基于忆阻的动态联想网络的电路结构和算法研究

The implementation of memristor provides a novel way to design circuits with new functions. This project will investigate the dynamics of coupled memristive networks to realize associative memory function by utilizing the specific properties of memristor, such as nonlinear dynamical response characteristics which is more in line with the cognitive computing than the general electronic components. We will design the memristive oscillatory neuronal circuit and study its dynamical behavoirs. An oscillatory neural network is formed as associative memory unit through coupling such neurons. The corresponding hierarchical system is designed to organize such units, the pattern matching problem is solved through recent domain search, and the closet images of the model output is achieved. For large data sets in high dimension space, considering the difficulties in the existing hierarchical structure, such as the pattern conflict, information extracting difficultly and so on, based on the switching properties of memristor, we will build the hierarchy tree of the system of memristive associative memory, use hierarchical k-means clustering algorithm for pattern classification, and discuss the corresponding organization form of the clusters to realize recognition between the input mode and the clusters, and the corresponding algorithm is introduced to improve the search technology to realize high-performance cognitive function. The further research on associative memory of memristive systems will promote the development of circuit design, dynamical behavior research, switch control, network design and pattern recognition of memristive systems.

忆阻的成功研制为电子电路的设计提供了新的途径，并使该电路具有新的功能。本项目利用忆阻特有的，符合认知计算功能的非线性动态响应特性，构建基于忆阻的振荡神经元电路，研究其动力学行为特性；通过耦合忆阻振荡神经元电路，形成振荡神经网络，并以此网络作为联想记忆单元。设计相应的分层结构组织这些记忆单元，通过最近邻域搜索来解决模式匹配问题，实现最接近的模式输出。对于高维向量空间中的大数据集，考虑现有结构中，可能存在的模式冲突、信息提取困难等问题，利用忆阻的切换特性，提出树形组织形式；利用分层k-means聚类算法对模式进行分类，通过比较输入模式与聚类过程中形成的质心，完成识别过程；引入分支限界算法改进这种搜索技术，实现高性能认知功能。其深入研究将对忆阻系统的电路设计、动力学行为、切换控制、网络结构设计和模式识别等领域的研究产生一定的推动作用。

计算系统的性能指标在近几十年不断提高，其计算速度和内存容量也在快速增加，但人类可轻松实现的认知行为，对于当前的计算系统却是相当困难。根本的区别在于电脑不像人脑那样能够对输入信息进行模糊化和非布尔数据处理，来实现有效的联想、抽象和推理。忆阻的最新研究进展为人们提供了带有非线性特性的替代设备，其特有的可塑性和非易失性更加符合认知行为特点。本项目设计基于忆阻的振荡神经元电路，提出多个动力学系统间协调切换的控制方法，揭示静态多模式存储与振荡吸引子间的本质联系，构建基于高维空间下的大数据集的忆阻联想网络体系结构，解决模式冲突等难题，设计相应的搜索算法，实现复杂的联想记忆功能。通过研究基于忆阻的联想神经元和大脑分层结构模型，设计相关的检索算法，实现基于非布尔函数的联想记忆功能，并为模式存储和检索系统的实现提供新的途径和方法，实现多稳态信息存储，达到增大神经电路信息存储模型容量，增强模型获取准确性的目的。忆阻联想网络的结构设计，解决传统联想神经网络中存在的模式冲突、信息提取困难和容量小等难题。忆阻联想网络的聚类检索算法研究，提高检索正确性，减少检索时间，优化检索结果。本项目研究对忆阻系统的电路设计、动力学行为研究、切换控制、网络结构设计、算法研究、和模式识别等等的研究产生一定的推动作用。