摘要：模拟型阻变突触特性能够为神经形态计算提供高的计算精度并避免计算过程中带来的电导卡滞、跃变以及失效等问题。模拟生物突触在刺激脉冲下的行为,能够更好地揭示电子器件的仿生特性机理并为高性能神经形态计算提供支撑。突触双脉冲易化是生物突触的重要特性,反映了在外界刺激作用下的易化和适应性过程,对揭示神经元的工作机制至关重要。为了构建突触双脉冲易化的模拟型忆阻器件,本研究通过器件的能带结构设计及氧空位缺陷态的调控,利用射频磁控溅射法制备了一种结构为Ag/FeO_(x)/ITO的忆阻器。电学测试结果表明,该器件具有优异的渐进递增的非线性阻变特性,即模拟型阻变特性。在I-V循环扫描3000次范围内,这种器件均表现出模拟型阻变特性,可提供稳定的、可分离的16个电导状态,且在10^(4)s内维持良好,说明这些电导状态是非易失性的,这主要归功于电子在氧空位缺陷态中的捕获与去捕获以及在势垒间隧穿行为。但是,在低电场强度情况下,捕获的热电子有可能会跃迁出浅陷阱能级,而呈现出易失性。根据这种器件的易失性和非易失性共存特性,通过调制电压脉冲宽度、幅度,器件能够表现出很好的突触双脉冲易化特性,显示出该类型器件在神经形态计算中的潜力和优势。

摘要：变分自编码器(VAE)作为一个功能强大的文本生成模型受到越来越多的关注。然而,变分自编码器在优化过程中容易出现后验崩溃,即忽略潜在变量,退化为一个自编码器。针对这个问题,该文提出一种新的变分自编码器模型,通过层次化编码和状态正则方法,可以有效缓解后验崩溃,且相较于基线模型具有更优的文本生成质量。在此基础上,基于纳米级忆阻器,将提出的变分自编码器模型与忆阻循环神经网络(RNN)结合,设计一种基于忆阻循环神经网络的硬件实现方案,即层次化变分自编码忆组神经网络(HVAE-MNN),探讨模型的硬件加速。计算机仿真实验和结果分析验证了该文模型的有效性与优越性。

摘要：工厂生产线上的商品包装外箱文本印刷存在残缺,无法及时检出会影响流通销售。制作工业商品外观信息数据集,提出基于深度学习的工业视觉箱体字符识别与匹配判断方法。合并YOLOv3中的卷积层和批量归一化层,引入GIoU作为边界框损失函数并设计自适应调整定位坐标的方法,优化在原始图像上进行文本检测定位的速度与精度。同时,训练并对比CRNN和Tesseract两种识别引擎在已裁剪文本图片上的识别性能,设计字符匹配方法判断字符识别正确与否并输出结果,从而减少误判。对基于该方法的系统进行生产线实测,实验结果表明,其识别准确率可达99.5%,单件商品的外观拍照、检测识别、输出结果耗时仅3 s左右,表明所提方法能够实现实时监测。

摘要：人工神经网络(Artificial neural networks, ANNs)与强化学习算法的结合显著增强了智能体的学习能力和效率.然而,这些算法需要消耗大量的计算资源,且难以硬件实现.而脉冲神经网络(Spiking neural networks, SNNs)使用脉冲信号来传递信息,具有能量效率高、仿生特性强等特点,且有利于进一步实现强化学习的硬件加速,增强嵌入式智能体的自主学习能力.不过,目前脉冲神经网络的学习和训练过程较为复杂,网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件-忆阻器,提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地,设计了用于数据–脉冲转换的脉冲神经元;通过改进脉冲时间依赖可塑性(Spiking-timing dependent plasticity, STDP)规则,使脉冲神经网络与强化学习算法有机结合,并设计了对应的忆阻神经突触;构建了可动态调整的网络结构,以提高网络的学习效率;最后,以Open AI Gym中的CartPole-v0 (倒立摆)和MountainCar-v0 (小车爬坡)为例,通过实验仿真和对比分析,验证了方案的有效性和相对于传统强化学习方法的优势.