Достижения нейробиологии привносят все большее понимание о механизмах его работы и способности к адаптации, а технологии компьютерных симуляций, при этом, позволяют значительно снизить количество используемых лабораторных животных при проведении экспериментов. Значительным успехом данных технологий является симуляция нейрональной активности части мозга человека [1]. Открывшиеся с получением предсказанного мемристора [2; 3] возможности приковывают интерес исследователей к аппаратной реализации нейронов. Получившийся инструментарий из теоретической базы нейробиологии, технологий компьютерных симуляций, мемристоров и схемотехники прокладывает дорогу к новым вершинам: биоинспирированной робототехнике, более естественному с точки зрения управления мозгом протезированию, аппаратным нейронным сетям для задач классического искусственного интелекта, нейроморфным компьютерам и др.
Тем не менее, среди имеющихся работ касательно реализации искусственного нейрона нет тех, что рассматривали бы механизмы нейромодуляции.
Таким образом, проблемой данной дипломной работы является реализация на аналоговых компонентах и мемристорах биологически инспирированной модели искусственного нейрона с механизмами дофаминовой нейромодуляцией и подкрепляющего/ингибирующего обучения.
Объект исследования — дофаминовой нейромодуляция и подкрепляюще- е/ингибирующее обучение. Предмет исследования — аппаратная реализация нейрона.
Цель дипломной работы — в составе исследовательской команды предоставить аппаратную реализацию искусственного нейрона. Для достижения поставленной цели необходимо решить следующие задачи:
• Проанализировать характеристики мемристора: выявить пороговые значения напряжения для окислительно-восстановительных реакций, определить предпочитаемую форму сигнала.
• Спроектировать генератор LTP/LTD сигналов.
• Спроектировать сому нейрона.
• Собрать и протестировать аппаратную реализацию нейрона.
Основным средством проектирования схемы нейрона является система схематического моделирования LTspice XVII. В качестве вспомогательного средства использовался многоканальный регистратор-самописец LGraph2 для обработки аналоговых сигналов.
В ходе проделанной работы были были расмотренны различные реализации мемристоров, варианты их использования в схемах искусственных нейронов. В составе исследовательской команды были экспериментально изучены характеристики полианилиовых мемристоров и была разработана схема нейромодулирующего нейрона (Рис. 20), состоящая на данном этапе из:
• Тела нейрона.
• Генератора обратной связи.
• Нейромодулирующих блоков.
• Адаптера для мемристора.
• Изолирующего механизма для мемристора.
Помимо этого, были предприняты первые шаги в физической реализации разработанной схемы (Рис. 22), включающая в себя следующие компоненты:
• Часть адаптера, отвечающая за масштабирование сигнала (плата слева).
• Генератор обратной связи (плата по центру).
• Тело нейрона (плата справа).
Тем не менее, всё еще остается открытой задачей разработка генераторов дендритных спайков и блокирующих узлов дендритного дерева, равно как и более детальное изучение характеристик органического мемристора: в связи с выходом из строя последнего прибора, эксперименты пришлось приостановить. В дальнейшем также планируется изучение характеристик титановых мемристоров.
1. Largest neuronal network simulation achieved using K computer: RIKEN News & Media. — (Дата обр. 02.08.2013).
2. Chua L. O. Memristor — The Missing Circuit Element // IEEE Transactions on Circuit Theory. — 1971. — 5 сент.
3. Dmitri B. Strukov e. a. The missing memristor found // Nature. — 2008. — 1 мая. — Т 453.
4. K. V Egorov e. a. Complementary and bipolar regimes of resistive switching in TiN/HfO2/TiN stacks grown by atomic-layer deposition // physica status solidi (a). — 2015. — Апр.
5. Wang e. a. Robust memristors based on layered two-dimensional materials // Nature Electronics. — 2018. — Февр.
6. Xumeng Zhang e. a. An Artifical Neuron BAsed on a Threshold Switching Memristor // IEEE Electron Device Letters.
7. Zhongrui Wang e. a. Memristors with diffusive dynamics as synaptic emulators for neuromorphic computing // Nature Materials.
8. Lve. a. A neural network circuit with associative learning and forgetting process based on memristor neuromorphic device // IEEE Electron Device Letters. — 2017.— Окт.
9. M. Hansen e. a. A double barrier memristive device. // Scientific Reports.
10. Lai-Guo Wang e. a. Synaptic Plasticity and Learning Behaviors Mimicked in Single Inorganic Synapses of Pt/HfOx/ZnOx/TiN Memristive System//Nanoscale Research Letters.
11. Hao Jiang e. a. Sub-10 nm Ta Channel Responsible for Superior Performance of a HfO2 Memristor // Scientific Reports.
12. Demin e. a. Electrochemical model of the polyaniline based organic memristive device // Journal of Applied Physics. — 2014. — 14 авг.
13. Battistoni e. a. Spectrophotometric characterization of organic memristive devices // Organic Electronics. — 2016. — Нояб.
14. Allodi e. a. Effect of temperature on the electrical properties of an organic memristive device // Journal of Applied Physics. — 2010. — Окт.
15. C. Zhang e. a. Convertible resistive switching characteristics between memory switching and threshold switching in a single ferritin-based memristor. // Chemical Community.
16. Bo-Yun Kim e. a. Resistive Switching Memory Integrated with Nanogenerator for Self-Powered Bioimplantable Devices. // Materials Views.
17. Wang e. a. Fully memristive neural networks for pattern classification with unsupervised learning // Nature Electronics. — 2018. — Февр.
18. Serb e. a. Unsupervised learning in probabilistic neural networks with multi-state metal-oxide memristive synapses // Nature Communications. — 2016. — 29 сент.
19. A. V. Emelyanov e. a. First steps towards the realization of a double layer perceptron based on organic memristive devices // AIP Advances. — 2016. — Нояб.
20. Nace L. Golding e. a. Dendritic spikes as a mechanism for cooperative long-term potentiation // Nature.
21. Sonia Gasparini e. a. On the Initiation and Propagation of Dendritic Spikes in CA1 Pyramidal Neurons // he Journal of Neuroscience.
22. Federico Brandalise e. a. Dendritic NMDA spikes are necessary for timing-dependent associative LTP in CA3 pyramidal cells // Nature Communications.
23. Dopamine modulation via memristive schematic.
24. Hennequin e. a. Inhibitory Plasticity: Balance, Control, and Codependence // Annual Review of Neuroscience. — 2017.
25. Max Talanov e. a. Electronic schematic for bio-plausible dopamine neuromodulation of eSTDP and iSTDP