研究背景

自组织映射网络（SOM，图1a），又称「Kohone网络」，是一种受大脑拓扑结构启发的功能强大的无监督学习神经网络。相比经典的多维尺度或主成分分析等线性算法，SOM具有更强大的数据聚类能力，在语言识别、文本挖掘、财务预测和医学诊断等聚类和优化问题方面展现出独特的优势。但基于传统CMOS硬件实现SOM受到计算相似性和确定邻域的复杂性的限制，且存在电路结构复杂、能量面积开销大、缺乏对相似度的精确计算等问题。如何构建简洁、高效、精确的SOM硬件仍然是一大挑战。忆阻器作为一种新型可编程非易失存储器件，其交叉阵列结构具有支持并行计算和存内计算的天然优势，为SOM的硬件实现提供了新途径。

研究成果

图1 SOM原理图及其基于忆阻器阵列的实现。(a)SOM网络原理图。(b)忆阻器的典型I-V曲线。(c)128×64 1T1R忆阻器阵列光学实物图。(d)1T1R忆阻器阵列实现2D-SOM的原理图。

为解决SOM中神经元和输入特征数量增加时硬件系统复杂度加剧的问题，研究团队提出了一种新型的多附加行忆阻器阵列架构（图1d），该架构将忆阻器阵列分为两个部分，一部分作为数据行存储权值信息，另一部分作为附加行存储权值的平方和。输入向量和权值向量之间的相似性可以通过一步读操作实现，且不需要归一化权值。

基于该硬件系统，团队成功演示了数据聚类、图像分割、图像压缩等应用并成功用于解决组合优化问题（图2）。实验结果表明，在不影响成功率或准确度的基础上，与CMOS系统相比，该系统具有更高的能源效率和计算吞吐量。此外，由于其非监督的特点，应用场景更加丰富，更加迎合现实生活的需求，为忆阻器基智能硬件的构建开辟一条新途径。

图2 忆阻器基SOM系统的应用。(a)图像处理（分割）；(b)求解组合优化问题（TSP问题）。

该研究得到了国家重点研发计划、国家自然科学基金委、国家重大科技专项、浙江省重点科研项目等项目支持。

论文链接：

https://www.nature.com/articles/s41467-022-29411-4

--中科院微电子研究所