基于稀疏小世界网络和谱聚类算法的新型忆阻神经形态计算系统研究

This project will focus on the study of the novel memristive neuromorphic computing system, by properly combining the new circuit element, memristors, the small-world network, and the popular spectral clustering algorithm. The novel neuromorphic computing system will possess small-world features, both in function and topology, and meanwhile, is quite suitable for VLSI implementation. Firstly, the sparse small-world neural network with weight salience priority and obvious clusters will be proposed with property analysis and structure optimization, by leveraging the basic small-world model and the spectral clustering algorithm. Secondly, two types of memristor synapses, namely, the discrete style and the crossbar array style, will be designed with synaptic behaviors testing and verifying. Then, proper neuron models will be designed according to specific applications. Furthermore, based on all the previous designs, including the synapse and the neuron as well as the optimized topology, the novel memristive neuromorphic computing system will be constructed. Its dynamics behaviors will be analyzed and its VLSI circuit will be implemented on simulation software. Finally, its applications to pattern recognition and affection modeling will be discussed. The study result of this project may provide theoretical and experimental basics for improving the computation capacity and scale of the neuromorphic computing system, and thus possesses wide application prospects in modern intelligent information processing.

本项目融合电路领域新型元件—忆阻器、神经科学领域先进研究成果—小世界网络以及数据分析流行技术—谱聚类算法，研究功能和结构上都具有类脑小世界特征，且适合超大规模集成（VLSI）实现的新型神经形态计算系统。首先，对基本小世界模型、谱聚类算法进行有效改进和结合，设计具有权值考量的稀疏、簇状小世界神经网络模型，进行网络性能与结构分析。其次，设计离散型和交叉阵列型两种忆阻器突触，分别用来实现簇间稀疏连接和簇内稠密连接，并进行突触行为测试；同时，根据应用构建适当的神经元模块，并进行功能测试。进一步，依据优化的拓扑结构，设计接口电路连接突触及神经元模块，构建新型忆阻神经形态计算系统，并进行动力学分析及VLSI实现。在此基础上，研究该系统在模式识别和情感模拟领域中的应用，验证方案的有效性。本项目的研究成果将为提升神经形态计算系统的性能及规模提供理论和实验依据，在现代智能信息处理中蕴含着广阔的应用前景。

为了满足对海量信息的实时高效处理，针对更快、更智能的计算方式和更大规模、更小体积的计算系统的研究成为热点。本项目融合了忆阻器、小世界网络以及谱聚类算法，研究功能和结构上都具有类脑小世界特征，且适合超大规模集成（VLSI）实现的新型神经形态计算系统。首先，对基本小世界模型、谱聚类算法进行了有效改进和结合，设计出具有权值考量的稀疏、簇状小世界神经网络模型，并进行网络性能与结构分析。其次，设计了离散型和交叉阵列型两种忆阻器突触，分别用来实现簇间稀疏连接和簇内稠密连接，并进行了突触行为测试；同时，根据应用构建了适当的神经元模块，并进行功能测试。进一步，依据优化的拓扑结构，设计了接口电路连接突触及神经元模块，构建了新型忆阻神经形态计算系统，并进行动力学分析及VLSI实现。在此基础上，研究该系统在模式识别和情感模拟领域中的应用，验证了方案的有效性。本项目所取得的研究成果可为提升神经形态计算系统的性能及规模提供理论和实验依据，在现代智能信息处理中有着广阔的应用前景。