華中科技大學郭新教授Adv. Funct. Mater.：二階憶阻器實現突觸的抑制性三脈沖STDP學習規則

【引言】

近年來，人工智能以迅猛之勢得到了長足的發展，而基于深度學習的AlphaGo擊敗人類的新聞再一次將人工智能的強大之處顯露無疑，而具有神經功能的納米器件的發展是實現硬件人工智能的基礎，憶阻器與突觸具有類似的兩端結構，其連續可變的電導可以用來模擬突觸的權重，擁有長時和短時兩個狀態變量的二階憶阻器還可以模擬生物突觸的短時變化過程（如Ca²⁺動力學等）。脈沖時序依賴可塑性（Spiking-Timing-Dependent Plasticity, STDP）是調控突觸權重的重要規則，突觸接受前后神經元脈沖對的時序和間隔控制著權重變化的方向和強度，生物學更進一步的研究發現突觸權重調控還受脈沖對前一個脈沖的抑制（三脈沖STDP），該現象可以聯系STDP與其他規則（如脈沖頻率依賴可塑性等），對高階時空聯系的模式信號有更好的選擇性。利用二階憶阻器的短時變量，基于神經元的漏電流整合發射（Leaky Integrate and Fire, LIF）模型，在接受神經信號時，通過局部分級電位的變化實現信號的空間與時間整合。

【成果簡介】

近日，來自華中科技大學的楊蕊副教授、王小平教授與郭新教授（共同通訊作者）在Advanced Functional Materials上發表了題為“Synaptic Suppression Triplet-STDP Learning Rule Realized in Second-Order Memristors”的文章。研究人員通過脈沖激光沉積（PLD）方法在Nb摻雜SrTiO₃（Nb-STO）襯底上沉積一層STO薄膜，并利用磁控濺射沉積Pt頂電極，在電極與材料界面處構建肖特基勢壘。該方法制備得到的憶阻器具有長時和短時兩個狀態變量，長期穩定性好，利用短時變量實現了三脈沖STDP，并探究了不同電阻態下STDP學習規則的變化。基于器件構建模型，仿真模擬了LIF模型中的空間和時間整合，通過LIF電路發出的脈沖基于三脈沖STDP調控人工突觸權重。

【圖文導讀】

圖1 Pt/STO/Nb-STO二階憶阻器的阻變性能

（a）電預處理（Forming）過程以及穩定的10000圈I-V循環特性；

（b）施加正向或負向脈沖實現的電導連續變化；

（c）不同狀態的電導隨時間變化曲線；

圖2 二階憶阻器實現的依賴權重的雙脈沖STDP

（a）對不同初始狀態的器件施加時電導的相對變化曲線；

（b）不同初始狀態下測得的STDP曲線，內插圖為施加前后脈沖的形狀；

圖3 三脈沖STDP圖形

（a）一個前脈沖，兩個后脈沖的情況；

（b）兩個前脈沖，一個后脈沖的情況；

圖中星星和圓圈代表實驗數據，背景顏色代表生物模型擬合數據。

圖4 不同初始狀態下的三脈沖STDP曲線

（a）標準情況；（b）興奮性主導；（c）抑制性主導

?

圖5 人工LIF神經元電路以及對興奮性突觸后電流的空間和時間整合

（a）人工LIF神經元電路以及其與生物神經元的比較；

（b）空間整合；

（c）時間整合；

圖6 基于LIF神經元根據抑制性三脈沖STDP調控突觸權重的仿真結果

脈沖序列可以根據神經元的時間常數分隔成多個區間，在脈沖作用下產生權重的變化。

【總結】

在本文中，研究人員介紹通過簡單的方法制備得到了Pt/STO/Nb-STO結構、具有長時和短時狀態變量的二階憶阻器。利用短時狀態變量模擬了脈沖對前的脈沖與脈沖對相互作用的三脈沖STDP和基于局部分級電位實現的LIF模型的時間、空間整合。該器件在未來構建人工神經網絡具有很大的前景。

文獻鏈接： Synaptic Suppression Triplet-STDP Learning Rule Realized in Second-Order Memristors（Advanced Functional Materials, 2017, 1704455）

相關文獻推薦：

Zheng-Hua Tan, Rui Yang, Kazuya Terabe, Xue-Bing Yin, Xiao-Dong Zhang, Xin Guo. Synaptic Metaplasticity Realized in Oxide Memristive Devices, Advanced Materials,2016,28,377-384;

本文由材料人新能源前線 沐雨若晴 投稿，材料牛整理編輯。

材料牛網專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入編輯部。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：RDD-2011-CHERISH，任丹丹，我們會邀請各位老師加入專家群。

材料測試，數據分析，上測試谷！