综述:用于非常规计算应用的自振荡类神经元设备
《Chemical Reviews》:Self-Oscillatory Neuron-like Devices for Unconventional Computing Applications
【字体:
大
中
小
】
时间:2026年05月14日
来源:Chemical Reviews 55.8
编辑推荐:
高分辨率图片下载 MS PowerPoint 幻灯片
自维持振荡器正成为神经形态电子学的关键物理元件,为模拟生物神经元的尖峰动态提供了一种硬件途径。随着传统计算架构在功耗和平行处理方面的局限性,振荡设备提供了一种方法来复制大脑的非凡效率——以最小的能量消耗执行自适应和非线性任
高分辨率图片下载 MS PowerPoint 幻灯片
自维持振荡器正成为神经形态电子学的关键物理元件,为模拟生物神经元的尖峰动态提供了一种硬件途径。随着传统计算架构在功耗和平行处理方面的局限性,振荡设备提供了一种方法来复制大脑的非凡效率——以最小的能量消耗执行自适应和非线性任务。本综述对物理学、化学和电子工程中开发的各种自振荡系统进行了统一综合。我们根据它们的工作机制对振荡器进行分类,区分了由负差分电阻(NDR)不稳定性驱动的振荡器和由主动反馈放大器维持的振荡器。它们的共同行为在一个非线性动力学框架内描述,该框架将材料、电子响应和相空间中极限环的出现联系起来。我们讨论了如何对这些设备(从电化学和忆阻振荡器到基于晶体管的以及混合架构)进行建模、测量和耦合以形成复杂的系统。特别关注的是通过实验识别揭示自振荡的活性元件和阻抗特征。通过将设备物理学、非线性动力学和神经形态计算相结合,本综述为设计可扩展、低能耗的振荡系统奠定了坚实基础,这些系统将化学和电子振荡器的物理原理与大脑的计算逻辑联系起来。
1. 引言
对高效和自适应计算日益增长的需求促进了对神经形态系统的兴趣,其中硬件受到人脑结构和功能的启发。虽然现代超级计算机提供了巨大的处理能力和存储容量,但它们的效率仍比大脑低几个数量级,执行类似任务时消耗的能量和空间要大得多。随着人工智能(AI)应用的不断扩展,传统的冯·诺伊曼架构难以满足实时数据处理的能量、可扩展性和延迟要求。
与传统的计算系统不同,人脑以极高的效率运行,在执行感知、学习、模式识别和决策等复杂任务时仅消耗约20瓦的电力。这种极佳的能效与计算能力平衡激发了对超越传统架构的替代计算模型的探索。其中,神经形态计算作为一个特别有前景的范式脱颖而出。通过模仿大脑的结构和动态,神经形态系统旨在复制诸如从经验中学习、适应新信息和实时处理数据等关键认知功能——同时保持极低的功耗。
与将存储和计算分离的传统处理器不同,神经形态架构以分布式和并行的方式整合这些功能,这与大脑中的神经元和突触的工作方式非常相似。这种设计实现了快速的事件驱动响应,并显著减少了能量使用,使神经形态系统非常适合边缘计算应用。当与传感器结合使用时,这些系统可以在本地处理数据——无需不断与中央云服务器通信——从而实现低延迟、自主决策的能力。这些特性使神经形态技术成为包括机器人技术、可穿戴健康监测设备、环境感知在内的广泛应用中的有吸引力的解决方案。
通过研究和借鉴具有卓越感官能力的动物所具有的独特神经生物学结构和计算模式,我们可以为神经形态计算获得宝贵的见解,如图1所示。谷仓猫头鹰的脑干特别以其专门的听觉处理能力而著称,这支持了猫头鹰卓越的声音定位能力。经过数百万年的进化,这些天然“超级传感器”中的神经组织和突触连接已经发展到能够在恶劣、资源有限的环境中以极高的精确度和效率处理复杂的感官信息。通过模仿这些先进的神经架构及其支持的算法,我们可以探索一条有前景的新路径:利用受自然启发的创新设备和电路来开发低能耗的神经形态计算系统。
图1
(a) 谷仓猫头鹰脑干的解剖图。来自大细胞核(NM)的轴突提供了延迟线,而双耳三级神经纤维在层状核(NL)中充当同时性检测器。
(b) Jeffress模型展示了听觉皮层中的神经计算图,通过部署两个关键神经元件——时间延迟神经元和同时性检测神经元——将时间编码转换为空间编码。同时性神经元仅在尖峰同时到达相应延迟神经元时放电。该模型与猫头鹰的脑干有显著相似之处。
(c) 一个完全集成的仿生听觉形态设备,模仿涉及单个MoS2通道上不同宽度无门区域的多个分门电路的神经计算图。每个分门电路都连接到一个延迟线电阻器,其电阻值根据相应分门电路的空间位置设计。转载自参考文献(10),授权许可为CC-BY 4.0。版权归2019年作者所有。由Springer Nature出版。
在这些进步的基础上,是神经元——大脑处理和传输信息的基本单位。行为的神经控制遵循三步过程:感觉神经元将环境刺激转换为神经信号;这些信号在大脑或中枢神经系统中被处理;基于这种处理,生成运动指令以产生协调的肌肉活动,从而产生行为。生物神经元通过尖峰信号进行通信,这是一个周期性电压信号形成由神经膜内的电压门控离子通道控制的非正弦振荡的过程。膜上的电压差由Na+和K+离子的浓度差异维持,如图2所示。传入的电压扰动过程启动了通道的开闭,使得相应的离子流产生,从而形成图2b所示的动作电位形状。由持续扰动引起的重复模式就是图2c所示的尖峰行为。霍奇金-赫胥黎(Hodgkin-Huxley)模型很好地描述了这一行为,准确地捕捉了活体神经元中观察到的动作电位的时序和波形。
图2
(a) 神经膜中离子通道的离子流动。
(b) 动作电位是神经元膜电位的快速瞬变,使其能够沿轴突传输电信号。在静息状态(大约70 mV)下,神经元维持一个稳定的负内部环境。这是由于细胞内部钾离子(K+)的浓度高于外部钠离子(Na+),由Na+/K+泵和泄漏的K+通道维持。当足够的刺激使膜去极化到兴奋阈值(大约55 mV)时,电压门控Na+通道打开。在去极化阶段,Na+离子迅速进入细胞,导致膜电位急剧上升并反转极性,达到约+30 mV的峰值动作电位。在峰值时,Na+通道失活,电压门控K+通道打开,开始复极化。K+离子离开神经元,使膜电位恢复到负值。这种流出在超极化阶段持续,由于K+通道的延迟关闭,膜电位变得比静息电位更负(大约80 mV)。最后,在恢复到静息电位的过程中,离子通道重置,Na+/K+泵逐渐恢复原始的离子分布,使膜电位回到大约70 mV,为下一个动作电位做好准备。
(c) 重复的动作电位形成了神经元的尖峰机制。
本综述关注一种称为自振荡系统的电气设备,它能够模拟自然神经元的尖峰特性。在自然界中,许多振荡(来回重复的运动)是由外部持续输入维持的。在这种系统中,使用恒定的非周期能量源(通常由恒定电压或电流源产生)生成并维持一个周期性(重复的)信号。换句话说,即使电源本身不波动或以规则模式变化,设备也能以某种方式将这种稳定输入组织成重复输出。这种现象特别引人注目的是,振荡不仅仅是外部强加的节奏的结果。相反,系统利用自身的内部动态来调节与能源的交互。在这种框架下,振荡有效地控制自己的时间,决定能量吸收或释放的相位和持续时间。这种自组织控制使系统能够将能量摄入与其功能需求同步,从而提高了效率和适应性。这一概念反映了Arthur Winfree在生物振荡器方面的基础工作,揭示了像昼夜节律和神经模式这样的系统如何通过非线性内部动态自我调节和同步。关键的是,它们对外部线索作出反应而不失去内部一致性。在神经形态和仿生系统中,振荡相位作为一种控制信号,实现了对能量流的稳健、情境敏感的调节。这种基于相位的控制支持高效、自主的运行,非常适合资源受限环境中的低功耗、自适应设备。图3(a,b)展示了一个例子,其中两个振荡器根据通过电阻器的交互强度而同步或反同步。与传统主要依赖静态非线性输入输出特性的模拟非易失性存储元件不同,自维持振荡器实现了根本上的动态计算模式。在基于振荡器的系统中,信息通过振荡相位、频率和同步等时间变量进行编码和处理,而不是通过稳态信号幅度。这种时域计算范式在图3所示的振荡器电路、图2所示的受神经元启发的动态模型以及图1中的谷仓猫头鹰听觉通路等生物感觉系统之间建立了直接的概念联系,其中精确的时间控制、同时性检测和集体振荡活动在信息处理中起着核心作用。
图3
(a) 耦合振荡神经系统的配置。每个神经元由通过反应溅射工艺形成的20纳米厚的NbOx层组成。
(b) 当Rc增加到100 kΩ时,在HSPICE仿真中变为反相同步。
(c) 由九个神经元和一个输入神经元及一个输出神经元组成的ONN系统,用于检测给定图像的边缘。
(d) 基于赫布学习规则训练的模式。
(e) ONN系统中Rc的权重映射用于推断模式。经参考文献(21)许可复制。版权归2023年IEEE所有。
本综述旨在调查类似神经元的自维持振荡器,研究它们的基本特性,并确定紧凑振荡元件所需的物理和材料要求。我们将强调通过一组微分方程描述振荡器,以理解自维持振荡器的物理化学基础以及这些知识在不同类型实际材料振荡器中的应用。在自然神经元和人工神经元振荡器中,重复的尖峰电位是通过分叉获得的,当参数值使稳定平衡点变得不稳定时发生分叉,导致稳定周期轨道(极限环)的出现。例如,通过二元氧化物忆阻器(如NbO2和VO2)可以获得紧凑的自维持振荡器,这些忆阻器广泛应用于计算中的耦合振荡器。这类振荡器与共振电路(例如LC(电感-电容)电路不同。在那些系统中,也可以产生周期性输出,但前提是输入功率本身具有规则的周期性。LC电路对外部信号的节奏作出反应并反映它;它不会从非周期性输入中创建自己的时序。
在这个背景下,区分被动和主动电路元件是有用的。被动电路元件不提供能量;它们只消耗或存储能量。例如电阻器、电容器和电感器都具有线性特性。另一方面,主动电路元件可以提供能量,并经常控制电流或电压。这些是非线性元件,如晶体管、运算放大器(Op-Amps)和电池(直流电源)。它们可以放大信号、执行开关操作,并且对于持续振荡或增益是必需的。虽然强迫谐振器是一种无源器件,但自维持振荡器包含一个负阻尼项,它会从周围环境中吸收能量。因此,需要一个有源元件来生成和维持规律的周期性,而无需类似的外部周期性来驱动它。(18,41)负微分电阻(NDR)元件将在我们的综述中扮演重要角色。它始终作为一个有源元件,因为它提供能量并且需要外部电源或有源电路才能工作。(42)自维持振荡器已经被研究了两百年。(18)1830年,G. B. Airy发表了一篇简短的论文,被认为是对自振荡现象的首次数学处理。1908年,Henri Poincaré引入了“极限环”的概念,1919年Blondel提出了“自维持振荡”的术语。在此基础上,Balthasar van der Pol在1926年引入了“松弛振荡”的概念。此后,多个领域的研究得到了爆发式的发展:电子振荡器、(41,43)非线性动力系统与分岔的数学、(44)以及许多化学、(23)物理和电化学分支。(27,45?47)一个重要的基石是神经科学中的生物神经元振荡器(48,49),它为神经形态系统提供了主要灵感。(50)Carver Mead的开创性工作(50)通过展示如何利用模拟非常大规模集成(VLSI)电路的原理来模拟生物神经元的行为,为神经形态工程奠定了基础,从而开发出以类似大脑的方式处理信息的硬件。Winfree(19,20)和Kuramoto(51)的工作推动了人们对大型振荡器网络中同步效应的理解。这篇综述通过采用更广泛的视角,整合了多样但通常是孤立的领域,扩展了对类神经元振荡器(30,42,52)的分析,包括经典的电子振荡器(包括基于反馈的振荡器)、工程控制理论、非线性动力系统中的分岔理论,以及材料设备系统中自维持振荡的物理化学机制。我们概述了定义振荡发生的参数范围的运行条件,从而洞察了设备的材料和化学特性,以及实现振荡行为和网络中振荡器之间信号耦合的外部RC组件。此外,我们还分析了传统反馈振荡器中主动反馈阶段的放大要求,以概括两类系统的自维持振荡标准,并能够在统一框架下描述所有类型的自振荡器。