自組織映射網絡（SOM，圖1a），又稱「Kohone網絡」，是一種受大腦拓撲結構啟發的功能強大的無監督學習神經網絡。相比經典的多維尺度或主成分分析等線性算法，SOM具有更強大的數據聚類能力，在語言識別、文本挖掘、財務預測和醫學診斷等聚類和優化問題方面展現出獨特的優勢。然而，基於傳統CMOS硬件實現SOM受到計算相似性和確定鄰域的複雜性的限制，且存在電路結構複雜、能量面積開銷大、缺乏對相似度的精確計算等問題。如何構建簡潔、高效、精確的SOM硬件頗具挑戰性。憶阻器作為一種新型可編程非易失存儲器件，其交叉陣列結構具有支持並行計算和存內計算的天然優勢，為SOM的硬件實現提供了新途徑。
近日，中國科學院院士、中科院微電子研究所研究員劉明團隊和復旦大學教授劉琦團隊合作，利用憶阻器陣列（圖1b、c）構建SOM網絡中的權值矩陣，首次實現了高效的SOM硬件系統。為解決SOM中神經元和輸入特徵數量增加時硬件系統複雜度加劇的問題，科研團隊提出了一種新型的多附加行憶阻器陣列架構（圖1d），該架構將憶阻器陣列分為兩個部分，一部分作為數據行存儲權值信息，另一部分作為附加行存儲權值的平方和。輸入向量和權值向量之間的相似性可以通過一步讀操作實現，且不需要歸一化權值。基於該硬件系統，研究團隊成功演示了數據聚類、圖像分割、圖像壓縮等應用並用於解決組合優化問題（圖2）。實驗結果表明，在不影響成功率或準確度的基礎上，與CMOS系統相比，該系統具有更高的能源效率和計算吞吐量。此外，由於其非監督的特點，應用場景更加豐富，更加迎合現實生活的需求，為憶阻器基智能硬件的構建開闢了新途徑。
相關研究成果以Implementing in-situ Self-organizing Maps with Memristor Crossbar Arrays for Data Mining and Optimization為題，在線發表在《自然-通訊》（Nature Communications）上。研究工作得到國家重點研發計劃、國家自然科學基金、國家重大科技專項、浙江省重點科研項目等的支持。
圖1.SOM原理圖及其基於憶阻器陣列的實現。a、SOM網絡原理圖，b、憶阻器的典型I-V曲線，c、128×64 1T1R憶阻器陣列光學實物圖，d、1T1R憶阻器陣列實現2D-SOM的原理圖。
圖2.憶阻器基SOM系統的應用。a、圖像處理（分割），b、求解組合優化問題（TSP問題）。
來源：中國科學院微電子研究所
溫馨提示：近期，微信公眾號信息流改版。每個用戶可以設置 常讀訂閱號，這些訂閱號將以大卡片的形式展示。因此，如果不想錯過「中科院之聲」的文章，你一定要進行以下操作：進入「中科院之聲」公眾號 → 點擊右上角的 ··· 菜單 → 選擇「設為星標」
留言列表