Spikoder：用于硬件智能的双模石墨烯神经元电路

《Advanced Intelligent Systems》：Spikoder: Dual-Mode Graphene Neuron Circuit for Hardware Intelligence

石墨烯忆阻器构建的Spikoder双模神经元电路在动态编码和LIF神经元功能上实现统一设计，有效将连续输入转换为尖峰序列。单层SNN在MNIST数据集上达到90.77%图像识别准确率，双层SNN进一步优化至97.37%，验证了该架构在可扩展神经形态计算中的潜力。

　　在当今人工智能和计算技术迅速发展的背景下，神经形态计算作为一种仿生计算范式，正在引起广泛关注。这种计算方式试图通过模拟人脑的结构和功能来实现更加高效、节能的硬件系统。与传统的冯·诺依曼架构不同，神经形态计算利用了神经元之间的动态连接和信息处理机制，从而在能耗和处理速度方面具有显著优势。本研究提出了一种创新性的神经形态电路设计——Spikoder，该电路基于石墨烯忆阻器，能够同时承担编码器和神经元的功能，为构建紧凑、智能且可扩展的神经形态计算硬件提供了新的思路。

传统的深度神经网络（DNN）虽然在图像识别、自然语言处理等领域取得了巨大成功，但其高能耗和大体积的特性限制了其在实际应用中的部署。特别是在边缘计算和实时处理等场景下，传统计算架构往往难以满足低功耗和高效率的需求。相比之下，神经形态计算以其类似生物神经元的结构和运作机制，展现了在信息处理上的独特优势。生物神经元不仅能够高效地编码和处理信息，还具备高度并行的特性，这使得神经形态计算在处理复杂任务时，能够以更低的能耗和更短的延迟完成计算过程。然而，实现这种计算模式仍面临诸多挑战，尤其是在编码器的设计和优化方面。

Spikoder电路的设计灵感来源于生物神经元的结构和功能。它结合了编码和神经元处理两种关键任务，通过一个统一的架构实现，从而降低了系统的复杂度。在生物神经元中，信息的编码和处理通常是在同一结构内完成的，这种机制在Spikoder电路中得到了体现。该电路基于石墨烯纳米多孔结构（NPG）忆阻器，利用其独特的电学特性，实现了对连续输入信号的动态编码。通过实验验证，Spikoder能够将输入的图像信息转化为一系列脉冲信号，这些信号不仅保留了原始图像的特征，还具有较低的能耗和较高的信息处理效率。

在实验中，研究人员使用了改进后的MNIST数据集对Spikoder电路的编码性能进行了评估。MNIST数据集包含大量手写数字图像，是评估图像识别系统性能的常用数据集。通过对这些图像进行编码处理，研究人员能够观察到Spikoder在不同时间步长下的编码效果，并进一步验证其在神经形态网络中的表现。实验结果显示，Spikoder电路在将图像信息转化为脉冲序列的过程中表现出良好的编码能力，其生成的脉冲信号能够准确反映原始图像的特征。

为了进一步验证Spikoder的性能，研究人员构建了基于该电路的单层和双层神经形态网络（SNN）。单层SNN由784个输入神经元和10个输出神经元组成，用于识别MNIST数据集中的数字。通过使用Spikoder电路作为编码器和神经元，该网络在训练过程中实现了较高的识别准确率，达到了90.77%。这一结果表明，Spikoder不仅能够有效地完成信息编码任务，还能在神经网络中承担神经元的功能，实现信息的处理和传递。

在双层SNN的实验中，研究人员增加了256个隐藏层神经元，构建了一个更为复杂的网络结构。双层SNN在测试中的准确率进一步提升至97.37%，这说明Spikoder电路具有良好的可扩展性，能够支持更大规模的神经形态网络。此外，实验还分析了时间步长对网络性能的影响。结果显示，即使将时间步长减少至5个，双层SNN仍能保持较高的识别准确率（94.71%），这表明Spikoder在低延迟和低能耗方面具有显著优势。这一特性对于需要实时响应的应用场景，如机器人控制、自动驾驶和医疗影像分析等，具有重要的实际意义。

在分析网络性能时，研究人员还构建了混淆矩阵，用于评估Spikoder在识别不同数字时的准确性。混淆矩阵显示，Spikoder在大多数情况下能够准确区分数字，只有少数情况出现混淆，例如“3”和“5”、“2”和“8”等数字之间存在较高的相似性。然而，这些混淆现象在整体准确率中所占比例较小，不会显著影响网络的性能。此外，实验还发现，尽管忆阻器在不同设备之间存在一定的参数变化，Spikoder电路仍然能够保持较高的识别准确率，表明其具有一定的鲁棒性。

Spikoder电路的成功实现不仅展示了其在神经形态计算中的潜力，还为未来的硬件设计提供了新的方向。传统的神经网络硬件设计通常需要复杂的外围电路和大量的计算单元，而Spikoder通过将编码和神经元功能整合到单一电路中，大大简化了系统结构，降低了硬件成本和能耗。此外，这种电路设计还具备良好的可扩展性，能够适应不同规模的神经形态网络需求，为构建更加高效的计算系统提供了理论支持和实践依据。

在实验方法方面，研究人员首先通过化学合成方法制备了NPG忆阻器。该忆阻器以甘蔗渣为原料，经过一系列处理步骤，包括机械研磨、溶解、干燥和高温煅烧，最终得到了具有优异电学性能的纳米多孔石墨烯材料。随后，利用电子束光刻技术对忆阻器进行微结构加工，形成了Au/NPG/Au的三层结构，其中NPG作为中间层，承担了主要的电学功能。通过这种方法，研究人员能够精确控制忆阻器的电学特性，从而优化其在神经形态网络中的表现。

在电路模拟方面，研究人员使用了基于SPICE的仿真工具，对Spikoder电路的行为进行了建模。通过将忆阻器的电学特性与SPICE模型相结合，研究人员能够准确预测电路在不同输入条件下的响应。此外，实验还采用了一种基于概率的编码方式，将输入数据转化为脉冲信号，这种编码机制不仅提高了系统的灵活性，还增强了其在处理不确定性和噪声方面的鲁棒性。实验结果表明，Spikoder电路在多种测试条件下均能保持稳定的性能，为其实现提供了坚实的基础。

总的来说，Spikoder电路的提出和实现为神经形态计算提供了一种全新的解决方案。它不仅具备优异的编码性能，还能在神经网络中承担神经元的功能，从而实现高效的信息处理。通过实验验证，该电路在单层和双层神经形态网络中均表现出良好的识别能力，尤其是在处理大规模数据时，其可扩展性和低能耗特性显得尤为突出。未来，随着神经形态计算技术的不断发展，Spikoder电路有望在更多实际应用中发挥重要作用，为构建更加智能和节能的计算系统提供支持。