相关信息叠加的接收信号作为样本。研究思路为:首先,将混沌噪声、白噪声和目标周期微弱脉冲信号相加,得到观测信号,对观测信号进行归一化处理;然后,对观测信号进行相空间重构得到混沌时间序列数据,采用复自相关法和Cao方法来确定嵌入维数m和延迟时间?;构建小波神经网络(WNN)预测模型,利用小波神经网络(WNN)对混沌时间序列数据进行一步预测,并且求得预测误差,以达到剥离混沌噪声背景的目的;得到预测误差之后,通过图形观察法和动态阈值自适应检测法来判断预测误差中是否有符合要求的离群值,以此来证明周期微弱脉冲信号的存在;最后,为了证明模型的有效性,使用准确率(ACC)、ROC曲线、ROC曲线下与坐标轴围成的面积(AUC)和灵敏度(Sensitivity)来展现不同信噪比下的检测效果,并且将本文模型与其他模型的检测效果相对比,证明本文模型的优越性。 为了展示本文的检测效果,文中一共设计了五个仿真实验,实验所用数据是由通过求解洛伦兹方程得到的分量和太阳黑子数据。本文使用Python编程实现仿真实验,通过这些仿真实验,得到以下结论:(1)小波神经网络(WNN)能够很好地拟合混沌时间序列,但是预测误差也不容忽视,这是因为存在微弱脉冲信号的位置预测误差较大,这也侧面证明了信号的存在。(2)通过实验一预测模型得到的误差,使用动态阈值自适应检测法能够检测到微弱信号的存在,且准确率表明本文模型检测效果极好;(3)通过对比不同信噪比下本文模型的性能好坏,确定了能够检测到的信号的信噪比范围,本文模型在信噪比大于-153.66 d B时检测效果极佳;(4)小波神经网络(WNN)检测模型与传统检测模型相比得到,小波神经网络(WNN)不仅估计精度高且稳定性好,证明了本文模型对比其他检测模型具有更强的信号检测能力;(5)使用太阳黑子数据作为混沌时间序列时,小波神经网络(WNN)检测模型的检测效果依然良好,因此,本文模型能够应用到实际数据中。

关键词： 图像识别   脉冲信号编码   脉冲神经网络   伪孪生神经网络  

摘要： 作为一个强大的数据处理工具,人工神经网络通过模拟人脑工作过程,在计算机视觉、智能控制和类脑计算等领域表现突出。近年来,随着神经科学不断发展,更具生物可解释性的脉冲神经网络受到各界学者们的关注。脉冲神经网络将神经科学和机器学习紧密结合,利用事件驱动机制对脉冲信号进行处理,并使用脉冲信号作为网络中的通信信号,相较于传统人工神经网络具有更加贴近生物神经系统的工作模式。由于脉冲表现为离散信号,而输入到生物神经系统的刺激一般为连续信号。同时,人类对于大脑编码刺激、处理电脉冲信号的过程认知尚浅,所以将刺激携带的信息编码为脉冲神经网络可处理的离散脉冲信号仍存在困难。此外,卷积神经网络虽已在图像识别领域得到较好效果,但也存在生物可解释性较差的局限性。而脉冲神经网络虽然更贴近人脑实际工作机制,但自身特征提取能力较弱,因此提升其特征提取能力是脉冲神经网络发展的关键。受人脑在处理视觉信息过程中左右半脑不对称的启发,本文提出了一种混合型结构的脉冲神经网络,并通过实验表明,此混合型结构的脉冲神经网络在特征提取方面较传统脉冲神经网络有较大提升。本文的工作及创新点如下:(1)提出了一种基于精确时间的首脉冲频率编码方法。分析了目前常用的首脉冲时间编码和脉冲频率编码策略,提出了一种综合了时间编码与频率编码的脉冲编码方法,解决了脉冲时间编码信号抗干扰性差,脉冲频率编码效率低、计算代价过大的问题。(2)提出了一种混合型结构的脉冲神经网络。为弥补传统脉冲神经网络在特征提取方面的不足,本文对当前各种混合模型架构的网络进行研究分析后,通过结合脉冲神经网络和卷积神经网络各自优势,提出了一种基于脉冲神经网络和卷积神经网络构建的伪孪生神经网络模型,称其为Pseudo-Siamese-CSNN(PS-CSNN)。实验表明,PS-CSNN模型在数字图像识别任务中的准确率能够达到96.8%,相较于其它具有类似结构的混合型脉冲神经网络表现更好。(3)针对ReSuMe监督学习算法只能应用于单层脉冲神经网络的局限,设计了一种基于ReSuMe学习算法的指导机制,使PS-CSNN模型中脉冲神经网络分支的每一层都同时存在输入、输出和目标输出的脉冲序列,实现了ReSuMe算法在多层脉冲神经网络上的应用。

