Please use this identifier to cite or link to this item: https://elib.utmn.ru/jspui/handle/ru-tsu/7756
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBusygin, A. N.en
dc.contributor.authorBobylev, A. N.en
dc.contributor.authorGubin, A. A.en
dc.contributor.authorPisarev, A. D.en
dc.contributor.authorUdovichenko, S. Yu.en
dc.contributor.authorБусыгин, А. Н.ru
dc.contributor.authorБобылев, А. Н.ru
dc.contributor.authorГубин, А. А.ru
dc.contributor.authorПисарев, А. Д.ru
dc.contributor.authorУдовиченко, С. Ю.ru
dc.date.accessioned2022-05-27T05:47:07Z-
dc.date.available2022-05-27T05:47:07Z-
dc.date.issued2021-
dc.identifier.citationЧисленное моделирование и экспериментальное исследование аппаратной импульсной нейросети с мемристорными синапсами / А. Н. Бусыгин [и др.]. – Текст : электронный // Вестник Тюменского государственного университета. Серия: Физико-математическое моделирование. Нефть, газ, энергетика / главный редактор А. Б. Шабаров. – Тюмень : Издательство Тюменского государственного университета, 2021. – Т. 7, № 2(26). – С. 223-235.ru
dc.identifier.issn2500-0888online
dc.identifier.issn2411-7927print
dc.identifier.urihttps://elib.utmn.ru/jspui/handle/ru-tsu/7756-
dc.description.abstractThis article presents the results of a numerical simulation and an experimental study of the electrical circuit of a hardware spiking perceptron based on a memristor-diode crossbar. That has required developing and manufacturing a measuring bench, the electrical circuit of which consists of a hardware perceptron circuit and an input peripheral electrical circuit to implement the activation functions of the neurons and ensure the operation of the memory matrix in a spiking mode. The authors have performed a study of the operation of the hardware spiking neural network with memristor synapses in the form of a memory matrix in the mode of a single-layer perceptron synapses. The perceptron can be considered as the first layer of a biomorphic neural network that performs primary processing of incoming information in a biomorphic neuroprocessor. The obtained experimental and simulation learning curves show the expected increase in the proportion of correct classifications with an increase in the number of training epochs. The authors demonstrate generating a new association during retraining caused by the presence of new input information. Comparison of the results of modeling and an experiment on training a small neural network with a small crossbar will allow creating adequate models of hardware neural networks with a large memristor-diode crossbar. The arrival of new unknown information at the input of the hardware spiking neural network can be related with the generation of new associations in the biomorphic neuroprocessor. With further improvement of the neural network, this information will be comprehended and, therefore, will allow the transition from weak to strong artificial intelligence.en
dc.description.abstractПредставлены результаты численного моделирования и экспериментального исследования электрической схемы аппаратного импульсного персептрона на основе мемристорно-диодного кроссбара. Для этого разработан и изготовлен измерительный стенд, электрическая схема которого состоит из схемы аппаратного персептрона и входной периферийной электрической схемы для реализации активационной функции нейрона и обеспечения работы запоминающей матрицы в импульсном режиме. Проведено исследование работы аппаратной импульсной нейросети с мемристорными синапсами в виде запоминающей матрицы в режиме расчета синапсов однослойного персептрона. Персептрон может рассматриваться в качестве первого слоя биоморфной нейросети, выполняющего первичную обработку поступающей информации в биоморфном нейропроцессоре. Получены экспериментальная и модельная кривые обучения, показывающие ожидаемое увеличение доли правильных классификаций с ростом числа эпох обучения. Продемонстрирована генерация новой ассоциации при переобучении, вызванном поступлением новой входной информации. Сравнение результатов моделирования и эксперимента по обучению небольшой нейросети с малым кроссбаром позволит создавать адекватные модели аппаратных нейросетей с мемристорно-диодным кроссбаром большой размерности. Поступление новой неизвестной информации на вход аппаратной импульсной нейросети можно отожествлять с генерацией новых ассоциаций в биоморфном нейропроцессоре, а в дальнейшем при совершенствовании нейросети научиться осмысливать эту информацию и, следовательно, совершить переход от слабого искусственного интеллекта к сильному.ru
dc.description.sponsorshipРабота выполнена при финансовой поддержке РФФИ в рамках гранта № 19-37-90030.ru
dc.format.mimetypeapplication/pdfen
dc.language.isoruen
dc.publisherИздательство Тюменского государственного университетаru
dc.relation.ispartofВестник Тюменского государственного университета. Серия: Физико-математическое моделирование. Нефть, газ, энергетика. – 2021. – Т. 7, № 2(26)ru
dc.subjecthardware pulse neural networken
dc.subjectsingle-layer perceptronen
dc.subjectmemristor-diode crossbaren
dc.subjectmemory matrix of memristor synapsesen
dc.subjectassociative self-learningen
dc.subjectgenerating a new associationen
dc.subjectаппаратная импульсная нейронная сетьru
dc.subjectоднослойный персептронru
dc.subjectмемристорно-диодный кроссбарru
dc.subjectзапоминающая матрица мемристорных синапсовru
dc.subjectассоциативное самообучениеru
dc.subjectгенерация новой ассоциацииru
dc.titleЧисленное моделирование и экспериментальное исследование аппаратной импульсной нейросети с мемристорными синапсамиru
dc.title.alternativeNumerical simulation and experimental study of a hardware pulse neural network with memristor synapsesen
dc.typeArticleen
dc.typeinfo:eu-repo/semantics/publishedVersionen
dc.typeinfo:eu-repo/semantics/articleen
local.description.firstpage223-
local.description.lastpage235-
local.issue2(26)-
local.volume7-
local.identifier.uuid614da902-77a3-4bf4-9290-9dbd65987aa1-
local.identifier.handleru-tsu/7756-
dc.identifier.doi10.21684/2411-7978-2021-7-2-223-235-
Appears in Collections:Вестник ТюмГУ: Физико-математическое моделирование. Нефть, газ, энергетика

Files in This Item:
File Description SizeFormat 
fizmat_2021_2_223_235.pdf874.89 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.