Mathematical Modeling of a Self-Learning Neuromorphic Network Based on Nanosized Memristive Elements with a 1T1R-Crossbar-Architecture

Morozov, A. Yu.; Abgaryan, K. K.; Ревизников, Д. Л.

doi:10.1134/s1063739721080060

Cited by 2 publications

(2 citation statements)

References 27 publications

(4 reference statements)

Supporting

Mentioning

Contrasting

Order By: Relevance

“…A detailed description of the model is given in refs. [19][20][21]35]. In this article, the model has been modified to take into account the interval nature of the variables.…”

Section: Simulation Modeling Of the Neuromorphic Networkmentioning

confidence: 99%

“…[16][17][18] Previously, the authors considered an approach to replacing the deterministic equation of state with a stochastic one by introducing a term responsible for additive (Gaussian) noise. [19][20][21][22] In this article, we propose to use the interval apparatus to take into account the scatter in the characteristics of elements. The idea is to introduce interval parameters into the mathematical model.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Interval Model of a Memristor Crossbar Network

Morozov

Abgaryan

Ревизников

2022

Physica Status Solidi (b)

Self Cite

View full text Add to dashboard Cite

This article covers the modeling of memristive oxide‐based elements within the context of a complex simulation model of an analog self‐learning spiking neural network. According to the experimental data, the nature of the memristor operation is stochastic, as evidenced by the variation in the current–voltage characteristics for different resistive switching cycles. Often, the existing mathematical models of memristors do not fully reproduce the experimental results, which can adversely affect the accuracy of neuromorphic network simulation. It is proposed to use the interval approach to take into account the variations in the element characteristics. The idea is to introduce interval parameters into the mathematical model. Thus, the simulation results at each moment are interval estimates of phase variables. The values of interval parameters are calculated in such a way that the intervals completely contain the experimental data. When simulating the operation of the entire analog self‐learning spiking neural network, at each training epoch the parameters of the memristors are set randomly from the found intervals. The approbation of the proposed approach is carried out on the problem of pattern recognition by the crossbar architecture network with the LiNbO3‐based memristive elements.

show abstract

“…A detailed description of the model is given in refs. [19][20][21]35]. In this article, the model has been modified to take into account the interval nature of the variables.…”

Section: Simulation Modeling Of the Neuromorphic Networkmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Interval Model of a Memristor Crossbar Network

Morozov

Abgaryan

Ревизников

2022

Physica Status Solidi (b)

Self Cite

View full text Add to dashboard Cite

show abstract

Simulation Modeling of an Analog Impulse Neural Network Based on a Memristor Crossbar Using Parallel Computing Technologies

Morozov,

Abgaryan,

Reviznikov

2023

Russ Microelectron

Self Cite

View full text Add to dashboard Cite

Работа посвящена вопросам имитационного моделирования аналоговой импульсной нейронной сети на основе мемристивных элементов в рамках задачи распознавания образов. Имитационное моделирование позволяет выполнить настройку сети на уровне математической модели, и впоследствии использовать полученные параметры непосредственно в процессе функционирования. Модель сети задается в виде динамической системы, которая может состоять из десятков и сотен тысяч обыкновенных дифференциальных уравнений. Естественным образом возникает потребность в эффективной и параллельной реализации соответствующей имитационной модели. В качестве технологии для распараллеливания вычислений используется OpenMP (Open Multi-Processing), так как она позволяет достаточно легко создавать многопоточные приложения на различных языках программирования. Эффективность распараллеливания оценивается на задаче моделирования процесса обучения сети распознаванию набора из пяти изображений размера 128 на 128 пикселей, которая приводит к решению порядка 80 тысяч дифференциальных уравнений. На данной задаче получено более чем шестикратное ускорение вычислений. Согласно экспериментальным данным, характер функционирования мемристоров является стохастическим, о чем свидетельствует разброс в вольт-амперных характеристиках в процессе переключения между высокоомным и низкоомным состояниями. Для учета этой особенности применяется модель мемристора с интервальными параметрами, которая дает ограничения сверху и снизу на интересующие величины, и заключает экспериментальные кривые в коридоры. При моделировании работы всей аналоговой самообучающейся импульсной нейронной сети, каждую эпоху обучения параметры мемристоров задаются случайным образом из подобранных интервалов. Такой подход позволяет обойтись без применения стохастического математического аппарата, тем самым дополнительно уменьшив вычислительные затраты.

show abstract

Mathematical Modeling of a Self-Learning Neuromorphic Network Based on Nanosized Memristive Elements with a 1T1R-Crossbar-Architecture

Cited by 2 publications

References 27 publications

Interval Model of a Memristor Crossbar Network

Interval Model of a Memristor Crossbar Network

Simulation Modeling of an Analog Impulse Neural Network Based on a Memristor Crossbar Using Parallel Computing Technologies

Contact Info

Product

Resources

About