由于这个主题具有广泛性和跨学科性,这里我们只引用提供更深入技术细节的关键来源。由于本文旨在为对新型振荡器感兴趣的化学家和材料科学家提供有用工具,我们提供了对振荡基本机制的说明,并结合了在各种领域中开发的多种方法。我们的目标不是提供详尽的处理,而是提供一个关于定义振荡器类别及其工作原理的关键因素的连贯概述。本研究的一个主要目标是对主要的自维持振荡器件类型进行分类,并确定决定其工作模式的关键属性,这些属性来源于自然神经元(例如HH模型)的相关原理以及计算神经科学中的相关工具。通过回顾,强调了用一组一阶微分方程描述振荡器的方法。目前的知识使我们能够用数学术语表达许多属性。因此,我们探索非线性动力建模作为模拟各种类别振荡器功能的特别合适和有效的框架。与神经系统分析相关的非线性动力学方法已在许多综述和书籍中进行了全面覆盖。(12,17,23?25,49,53)在经典电子学中,振荡器是产生周期性输出波形的电路。在任何启动过程测量的仪器中,以及需要持续振荡或信号生成的设备中,都需要一个独立于外部定时的规则振荡源。因此,存在多种电子振荡器。(41,43)这些自维持振荡器件和配置在广泛的应用中至关重要,包括射频系统(其中它们能够生成稳定的载波信号);信号生成电路(需要精确且可调的频率源);无线通信系统(其中它们便于通过电磁波进行数据调制和传输);以及开关模式电源(其中使用受控振荡来高效转换和调节电能)。在这些应用中,维持精确且连续的振荡对于确保系统的可靠性、性能和效率至关重要。这些标准系统提供了有价值的分类指南。由于神经形态计算旨在获得由大脑特性导向的硬件,利用内在的材料特性和器件物理来复制计算功能是复制人工系统中生物神经现象的核心策略。最近,包括阈值切换(TS)忆阻器和有机晶体管在内的多种新兴振荡技术显著扩展了用于开发非传统计算方法的振荡器的领域。电化学振荡器多年来已被广泛研究。(27,45?47,54)在二元氧化物忆阻器VO2和Nb2O5中与金属-绝缘体转变(MIT)相关的S型电阻(32,34,55?58)已被广泛研究用于并行计算。(1,33,36,37,59?66) TS忆阻器(67?71)提供了快速、可逆的切换行为和低能耗,使其成为紧凑和可编程振荡电路的理想选择。同样,有机晶体管(72?78)带来了机械灵活性、低温处理和材料可调性的优势,这为非传统外形和可定制的电路行为打开了大门。在这里,我们采用了基于非线性动力系统的自振荡器的一般视角。我们没有依赖于替代方法(第4.5节)在特定操作点进行局部测试或传递函数分析(35,79),而是专注于控制微分方程的直接公式化和分析。这种方法使我们能够预先识别与稳定平衡、分岔和自维持振荡相关的参数范围。通过在一个统一的动力框架内表达经典振荡概念,我们旨在为材料科学、化学和物理学的研究人员提供直观和实用的工具,以便设计和控制类神经元振荡器。通过仔细调整自维持振荡器的参数,研究人员可以设计出不仅能够模仿生物系统中观察到的尖峰模式,而且能够实时适应变化输入的神经形态电路。第2节简要介绍了尖峰神经网络(SNN)、振荡神经网络(ONN)和人类认知活动中的神经模式,以建立自维持振荡器在非传统计算范式中的应用背景。通过模仿大脑处理信息的方式,这些系统在模式识别、自适应学习和实时决策等复杂任务中表现出色。(4)图3(c, d, e)展示了一个用于检测图像边缘的耦合振荡器网络的示例。(21)这些系统非常适合人工智能、机器人技术和边缘计算等应用,在这些应用中,低功耗、高性能的解决方案至关重要。(80)此外,第2节还提到了构成活跃研究领域的与振荡器相关的主题,如化学和生物网络,以及量子计算和概率计算。然而,在本文中我们没有讨论网络训练和计算算法等计算方法,这是一个单独的大课题。不过,与突触应用相关的忆阻器方程(81)的相关内容已在附录1中总结。第3节介绍了自维持振荡器的一般原理。之后,将分别讨论两种制造振荡器的主要方法,采用标准方法。(82,83)第4-6节关注基于NDR的振荡器类别。第4节介绍了展示分岔基本结构和主要振荡类型的两方程模型,并确立了主要的振荡和分岔属性。这些模型的基本成分在附录1和附录2中进行了讨论,Hopf分岔的分析方法在附录3中展示。第5节解释了涉及更多内部自由度的更复杂的振荡系统,包括用于生物神经元的HH模型。第6节展示了分析振荡器属性的一般方法。第7节提出的另一种方法与前面章节中的基于NDR的模型不同,它侧重于通过显式反馈回路构建的振荡器,这些回路涉及有源增益元件,如运放或晶体管。(84)本节对最具代表性的经典电子反馈基振荡器进行了分类和分析,并最终讨论了混合架构,其中反馈是通过功能器件材料的物理和化学性质来实现的。(43)这些技术共同使得创建可调、可扩展和节能的振荡器成为可能,非常适合集成到下一代神经形态系统中。2. 非传统计算中的振荡器应用在本节中,我们总结了使用神经元和振荡器作为关键计算元素的不同非传统计算方法,并讨论了自然认知系统中的一些元素。第2.5节和第2.6节简要介绍了量子信息科学和概率计算领域的令人兴奋的可能性,(85)尽管本文的其余部分将只讨论经典系统。第2.7节到第2.9节则讨论了如果ONN要成为实际应用的一部分必须仔细考虑的几个关键问题。2.1. 尖峰神经网络在神经形态电路中,编码信息的一个重要特征是神经元尖峰,它模仿了生物神经元通过离散动作电位进行通信的方式。神经元接收复杂的突触输入,并通过将这些输入转换为一系列电脉冲来进行通信。使用尖峰的原因在于它们一致的形状。(12)由于单个尖峰波形基本均匀,有意义的信息不在于尖峰的形状,而在于它们之间的时间间隔,称为尖峰间隔。这种通过时间而非波形细节来编码信息的策略增强了神经元之间通信的可靠性和可重复性。尽管神经信号在传输过程中可能会发生色散或衰减,从而改变尖峰的形状,但关键的时间信息仍然完整,确保了神经元之间的准确信号解释。在人工神经网络(ANNs)中,神经元作为基本计算单元,整合来自各种来源的输入。SNN是一种更接近模仿人类大脑处理信息方式的神经网络。(86)与通常处理连续值信号并通过加权和后跟静态激活函数计算神经元输出的传统的ANNs不同,SNN使用分布在时间上的离散电脉冲(尖峰)来编码和处理信息。重要的是,ANNs和SNN都依赖于输入的加权求和;然而,在SNN中,计算不仅依赖于突触权重,还依赖于尖峰到达的精确时间和神经元的时间动态。在SNN中,神经元在接收到的输入超过某个阈值之前保持不活跃,此时它们会“发射”一个尖峰信号。这种事件驱动的行为反映了生物神经元的工作方式,使SNN能够捕捉信号的时序和频率,这些都是类大脑计算的关键方面。时间编码使得SNN本质上更节能,对于某些任务可能更快,特别是在设计利用其异步和稀疏活动模式的硬件中。然而,由于尖峰事件的非微分性质,训练SNN更为复杂,它们通常需要专门的学习规则或来自预训练ANN的转换。目前,大多数神经网络是使用基于CMOS(互补金属氧化物半导体)技术的电路构建的,(6,87?89)这需要复杂的架构和大量组件来模拟尖峰计算行为,如图4b所示。(89?92)这些网络中的神经元依赖于由数十个晶体管和相当大的积分电容器组成的相对较大的电路。因此,使用当前的设计和制造技术来复制生物神经元的行为是具有挑战性的,这导致了高功耗以及在模拟人脑时的性能不佳。图4:(a) 电阻式交叉阵列实现了突触网络,而位于列末的神经元节点整合了来自阵列的加权和电流。(b) 一个CMOS集成-发射神经元设计的例子。膜电压在触发输出脉冲后会整合并放电。经参考文献(33)许可复制。版权2017 AIP Publishing。高分辨率图像。下载MS PowerPoint幻灯片。
在大规模计算系统中(93,94),主要的神经元类型是集成-发射(IF)神经元,当积累的电压超过阈值时,它会产生一个脉冲。(6)我们指出,IF方法不涉及自我维持的振荡,因为它们需要一个周期性输入或在发射后进行重置的机制,因此在本综述中不会讨论这一点。
人工神经网络(ANNs)中神经元之间的信号通过连接它们的突触的权重来调节,如附录1中所述。电阻式存储器(RRAM)和忆阻器可以通过调节电导值来模拟突触行为,这些电导值对应于突触权重。(95)实现这些系统的一种实用方法是将忆阻器排列在交叉阵列架构中。(91,96)这种布置包括垂直的行(字线)和列(位线),忆阻器或RRAM设备位于它们的交点上。每个交叉点处的设备存储一个特定的电导值,如图4a所示,有效地代表了人工神经网络中突触的权重。
交叉阵列的主要优势在于它能够在硬件中直接执行并行向量-矩阵乘法,显著提高了计算效率并减少了能耗。因此,交叉阵列特别适合在边缘计算和类脑系统中实现密集神经网络,在这些系统中,功率和空间是关键的约束条件。通过启用并行处理并将存储器与计算集成,它减少了数据传输并提高了效率,使其非常适合大规模神经网络应用。
如图4a所示,当输入电压向量应用于交叉阵列时,每个突触设备产生的电流(与其电导成正比)在每列的末端相加。(33)为了在神经网络应用中表示突触,忆阻器必须具有高精度的可编程性和许多不同的电导级别,以确保实验室制造和工厂生产的设备都能保持一致且准确的性能。(97,98)加权和电流在神经元节点处被整合,然后使用CMOS IF电路将模拟信号转换为离散的脉冲。脉冲的数量与输入电流的大小直接相关,实现了模拟到数字的转换。尽管传统的CMOS神经元电路通常需要数十个晶体管并且占用较大的芯片面积,这超出了交叉阵列的紧凑间距(99),但这种类脑设计展示了高效的向量-矩阵乘法实现——这是神经网络计算中的关键操作——同时实现了紧凑和节能的模式识别任务。图5展示了2 × 2 SNN的操作。(100)图5:(a) 由2个前神经元和2个后神经元组成的时空网络的概念图。前神经元和后神经元通过4个突触相互连接,形成了一个简单的脉冲神经网络(SNN)。(b) (a)中时空网络的电路实现示意图,以及突触阵列的突触权重图。Neuron1和Neuron2是LIF模型的简化示意图。刺激信号(电压信号来自Channel1和Channel2)在突触阵列上被整合。然后通过放大器放大流经突触阵列的电流,并将其转换为电压以刺激神经元。(c) 在Channel1 - Channel2输入序列下Neuron1的输出。(d) 在Channel2 - Channel1输入序列下Neuron1的输出。(e) 在Channel1 - Channel2输入序列下Neuron2的输出。(f) 在Channel2 - Channel1输入序列下Neuron2的输出。经参考文献(100)许可复制。版权2020 Elsevier。高分辨率图像。下载MS PowerPoint幻灯片。
S型NDR在二元氧化物忆阻器(如VO2和Nb2O5)中的应用已被MIT研究团队(32,34,55?58)提出用于并行计算,如图3所示。(1,33,36,37,59?66)MIT振荡器神经元可以与RRAM阵列集成。这种设备旨在取代传统上在类脑系统中使用的更复杂和更大的基于CMOS的神经元电路。电路级模拟表明,这种设计在面积更小、延迟更低、能耗更低以及泄漏功率更小方面具有明显优势。图6显示了铌氧化物(NbOx)神经元设备的开关特性。正如第4.7节详细讨论的,这种材料具有振荡特性。重要的是,这些振荡的频率与输入电流的强度相关,输入电流代表了神经网络中信号的总和。这使得MIT设备能够以更高效和紧凑的方式执行与脉冲神经元相同的功能。(33)
2.2. 振荡神经网络
