福建师范大学黄维院士团队Advanced Electronic Materials：基于二阶RC电路的脉冲传感及尖峰神经网络编码电路设计

本文来源于Advanced Electronic Materials，欢迎浏览！

文献速读

在尖峰神经网络(SNNs)工作过程中，需要将真实世界的模拟信息实时转换为编码的电脉冲信号。此类人工神经元传感器的设计和制备仍面临挑战。本研究采用阈值开关(TS)忆阻器和二阶RC块构成的稳定神经元电路，提出了一种SNN兼容的尖峰模式传感器，将模拟电流信号直接转换为实时编码的尖峰信号，实时传送给SNNs。这种设计可以实现无时间延迟的尖峰发射，在低电压下工作，并提供较宽的信号响应范围，实现多种脉冲编码策略。

正文导读

图1给出尖峰模式传感器的结构，包括传统的电流模式传感单元，如光电探测器，以及神经元电路。这些电流模式传感器产生电流信号，其强度与外部刺激的强度相关。随后，神经元电路将该电流转换为编码的尖峰信号，并与SNN网络无缝对接。因此，尖峰模式传感器具有同时接收环境刺激和编码电脉冲的能力。

                                         图1 生物感觉器官与脉冲模式传感器

神经元电路包括电流模式传感器， RC振荡部分(Csum, Rin)，TS忆阻器作为阈值开关，能量供应模块(Vdd, Rs)和输出部分(Cc, Route)。传统传感器产生输入电流(It)，其强度与信号强度相关。神经元回路产生一个尖峰序列作为输出。采用电流模式操作使神经元电路具有良好的特性，如强大的抗干扰能力、扩展的传播距离以及与物理环境的兼容性。（图2）

图2 基于TS记忆器的电流模式神经元传感电路

与传统1C1R电路相比，本文的脉冲传感加入了二阶RC本分并通过电流模式输入信号，从而使器件能够在较低电位下工作。如图3所示，与1C1R电路相比，我们提出的电路在尖峰放电中没有表现出明显的延迟。这些结果强调了我们的神经元电路在准确编码SNN信息方面的优势。

图3 脉冲传感对连续信号的稳定无延迟响应

通过采用本研究中的人工感觉神经元作为SNN输入层用于图像训练和识别任务，我们在MNIST数据集上实现了87.58%的识别准确率，展现了神经编码的可靠性。我们的研究结果强调了人工感觉神经元作为物理环境和SNN框架之间的关键接口的应用潜力。（图4）

图4 尖峰模式传感器作为SNN的输入层应用于数字图像识别

本文还提供了该电路的解析分析方法和SPICE模型。

点击阅读原文

期刊简介

期刊Advanced Electronic Materials重点发表物理：应用、材料科学：综合、纳米科技相关方向的文章。

该期刊是一个跨学科论坛，在材料科学，物理学，电子和磁性材料工程领域进行同行评审，高质量，高影响力的研究。除了基础研究外，它还包括电子和磁性材料、自旋电子学、电子学、器件物理学和工程学、微纳机电系统和有机电子学的物理和物理性质的研究。期刊最新引文指标为0.9，最新影响因子为5.3（2023）。

点击投稿