一种用于抗噪声随机脉冲神经网络的可重构硅晶体管

《ACS Nano》：A Reconfigurable Silicon Transistor for Noise-Resilient Stochastic Spiking Neural Networks

本研究通过重新设计CMOS技术构建神经元晶体管（neuristor），实现随机与确定性双模式运行，提升抗噪能力与可扩展性，在含30%高斯噪声的MNIST数据集上达到92%分类精度。

　　

脉冲神经网络（SNNs）是一种能效高的神经形态架构，能够模拟生物神经元的事件驱动信号传递方式。然而，由于它们依赖于确定性的神经元模型，因此难以捕捉真实神经系统的固有随机性，从而限制了其抗噪声能力和适应性。为克服这些局限性，研究人员提出了随机SNN（SSNNs），通过引入概率行为来提高抗噪声能力并实现概率探索功能。在本研究中，我们基于成熟的硅材料及其衍生技术对传统CMOS工艺进行了重新设计，开发出一种具有双重功能的神经元晶体管（称为“neuristor”），该晶体管既能表现出随机特性，也能表现出确定性特性，从而构建出可靠且抗噪声的SSNNs。这种neuristor在输入层实现随机编码，在隐藏层和输出层实现漏电积分-放电（LIF）行为。它利用单晶体管锁存（STL）机制：在特定条件下，撞击电离会引发随机脉冲；而在其他条件下，受控的电荷积累会触发LIF放电。这种可重构的双模操作使得同一个neuristor可以在网络的所有层中发挥作用，简化了电路设计并提升了系统可扩展性。实验表明，在30%的高斯噪声环境下，基于neuristor的SSNN在MNIST数据集上的分类准确率达到了92%，充分证明了其强大的抗噪声能力，并验证了其在生物启发型、能效高效神经形态系统中的应用潜力。