一种基于三端突触器件的联想学习神经网络阵列的制作方法

1.本发明涉及脉冲神经网络技术领域，尤其是一种基于三端突触器件的联想学习神经网络阵列。


背景技术：

2.联想学习是生物体内实现学习行为的重要方式之一，其具体表现为，由于内在特征的联系，当一事物进入意识时，便会联想到另一事物，或者通过片断的信息回想起完整的信息，这在模式识别、图像和语音处理具有重要意义。而实现联想学习的基础是生物体内的突触可塑性。近年来，忆阻器作为仿生突触，是目前实现类脑计算最具有潜力的电子器件，已成功模拟出神经突触的各项基本功能，如长程保持/抑制(ltp/d)、脉冲时间依赖可塑性(stdp)、脉冲频率依赖可塑性(srdp)等。用忆阻器搭建的神经网络阵列，成功模拟生物体内一些基本的学习行为，如巴普洛夫狗条件反射实验等。
3.现有技术模拟联想学习的神经网络阵列，主要是全连接的神经网络通过多次迭代来完成，大大限制了信息处理速度。


技术实现要素：

4.本发明的目的是针对现有技术的不足而提供的一种基于三端突触器件的联想学习神经网络阵列，采用srdp突触和神经元构成的联想学习神经网络阵列，通过改变输入端的脉冲信号频率和if神经元脉冲信号的激励和训练，将突触权重调整到合适的权值，实现对任意的特征信息进行srdp突触的联想学习，通过单次迭代实现联想识别，有效解决了忆阻器件的重复性和均匀性问题，方法简便，用相对简单的电路结构，模拟了生物体内联想学习的行为，促进了类脑神经网络的进一步发展，对于信息处理具有重要意义和广泛的应用前景。
5.本发明的目的是这样实现的：一种基于三端突触器件的联想学习神经网络阵列，其特点是利用四个三端srdp突触(铁电突触)与两个integrate
‑
fire (if)神经元构建的阵列式神经网络系统，输入具有时间差的脉冲序列来训练该网络，从而实现基于三端srdp突触网络阵列的联想学习，并且通过单次迭代实现联想识别。
6.所述三端srdp突触网络阵列的同一行两个铁电突触的漏极并接为分别模拟骨头刺激信号输入端和铃铛刺激信号输入端；同一列的两个铁电突触的源端作为if神经元的输入端，神经元的输出端连接到四个铁电突触的栅端，通过改变两输入端的脉冲信号频率和if神经元的脉冲发放来改变铁电突触的权重，即训练该脉冲神经网络。该输入信号的频率由铁电突触的srdp性能参数决定，通过不同频率的脉冲信号的激励和训练，突触权重调控到合适的权值，进而实现基于三端srdp的联想学习。
7.所述联想学习是通过软件仿真实现的，具体包括以下步骤：s1：在输入端输入固定频率的脉冲序列，测试四个铁电突触的电导变化和两个神经元的脉冲发放。
8.s2：在两个输入端分别输入具有时间差δ
t
的固定频率的脉冲序列，试四个铁电突触的电导变化和两个神经元的脉冲发放。
9.s3：在输入端输入同步骤s1相同的脉冲序列，再次测试四个铁电突触的电导变化和两个神经元的脉冲发放。
10.所述三端突触器件为衬底上依次制备的沟道材料层、漏极、源极、铁电功能层和栅极的铁电突触，所述漏/源极设置在衬底和铁电功能层之间的沟道材料层两侧；所述沟道材料层为过渡金属硫族化合物层；所述铁电功能层为有机铁电聚合物。
11.所述铁电突触利用器件的电导来表征铁电突触的权重，即三端srdp突触的栅极在输入高频脉冲信号时，突触的权重增加，输入低频脉冲信号时，突触电导不发生变化。
12.所述if神经元的脉冲响应方式为：外界输入信号使神经元内部电位上升，当电势超过阈值电压时，神经元会发放脉冲，随后回到初始状态。
13.所述阵列式神经网络的连接方式为：同一行的铁电突触的漏端连接到一起分别作为网络系统的两个输入端，同一列的铁电突触的源端连接到一起作为if神经元的输入端，神经元的输出端连接到四个铁电突触的栅端。
14.所述神经元的输出端分别作为网络系统的两个输出端。
15.本发明与现有技术相比具有以下优点和显著的技术效果：1) 基于铁电效应实现突触的srdp功能，由于外加电场对铁电畴翻转的精确控制，解决了忆阻器件的重复性和均匀性问题。
