Стационарные состояния резисторной матрицы
Аннотация
Основой многих нейроморфных систем является векторно-матричный умножитель. Он может быть реализован с помощью резисторной матрицы. Наибольший интерес представляют резисторные матрицы с переменными резисторами, меняющими сопротивление под действием протекающего по ним тока. Возникает задача формирования матрицы проводимостей резисторов, приводящей к умножению на нужную матрицу. В общем случае из-за относительно малого числа управляющих сигналов (напряжений) и отсутствия доступа к отдельному резистору эта задача не имеет решения. Разумно выбрать удобные методы формирования матрицы проводимости и описать множества матриц проводимости, формируемых при использовании каждого метода или сочетания методов. Наиболее простой и устойчивой является процедура формирования матрицы проводимостей, при которой на вход системы подаются постоянные напряжения и система движется к стационарному состоянию. В настоящей работе рассмотрены два режима такой процедуры – режим прямого подключения и режим двухполюсника. Изучены стационарные состояния резисторной матрицы для этих режимов и разработаны наглядные упрощенные описания результата формирования матрицы проводимости в каждом режиме. Хотя условия применимости упрощенных описаний на практике не всегда выполняются, соответствующие «идеальные» состояния обычно могут быть использованы для классификации реальных стационарных состояний.
Об авторах
В. Б. Котов
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Г. А. Бесхлебнова
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Список литературы
1. Adamatzky A., Chua L. Memristor Networks. Springer International Publishing, 201).
2. Kotov V.B., Beskhlebnova G.A. Data Representation in All-Resistor Systems. //Kryzhanovsky B., Dunin-Barkowski W., Redko V., Tiumentsev Y. (eds.). Advances in Neural Computation, Machine Learning, and Cognitive Research IV. NEUROINFORMATICS 2020. Studies in Computational Intelligence. Vol. 925. Cham: Springer. 2021. P. 330-338.
3. Advances in Memristors, Memristive Devices and Systems. /Edited by S. Vaidyanathan and C. Volos. Springer International Publishing AG (2017).
4. Kotov V.B., Beskhlebnova G.A. Generation of the Conductivity Matrix. //B. Kryzhanovsky et al. (Eds.). Advances in Neural Computation, Machine Learning, and Cognitive Research V (NEUROINFORMATICS 2021). Studies in Computational Intelligence. Vol. 1008. Cham: Springer. 2022. P. 276-284.
5. Kotov V.B., Yudkin F.A. Modeling and Characterization of Resistor Elements for Neuromorphic Systems. Optical Memory and Neural Networks (Information Optics). 2019, v.28, No.4, P. 271-282.
6. Chua L.O. Memristor – the missing circuit element. IEEE Trans. Circuit Theory. 18, 507-519 (1971).
7. Sutton R.S., Barto A.G. Reinforcement Learning. MIT Press. Cambridge. MA. 1998.
8. O’Callaghan C., Rocha C. G., Niosi F., Manning H. G., Boland J. J., and Ferreira M. S.: Collective capacitive and memristive responses in random nanowire networks: Emergence of critical connectivity pathways. Journal of Applied Physics 124, 152118 (2018).
Рецензия
Для цитирования:
Котов В.Б., Бесхлебнова Г.А. Стационарные состояния резисторной матрицы. Труды НИИСИ. 2023;13(3):36-48.
For citation:
Kotov V.B., Beskhlebnova G.A. Stationary States of the Resistor Array. SRISA Proceedings. 2023;13(3):36-48. (In Russ.)
Просмотров:
12
Послать статью по эл. почте 