最近一种解决复杂问题的方法是使用电振荡器网络。基于振荡器的计算(OBC)利用自我维持的振荡器来处理信息,由于其提供节能、并行和类脑计算替代方案的潜力而受到广泛关注。(39,40,101)信息通过振荡器之间的相位关系进行处理,如图3所示,允许ONNs在相位域执行模拟计算——这种方法非常适合模式识别和聚类等任务(1,36,37,59?66),如图7所示。(31)特别是,图7(a,b)展示了所有振荡器相互耦合的ONNs,类似于Hopfield网络。然而,并非所有情况下都需要这种全连接。振荡器之间的连接方式——无论是通过互易耦合还是非互易耦合——定义了网络拓扑,这对结果动态以及计算过程有着深远的影响。
2.3. 生物信息处理的神经模式
如图2所示,神经元与其对手通信的基本过程是产生脉冲,这是一种短暂但必不可少的电信号,也称为动作电位。自然神经元的脉冲表现出几种独特的特性,这些特性有助于生物信息处理的复杂性和效率。(49)当神经元放电时,它会产生一个仅持续几毫秒的动作电位,随后是一个不应期,防止立即重新激活。另一个关键特性是爆发性放电,即快速连续产生多个脉冲。这种现象对感觉感知、运动控制和认知功能至关重要,通常源于内在的离子通道动态或网络级相互作用。(108)相比之下,脉冲频率适应描述了神经元放电率如何随时间响应持续刺激而减少。(109)所有这些现象都促进了生物信息处理的复杂性和效率。(49)特别是,大脑动态或人类认知活动可以理解为按层次组织的一系列心理过程的相互作用,其中亚稳态——短暂的结构化活动模式——构成了感知、决策和行为的基础。(110)这种在行为背景下首次提出的心理功能顺序概念,已成为神经科学的一个基础思想(111),提供了关于大脑如何产生连贯的思想和行动流的见解。这种动态组织反映了大脑功能网络的层次结构(112),其中较低级别的感官过程输入到更高阶的整合网络中。
振荡神经电路,特别是中央模式发生器,依赖于内在的节律产生机制和模式形成过程。在研究这些网络时,一个基本问题是:单个神经元的内在活动如何受到突触动态和整体网络组织的影响,以及网络组件的集体活动如何产生协调的输出。(113)这些问题在第6.3节中有进一步的讨论。在过去三十年中,已经确定了两种主要的产生低频振荡的机制。第一种是起搏器驱动的节律生成,其中一个或多个同步神经元由于其内在的细胞特性而产生爆发性活动。(113)网络中的其他神经元组织主要神经元或群体之间的时序和相位关系,以产生连贯的时空输出。第二种机制是基于网络的节律生成,它不依赖于具有内在节律性的神经元。相反,节律性活动源于通过兴奋性和抑制性突触连接的持续放电神经元之间的动态相互作用。这些相互作用可以通过突触介导的调节不稳定性导致节律性爆发。然而,当一个系统中同时存在内在爆发性和基于网络的机制时,调控它们相互作用的原理仍然基本上不清楚,特别是关于这种混合系统如何产生稳健、灵活的输出(114,115),这突出了理解神经网络中复杂振荡动态的关键研究领域。整合了内在节律生成和突触机制(如爆发性活动)的神经形态架构可以更真实地模拟心理过程的层次性和顺序性。这些先进的系统不仅是模拟大脑功能的强大工具,也是开发能够以类似大脑方式执行认知任务的自适应、智能技术的基础。(7,116)在第5.1.2.4节中我们讨论了在人工系统中复制这种复杂放电行为是神经形态工程的核心目标。有趣的是,OBC可以扩展到非电学的、化学的和生物系统。化学振荡器,如Belousov-Zhabotinsky(BZ)反应,表现出化学浓度的周期性或非周期性变化。(117?120)它们的行为受非线性反应动力学和扩散的调控,通常通过反应-扩散方程或常微分方程组来建模。(23)这些系统可以通过编码振荡幅度、相位、频率或化学浓度波的模式来执行逻辑运算、存储和模式识别。(121?123)许多重要的生理过程,如p53蛋白的调节、细胞周期和昼夜节律,都依赖于振荡信号。(124)这些过程由复杂的电路控制,使生物体能够微调周期、幅度和相位等参数。然而,在工程化网络中实现类似的振荡控制起来更加困难。(125,126)实现稳定和精确的控制是一个重大挑战。(127,128)重要的是,能够独立控制幅度和周期的合成电路具有广泛的应用,包括频率分析、信号处理和设计先进的基因电路,如生物传感器和治疗性分子输送系统。
2.5. 用于信息科学的量子振荡器
量子状态定义了微观世界的行为,体现了量子理论核心的波粒二象性。量子计算代表了一个多世纪前建立的基础科学原理的当代发展。特别感兴趣的是量子状态的概率本质如何产生干涉效应和其他奇异的相关性,这些效应在测量结果中表现出来。量子力学的原理由两个关键现象特征化:叠加和纠缠,它们构成了量子计算的基石。(129)叠加指的是量子粒子能够同时存在于多个状态;而纠缠描述了粒子之间的独特相关性,即一个粒子的状态会立即影响另一个粒子,无论它们之间的距离有多远。这些一般概念衍生出了不同的工具:量子信息的基本单位——量子比特(qubits)以及量子门和电路。(130)量子计算提供了几个变革性的优势,可以解决未来的技术和科学挑战。其最显著的好处在于它能够比经典计算机更快地处理和分析大量数据,这要归功于叠加和纠缠等原理。这种增强的计算能力有潜力彻底改变密码学等领域,通过打破传统的加密方案并实现新的量子安全协议。在材料科学和化学中,量子计算机可以高精度地模拟复杂的分子相互作用,加速药物发现和新材料的开发。此外,量子算法在物流、金融和人工智能等领域的复杂系统优化方面也显示出潜力。随着这些能力的成熟,量子计算有望成为解决当前经典机器无法解决的关键问题的关键工具。
在量子计算中,使用了多种类型的物理振荡器来创建和操作量子比特,最常见的有超导谐振器、捕获离子和光学或微波腔。这些振荡器作为编码量子信息和实现受控相互作用的基本构建块。用于transmon量子比特等平台的超导谐振器基于展示量子化能级的微波频率电路(图8)。(131,132)捕获离子利用被限制在电磁场中的离子的量子化振动模式,从而对其量子状态进行精确控制。(133)光学和微波腔通常用于腔量子电动力学中,增强了量子比特与光子之间的相互作用,促进了量子状态的操控和读取。(134,135)在所有情况下,这些振荡器在以高保真度初始化、控制和测量量子比特状态方面发挥着关键作用,使它们成为量子硬件的基本组成部分。
基于振荡器在量子系统中的作用,拓扑物理的电路实现已经成为一种有前途的方法,用于在受控环境中模拟和探索奇异的量子现象。(136)在这种背景下,设计和使用电学和微波电路来模仿物质的拓扑相位,如拓扑绝缘体和超导体。(137)这些电路使用以特定几何形状排列的谐振器或电感器和电容器阵列来模拟拓扑系统的哈密顿量。(138,139)通过仔细设计耦合强度和边界条件,研究人员可以观察到与凝聚态系统中类似的受保护边缘模式和拓扑不变量。(140)这个平台为研究拓扑状态对无序和扰动的鲁棒性提供了多功能且高度可调的环境,这对于未来的容错量子计算应用至关重要。电路实现不仅提供了对基础物理的洞察,还为开发具有增强稳定性和抗错能力的拓扑保护量子比特铺平了道路。
2.6. 类量子系统和概率计算
实现主流量子计算的一个众所周知的障碍是量子状态的固有脆弱性,尤其是最有趣的那些状态,它们容易受到环境噪声和波动的干扰,这一过程称为退相干。使用p比特的概率计算是一种新兴的计算范式,它通过以可控和可调的方式利用随机性来弥合经典计算和量子计算之间的差距。(141)p比特(概率比特)是一个在0和1之间以可被输入信号偏置的概率波动的经典单元。与经典计算机中的确定性比特或量子系统中的量子比特不同,p比特本质上是随机的,但可以在室温下运行,并且使用CMOS、自旋电子学或磁隧道结等常规技术更容易实现。(142)p比特特别适合解决优化问题、概率推断和采样任务,这些问题在机器学习、神经网络和组合优化等领域中很常见。它们可以实现玻尔兹曼机器、伊辛模型和贝叶斯网络,为这些否则计算成本高昂的算法提供了一种硬件友好的方法。(142,143)振荡器在概率p比特计算中发挥着关键作用,主要作为随机信号生成器和时序/控制元件。在这种情况下,振荡器——通常使用热噪声源、环振荡器或磁动力学实现——用于产生波动信号,以受控的概率方式驱动p比特在0和1状态之间随机切换。(144)二元氧化物振荡器为建立p比特计算网络提供了一个方便的框架。为了实现紧凑的p比特元件,已经探索了基于NbOx的TS设备,利用了该材料的MIT行为。(66,146)这些设备在施加阈值电压时表现出明显的、可逆的电阻变化,从而具备了适合概率计算的随机切换特性。NbOx基TS设备的固有非线性和波动性使它们成为节能的、室温运行的p比特实现的有希望的候选者。通过在SiOx基TS中引入不稳定性,实验验证了p比特的操作(图9)。(145)虽然SiOx通常表现出稳定的TS和电压振荡,但引入Ti清除层产生了适合p比特行为的概率振荡。(147)图9显示了Nb/Ti2/SiOx/Nb堆栈的电流-电压特性和周期间切换电压分布。(b)在给定Vin下实现了概率Vout振荡。转载自参考文献(145)。高分辨率图像。下载MS PowerPoint幻灯片
有人指出,包括干涉效应在内的类量子概率规律可以在经典系统中表现出来。(148)可以使用基于扩展图的拓扑结构构建特殊的耦合振荡器网络——这些结构稀疏但连接性强,以其高效的信息传播和鲁棒性而闻名。在这些网络中,振荡器的集体动态产生了离散的涌现状态,尽管每个单独的振荡器随时间连续演化。这些系统的一个特别有趣的属性是它们能够生成代表两个不同配置的耦合振荡器子网络叠加的涌现状态。(149)最近的研究表明,由于电路拉普拉斯算子和薛定谔方程之间的数学对应关系,经典电路可以有效地模拟拓扑物理和量子系统。(150,151)这些电路还被用来实现受量子启发的信息处理,使用经典硬件探索类量子行为。(147)
2.7. 振荡式神经形态计算中的能源消耗和效率
能源效率是神经形态计算的一个核心动机,但在振荡系统中对其量化的需要仔细考虑。与通常将能量与离散逻辑操作相关联的传统数字电路不同,振荡式神经形态元件在连续时间内运行,其计算功能源于诸如放电、相位演化和同步等动态过程。因此,必须根据物理事件(如振荡周期、放电或耦合相互作用)而不是布尔运算来评估能源消耗。在生物神经元中,信息处理的能量成本通常通过代谢消耗来估计,早期研究表明,生成一个动作电位大约消耗几个皮焦耳的能量。尽管这些估计值有所不同,并且难以与体内的特定认知功能联系起来,但它们为旨在模拟神经动力学的人造系统提供了一个有用的参考尺度。(152,153)相比之下,在神经形态硬件中,电路级模型允许从电气变量更直接地估计能源消耗,提供了设备物理与计算成本之间更清晰的联系。对于单个自维持振荡器,平均功耗可以表示为P = ?V(t)I(t)?,其中括号表示一个或多个振荡周期内的时间平均值。与计算事件(如放电或振荡周期)相关的能量则为E = P/f,其中f是振荡频率。这种表述自然地适应了不同的操作模式,包括松弛振荡、放电状态和准谐振荡,并为比较不同振荡器实现提供了共同的度量标准。在这个框架内,不同类别的振荡计算设备展示了不同的能量功能权衡。基于TS和NDR的振荡器通常依赖于局部的高场或热过程,这可能会增加瞬时功耗,但在适度频率或接近分岔阈值时仍可能产生每周期低能耗。基于反馈的振荡器电路,包括基于晶体管的实现,通常对操作点和频率提供更大的控制,但代价是与活动增益元件相关的额外静态功耗。与传统数字电路不同,振荡性神经形态元件不通过顺序逻辑或算术运算来执行计算。相反,计算源自相互作用的振荡器之间的集体动态。例如,考虑一个全连接的振荡器网络——类似于Hopfield网络——作为关联存储器来工作。当施加输入(例如以分配给各个振荡器的电压幅度形式)时,系统会在特定配置下初始化,该配置的特点是振荡器之间有定义明确的相位差异。随着网络的发展,其动态会将其引导至有效能量景观的最接近最小值,对应于新的相位关系分布。此时,可以说系统已完成计算。为了使这一过程具有实际意义,必须通过编码所需的能量最小值来适当训练网络。这种编码是通过调整振荡器的内在参数或耦合元件(可能包括电阻器、电容器或它们的组合)来实现的。