16.2) 基于三端突触器件的联想学习神经网络阵列，用相对简单的电路结构，模拟了生物体内联想学习的行为，促进了类脑神经网络的进一步发展。
17.3) 基于三端突触器件的联想学习神经网络阵列为基础，拓展至更大规模的三端神经网络，对任意的特征信息进行联想学习，并且通过单次迭代实现联想识别。
附图说明
18.图1为本发明结构示意图；图2为突触器件结构示意图；图3为神经网络训练前的输入输出结果和电导变化示意图；图4为神经网络训练过程的输入输出结果和电导变化示意图；图5为神经网路训练后的输入输出结果示意图。
具体实施方式
19.下面以具体实施对本发明作进一步详细描述和说明：实施例1参阅图1，本发明由三端srdp突触(铁电突触)g
11
、g
12
、g
21
和g
22
与if神经元n
31
和n
32
构建的阵列式神经网络系统，输入具有时间差的脉冲序列训练网络进行基于三端srdp突触网络阵列的联想学习，并通过单次迭代实现联想识别。所述三端srdp突触网络阵列的同一行两个铁电突触g
11
、g
12
（g
21
、g
22
)的漏极并接为网络系统的输入端；所述三端srdp突触网络阵列的同一列两个铁电突触g
11
、g
21
（g
12
、g
22
)的源极并接为if神经元n
31
和n
32
的输入端；所述if神经元n
31
和n
32
的输出端并接后与阵列中铁电突触g
11
、g
12
、g
21
和g
22
的栅极连接，并且为网
络系统的输出端1和2；所述网络系统输入具有时间差的脉冲序列训练网络；所述if神经元n
31
和n
32
通过调节网络系统输入的脉冲信号，改变铁电突触g
11
、g
12
,、g
21
,和g
22
栅极的脉冲信号频率，从而调控铁电突触g
11
、g
12
,、g
21
,和g
22
的权重，实现联想学习，并通过单次迭代实现联想识别。
20.参阅图2，所述三端突触器件由衬底1上依次设置的沟道材料层2、漏极和源极4、铁电功能层5和栅极6制备而成的铁电突触，所述漏极3和源极4设置在衬底1和铁电功能层5之间的沟道材料层2两侧；所述衬底1为含有sio2重掺杂p
‑
si的氧化物层；所述沟道材料层2为氧化物层上过渡mos2的二维半导体层；所述漏极3和源极4为过渡金属硫族化合物二维半导体层上形成的cr/au漏/源电极；所述铁电功能层5为金属漏源cr/au电极上旋涂的聚偏氟乙烯(pvdf)的有机铁电聚合物；所述栅极6为聚偏氟乙烯(pvdf)基铁电功能层上形成的透明al电极。
21.参阅图1，本发明按下述步骤实现联想学习和识别的：1）突触器件初始电导的设置将各突触的初始电导态设置为：g
11
=1 ns, g
12
=100 ns，g
21
=100 ns， g
22
=1 ns。
22.2）网络训练前的脉冲施加训练神经网络前，在输入端1施加频率为500 hz的脉冲序列作为骨头信号，输入端2无信号输入，记录if神经元n
31
和n
32
的脉冲发放和铁电突触g
11
、g
12
、g
21
和g
22
的电导变化。
23.参阅图3a，显示了神经网络两个输入端1和2施加的脉冲信号，其中上半部分为铃铛输入端输入的脉冲信号，下半部分为骨头输入端输入的脉冲信号（输入信号为零，即无信号输入），说明只单独在铃铛输入端输入了脉冲信号。
24.参阅图3b，显示了if神经元n
31
和n
32
脉冲发放情况，上半部分显示if神经元n
31
的脉冲发放情况，下半部分显示if神经元n
32
的脉冲发放情况。由于铁电突触g
11
处于高导态，因此输入信号可以通过铁电突触g
11
直接到达if神经元n
31
的输入端，从而使得if神经元n
31
有脉冲发放，即在输入铃铛信号时，代表竖起耳朵的神经元有响应。同时由于铁电突触g
12
处于低导态，因此输入信号不能通过铁电突触g
12
到达if神经元n
32
，进而if神经元n
32
没有脉冲发放。说明在训练神经网络前，只输入铃铛信号，只有代表竖起耳朵的if神经元n
