神经形态结构融合学习和记忆功能L域的研究主要集中在人工突触的可塑性方面，同时神经元膜的固有可塑性在神经形态信息处理的实现中也很重要。德国德累斯顿大学联合清华大学北京未来芯片创新中心脑灵感计算研究中心(CBICR)近期发表了一篇名为“Intrinsic plasticity of silicon nanowireneurotransistors for dynamic memory and learning functions”的论文，文献提出一种由矽奈米线电晶体制成的神经电晶体，表面覆有离子掺杂的溶胶-凝胶硅酸盐薄膜，从而模拟神经元薄膜的固有可塑性。
该文献的工作得出了以下几点结论：① 神经电晶体中的介电工程(如文献提出的溶胶-凝胶的可控离子掺杂)可以补充和强化记忆材料在下一代神经形态计算设备中的功能。②文献提出了一个单一的神经元设备架构及其电路模型，以多个突触后输入作为门输入，多个轴突终端作为晶体管输出，模拟了一个基于形态学和层次结构特征的真实神经元的信息处理。该装置模拟说明了神经电晶体非线性信号过程的动态学习能力，学习功能由s形函数系数的反馈给出，即元塑性；实验结果突出了非线性信息处理的能力，这依赖于神经电晶体的固有可塑性。通过利用电流器件的输出动态控制，能实现在一定的时间范围内更快或更慢地产生和达到峰值阈值，并控制峰值的速率，这是神经元计算的主要算法。③未来的研究可以研究是否可以通过将文献所提出的神经晶体管与脉冲发生器相结合来构建一个完全用于尖峰神经网络的神经元处理器。
|
3153