如果测试模式与存储的模式足够相似,振荡器会集体演化为同步状态(相位移键)或频率状态(频率移键),这被解释为成功的识别。相反,缺乏同步则表明识别失败。到目前为止,这种编码通常使用片外无源组件来实现,例如通过可编程电阻器或外部电容器。然而,实现具有内在功能重构和可编程性的振荡式神经网络——而不依赖于外部元件——对于实现紧凑、可扩展且节能的神经形态硬件至关重要。从物理角度来看,区分短期(易失性)和长期(非易失性或准非易失性)的可编程性是有用的。短期调制通常源于操作条件的可逆变化,包括偏置电压或电流、负载电阻或电容、温度以及瞬态离子或电子重分布。这些机制允许连续调整振荡特性,并能够快速重构尖峰行为,例如通过调整振荡频率或相位响应。这些模式特别适用于自适应信号处理和实时计算,其中需要快速且可逆的控制。相比之下,长期可编程性源于活性介质内部状态的持久变化。在许多自维持振荡器中,尤其是基于相关氧化物、电化学系统或混合离子-电子导体的振荡器中,电刺激可以引起持久的变化,如离子迁移、氧化还原状态变化、缺陷重分布或局部结构转变。这些过程改变了控制振荡的关键参数——如阈值电压、NDR强度或有效电容——从而可以在不同的动态状态下稳定切换。代表性的例子包括基于氧化物的振荡器,其中脉冲电应力会改变氧空位分布,从而导致振荡特性的可重复和长久变化。最近关于钒氧化物电化学存储系统的研究展示了如何通过控制的离子运动同时实现可重构性和长期保留,允许在无需持续电源输入的情况下编程和维持振荡行为。类似的原则也可以应用于有机电化学神经元,其中电化学掺杂水平作为调节兴奋性和尖峰动态的慢速内部变量。除了调整单个振荡器和耦合参数外,网络拓扑在确定振荡式神经网络中信息的编码和处理方式上也起着核心作用。连接模式——无论是全连接的、稀疏的、模块化的还是分层的——直接塑造了有效的能量景观,并限制了可访问的集体状态及其稳定性。因此,不同的拓扑会产生不同的同步机制和收敛特性,从全局同步和关联存储器行为到聚集的、部分的或亚稳态相位状态。重要的是,耦合拓扑为可编程性提供了额外的自由度。通过调整连接性——无论是通过电路设计还是可重构的耦合元件——相同的振荡单元可以实现不同的编码方案和计算功能。因此,在ONN中的编码源于振荡器参数、耦合强度和网络拓扑的相互作用,而不是任何单一元件的孤立行为。
长期稳定性和可靠性对于任何神经形态硬件平台来说都是关键挑战,特别是在利用非线性和远离平衡现象时。在生物系统中,通过跨多个空间和时间尺度的连续修复、冗余和自适应调节来确保持续的功能性。人工振荡系统缺乏细胞再生的直接类似物;然而,它们可以通过与传统数字电子学中使用的截然不同的动态、材料和架构机制来实现鲁棒性。在设备层面,许多自维持振荡器在不稳定性边缘附近运行,例如接近Hopf分叉或TS条件。然而,稳定的振荡对应于极限环,这是一种本质上是自我限制的动态状态。与不受控制的失控过程不同,极限环通过非线性反馈限制电流、电压和温度的波动,从而缓解与过量焦耳加热相关的灾难性故障模式。因此,在TS忆阻器和S型NDR设备中,振荡操作原则上比静态直流偏置更稳定,后者已知会促进传统半导体设备中的热破坏。尽管如此,材料特定的退化机制仍然相关。在基于氧化物的TS设备中,长期操作可能会受到丝状物过度生长、不可逆的化学计量变化或局部热损伤的影响。特别是基于VO2的设备由于材料的颗粒性质而特别容易退化,这可能会促进局部损伤。为了解决这些问题,已经探索了几种稳定策略,包括替代的制造途径和引入额外的层(如HfO2)以及定制的退火处理。尽管取得了这些进展,仍需要进一步的研究来完全缓解长期退化。另一种策略是识别在不发生永久结构变化的情况下表现出非线性切换行为的材料。在这方面,基于TbMnO3的钙钛矿薄膜已被证明能够在不需要电成形步骤的情况下提供稳定的振荡行为。虽然这些材料提供了有希望的稳定性优势,但仍需降低其能耗以满足实际神经形态应用的要求。类似地,有机电化学晶体管(OECT)振荡器也面临与电化学副反应、离子捕获和材料不稳定性相关的挑战,特别是在n型导体中。最近的材料策略——包括改进的封装、电解质工程、氧化还原稳定的聚合物和分子设计以抑制寄生反应——在操作稳定性方面显示出显著改进。虽然这些方法可能会改变振荡参数(如频率、幅度或响应时间),但这些变化通常可以纳入振荡器的动态设计中,而不被视为故障模式。振荡式神经形态系统的独特优势在于可能实现主动反馈稳定。通过电监控振荡特性(例如频率漂移、幅度衰减或相位噪声)可以实时指示设备状态和退化情况。然后可以采用适应性偏置、占空比控制或耦合调制来补偿材料缓慢演变,有效地实现一种电子稳态。这种方法类似于生物调节机制,其中功能是通过反馈而不是静态结构完美来保持的。最后,必须在网络层面考虑长期可靠性,而不仅仅是在单个设备层面。ONN展现出由冗余、集体同步和亚稳态带来的内在鲁棒性。单个振荡器的丢失或退化并不一定会损害系统级功能,因为计算分布在相位关系和瞬态协调模式中。此外,SiOx基设备中振荡周期的随机故障目前正在被探索作为概率计算范式的计算资源。从这些考虑来看,振荡式神经形态设备的长期可行性不仅取决于材料稳定性的进步,还取决于利用非线性动态的自调节性质、反馈控制和网络级弹性。这些特征为实现与生物智能中观察到的适应原则相一致的可靠神经形态硬件提供了一条途径。
振荡式神经形态设备的长期稳定性和可靠性对于任何神经形态硬件平台来说都是关键挑战,特别是在利用非线性和远离平衡现象时。在生物系统中,通过持续的修复、冗余和跨多个空间和时间尺度的自适应调节来确保持续的功能性。人工振荡系统缺乏细胞再生的直接类似物;然而,它们可以通过与传统数字电子学中使用的完全不同的动态、材料和架构机制来实现鲁棒性。在设备层面,许多自维持振荡器在不稳定性边缘附近运行,例如靠近Hopf分叉或TS条件。然而,稳定的振荡对应于极限环,这是一种本质上是自我限制的动态状态。与不受控制的失控过程不同,极限环通过非线性反馈限制电流、电压和温度的波动,从而缓解与过量焦耳加热相关的灾难性故障模式。因此,在TS忆阻器和S型NDR设备中,振荡操作原则上比静态直流偏置更稳定,后者已知会促进传统半导体设备中的热破坏。尽管如此,材料特定的退化机制仍然相关。在基于氧化物的TS设备中,长期操作可能会受到丝状物过度生长、不可逆的化学计量变化或局部热损伤的影响。特别是基于VO2的设备由于材料的颗粒性质而特别容易退化。为了解决这些问题,已经探索了几种稳定策略,包括替代的制造途径和引入额外的层(如HfO2)以及定制的退火处理。类似的多层方法也应用于NbOx基设备。尽管取得了这些进展,但仍需要进一步的研究来完全缓解长期退化。另一种策略是识别在不发生永久结构变化的情况下表现出非线性切换行为的材料。在这方面,基于TbMnO3的钙钛矿薄膜已被证明可以在不需要电成形步骤的情况下提供稳定的振荡行为。虽然这些材料提供了有希望的稳定性优势,但仍然需要降低其能耗以满足实际神经形态应用的要求。同样,有机电化学晶体管(OECT)振荡器也面临与电化学副反应、离子捕获和材料不稳定性相关的挑战,特别是在n型导体中。最近的材料策略——包括改进的封装、电解质工程、氧化还原稳定的聚合物和分子设计以抑制寄生反应——在操作稳定性方面显示出显著改进。虽然这些方法可能会改变振荡参数(如频率、幅度或响应时间),但这些变化通常可以纳入振荡器的动态设计中,而不是被视为故障模式。振荡式神经形态系统的独特优势在于可以实施主动反馈稳定。通过电监控振荡特性(例如频率漂移、幅度衰减或相位噪声)可以实时指示设备状态和退化情况。然后可以采用适应性偏置、占空比控制或耦合调制来补偿材料缓慢演变,有效地实现一种电子稳态。这种方法类似于生物调节机制,其中功能是通过反馈而不是静态结构完美来保持的。最后,必须在网络层面考虑长期可靠性,而不仅仅是单个设备层面。ONN表现出由冗余、集体同步和亚稳态带来的内在鲁棒性。单个振荡器的丢失或退化并不一定会损害系统级功能,因为计算分布在相位关系和瞬态协调模式中。此外,SiOx基设备中振荡周期的随机故障目前正在被探索作为概率计算范式的计算资源。在这种情况下,振荡式神经形态架构更接近于生物神经系统,而不是传统的确定性电路,在那里单一组件的故障可能是灾难性的。综合这些考虑,振荡式神经形态设备的长期可行性不仅取决于材料稳定性的进步,还取决于利用非线性动态的自调节性质、反馈控制和网络级弹性。这些特性为实现与生物智能中观察到的适应原则相一致的可靠神经形态硬件提供了一条途径。
振荡式自维持振荡器的原理早就在使用机械谐振器、电气电路和真空管等基本系统的基础上确立。这些方法随着电子和神经科学应用中的非线性动力学形式主义的扩展而得到发展。已经建立了相当成熟的方法来构建振荡设备。我们开始探索自维持振荡器时,采用了电子振荡器领域的原理。振荡电路的一般结构如图10a所示。一个主要部分是称为“电容器电路”的LC并联连接。对于没有损耗的理想电路(RL = 0),电容器在角频率ω处的阻抗为??????(??)=??1??0?????0??Ztc(ω)=i1L0ω?C0ω(1)图10。(a)包括具有电阻损耗RL的电容器电路和NDR元件(绿色块)的振荡电路,以及注入的电流I0。(b)电容器电路的阻抗模值作为频率的函数。(c, d)NDR的类型。绿色元件的电流-电压曲线显示出来。双稳态由稳定的绿色点表示,不稳定的点用红色点表示。当电路由外部交流电源驱动时,在频率??0=1??0??0?????????√ω0=1L0C0处发生共振。(2)在共振时,并联电容器电路产生周期信号,因为能量在电容器电场和电感器磁场之间不断振荡。这种来回的能量传递以恒定频率发生,产生自然、平滑且连续的振荡——就像正弦波一样。电感器和电容器吸收相等且方向相反的电流,因为它们的电抗相互抵消。电感器产生的电流滞后于电压,而电容器产生的电流领先于电压相同的量。这两个电流完全反相且幅度相等,因此它们相互抵消。结果,没有净电流从外部电源流入电路。从电源的角度来看,就好像电路根本没有吸收任何电流——本质上像开路一样。这就是为什么并联电容器电路在共振频率下的阻抗似乎是无限大的。共振是一个由电感器和电容器组合而成的有用图像,解释了神经元特性的一些方面。然而,我们的目标是开发在恒定输入下提供周期响应的振荡系统。在没有外部周期驱动的情况下,电感器中的损耗(图10a中的电阻RL)会导致能量逐渐减弱,阻抗的峰值如图10b所示受到限制。为了保持稳定的无阻振荡,可以在并联或串联中添加一个具有NDR(图10a中的绿色块)的设备。提供NDR的电路可以抵消电容器电路中的正电阻(损耗),从而消除阻尼,在振荡器的情况下维持振荡,甚至引起放大。NDR并不意味着“小于零欧姆”的典型电阻意义。它意味着当电压增加时,电流减少,即它是一种差分电阻,其中设备实际上提供功率而不是耗散它。NDR(负电阻)是电子振荡器中常见的特性,例如Esaki隧道二极管、Gunn二极管和共振隧穿二极管中都存在这一现象。(174,175) 图10a中的绿色块表示一个非线性元件,NDR元件的典型形状如图10(c, d)所示。N型元件在电流上具有双稳态特性,而S型元件在电压上具有双稳态特性。虽然可能会出现更复杂的情况,(26) 但在简单的I-u图中我们可以理解一个重要点:NDR元件需要保持在红色区域,因为在该区域内差分电阻是不稳定的。同时,内部电压和电流不是固定的,它们会在固定点周围振荡。在寻找自维持振荡时,一个主要问题是:当施加恒定的外部电压或电流输入时,内部电压将会是多少。为了回答这个问题,需要进行稳定性分析并找出分岔的条件。这将在第4.5节中详细解释,以确定电路在受外部电压、电流或其他材料参数控制下何时开始振荡。许多电子元件和电路配置都表现出NDR特性,在各种应用中起到关键作用,支撑振荡的进行。(175) 隧道二极管是最早被发现具有这种行为的器件之一。它们利用量子隧穿效应,在其电流-电压曲线中产生一个独特的区域——随着电压的增加,电流会减少。这种NDR区域使它们能够用于高频振荡器和放大器。Gunn二极管常用于微波振荡器,利用某些半导体(如砷化镓(GaAs)中的畴形成现象产生的体效应NDR。同样,IMPATT二极管通过结合雪崩击穿和传输时间效应产生高功率微波振荡,这两种效应都贡献了其NDR行为。尽管晶闸管和硅控整流器本身不是NDR器件,但可以在特定开关条件下将它们安排在松弛振荡器电路中以模拟NDR现象。本文的另一个主要研究主题是一类具有内在不稳定性的NDR器件。这类器件由含有内在不稳定机制的材料构成,并在较低的频率下工作。一个著名的代表是电化学振荡器,(27,45?47) 这将在第5.2节中进一步说明。另一个重要的例子是二元氧化物忆阻器(如VO2),它们具有S型电阻特性,并与MIT(记忆效应)相关,已被广泛研究用于OBC(振荡控制)。(1,36,37,59?66) 关于另一种标准方法,即基于反馈的振荡器电路(见第7节),我们最初关注的是Colpitts或Hartley振荡器等经典配置,这些电路不依赖于晶闸管的固有开关行为。相反,这些电路使用 tank共振器结合反馈环路和有源增益元件来补偿能量损失并维持稳定的振荡。在这些设计中,电路还对LC tank表现出有效的NDR效应,从而补偿能量损失并保持振荡。尽管这两种方法将分别讨论,但某些情况下也可能存在混合现象。实际上,NDR就像一个隐藏的放大器:它将能量反馈到系统中,自然地形成正反馈。引入结合物理共振元件(如具有内在NDR的器件)与电子反馈和放大的混合振荡器架构,将展示如何共同设计出高度可控的自维持振荡。
