多任务忆阻器细胞非线性网络的分析与设计

本文提出基于忆阻器的多任务细胞非线性网络（M-CellNNs）系统化设计方法，通过扩展动态路由映射2（DRM2）技术结合向量场相位平面分析，实现M-CellNNs多任务协同运行。研究构建了精确的参数空间定义框架，并基于实际运放电路验证了CORNER-EDGE多任务执行能力，显著提升了神经形态计算系统的可靠性和能效比。

摘要：

细胞非线性网络（CellNNs）是一种具有前景的计算范式，以其大规模并行运算、能效高以及实时多维信号处理能力而闻名。最近将忆阻器集成到CellNN架构中，通过引入模拟式、非易失性存储元件显著增强了其功能，丰富了网络的动态行为。在本文中，我们提出了一种严格的动态分析方法和一种结构化的设计方法，用于实现忆阻器细胞非线性网络（M-CellNNs）的多任务处理。这种改进的一个显著特点是能够进行多任务处理，即可以使用相同的设计参数执行不同的操作，具体执行的任务仅由忆阻器的状态决定。我们开发了一种严格的动态分析方法和结构化的设计方法，使得多任务处理的忆阻器细胞非线性网络（M-CellNNs）能够系统地进行设计和可靠实现。在方法论上，我们通过结合基于矢量场的相平面分析，扩展了二阶动态路径图（DRM2）技术，显著提高了对M-CellNN单元中实际忆阻器动态行为的可视化和分析能力。此外，我们提出了一个系统的分析框架，以精确定义实现目标多任务处理所需的参数空间。利用一种基于实际运算放大器的M-CellNN单元设计，该设计非常适合原型制作和功能测试，我们通过可靠地执行多任务操作来验证我们的方法，以CORNER-EDGE任务为例进行了演示。我们改进的分析工具为复杂系统动态提供了直观的见解，有助于准确选择参数，并显著提高了多任务处理M-CellNN实现的实用可行性和可靠性。

引言

几十年来，人们一直预计基于冯·诺伊曼架构的传统计算机的增长最终会趋于平稳，从而限制它们满足现代应用日益增长的计算需求的能力[1]。尽管不断有饱和的预测，但冯·诺伊曼架构仍然不断超越预期，在通用计算中保持主导地位。然而，特别是那些来自器件技术和计算架构进步的替代计算范式[2]、[3]，对于高效处理特定任务变得越来越重要，例如神经形态计算中的认知任务[4]、自主系统的实时边缘AI[5]以及组合优化[6]等。