摘要： 神经计算与脑机交互团队的多模态神经信息编解码研究中国科学院自动化研究所神经计算与脑机交互团队何晖光等人将大脑、视觉和语言知识相结合，通过多模态学习实现了从人类脑活动中零样本地解码视觉新类别。相关成果发表于《IEEE模式分析与机器智能汇刊》（IEEETPAMI）。文章提出“脑-图-文”三模态联合学习框架，在使用实际呈现的视觉语义特征的同时，加入与视觉目标对象相关的更丰富的语言语义特征，以更好地解码脑信号。

关键词： 轴承故障诊断   深度学习   脉冲神经网络   软阈值   注意力机制  

摘要： 轴承是电机设备中最常见的零部件之一,由于其工作环境恶劣,在持续运转过程中十分容易发生故障,因此,轴承的故障诊断越来越被重视。轴承故障诊断是近年来研究的热门领域,传统的基于信号处理的故障诊断方法对专家经验要求高,基于机器学习的故障诊断方法也存在识别准确率较低等问题。随着深度学习在工业应用中的发展,将深度学习方法应用到轴承故障诊断中也成为了新的研究热点。本文将脉冲神经网络应用到轴承故障诊断中,结合深度学习方法,在故障信号数据集上进行训练,建立起两种融合注意力机制与脉冲神经网络的模型,为深度学习在轴承故障诊断的应用提供新的思路和方法。主要研究内容如下:(1)目前应用到轴承故障诊断的深度学习方法大多是通过人工神经网络或者卷积神经网络实现的,然而人工神经网络的信息处理方式并不能模仿生物大脑神经元的信息传递机制,且深层次的卷积神经网络也存在着训练速度缓慢的问题。本文针对这些问题将脉冲神经网络引入到轴承故障诊断中,并对脉冲神经网络进行神经元的转化和梯度替代,使其能够直接在轴承故障数据集上进行训练。(2)本文提出一种深度脉冲残差收缩网络(Deep Spiking Residual Shrinkage Networks,DSRSN),用于实际生产过程中是存在大量高背景噪声干扰背景下的轴承故障诊断。DSRSN以脉冲残差网络为骨干网络,同时在模型中引入了注意力机制和软阈值化处理。训练过程中对数据进行预处理,通过手动添加噪声的方式模拟实际生产时的情况,之后将带噪声的一维故障信号转为二维灰度图像作为模型的输入。通过对信噪比为-9d B～0d B的轴承故障信号进行实验并与常见的模型进行对比证明,本文提出的模型在不同噪声强度下均具有最高的识别准确率,在信噪比为-8d B时,DSRSN的准确率能够达到93.2%,高出第二名的Resnet4.8%,且训练时长比人工神经网络训练时间快了约三倍,体现出脉冲神经网络的高效性。(3)本文提出了一种基于混合域注意力机制的脉冲残差收缩网络(DSRSN-MA)模型,该模型通过融合多个注意力机制,进一步对轴承故障信号以及脉冲神经网络中神经元发放脉冲信号在空间域上的特征进行关注,该模型通过融合多个注意力机制,实现了对轴承故障信号的更加精确的诊断。通过实验对比表明,DSRSN-MA模型在轴承故障诊断中表现出更为卓越的性能,其准确率更高,三种不同连接方式的混合域注意力机制模型的识别准确率分别比DSRSN模型高出1.16%、0.59%和0.24%。此外,根据对不同模型F1指数的实验结果分析确定了DSRSN-MA模型中混合域注意力机制的最优连接方式,进一步提高了模型的性能。

