Меню
Публикации
2026
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2026-26-2-428-435
УДК 004.032.26
Реализация и исследование резервуарного вычислителя на основе аппаратной модели трехэлементного импульсного нейрона
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Холкин В.С., Пчёлко В.А., Кленин В.Л., Каримов Т.И., Копец Е.Е. Реализация и исследование резервуарного вычислителя на основе аппаратной модели трехэлементного импульсного нейрона // Научно-технический вестник информационных технологий, механики и оптики. 2026. Т. 26, № 2. С. 428–435. doi: 10.17586/2226-1494-2026-26-2-428-435
Аннотация
Введение. Исследованы варианты поиска новых компьютерных архитектур для аппаратной реализации динамических (импульсных) нейросетей, способных заменить современные сети, построенные на нейронах со статической функцией активации. Метод. Впервые предложено использование разработанной компактной аналоговой модели импульсного нейрона, состоящей из трех элементов (волатильного мемристора, туннельного диода и конденсатора), в качестве базового элемента резервуарного вычислителя типа жидкостный конечный автомат (Liquid State Machine). Предложена компьютерная модель резервуара, включающая 7480 импульсных нейронов и около 254 тыс. связей, с топологией, сформированной по биологически мотивированному алгоритму. Основные результаты. Результаты предложенного решения продемонстрированы на задаче распознавания рукописных цифр из набора данных Modified National Institute of Standards and Technology. Достигнута точность классификации 93 %, что сопоставимо с известными реализациями жидкостных конечных автоматов. Оценки быстродействия предлагаемого резервуара при будущей аппаратной реализации превосходят показатели существующих аналогов на порядок, а по энергоэффективности — на 3–4 порядка. Обсуждение. Впервые показана практическая применимость трехэлементной нейронной модели для задач машинного обучения и доказана ее перспективность как базового элемента для построения масштабируемых и энергоэффективных нейроморфных вычислительных систем.
Ключевые слова: резервуарный вычислитель, импульсный нейрон, жидкостный конечный автомат, нейроморфные вычисления, классификация MNIST, классы возбудимости, аналоговая модель нейрона
Благодарности. Работа поддержана Российским научным фондом, проект № 25-71-10049 «Исследовательское проектирование перспективных нейроморфных вычислителей».
Список литературы
Благодарности. Работа поддержана Российским научным фондом, проект № 25-71-10049 «Исследовательское проектирование перспективных нейроморфных вычислителей».
Список литературы
1. Tavanaei A., Ghodrati M., Kheradpisheh S.R., Masquelier T., Maida A.Deep learning in spiking neural networks // Neural Networks. 2019. V. 111. P. 47–63. https://doi.org/10.1016/j.neunet.2018.12.002
2. Philipp G., Song D., Carbonell J.G. The exploding gradient problem demystified - definition, prevalence, impact, origin, tradeoffs, and solutions // arXiv. 2017. arXiv:1712.05577. https://doi.org/10.48550/arXiv.1712.05577
3. Kirkpatrick J., Pascanu R., Rabinowitz N., Veness J., Desjardins G., Rusu A.A., et al. Overcoming catastrophic forgetting in neural networks // Proc. of the National Academy of Sciences of the United States of America. 2017. V. 114. N 13. P. 3521–3526. https://doi.org/10.1073/pnas.1611835114
4. Davidson S., Furber S.B. Comparison of artificial and spiking neural networks on digital hardware // Frontiers in Neuroscience. 2021. V. 15. P. 651141. https://doi.org/10.3389/fnins.2021.651141
5. Przyczyna D., Pecqueur S., Vuillaume D., Szaciłowski K. Reservoir computing for sensing: an experimental approach // arXiv. 2020. arXiv:2001.04342. https://doi.org/10.48550/arXiv.2001.04342
6. Jiang H., Anumasa S., De Masi G., Xiong H., Gu B. A unified optimization framework of ANN-SNN conversion: towards optimal mapping from activation values to firing rates // Proc. of the 40th International Conference on Machine Learning. 2023. P. 14945–14974.