31
有响应，而代表分泌唾液的if神经元n
32
无响应。
25.参阅图3c，显示了铁电突触g
11
、g
12
、g
21
和g
22
的权重变化。根据图3b以及神经网络结构，if神经元n
31
发放的脉冲，即为施加到铁电突触g
11
、g
12
、g
21
和g2栅极的脉冲，此脉冲信号频率较小，不足以引起突触权重发生明显的变化。
26.3）网络训练时的脉冲施加训练神经网络时，分别在输入端1和输入端2施加频率为500 hz的脉冲序列，分别作为骨头和铃铛信号。特别地，输入端1和2的输入脉冲具有δ
t = 12 ms的时间差，记录if神经元n
31
和n
32
的脉冲发放和铁电突触g
11
、g
12
、g
21
和g
22
的电导变化：参阅图4a，显示了神经网络输入端1和2施加的脉冲信号，其中上半部分为铃铛输入端输入的脉冲信号，下半部分为骨头输入端输入的脉冲信号。由图4a可知，神经网络的输入端1和2均有脉冲信号输入，且具有δ
t = 12 ms的时间差。
27.参阅图4b，显示了if神经元n
31
和n
32
脉冲发放情况，上半部分显示if神经元n
31
的脉冲发放情况，下半部分显示if神经元n
32
的脉冲发放情况。此时，由于神经网络的输入端1和2
均有脉冲信号输入，而铁电突触g
11
和g
22
又处在高导态。因此，输入信号可以分别通过铁电突触g
11
和g
22
到达if神经元n
31
和n
32。
因此，if神经元n
31
和n
32
均有脉冲发放。
28.参阅图4c，显示了铁电突触g
11
、g
12
、g
21
和g2的权重变化。根据图4b以及神经网络结构，if神经元n
31
和n
32
的输出以并接的方式又输入到铁电突触g
11
、g
12、 g
21 和g
22
的栅极。此时，由于if神经元n
31
和n
32
输出的叠加，输入到铁电突触g
11
、g
12、 g
21 和g
22
栅极的脉冲信号频率增加。因此，铁电突触g
11
、g
12、 g
21 和g
22
的电导即突触权重增加。
29.4) 网络训练后的脉冲施加训练神经网络后，再次在输入端1施加频率为500 hz的脉冲序列作为骨头信号，输入端2无信号输入。
30.参阅图5a，显示了神经网络输入端1和2施加的脉冲信号，其中上半部分为铃铛输入端输入的脉冲信号，下半部分为骨头输入端输入的脉冲信号（输入信号为零，即无信号输入），说明只单独在铃铛输入端输入了脉冲信号。
31.参阅图5b，显示了if神经元n
31
和n
32
脉冲发放情况，上半部分显示if神经元n
31
的脉冲发放情况，下半部分显示if神经元n
32
的脉冲发放情况。此时，只输入铃铛信号，代表分泌唾液的if神经元n
32
也有脉冲发放。由于图4的训练过程，铁电突触g
11
、g
12、 g
21 和g
22
的电导均增加。此时，铁电突触g
12
和g
21
也处于高导态。因此，输入的铃铛信号，可经过高导的铁电突触g
12
到达if神经元n
32
，进而引起if神经元n
32
的脉冲发放。此即，神经网络经过训练，可在铃铛信号和骨头信号之间建立联系，在只输入铃铛信号时，代表分泌唾液的if神经元n
32
也有响应。
32.本发明实现了联想学习的功能，当输入端1和输入端2输入具有时间差的脉冲信号时，通过if神经元n
31
和n
32
的脉冲发放，施加到铁电突触g
11
、g
12、 g
21 和g
22
栅极的脉冲信号频率增大，即脉冲间隔时间较短，低于栅介质层铁电pvdf的极化弛豫时间。因此，pvdf的极化状态未能恢复到初态，而此时继续施加脉冲，则会引起铁电突触g
11
、g
12、 g
21 和g2的电导即权重发生变化。经过训练，在只输入骨头信号后，if神经元n
31
和n
32
的脉冲发放表明该脉冲神经网络联想起来铃铛信号。
33.以上只是对本发明做进一步说明，并非用以限制本发明专利，凡为本发明等效实施，均应包含于本发明专利的权利要求范围之内。