3.2. 极限环振荡器
动态系统由一组微分方程、变量和参数来表征。区分后两者非常重要。变量通常与随时间变化的物理或化学量相关,例如内部强度或电压,从而描述系统的动态行为,而参数与系统演化过程中保持不变的量相关,例如恒定的输入电流或电容。有趣的是,在某些情况下,参数的微小变化可能会引起系统行为的巨大变化,例如从稳定状态变为不稳定状态或振荡状态。事实上,这一现象是我们的主要研究内容之一。在这种情况下,引入了“相空间”的概念,这是一种多维空间,其中每个维度对应一个系统变量。(17,22) 因此,该空间中的每个点X对应于给定时间下的系统特定状态,定义系统的微分方程的解在给定初始条件下是该相空间中的轨迹。换句话说,这些轨迹描述了系统随时间的演化,无论是向前还是向后,当然也取决于系统的参数。由于自维持振荡对应于变量的稳定周期变化,它们在相空间中绘制的轨迹呈圆形,称为极限环。图11a展示了一个本工作重点关注的振荡系统的结构。该系统由一个非线性元件(绿色方块)组成,该元件具有一组内部变量{xi},以及类似于图10a中的tank电路的外部元件。这些模型的初步内容在附录中进行了回顾:附录1中回顾了没有NDR效应的忆阻器和化学电感器的模型,附录2讨论了最简单的单方程动态模型,该模型描述了NDR的瞬态行为。
在图11a相关的极限环振荡器模型中,一个通用方程是由于系统的整体电阻与外部电容器的耦合而产生的,这通常由内部电压u来表示。对于描述非线性元件的每个内部状态变量集{xi},还有一个额外的方程。这些xi变量对于确定系统的未来行为是必要的,因为它们代表了非线性(活性)元件的不同内部属性,如忆阻器理论中所描述的。(176) 因此,当相空间为X = (u, x)时,我们至少需要两个微分方程;当X = (u, x1, x2)时,需要三个微分方程,依此类推。变量集{xi}可以是具有多个自由度、空间非均匀性等的非线性系统中关键变量的理想化表示。如果我们选择的变量集能够描述系统的振荡特性的主要特征,那就足够了。通过系统的实际物理模拟可以获得更深入的理解,但这带来的缺点是计算量大且参数众多,从而使得下文解释的分岔关系相对于基于少数微分方程的标准方法变得难以理解。我们的建模方法足够灵活,可以描述许多不同类型的物理系统。因此,内部变量(表示为{?i})的行为会根据具体的系统而大不相同。为了理解这些系统的行为,我们专注于分析它们的动态变化——特别是当条件发生微小变化时行为发生巨大变化的情况,这种概念称为分岔。研究这种方法的一种方式是观察系统在稳定点附近的行为,使用微分方程的线性局部分析。这种分析非常有力,通常能让我们了解系统的总体行为。(23?25) 然而,当我们处理极限环振荡器(随时间自然重复其行为的系统)时,描述内部变量{xi}的方程通常采用一种称为松弛方程的特殊形式,其中?i = Gi (u, x1, x2, ...),这里的G是一个非线性函数。这些方程在第4.2节中有详细解释,描述了系统在受到干扰后如何快速恢复到平衡状态,并可能产生类似电感器的效应,(177),即系统响应中的记忆或延迟。一个显著的普遍事实是,所有极限环振荡器在振荡开始时表现得相似,尽管不同系统之间的振荡方式差异很大。有趣的是,这种行为与忆阻器的工作原理密切相关(见附录1),在第4.3节中我们将更详细地讨论忆阻器、电感器和自维持振荡器之间的联系。
我们还将探讨系统参数变化时出现的各种分岔效应,强调出现的复杂振荡行为。这种类型的研究对于构建和理解自维持振荡至关重要,以神经科学中的HH模型为核心示例。状态变量的数量越多,可以获得的振荡现象就越复杂。此外,每个方程?i = Gi引入了一个时间尺度参数τi,这些重要时间常数{τi}的相对值是分岔的一个核心方面,导致不同的振荡模式,如第5节所讨论的。(178) 这种方法在电化学振荡器中得到了很好的发展,例如,专门的实验已经建立了使用关键实验变量(如内部电压、浓度等)的详细模型。(27,45?47) 这种方法在许多科学分支中也有广泛应用,例如化学反应、(23) 光学、生物学和生物化学(125,126),在这些领域,常微分方程模型成为数学分析的自然基础。极限环振荡器是更广泛分布式问题的基本组成部分,其中一个全局解可以启发性地理解其他计算问题,(39,40,101),并有助于阐明自组织现象和时空复杂性。(51)
4. 基于NDR的双方程神经元振荡器
本节介绍用于形式化自维持振荡背后动态机制的数学模型。虽然方程提供了稳定性和分岔现象的严格描述,但主要物理见解可以通过伴随的定性讨论和图表来理解。我们已经指出,振荡现象的发生需要NDR行为。这一条件确保了系统中的小扰动可以导致持续的振荡,而不仅仅是简单地返回平衡状态。附录2中的讨论表明,通常一个变量不足以构成一个振荡系统,因为电容器的电抗没有被抵消。因此,最小的极限环振荡器由两个一阶微分方程组成,我们将在下一节中用FitzHugh-Nagumo (FHN) 神经元模型来说明这一结构。
4.1. 由两个方程组成的动态系统
我们首先对图11a中的系统进行一般性分析,该系统在第3.2节中有评论,其中绿色元件对于单一状态变量x具有电流函数Ig(u, x)。动态系统由以下方程描述:
$$\begin{align*}
\math?I_0 &= \math?U_{\mathalpha} - \mathu\mathR_1\\
\mathI_0 &= Va - u\mathR_1\\
\frac{\mathd\mathu}{\mathd\matht} &= 1\\
\mathC_0[\mathI_0 - \mathI_g(\mathu, x)] &= 0\\
\frac{\mathd\mathI_0}{\mathd\matht} &= 1\\
\mathG(\mathu, x) &= G(u, x)
\end{align*}$$
更一般地,考虑一组耦合的非线性微分方程:
$$\begin{align*}
\frac{\mathd\mathu}{\mathd\matht} &= \mathF(\mathu, x, \mathI_0)\\
\frac{\mathd\mathx}{\mathd\matht} &= \mathG(\mathu, x)\\
\frac{\mathd\matht}{\mathd\matht} &= G(u, x)
\end{align*}$$
这里u是设备中的电压,x是一个内部状态变量。相空间点是一个向量X = (u, x)。F和G是多值非线性函数,它们形成了相空间中的速度向量:
$$\mathV = \frac{\mathd\mathx}{\mathd\matht} = (\mathd\mathu}{\mathd\matht}, \frac{\mathd\mathx}{\mathd\matht} = (\mathF, \mathG)$$
$$\mathV = \frac{dX}{\mathd\matht} = (\frac{\mathd\mathu}{\mathd\matht}, \frac{\mathd\mathx}{\mathd\matht})$$
动态方法通过分析问题的稳态及其长期性能来提供相空间中轨迹的渐近行为。(24,25) 通过解代数系统
$$\begin{align*}
\mathF(\mathu, x, \mathI_0) &= 0\\
\mathG(\mathu, x) &= 0\\
\mathG(u, x) &= 0
\end{align*}$$
我们得到(6, 7)的稳态解Y0 = (u?, x?, I?0),它同时表示相空间平衡点X0 = (u?, x?)和驱动参数I?0。描述方程(9, 10)的两条曲线称为零线。零线代表系统中某些变量随时间不变的一组点,即其变化率为零。这些点对应于该变量的零相空间速度分量。(179) 稳态点Y0位于零线的交点处,此时平衡条件V = 0得到满足。需要澄清的是,平衡点或稳态并不意味着系统在那里是稳定的。如果从小扰动后系统能够返回到同一个点,那么这个平衡点是稳定的。否则,如果任何小的扰动随时间增长,那么平衡状态就是不稳定的。许多振荡器模型由两个方程组描述:一个代表快速、不稳定的变量,另一个代表缓慢、稳定的变量,这两个变量共同构成了通常所称的慢-快动力系统。(180,181) 这些系统的特点是存在不同的时间尺度,其中快速变量发生快速变化,而缓慢变量则演变得更慢,提供了稳定的影响。快速变量和缓慢变量之间的相互作用,加上NDR特性,使得自维持振荡的出现成为可能。在第4.2节解释的FHN模型中,快速不稳定的变量是u,而电感器是稳定元素。在第4.7节解释的S型振荡器中,情况则相反。(42) 对于由多个动力方程组成的系统,与各个方程相关的时间常数{τi}可以形成不同的快速和缓慢变量组合,从而导致复杂的振荡现象。(118,178,182) 这将在第5节中进行分析。在某些领域,特别是受生物或化学系统启发的领域,两变量振荡动力系统(如FHN模型)通常用一个激活剂和一个抑制剂来表示两个相互作用的组件来表述。激活剂是一个通过正反馈促进自身增加的变量或过程,推动系统远离平衡状态并趋向于更活跃的状态。相比之下,抑制剂的作用是抵消激活剂的影响,引入负反馈来抑制或限制系统的活动。这两种力量之间的相互作用——即激活剂的激励和抑制器的抑制——创建了一个循环模式,在这个模式中,系统的活动反复上升和下降。这种延迟反馈循环的平衡确保系统不会在一个恒定值上稳定下来,而是随时间以持续和自我调节的方式振荡。一个典型的例子可以在电化学振荡系统中找到(27,45?47),其中正反馈变量通常是电极电位(E)或吸附物种的表面覆盖率(θ),这将在第5.2节中进一步解释。在FHN模型中,快速的、不稳定的变量是u,而电感器是稳定元素。在S型振荡器中,情况则相反。(42) 对于由多个动力方程组成的系统,与各个方程相关的时间常数{τi}可以形成不同的快速和缓慢变量组合,从而导致复杂的振荡现象。(118,178,182) 这将在第5节中进行分析。
