[论文解读] Implementation of binary stochastic STDP learning using chalcogenide-based memristive devices

Charanraj Mohan, Luis A. Camuñas-Mesa+3 more|arXiv (Cornell University)|Mar 1, 2021

Advanced Memory and Neural Computing参考文献 40被引用 4

一句话总结

该论文通过施加定制的突触前和突触后电压脉冲，实验验证了使用硫族化物阻变存储器（Neuro-Bit）实现二值随机脉冲时间依赖可塑性（STDP）学习的可行性。该方法利用器件固有的随机性，实现基于概率的突触权重更新，以模拟STDP，最大写入概率约为90%（在最佳时间差下），从而在神经形态系统中实现低资源在线学习。

ABSTRACT

The emergence of nano-scale memristive devices encouraged many different research areas to exploit their use in multiple applications. One of the proposed applications was to implement synaptic connections in bio-inspired neuromorphic systems. Large-scale neuromorphic hardware platforms are being developed with increasing number of neurons and synapses, having a critical bottleneck in the online learning capabilities. Spike-timing-dependent plasticity (STDP) is a widely used learning mechanism inspired by biology which updates the synaptic weight as a function of the temporal correlation between pre- and post-synaptic spikes. In this work, we demonstrate experimentally that binary stochastic STDP learning can be obtained from a memristor when the appropriate pulses are applied at both sides of the device.

研究动机与目标

• 通过使用阻变器件实现高效的突触可塑性，以解决大规模神经形态系统中在线学习的瓶颈问题。
• 通过实现具有随机行为的1-bit突触权重更新，克服阻变器件中精确模拟权重控制的挑战。
• 通过受控脉冲序列，实验验证基于硫族化物的阻变存储器可模拟二值随机STDP规则。
• 通过利用器件随机性，在混合阻变-CMOS神经形态平台中实现资源高效的原位学习。

提出的方法

• 施加幅度为0.5V、宽度为1.5ms的突触前脉冲，以及包含三个-0.5V脉冲的突触后脉冲 train，脉冲宽度为30µs，脉冲间隔为0.75ms。
• 使用ArC ONE表征平台，将突触前与突触后脉冲之间的时间差∆t从0到8ms以0.1ms为步长进行调节。
• 测量阻变存储器两端的电压Vpre − Vpost，确保仅在特定∆t窗口内出现幅度为1V、持续30µs的脉冲。
• 每组测试重复100次，并根据电阻读数（<50 kΩ）计算将阻变存储器切换至低阻态（LRS）的概率。
• 利用器件固有的随机性——即0.5V脉冲偶尔可触发切换——以模拟概率性STDP规则。
• 将观测到的写入概率随∆t的变化映射出来，以展示类似生物STDP的二值随机STDP响应。

实验结果

研究问题

• RQ1 能否通过硫族化物基阻变存储器实验实现二值随机STDP规则？
• RQ2 特定的突触前和突触后脉冲波形如何影响阻变存储器状态切换的概率？
• RQ3 阻变存储器的本征随机性在多大程度上实现了概率性突触权重更新？
• RQ4 通过调节脉冲参数（如幅度、宽度和时间）是否可以调节STDP学习规则？

主要发现

• 在∆t约为1.5ms时，最大写入概率达到约90%，对应于两个1V脉冲在阻变存储器上重叠的时间窗口。
• 当∆t > 3ms时，写入概率降至接近零，表明存在类似生物STDP的明确长时程增强窗口。
• 在理想范围外的∆t下，观察到1–2%的残余写入概率，归因于亚阈值电压（0.5V）下的随机切换。
• 实验结果与预期的二值随机STDP行为高度吻合，在∆t = 1.5ms处呈现清晰的切换概率峰值。
• 该方法成功通过仅使用电压脉冲实现了1-bit突触权重更新机制，避免了对高精度模拟控制的需求。
• 该方法通过利用器件级别的随机性，实现了可扩展、低功耗的在线学习，适用于混合阻变-CMOS神经形态系统。