一种基于光突触器件实现感内储备池计算的方法

技术特征：
1.一种基于光突触器件实现感内储备池计算的方法，其特征在于，将静态图像的空间像素信号和动态视频信息的时序信号转化为时序光脉冲输入到光突触储备池器件，采集光突触储备池器件的光电流或光电导信号作为高维空间信息，高维空间信息经过激活函数处理，转换为后续忆阻器阵列神经网络的电压输入，忆阻器阵列神经网络的输出作为最终信息处理结果；利用曼哈顿更新规则，对忆阻器阵列神经网络的权值进行训练，最终不同图像或视频输入后会在对应输出节点产生最大值输出。2.根据权利要求1所述的基于光突触器件实现感内储备池计算的方法，其特征在于，所述光突触器件的光电流或光电导的振幅由脉冲个数依赖可塑性和脉冲频率依赖可塑性共同决定，脉冲个数依赖可塑性和脉冲频率依赖可塑性共同导致了器件对时序光信号产生耦合的光电响应。3.根据权利要求1所述的基于光突触器件实现感内储备池计算的方法，其特征在于，所述基于光突触器件实现感内储备池计算的方法用于图像处理时，所述的输入信号为被识别图片空间像素转化后的时序光脉冲序列组。4.根据权利要求1所述的基于光突触器件实现感内储备池计算的方法，其特征在于，所述基于两端光突触器件实现感内储备池计算进行视频处理时，所述的输入信号是被视频像素信息所直接对应的时序光脉冲序列组。5.根据权利要求3或4所述的基于两端光突触器件实现感内储备池计算的方法，其特征在于，所述静态图像或动态视频处理是通过仿真实现的，具体包括以下步骤：s1：在光突触储备池器件中输入每列像素经串行编码为与像素值相等的脉冲个数的光脉冲序列，采集光电流或光电导的动态变化；s2：t时刻光突触储备池器件的瞬时输入构成输入状态u(t)；随着光突触储备池器件的光电流或光电导x(t)的动态变化，将输入u(t)映射到高维特征空间y(t),y(t)是由x(t)在t
j
时刻的取值组成的数据组。j为整个输入时间的分段数，t
j
时刻为每一时间段的结束时刻；s3：把y(t)乘以激活函数进一步区分y(t)中的强度分布，并将y(t)转换为后续读出神经网络的归一化电压输入；s4：利用曼哈顿更新规则，对忆阻器阵列神经网络的权值进行训练，最终不同图像或视频输入后会在对应输出节点产生最大值输出，进而通过模拟训练和测试过程实现识别任务。6.根据权利要求5所述的基于两端光突触器件实现感内储备池计算的方法，其特征在于，所述步骤s4中的曼哈顿更新规则，根据每次迭代所得的误差大小来调整突触权重，直至误差接近或等于零，具体包括以下步骤：s401：计算出每列输出的电流i
i
，公式如下：其中，v
j
(j＝1,2
…
k1，k1为单个y(t)中数据的数量)为输入电压；w
ij
(i＝1,2
…
k2，k2为y(t)的种类数)为初始权重；s402：计算出每列对应的f值，即神经网络中每列的输出值f
i
，公式如下：f
i
＝tanh(βi
i
)
其中，tanh为双曲正切函数，β用于控制函数tanh的线性度；s403：计算出第n个y(t)输入时第i个y(t)对应神经元的实际输出与期望输出之间的误差；公式如下：其中，f
i(g)
为第i个y(t)的对应的神经元的期望输出；s404：计算出第n个y(t)对应的权重的增量δ
ij
(n)；公式如下：δ
ij
(n)＝δ
i
(n)v
j
(n)s405：计算出每次迭代后调整的权重大小δw
ij
；公式如下：其中，η为表示学习效率的常数，sgn为阶跃函数；s406：根据s405中所得的δw
ij
对初始权重w
ij
进行更新，并重复s401-s405，直至r任意第n个y(t)输入后会在第n个y(t)对应的输出节点产生最大的f值输出。

技术总结
本发明公开了一种基于光突触器件实现感内储备池计算的方法，本发明方法将空间像素信号或者时序信号转化为时序光信号输入光电器件，利用光电器件对时序光信号响应的非线性耦合，将原空间信息或原时序信息映射到高维空间，然后用简单的忆阻器阵列的矩阵乘操作有效地从高维信息中提取原输入信号的特征。该基于光突触器件的感内储备池计算不仅可以处理静态图像分类问题，还可以处理动态视频信息。本发明与现有基于纯电阻储备池视觉计算技术中需要串行额外的光电传感装置相比，基于光突触器件的储备池计算可以直接接受光信号，实现并行的感存算，降低延迟的同时大大节省了硬件成本。本。本。


技术研发人员：田博博 劳婕 闫梦阁 彭晖 段纯刚
受保护的技术使用者：华东师范大学
技术研发日：2022.03.14
技术公布日：2022/7/8