在一些领域,尤其是受生物或化学系统启发的领域,两变量振荡动力系统(如FHN模型)通常用一个激活剂和一个抑制剂来表示两个相互作用的组件。激活剂是一个通过正反馈促进自身增加的变量或过程,推动系统远离平衡状态并趋向于更活跃的状态。相比之下,抑制剂的作用是抵消激活剂的影响,引入负反馈来抑制或限制系统的活动。这两种力量之间的相互作用——即激活剂的激励和抑制器的抑制——创建了一个循环模式,在这个模式中,系统的活动反复上升和下降。这种延迟反馈循环的平衡确保系统不会在一个恒定值上稳定下来,而是随时间以持续和自我调节的方式振荡。一个典型的例子可以在电化学振荡系统中找到(27,45?47),其中正反馈变量通常是电极电位(E)或吸附物种的表面覆盖率(θ),这将在第5.2节中进一步解释。在FHN模型中,快速的、不稳定的变量是u,而电感器是稳定元素。在S型振荡器中,情况则相反。(42) 对于由多个动力方程组成的系统,与各个方程相关的时间常数{τi}可以形成不同的快速和缓慢变量组合,从而导致复杂的振荡现象。(118,178,182) 这将在第5节中进行分析。
在使用两个基本相互作用变量构建的数学模型中,这些模型能够生成自维持的振荡行为,例如激活剂-抑制剂系统,在各种科学和工程领域都有广泛的应用。(49,183,184) 这些应用包括神经科学(描述神经元的有节奏放电)、生物系统(如种群动态和酶动力学)、表现出振荡行为的电气电路,以及气候科学(帮助模拟周期性变化)。这类模型的多功能性突显了它们在理解和预测自然和人工系统中的复杂动态现象方面的重要性。例如,许多VO2振荡器设备通常只需要用两个微分方程来描述。(185,186) 然而,其他系统需要更多的记忆变量,这将在第5节中讨论。例如,一些电化学振荡器通常由三个记忆变量组成,从而产生四个微分方程。(45,187) 论文中讨论的所有模型的综合列表见表1。
表1. 振荡模型
模型 方程 应用
2变量 FitzHugh-Nagumo神经元 描述了一个N型-NDR振荡系统。图12.2
Izhikevich 一个IF模型,再现了Hodkin-Huxley模型的大部分尖峰现象。图19
如果 u > 30,则 u = c 且 x = x+d
Rinzel (188) 和 Wilson (14) 神经元 再现了HH模型的基本动态,但采用了简化的2D版本
4Morris-Lecar神经元 (189) 描述了藤壶巨大肌纤维中的电压振荡。可以将其视为HH模型的简化版本。图23
xeq 和 τk 的形状分别与模型75中的 meq 和 τm 相似
3变量 Koper (118) 描述了在含硫氰酸盐介质中In3+电化学极谱还原为In0的过程,产生MMO。图20
4变量 Hodgkin-Huxley模型 最初用于解释鱿鱼巨大轴突的行为。它再现了由门控离子通道调节的神经元电压动态。图21
heq 和 neq 的形状与 meq 相似
τh 和 τn 的形状与 τm 相似
4.2. FitzHugh-Nagumo模型
FHN模型是最简单的具有非平凡行为的极限环振荡器模型之一。(190?194) FHN模型是van der Pol振荡器的发展,并被用于多种神经振荡器中。(30,52,195?199) 这两个模型代表了更广泛的N型振荡器类别。FitzHugh (190)首次开发的这个模型将HH模型的复杂神经元行为动态简化为一个两变量系统。正如我们将看到的,这是具有Hopf分叉的振荡系统的基本形式。Nagumo等人(191)表明,该模型对应于图12a所示的电路。他们使用隧道二极管作为具有NDR的非线性元件。可以看出,图12a中的电路实际上是图10a中一般模型的直接表示。图12展示了FHN模型的电气表示:(a) 电压u;I0输入电流;x = 电感器中的电流iL;Ig(u)可变电阻;C0电容;Ra电阻;La电感器。(b) u - I0平面。绿线代表电流的快速分量,粉线代表慢速分量。当两者结合时,形成蓝线,即稳定的u - I0特性。蓝点是在标称电位(uapp = 0.7)下的稳态点,橙线是相应的恒定电流I0 = 0.387 A。红点是在uB = 0.775 V处的Hopf分叉点。(c) 在固定r0a = R0/Ra时的分岔图。(d) 绿线是零线F = 0,粉线是零线G = 0。在恒定电流I0 = 0.507 A时的轨迹和矢量速度。橙点是起始条件。颜色流线表示矢量场的范数。参数:R0 = 0.5 Ω;Ra = 0.455 Ω;τ0 = 0.01 s;? = τ0/τL
使用两个基本相互作用变量构建的数学模型,这些模型能够产生自维持的振荡行为,例如激活剂-抑制剂系统,在各种科学和工程领域都有广泛应用。(49,183,184) 这些应用包括神经科学(描述节律性神经元放电)、生物系统(如种群动态和酶动力学)、表现出振荡行为的电气电路,以及气候科学(帮助模拟周期性变化)。这类模型的多功能性强调了它们在理解和预测自然和人工系统中的复杂动态现象方面的意义。例如,许多VO2振荡器设备通常只需要用两个微分方程来描述。(185,186) 然而,其他系统需要更多的记忆变量,这将在第5节中讨论。例如,一些电化学振荡器通常由三个记忆变量组成,从而产生四个微分方程。(45,187) 论文中讨论的所有模型的综合列表见表1。
表1. 振荡模型
模型 方程 应用
2变量 FitzHugh-Nagumo神经元 描述了一个N型-NDR振荡系统。图12.2
Izhikevich 一个IF模型,再现了Hodkin-Huxley模型的大部分尖峰现象。图19
如果 u > 30,则 u = c 且 x = x+d
Rinzel (188) 和 Wilson (14) 神经元 再现了HH模型的基本动态,但采用了简化的2D版本
4Morris-Lecar神经元 (189) 描述了藤壶巨大肌纤维中的电压振荡。可以视为HH模型的简化版本。图23
3变量 Koper (118) 描述了在含硫氰酸盐介质中In3+电化学极谱还原为In0的过程,产生MMO。图20
4变量 Hodgkin-Huxley模型 最初用于解释鱿鱼巨大轴突的行为。它再现了由门控离子通道调节的神经元电压动态。图21
heq 和 neq 的形状与 meq 相似
τh 和 τn 的形状与 τm 相似
4.2. FitzHugh-Nagumo模型
FHN模型是最简单的具有非平凡行为的极限环振荡器模型之一。(190?194) FHN模型是van der Pol振荡器的发展,被广泛应用于多种神经振荡器中。(30,52,195?199) 这两个模型都代表了更广泛的N型振荡器类别。FitzHugh (190)首次开发的该模型将HH模型的复杂神经元行为动态简化为一个两变量系统。正如我们将看到的,这是一个具有Hopf分叉的振荡系统的基本形式。Nagumo等人(191)表明,该模型对应于图12a所示的电路。他们使用隧道二极管作为具有NDR的非线性元件。可以看出,图12a中的电路是图10a中一般模型的直接表示。
图12. FHN模型。(a) 电气表示。u表示电压;I0表示输入电流;x = 电感器中的电流iL;Ig(u)表示可变电阻;C0表示电容;Ra表示电阻;La表示电感器。(b) u - I0平面。绿线代表电流的快速分量,粉线代表慢速分量。两者结合形成了蓝线,即稳定的u - I0特性。蓝点是标称电位(uapp = 0.7)下的稳态点,橙线是相应的恒定电流I0 = 0.387 A。红点是uB = 0.775 V处的Hopf分叉点。(c) 在固定r0a = R0/Ra时的分岔图。(d) 绿线是零线F = 0,粉线是零线G = 0。在恒定电流I0 = 0.507 A时的轨迹和矢量速度。橙点是起始条件。颜色流线表示矢量场的范数。参数:R0 = 0.5 Ω;Ra = 0.455 Ω;τ0 = 0.01 s;? = τ0/τL
两个变量是膜电压u和内部恢复电流x(电感器中的电流),后者代表了离子通道电导随电压的变化。总跨膜电流I0是一个参数。图12a中所示的电路由以下方程描述:
(197,200)
??0????????=??0?????(??)???
C0
dudt=I0?Ig(u)?x
(11)
????????????=?????????
Ladxdt=u?Rax
FHN模型由以下形式的可变电阻定义:
????(??)=1/??0(??33???)
Ig(u)=1/R0(u33?u)
(13)
其中R0是一个常数电阻参数。(11, 12)的稳态解为:
??0=1/??0(??33???)+??????
I0=1/??0(u33?u)+uRa
(14)
这是图12b中的蓝线。总电流有两个分量,绿曲线是方程13,粉曲线是I = u/Ra。
FHN方程在表1.1中给出,我们有以下形式:
(15)
??=1/??0(?????33)+1/??0(??0???)
F=1/τ0(u?u33)+1/C0(I0?x)
(16)
??=1/?????????????????
G=1/τLRau?x
τL
(17)
零线在图12(e, g)中标出。它们在蓝点处相交,对于任何初始条件,都会围绕它形成一个闭合的轨迹,从而产生如图12(f, h)所示的电压振荡。这是一个称为极限环的稳定振荡解。
为了产生这种振荡行为,动力系统需要满足一些要求,我们将在接下来的部分解释。系统的特征是电压响应时间的时间常数:
R0
??0=??0??0
(17)
以及电感子子电路的恢复电流响应时间:
Ra
La
τL
(18)
图12中显示的进一步动态行为将在接下来的部分讨论。
4.3. 当电感器“免费”时:不需要电感器
我们之前强调过NDR是获得自维持振荡所必需的非线性元件。这一核心特性将在第4.5节中讨论。但在那之前,我们想指出图10a中的工程电路与我们的参考电路图11a之间的一个显著区别。后者不包含电感器,而电感器也是振荡所必需的成分!接下来,我们将展示方程(4, 5)已经包含了一个电感器,因此无需像在FHN模型中那样单独添加电感器。
为了推导出这一特性,我们在系统中引入了一个小的交流输入信号ΔI0,由于扰动很小,假设其反应是线性的。然后,在特征曲线上的一个稳态点Y0 = (u?, x?, I?0)处计算得到的阻抗。这种线性化方法在附录2中用简单的例子进行了说明。对于相空间向量小变量ΔX = (Δu, Δx),线性化后的方程为:
(19)
??????[Δ??Δ??]=????[Δ??Δ??]+1/??0[ΔI00]
ddt[ΔuΔx]=JX[ΔuΔx]+1/C0[ΔI00]
(20)
在Y0处评估的雅可比矩阵为:
(21)
????=[????(??0)????(??0)????(??0)????(??0)]
JX=[Fu(Y0)Fx(Y0)Gu(Y0)Gx(Y0)]
(22)
这里的下标表示偏导数,由方程(4, 5)定义,去掉在Y0处计算的明确指示后,我们有:
(23)
????=?1??????0?????????????0????
JX=[?1/RbC0?IgxC0GuGx]
(24)
我们用s = iω替换方程19中的d/dt,其中s是拉普拉斯变量,得到以下方程:
(25)
Δ??0=??0??Δ??+1/????Δ??+??????ΔxΔI0=C0sΔu+1/??bΔu+IgxΔx
(26)
求解Δx,我们得到阻抗:
(27)
??(??)=Δ??Δ??0=(1/????+??0??+?????????????????)?1
Z(s)=ΔuΔI0=(1/??b+C0s+IgxGus?Gx)?1
(28)
括号中的第三项可以转化为:
(29)
??(??)=(1/????+??0??+1/????+??????)?1
Z(s)=(1/??b+C0s+1/Ra+Las)?1
其中:
(30)
????=???????????????
