Memristors for Neuromorphic Circuits and Artificial Intelligence Applications

هوش مصنوعی (AI) در دهه گذشته به دلیل افزایش روزافزون قدرت محاسباتی، کاربردهای زیادی پیدا کرده است. شبکه‌های عصبی مصنوعی از ساختار مغز الهام گرفته‌اند و شامل اتصال نورون‌های مصنوعی از طریق سیناپس‌های مصنوعی می‌شوند. آموزش این سیستم ها به حجم عظیمی از داده ها نیاز دارد و پس از آموزش شبکه، می تواند داده های پیش بینی نشده را شناسایی کرده و اطلاعات مفیدی را ارائه دهد. به اصطلاح شبکه های عصبی Spiking رفتاری مشابه عملکرد مغز دارند و بسیار کارآمد انرژی هستند. تا این لحظه، هر دو شبکه عصبی spiking و معمولی در برنامه‌های نرم‌افزاری در حال اجرا بر روی واحدهای محاسباتی معمولی پیاده‌سازی شده‌اند. با این حال، این رویکرد به قدرت محاسباتی بالا، فضای فیزیکی بزرگ و انرژی ناکارآمد نیاز دارد. بنابراین، علاقه فزاینده ای به توسعه ابزارهای هوش مصنوعی که مستقیماً در سخت افزار پیاده سازی می شوند، وجود دارد. اولین نمایش های سخت افزاری بر اساس مدارهای CMOS برای نورون ها و پروتکل های ارتباطی خاص برای سیناپس ها انجام شده است. با این حال، برای افزایش بیشتر سرعت تمرین و بهره وری انرژی و در عین حال کاهش اندازه سیستم، ترکیب نورون های CMOS با سیناپس های ممریستور در حال بررسی است. ممریستور یک مقاومت با حافظه است که رفتاری مشابه سیناپس های بیولوژیکی دارد. این کتاب به بررسی پیشرفته‌ترین مدارهای نورومورفیک می‌پردازد که شبکه‌های عصبی را با ممریستور برای کاربردهای هوش مصنوعی پیاده‌سازی می‌کنند.

Artificial Intelligence (AI) has found many applications in the past decade due to the ever increasing computing power. Artificial Neural Networks are inspired in the brain structure and consist in the interconnection of artificial neurons through artificial synapses. Training these systems requires huge amounts of data and, after the network is trained, it can recognize unforeseen data and provide useful information. The so-called Spiking Neural Networks behave similarly to how the brain functions and are very energy efficient. Up to this moment, both spiking and conventional neural networks have been implemented in software programs running on conventional computing units. However, this approach requires high computing power, a large physical space and is energy inefficient. Thus, there is an increasing interest in developing AI tools directly implemented in hardware. The first hardware demonstrations have been based on CMOS circuits for neurons and specific communication protocols for synapses. However, to further increase training speed and energy efficiency while decreasing system size, the combination of CMOS neurons with memristor synapses is being explored. The memristor is a resistor with memory which behaves similarly to biological synapses. This book explores the state-of-the-art of neuromorphic circuits implementing neural networks with memristors for AI applications.