关键词： 忆阻器   二维材料   各向异性   GeSe   金属导电细丝   突触模拟  

摘要： 在大数据时代,数据量的快速增长是显而易见的,因而开发快速高效的信息处理系统迫在眉睫。作为构筑新型高效信息处理系统的硬件基石之一,金属导电细丝型忆阻器具有较快的开关速度、紧凑的结构和低功耗的操作等特点,引发了广泛研究。但是,此类忆阻器中金属导电细丝形态会严重影响器件的性能。为此,研究人员在器件结构和介质层材料改进等方面作了深入探索。最近兴起的各向异性二维材料具有非对称性的面内晶体结构,沿不同的晶轴取向表现出不同的电子传输和光学性质,在电子和光子器件中具有广泛的应用。受此启发,本文首先通过第一性原理计算发现了金属Ag在各向异性二维材料GeSe表面迁移的各向异性,并根据计算结果设计制备了两种表面型Ag/GeSe/Au忆阻器——沿Zigzag晶向的Zigzag器件(ZZ器件)和沿Armchair晶向的Armchair器件(AC器件)。器件电学测试结果表明ZZ器件具有低操作电压(0.27 V/-0.11 V)、高循环一致性、较大的开关比(～10)和良好阻态保持能力。与之不同,AC器件的易失性很强,其低阻态会随着时间推移发生阶梯状突变。随后,利用扫描电子显微镜观测了表面型忆阻器沟道中的导电通道,进而探究其阻变机理。两种器件沟道中的导电细丝形态差异较大——ZZ器件中导电通道呈网状,AC器件中导电通道呈细丝状,表明器件的性能由导电细丝形态决定。接着,分别在ZZ器件和AC器件中成功模拟了突触的长程可塑性和短程可塑性,并在AC器件中模拟了短程记忆转变为长程记忆的过程。最后,结合两种器件的功能特点,设计了两种将AC器件和ZZ器件进行同质集成的方案,并制备了演示阵列并对其进行测试验证了方案的可行性。本项研究巧妙地利用了GeSe的面内各向异性,实现了导电细丝形态的调控,从而设计出性能不同的忆阻器。此项工作为金属导电细丝调控方法学的发展开辟了新的方向,同时为未来类脑计算的硬件构筑提供了参考方案。

关键词： 脉冲神经网络   多尺度脑网络模型   功能连接   大脑动力学   协同仿真  

摘要： 传统人工神经网络设计灵感来自于大脑网络工作机制,然而大脑网络的复杂程度远超目前人工神经网络模型,按照当前人工神经网络组织方式难以实现大脑网络连接规模,同时现有大规模人工神经网络在多通道协同处理和知识迁移等方面表现不佳,因此其需要新的结构来实现网络高效训练和灵活使用,开展脑功能及结构研究可以为大规模人工神经网络设计提供新思路。目前现有脑网络功能结构中采用的全脑网络模型仅局限于介观层面的脑区,忽略了微观层面的神经元特征,导致某些现象缺乏更深层次的解释与探讨,同时全脑网络不同脑区之间信号协同处理机制尚不明晰。基于此本文基于脉冲神经网络研究全脑网络模型,具体研究内容包括: (1)针对当前在全脑网络模型研究中忽略微观层面神经元动态的问题,提出一种基于脉冲神经网络的视觉脑区模型。首先采用脉冲编码器作为输入层编码输入的手写数字图像,生成符合神经元特性的脉冲序列作为中间层数据输入;中间层为基于脉冲神经网络构建的随机平衡聚类网络,脉冲编码器与随机平衡聚类网络通过具有多巴胺特性的突触进行连接,突触根据多巴胺浓度来更新不同层次神经元之间的权重;最后搭建了一个包括模型输出层与误差计算的反馈机制,根据输出层预测结果的正确与否来对多巴胺浓度进行反馈调控,以此更新各层神经元之间的权重。结果表明神经元之间使用多巴胺突触连接具有更高识别率,对于分类任务模型能够达到95%的准确率,且本模型各层中使用的神经元均符合生物学特性,具有更强的生物可解释性。 (2)针对不同脑区之间信号协同处理机制尚不明晰的问题,提出一种基于视觉脑区的小鼠多尺度脑网络模型。首先采用小鼠个体结构连接数据构建了包含104个脑区的小鼠全脑网络模型,并采用Reduced Wong Wang模型作为每个局部脑区动力学模型;其次使用上文视觉脑区模型替换全脑网络中的视觉脑区,作为其新的视觉脑节点构建了小鼠多尺度脑网络模型;然后设置了视觉脑节点与全脑其他节点的数据转换函数,实现微观、介观与宏观三个层面的脑网络协同仿真;最后设计了不同刺激方式并计算大脑功能连接,分析视觉刺激对全脑网络的影响。结果表明在不断的视觉刺激下,全脑网络中的各个脑区会形成几个关联度很强的脑区组,并且这些脑区组之间对刺激的响应存在延迟,表明了脑区之间互相交互以及响应刺激的不同顺序。 综上所述,本文针对当前全脑网络模型研究中忽略微观神经元动态的问题,构建了基于脉冲神经网络的视觉脑区模型,为研究多尺度脑网络模型奠定了基础;同时针对不同脑区之间信号协同处理机制尚不明晰的问题,构建了小鼠多尺度脑网络模型,揭示了大脑中不同脑区之间的交互规律,为大规模人工神经网络设计提供了新思路。