基于大规模忆阻器的交叉阵列的神经元电路设计与信号完整性分析

《IEEE Transactions on Components, Packaging and Manufacturing Technology》：Neuron Circuit Design and Signal Integrity Analysis of a Large-Scale Memristor-Based Crossbar Array

神经形态芯片设计通过脉冲神经网络（SNNs）模拟生物脑脉冲信号，提升能效。采用CMOS积分与火神经元模型生成时空脉冲，结合PEEC方法建立忆阻器交叉阵列的RLC寄生耦合单元模型，实现信号完整性（SI）精准分析。设计24×24硬件原型验证可靠性，并通过优化上升时间、调整阻态和增加输出电感提升性能，为神经形态芯片优化提供理论与技术路径。

　　

摘要：

本文探讨了标准芯片在处理大规模数据集时的局限性，并利用神经形态架构（尤其是脉冲神经网络（SNN）来模拟生物大脑的脉冲信号，从而提高能效和性能。首先，我们基于“积分-触发”（IF）神经元模型开发了一种互补金属氧化物半导体（CMOS）电路，该电路能够生成具有神经元典型时空动态特性的脉冲信号。这种方法为神经形态芯片设计提供了新的视角。接下来，我们引入了部分元件等效电路（PEEC）方法，为忆阻器交叉阵列建立了单元电路模型，考虑了所有电阻-电感-电容（RLC）寄生耦合效应。这一模型使得信号完整性（SI）分析成为可能，有助于更深入地理解忆阻器交叉阵列内的信号传输机制，并为优化神经形态芯片性能奠定了基础。在此基础上，我们设计了一个24×24交叉阵列硬件原型，并通过实验验证了该电路的可靠性和可行性。最后，我们进行了信号完整性分析，发现通过优化上升时间、调整忆阻器的电阻状态以及在输出端增加电感，可以提升忆阻器交叉阵列的性能。这些发现为在实际应用中提升神经形态芯片的性能提供了理论基础和技术途径。

引言

对于模式识别和分类等某些应用而言，当需要速度与功耗之间的紧密权衡时，神经形态计算范式成为传统冯·诺依曼计算平台的一种有吸引力的替代方案。为了应对这一挑战，研究重点已从传统芯片设计转向神经形态架构。特别是，采用脉冲神经网络（SNN）的神经形态芯片在学术界和工业界引起了广泛关注[1]、[2]。SNN能够模拟生物大脑中的脉冲信号，表现出连续的时空动态和事件驱动的放电特性，其中0表示无脉冲，1表示脉冲事件[3]。与传统的人工神经网络相比，SNN中的脉冲驱动处理模式在功耗和性能方面都表现出更优越的优势[4]。