7. Lukoševičius M., Jaeger H. Reservoir computing approaches to recurrent neural network training // Computer Science Review. 2009. V. 3. N 3. P. 127–149. https://doi.org/10.1016/j.cosrev.2009.03.005
8. Morando S., Pera M.C., Yousfi Steiner N., Jemei S., Hissel D., Larger L. Reservoir Computing optimisation for PEM fuel cell fault diagnostic // Proc. of the IEEE Vehicle Power and Propulsion Conference (VPPC). 2017. P. 1–7. https://doi.org/10.1109/vppc.2017.8330981
9. Zhang S., Duan X., Li C., Liang M. Pre-classified reservoir computing for the fault diagnosis of 3D printers // Mechanical Systems and Signal Processing. 2021. V. 146. P. 106961. https://doi.org/10.1016/j.ymssp.2020.106961
10. Shi C., Fu X., Wang H., Lin Y., Jiang Y., Liu L., et al. Ghost reservoir: a memory-efficient low-power and real-time neuromorphic processor of liquid state machine with on-chip learning // IEEE Transactions on Circuits and Systems II: Express Briefs. 2024. V. 71. N 10. P. 4526–4530. https://doi.org/10.1109/TCSII.2024.3395415
11. Stoliar P., Schneegans O., Rozenberg M.J. Biologically relevant dynamical behaviors realized in an ultra-compact neuron model // Frontiers in Neuroscience. 2020. V. 14. P. 421. https://doi.org/10.3389/fnins.2020.00421
12. Isik I., Tagluk M.E. Analysis of the electronic integrate and fire neuron model // Neurocomputing. 2022. V. 488. P. 261–270. https://doi.org/10.1016/j.neucom.2022.02.064
13. Pickett M.D., Medeiros-Ribeiro G., Williams R.S. A scalable neuristor built with Mott memristors // Nature Materials. 2013. V. 12. N 2. P. 114–117. https://doi.org/10.1038/nmat3510
14. Li Y., Tang J., Gao B., Li X., Xi Y., Zhang W., et al. Oscillation neuron based on a low-variability threshold switching device for high-performance neuromorphic computing // Journal of Semiconductors. 2021. V. 42. N 6. P. 064101. https://doi.org/10.1088/1674-4926/42/6/064101
15. Ostrovskii V., Karimov T., Rybin V., Bobrova Y., Arlyapov V., Butusov D.Bio-inspired neuron based on threshold selector and tunnel diode capable of excitability modulation // Neurocomputing. 2025. V. 624. P. 129454. https://doi.org/10.1016/j.neucom.2025.129454
16. Hodgkin A.L. The local electric changes associated with repetitive action in a non-medullated axon // The Journal of Physiology. 1948. V. 107. N 2. P. 165–181. https://doi.org/10.1113/jphysiol.1948.sp004260
17. Zhang Y., Mo L., He X., Meng X. Unsupervised spiking neural network based on liquid state machine and self-organizing map // Neurocomputing. 2025. V. 620. P. 129120. https://doi.org/10.1016/j.neucom.2024.129120
18. Hua Q., Wu H., Gao B., Zhao M., Li Y., Li X., et al. A threshold switching selector based on highly ordered Ag nanodots for X‐point memory applications // Advanced Science. 2019. V. 6. N 10. P. 1900024. https://doi.org/10.1002/advs.201900024
19. Баюков А.В., Гитцевич А.Б., Зайцев А.А., Мокряков В.В., Петухов В.М., Хрулев А.К. Полупроводниковые приборы: диоды, тиристоры, оптоэлектронные приборы. Справочник. М.: Энергоатомиздат, 1983. 744 с.
20. Wijesinghe P., Srinivasan G., Panda P., Roy K.Analysis of liquid ensembles for enhancing the performance and accuracy of liquid state machines // Frontiers in Neuroscience. 2019. V. 13. P. 504. https://doi.org/10.3389/fnins.2019.00504
21. McHugh M.L. The chi-square test of independence // Biochemia Medica. 2013. V. 23. N 2. P. 143–149. https://doi.org/10.11613/bm.2013.018
22. Wang Q., Jin Y., Li P. General-purpose LSM learning processor architecture and theoretically guided design space exploration // Proc. of the IEEE Biomedical Circuits and Systems Conference (BioCAS). 2015. P. 1–4. https://doi.org/10.1109/biocas.2015.7348397
23. Hazan H., Saunders D.J., Sanghavi D.T., Siegelmann H., Kozma R. Lattice map spiking neural networks (LM-SNNs) for clustering and classifying image data // Annals of Mathematics and Artificial Intelligence. 2020. V. 88. N 11. P. 1237–1260. https://doi.org/10.1007/s10472-019-09665-3