Ra=?GxIgx
(31)
是一个电阻器,而
(32)
La=1/IgxGu
在图11b中,我们区分了两种主要的稳态能量输入情况:一种是恒定施加电流I0的情况,另一种是恒定施加电压Va的情况。这两种情况下振荡器的响应(180,211)有显著差异,每种情况根据预期应用和系统级要求都具有不同的优势和劣势。负载线是一种用于分析和设计振荡器设备的图形工具,它有助于确定工作点并理解有源器件如何与电路的其余部分互动,特别是在反馈和调谐网络方面。负载线是在器件特性曲线上绘制的一条直线,表示外部电路(尤其是电阻负载和供电电压)所施加的约束。图11b展示了在恒定电流(蓝线)和恒定电压(橙线)下运行的S型振荡器的负载线。在恒定电流的情况下,负载线是一条水平线,它确定了一个稳定点(绿色)。在恒定电压的情况下,用方程4替代为????????=1??0[?????????1?????(??,??)]dudt=1C0[Va?uR1?Ig(u,x)](38)。负载线是由方程3得出的直线,它将振荡器设置为非线性动态(NDR)点(红色)。当振荡器在恒定电流模式下运行时,也称为电化学术语中的恒电流模式时,图11a中显示的外部电阻器变得无关紧要,因为电流是外部固定的,不依赖于串联电阻。相比之下,在恒定电压模式下,也称为恒电位模式时,电阻器在决定流经系统的电流方面起着关键作用。因此,它成为一个重要的设计参数,直接影响振荡器的行为。虽然这种额外的灵活性有助于微调电路的动态,但它也在设计和分析阶段引入了额外的复杂性。使用恒定电压源通常与现代神经形态电路设计更为兼容,特别是因为它与传统CMOS技术一致。基于CMOS的系统通常处理电压信号,使电压模式电路更容易与现有的数字和混合信号组件集成。此外,电压模式操作使得设计能够在非常低的供电电压下工作的电路成为可能,从而降低了整体功耗——这对于能耗高效和电池供电的设备是一个关键因素。另外,电压放大器、缓冲器和其他支持组件的广泛可用性进一步简化了基于电压的振荡器系统的实现。
在某些情况下,系统参数的特定值会导致系统稳定性的质变。这些临界值被称为分岔点,相关的参数被称为分岔参数。Hopf分岔是动力系统理论中的一个基本概念,描述了当系统参数穿过一个临界阈值时,从稳定平衡状态到周期性振荡状态的转变。为了发生Hopf分岔,至少需要两个相互作用的变量,如第4.2节所讨论的,这样方程(6, 7)才能形成一个最小的振荡模型。控制稳态和振荡状态之间转变的Hopf分岔机制,在塑造人工神经元的行为中起着至关重要的作用。通过对方程的线性局部分析,可以有效地表征动态模型的分岔和稳定性特性,这是我们在方程19中使用的方法。因此,通过在多维相空间中对不同演化轨迹进行分类,利用线性化过程来获得小扰动速度矢量场ΔVΔ??=??Δ??????=(??Δ??????,??Δ??????)ΔV=dΔXdt=(dΔudt,dΔxdt)(39)。对于一个固定的外部参数(ΔI0 = 0),方程19在稳态点Y0处变为??????[Δ??Δ??]=????[Δ??Δ??]ddt[ΔuΔx]=JX[ΔuΔx](40),其中JX是方程20的雅可比矩阵。ΔV场指示了轨迹的方向,可能会接近Y0或远离它等。JX的对角化过程建立了该点的动态特性,表明了轨迹流动的方向。这些代表动态系统的微分方程的一般特性在Arnold的书中(22)以及许多其他文献中都有详细解释。(23?25)特征值的标准公式在附录3中给出。它们是方程??2?????(??0)??+Δ??(??0)=0的解(41)。JX的迹是????=????+????(42),而行列式是Δ??=?????????????????(43)。一对共轭特征值的一般表达式??±=??±????(44)提供了关于以下内容的重要动态信息:(i)实部α中的演化时间常数。如果实部为负(正),则状态Y0将是稳定的(不稳定的)。(ii)虚部iω中的振荡解。为了澄清解释,让我们定义一个特征时间常数????(??0)=?1??=?2????(??0)τλ(Y0)=?1α=?2Tλ(Y0)(45)和一个特征频率????(??0)=[Δ??(??0)?1????2(??0)]1/2ωλ(Y0)=[Δλ(Y0)?1τλ2(Y0)]1/2(46)。然后我们可以将特征值(方程44)写为??±=?1????(??0)±??????(??0)λ±=?1τλ(Y0)±iωλ(Y0)(47)。在Hopf分岔中,当α = 0时,稳态的稳定性通过λ的实部符号的改变而改变,从而产生周期性轨道或极限环,如图12(e, g)所示。(14,23)换句话说,雅可比矩阵JX的特征值的实部穿过零,意味着Tλ = 0,这使得稳态点不再是双曲的。同时,行列式Δλ保持正值。(212,213)极限环是唯一的,所有解都趋向于它,无论初始条件如何。在Hopf分岔点,当Y0 = YB且Tλ (YB) = 0时,会得到频率为ω0B的正弦振荡(附录3),其中??0??(????)=[Δ??(????)]1/2ω0B(YB)=[Δλ(YB)]1/2(48)。注意,方程(46, 48)仅在分岔点的附近有效。在远离分岔点的位置可能会发生其他类型的周期性运动,如松弛振荡。这将在第4.6节和第4.7节中说明。在超临界Hopf分岔中,随着参数的变化会出现一个幅度小、频率有限的稳定周期性轨道(极限环)。这与亚临界Hopf分岔形成对比,在亚临界Hopf分岔中会出现不稳定的极限环,且在分岔之前平衡状态就变得不稳定,通常会导致行为的突然跳跃。除非另有说明,我们下面的例子都是指超临界Hopf分岔。
对于FHN模型的方程(15, 16),我们有????=1??0(1???2)1?????????1??0?1????JX=[1τ0(1?u2)?1C01τLRa?1τL](49)。分岔参数是??=??0????=??0??????0?????=τ0τL=R0RaC0La(50)??0??=??0????r0a=R0Ra(51)。迹和行列式变为T??=1??0(1???2???)(52)Tλ=1τ0(1?u2??)(52)Δ??=1??0????(?1+??2+??0??)Δλ=1τ0τL(?1+u2+r0a)(53)。Hopf分岔点出现在电流IB对应的电压????=±(1???)1/2处(54)。方程50中的?参数决定了振荡发生的电压范围。在固定的I0下,Hopf分岔发生在????(??0)=1???ˉ(??0)2?B(I0)=1?uˉ(I0)2(55)处,频率为??0??(????)=1(??0????)1/2(r0a??)1/2ω0B(YB)=1(τ0τL)1/2(r0a??)1/2(56)。如果电容器C0太大(或电感器太小),即?的值太大(见方程50),则不允许振荡。这一特性在图12c的分岔图中观察到。此外,只有当|I0| ≤ |IB|时,Tλ ≥ 0,并且系统表现出频率为ω0的极限环振荡,如图12(e, f)所示。我们根据来自Poincaré和Lyapunov的非线性动力学系统语言,开发了时间依赖轨迹(如极限环)稳定性的通用标准。(22)在控制论等其他领域也可以找到等效的陈述。控制论是工程和数学的一个分支,它研究如何使用输入来影响动态系统(如机器人、飞机或温度控制系统)的行为。(79)在这种情况下,Routh-Hurwitz准则提供了一种通过分析其特征多项式来评估线性系统稳定性的方法。它基本上指出,为了使系统稳定,所有系数必须满足特定的符号条件。其中最重要的一点是确保弹性和阻尼项都是非负的。这些术语有助于系统返回平衡状态,并防止响应的无界增长。振荡设备和电路的行为也经常使用Chua的局部活动理论及相关混沌边缘的概念来讨论。(35,214)在这个框架中,稳态工作点根据它们局部耗散或提供能量的能力进行分类,而振荡行为则是通过将设备嵌入带有色散元件的电路中并分析其局部稳定性来研究的。这些方法提供了有价值的准则,以识别能够产生自维持动态的操作条件。
松弛振荡是一种在某些物理、化学和生物系统中观察到的重复性、周期性行为,其中系统会逐渐积累能量或增加某个变量,然后迅速释放它。这种行为可以在放电的神经元、心跳、某些化学反应和气候周期中找到。与接近超临界Hopf分岔点的平稳正弦振荡不同,如图12(e, f)中的电气LC电路所示,松弛振荡的特点是有两个不同的时间尺度:一个慢的积累阶段和一个快的释放阶段,或者说,一个变量的变化比另一个变量慢得多。(215?217)Van der Pol振荡器是引入松弛振荡的经典例子。在类似于Van der Pol模型的FHN模型中,当电容器值C0较小时,我们会得到松弛振荡,如图12(g, h)所示。系统沿着u? = 0线移动。当达到一个折点时,会通过快速的突然转变跳转到另一个稳定分支。松弛振荡可以被视为系统在两个阈值之间切换的现象。这些振荡的频率主要由运动的积累部分决定,而松弛时间RC0或R/L(18)比Hopf分岔时的正弦振荡要长得多。重要的是,电子学中一些最基本的松弛振荡器都是基于这种阈值穿越和极性切换的原理,通过简单的反馈环路实现的。一个代表性的例子将在第7节中研究,涉及配置为比较器和积分器的运算放大器。
在前面的章节中,我们讨论了FHN模型,这是一个双变量N型电流-电压曲线系统,其中电压是电流的多值函数。(30,52)现在我们将注意力转向图10d所示的双变量S型曲线系统。S型系统在许多半导体设备中都能找到(218),特别是在双稳态半导体中,电不稳定性和材料非线性之间的相互作用导致了复杂的动态现象,如电流细丝、行波和稳态模式。这些都是理解双稳态半导体设备操作的核心(219),并且已经进行了广泛研究。NbO2和VO2的二元氧化物振荡器是S型系统的代表。它们已经在第2节中介绍过,见图3、6和9,其详细特性在图14中展示。这些材料是亚化学计量比的过渡金属氧化物,表现出温度驱动的MIT效应,导致图6中所示的S型NDR。(28,36,37,220)当电流通过材料时,焦耳热效应导致从绝缘状态到金属状态的相变,迅速增加电导率。(34,55,57,58)这种转变之后是冷却和恢复到绝缘状态,产生周期性振荡。(221)图14图14。图14。(a)带有串联电阻器的VO2设备的示意图。(b)设备的I–V特性。经参考文献(36)许可复制。版权所有2022 IEEE。(c)VO2有源忆阻器的典型双端准直流电压控制(力V)和电流控制(力I)I-V特性。在电压控制模式下存在宽的滞回环,这是由于莫特转变(蓝色箭头)。相同的莫特转变也体现在“S”形的NDR(负阻转变)区域中(用青色标出),在该区域中,电流控制模式下滞后现象(红色箭头所示)显著减弱。在静止状态下,电阻负载线与I-V曲线在NDR区域之外相交(绿色虚线)。输入电流或电压刺激可以使负载线进入NDR区域(绿色虚线),从而引发动作电位的产生(尖峰现象)。资料来源参考文献(28),采用CC-BY 4.0许可协议。版权所有2018年,作者。由Springer Nature出版。
在这些电热S型振荡器中,活性区域的内部热状态(通常称为局部温度)在决定NDR区域的存在以及振荡动态的开始方面起着核心作用。(222)在本综述采用的一般建模框架中,局部温度可以自然地与动态方程中使用的内部状态变量x相关联。(223,224)在这种物理实现中,电流-电压特性受到局部温度的直接影响,而不是某个抽象的内部变量。这种温度的时间演变源于焦耳功率耗散P(t) = i(t)u(t)与向环境散热之间的动态平衡。控制这一平衡的关键参数是热导率,它不同于电导率,用于量化热量从设备传导到周围环境的效率。重要的是,在MIT材料中,热导率本身可能表现出显著的温度依赖性,从而引入了额外的非线性来源。这种电传输、局部温度和热耗散之间的相互作用可以生成、抑制或重塑NDR区域,从而调节工作点的稳定性和活性振荡区域的范围。虽然必须根据每个材料系统调整内部变量和参数的具体物理解释以反映实验条件,但不同的S型振荡器在非线性动力学分析上在形式上是相似的。
正如第2节所提到的,VO2和NbO2振荡器(31-35)适用于OBC(氧化物半导体电路)范式(32,40,56,225-228)。这些振荡器在解决复杂的计算任务(如模式识别、联想记忆和信号处理)方面展示了潜力。(1,36,37,59-66)接下来,我们将讨论振荡频率与电路和内部参数之间的关系,这对于ONN(光学神经网络)和SNN(开关型神经网络)的运行至关重要。
基于方程(4, 5),可以建立S型振荡器的动态模型,如下所示(42,186,229):
??0????????=??0???(??)??
C0dudt=I0?g(x)u (57)
????????????=??(??)?????
