Адаптивные свойства спайковых нейроморфных сетей с синаптическими связями на основе мемристивных элементов

Нейроморфные вычислительные сети (НВС) с синаптическими связями на основе мемристоров (“сопротивления с эффектом памяти”) могут обеспечить гораздо более эффективный подход при аппаратной реализации различных типов алгоритмов нейронных сетей, чем традиционные элементы на основе комплементарной технологии. Для реализации эффективных НВС необходимо, чтобы сопротивление мемристора могло быть изменено по локальным правилам (например, пластичности, зависящей от времени прихода импульсов, – STDP). Изучена возможность локального обучения мемристоров на основе нанокомпозита (Co$_{0.4}$Fe$_{0.4}$B$_{0.2}$)$_{x}$(LiNbO$_{3}$)$_{1-x}$ по правилам STDP. На примере НВС, состоящей из четырех входных и одного выходного нейрона, продемонстрирована возможность ее обучения по правилам STDP. Обнаружено, что конечное состояние НВС не зависит от начального состояния данной сети, а зависит только от условий обучения (последовательности импульсов). Изучена зависимость результата обучения от значения порогового тока выходного нейрона. Полученные результаты открывают перспективы создания автономных НВС, способных к обучению решению сложных когнитивных задач.