τkdxdt=g(x)u?x (58)
这里g(x)是非线性元件的电导率,定义如下:
??1=??(??)?? (59)
该模型在图15a中进行了展示。
图15:恒定施加电流I0时S型系统的分岔特性。(a) 振荡电路。(b) 静态曲线u(I0)(蓝色)和恒定电流线:I0 = 0.1 A(橙色),I0 = 0.2 A(绿色)。折叠点已标出。参数a = 50 V/A3,b = 0.2 A,c = 1 Ω,R0 = 4 Ω,τk = 0.01 s。(c) 分岔特性。粉色线表示Tλ = 0时的电容值。蓝色点是u(I0)曲线的折叠点。水平和垂直虚线分别对应于恒定C0(橙色)和恒定I0(绿色)的投影线,通过这些投影线在(e)和(f)中计算了u值的最大值和最小值,箭头指示了Hopf分岔发生的点。(d) 在I0 = 0.2 A时,随C0变化的振荡频率。黑点对应于Hopf分岔点。虚线橙色和蓝色线分别对应于方程68,其中ωR ≈ 1/C0。资料来源:Bisquert, J.等人,《J. Phys. Chem. Lett.》2025, 16, 3616–3631。版权所有2025年美国化学会。
在S型振荡器中,u(I0)是单值的。为了展示典型的S形电流-电压曲线,考虑了以下三次函数(186,229):
??=??[(??0???)3+??3]?????0 (60)
其中a、b、c是参数。这就是图15b中的蓝色曲线。电导率函数为:
??(??)=1??(??2?3????+3??2)??? (61)
方程20的雅可比矩阵为:
????=???1????????, ??(??)????, ??′(??)??? (62)
可以得出迹的表达式:
????=???(??)??0+1????(??′(??)???1) (63)
以及行列式:
Δ??=??(??)??0???? (64)
由于对于选定的a、b、c参数,g(x) > 0,因此Δ??始终为正。已经开发了一个比方程61更现实的模型,并通过晶闸管S振荡器进行了实验验证。(230)
S型振荡器的分岔特性已被广泛描述(32,186,229),并且这一主题最近也得到了回顾(42)。在分岔点附近,振荡从谐波振荡[图16(a, b)]逐渐转变为脉冲状、三角形的放松振荡[图16(c, d)](215-217)。关于(I0,C0)的分岔区域由Tλ = 0定义,当Tλ > 0时会发生极限环振荡,见图15c。已经有关于该图的实验观察结果的报告(187,231)。
图16:固定电流下的振荡行为。相图(a)、零线(c)以及动态演化的u变量轨迹(b, d)。橙点表示初始条件。点ri = (ui,xi),ti = (ui+2,xi+2),i = 1,2,表示放松振荡的轨迹。参数a = 50 V/A3,b = 0.2 A,c = 1 Ω,τk = 0.01 s,TH = 2 π/Δλ1/2。(a, b) I0 = 0.2 A,C0 = 0.0101 F,TH = 0.063 s;(c, d) I0 = 0.2 A,C0 = 10 F,TH = 2.00 s。初始条件为u(t0) = 0.18 V,x(t0) = 0.2 A。资料来源:Bisquert, J.等人,《J. Phys. Chem. Lett.》2025, 16, 3616–3631。版权所有2025年美国化学会。
对于恒电流模式,只有当电流位于图15b所示电流-电压曲线的折叠点(u(xF),xF)之间时,才会发生分岔。它们满足:
??′(????)??(????)=1 (65)
微分电阻为:
????=????????=1???′(??)????(??) (66)
当g’(x)u > 1时,NDR区域发生在折叠点之间。在S型振荡器中,快变量和慢变量的条件与N型系统相反。这可以在图16d中看到的放松振荡的垂直翻转中观察到。如果电容器C0变小,振荡将无法发生(60,186)。振荡发生的电容器下限是分岔点处的值:
??0??=??????(??)??′(??)???1 (67)
如图15c所示。在图15(e, f)中,我们观察到沿着图15c中的分岔区域移动时振荡的幅度。在分岔点附近发生的低幅度振荡的频率为:
????=(??(??)??0????)1/2ωλ=(g(x)C0τk)1/2 (68)
引入方程67后,可以得到Hopf分岔处的频率:
??0??=1????(??′(??)???1)1/2ω0B=1/τk(g′(x)u?1)1/2 (69)
在图15d中,我们观察到振荡频率(红线)从ω0B(黑点)开始。在C0值较小的范围内,频率遵循方程68;而在电容器值较大时,频率由放松振荡的极限形式ωR ≈ 1/C0很好地描述。图17(a, b)展示了恒电压下的S型情况。
图17:(a, b) 固定电压下的S型三次模型。(a) 静态曲线u(I0)(蓝色)和恒定电压Va = 1 V的线(橙色),参数a = 50 V/A3,b = 0.2 A,c = 1 Ω,R0 = 4 Ω。(b) C0 = 1 F,T = 1.95 s,? = 2.5 × 10?3时的放松振荡。资料来源:参考文献(42)。(c, d) 具有金属-绝缘体转变的S型VO2振荡器。(c) 电流-电压曲线。(d) 模拟(实线)和测量(带噪声的示波图)Vs(t)波形。经参考文献(29)许可复制。版权所有2015年IEEE。
为了描述S型放松振荡器,没有必要制定包含两个微分方程的完整模型,因为我们知道垂直速度dx/dt非常快。那么,只要负载线穿过点(VH,I1)和(VL,I2),由两条直线组成的模型就足以获得振荡的周期和形状(图17(c, d)。(29,232)周期可以通过沿着转折点之间的线积分得到。(233)另一种获得S型振荡器的方法是将两个有机电化学晶体管(OECT)组合成一个有机电化学非线性器件(OEND)(77),如图18(a-c)所示,每个晶体管提供一个折叠点。图18d显示了在恒定施加电压下负载线与OEND的NDR区域的匹配,这导致了图18(f-h)中的放松振荡。图18e说明了振荡频率随电容增加而减小的情况。
图18:基于两个有机电化学晶体管的神经元振荡器。它们被组合在OEND模块中。(a) 有机电化学人工神经元(OAN)电路,展示了当Vspike增加且电容器充电时的电流分配。(b) 电压振荡(Vspike)随时间的变化。(c) 当Vspike减小且电容器放电时的电流分配。(d) OEND(蓝色实线)和负载线(虚线)的电流-电压特性。当负载线特性穿过OEND的NDR区域(例如,点U)时,其响应发生分岔,产生电压和电流振荡。OEND的NDR区域由点划紫线标出。尖峰区域由上折点UON和下折点UOFF定义。S1和S2是OEND特性显示正电阻的两个点。(e) 尖峰频率fspike作为负载电容(CL)的函数。符号表示测量值;实线是通过数值模拟计算的,虚线是通过解析模型计算的。(f) 尖峰电流作为时间的函数,分别在CL = 1 μF(g)和CL = 5 μF(h)的情况下进行测量和计算。资料来源:参考文献(77)。采用CC-BY 4.0许可协议。版权所有2024年,作者。由Springer Nature出版。
(i) 基于单个OECT的振荡电路模型,显示了节点电压和支路电流。绿色-粉色区域是OECT,标出了栅极(G)、源极(S)和漏极(D)的接触点。黄色和橙色区域是外部连接的元件。(j) 分岔图C0(R0)。资料来源:参考文献(234)。采用CC-BY 4.0许可协议。版权所有2025年,Elsevier。
图18(i, j)展示了基于NDR原理的OECT振荡器的另一种应用。(234) 在这里,一个三接触晶体管通过添加额外的RC元件转换成了一个两个接触点的极限环振荡器。因此,单个OECT成为一个无需反馈放大元件支持的振荡系统。该模型产生了类似于上述S型振荡器的分岔图(图18j),并以相同的方式从正弦振荡发展成放松振荡。
总之,从非线性双方程振荡系统的分析中我们可以看出,虽然无法获得极限环的解析解,但对分岔的线性分析提供了许多具有实际价值的结论。总体而言,方程46描述了分岔附近振荡的频率ωλ(Y0),而在远离分岔的地方,则发生频率低得多的放松振荡,如图15d所示。本节中介绍的动态分析在设备物理学、电路设计和振荡行为之间建立了概念上的桥梁,这将在后续关于材料和神经形态学的章节中得到应用。
5. 先进的振荡系统
尽管由两个方程组成的动态系统可以再现基本的振荡行为,如正弦振荡和放松振荡,但许多自然和工程过程,特别是在神经科学和电化学领域,表现出更复杂的动态特性。这些更丰富的动态特性通常需要更高维的模型或其他约束条件来准确捕捉。(49)
5.1. 生物神经元中的振荡模式
大脑中的生物信息处理可以理解为神经活动模式随时间的动态相互作用,如第2.3节所讨论的。神经科学和计算建模的最新进展表明,心理过程是按顺序和层次结构组织的,认知能力来源于称为亚稳态的短暂但有结构的活动模式之间的转变。(112) 这些状态虽然不是永久稳定的,但足够持久,以支持诸如感知、决策和行为协调等关键认知功能。Izhikevich的模型(235)(表1)对于生成神经元在响应各种刺激时可以观察到的丰富多样的尖峰模式非常有用,见图19。尽管严格来说,这个模型不是一个自维持振荡系统,而是一个间歇振荡系统。通过改变模型的参数和刺激,可以从简单的模式(如图19a中的单次尖峰或图19b中等间距的尖峰序列)到更复杂的行为(如图19c中的突发尖峰或图19d中的间歇性突发尖峰)进行调节,在这些行为中,快速的尖峰放电序列与静止期交错出现。模型还能够再现神经元中观察到的其他不那么规则的模式,例如图19e中的共振尖峰,其中尖峰的产生需要以特定频率施加刺激脉冲,以及图19f中的尖峰频率适应,尽管施加了恒定的刺激,尖峰频率仍会逐渐降低。图19展示了由表1中的模型2生成的尖峰行为(蓝色轨迹)。这些面板展示了六种不同的动态模式:(a) 相位尖峰,(b) 间歇尖峰,(c) 相位突发,(d) 间歇突发,(e) 共振器响应,以及(f) 尖峰频率适应。橙色曲线代表施加的输入电流;在某些情况下,输入幅度被缩放了20倍以提高视觉清晰度。改编自参考文献(235)。2004年IEEE版权所有。电子版和复制权限在www.izhikevich.com上免费提供。高分辨率图像下载MS PowerPoint幻灯片。
像Izhikevich的模型这样的框架为模拟这种动态提供了一个生物学上合理的框架。通过捕捉尖峰时序、突发以及在不同活动状态之间转换的能力等关键属性,这些模型揭示了复杂的认知功能是如何从相对简单的单元网络中产生的。在这种框架内,亚稳定性起着关键作用:大脑通过一系列准稳定配置或吸引子状状态进行导航,使系统能够灵活地响应刺激、随时间保持信息,并在不同的心理模式之间切换。(236) 层次化神经模型进一步支持这一观点,展示了较慢的大规模动态如何指导和限制较快的局部交互。(237?239) 这些模式的持续时间和结构通常编码了来自单个神经元内在属性和神经回路突触结构的相互作用所产生的特定特征。特别是,突发在生成和维持亚稳态中起着关键作用。它增强了信号传播,实现了时间编码,并促进了分布式脑区域之间的同步。(240?242) 由于这些原因,这对于感觉感知、运动控制和认知功能至关重要,这些功能通常源于内在的离子通道动态或网络级交互。(108) 突发可以理解为一种更一般的振荡模式——混合模式振荡(MMOs),这将在下一节中详细讨论。所有这些复杂的振荡都可以在具有多个内部状态变量的不同类型的松弛振荡器(28,77)和电化学振荡器(243)中产生。
5.2. 三个方程:电化学振荡器
电化学振荡器因其通过快速正反馈和慢速抑制机制的相互作用产生节律性活动的内在能力而被越来越多地用作神经元动态的类比。振荡在电极电位(E)或吸附物种的表面覆盖度(θ)控制自我增强反馈循环的系统中出现,类似于生物神经元中观察到的兴奋和抑制。(27,45?47) 在许多电化学系统中,电极电位的升高会加速电荷转移反应,进一步增加电位,类似于神经元的去极化。这种机制在钝化和电溶解过程中尤为明显,其中氧化层的形成改变了反应动力学,反映了离子通道传导在神经兴奋性中的作用。例如,铂表面的电催化反应(244,245)展示了反应中间体的表面覆盖度如何促进反馈驱动的振荡,类似于调节神经放电模式的突触相互作用。
在电化学系统中,以恒定电压或恒定电流操作的区别在第4.4节中已有讨论,但这远非琐事,因为它对系统的动态及其分类都有重要影响。在电化学背景下,电容通常代表电极-电解质界面处的双层电容,而电阻则包括电解质的内在电阻和任何外部串联电阻。基于这些参数,电化学振荡器通常被分为三种主要类型:(180) (i) 在严格恒电位条件下运行的振荡器,意味着电解质或外部电阻上没有欧姆电压降;(ii) 需要恒电位控制但系统中包含有限欧姆电阻的振荡器,无论是来自电解质还是附加的外部电阻;(iii) 能够在恒电位和恒电流条件下运行的振荡器,无论控制变量是电压还是电流,都能表现出稳定的振荡行为。
大多数电化学振荡器显示出N型非线性动力学(NDR)(211),这与神经元的兴奋性相似,因为它通过电荷转移和表面反应的动态耦合来实现振荡行为。这些系统可以产生正弦振荡和松弛振荡,这些振荡可以通过包含两个方程的动态系统轻松建模。然而,其他排列显示出超越低维模型能力的行为。这是MMOs的情况,它们代表了一类复杂的动态行为,其中系统表现出大幅度振荡(LAOs)和小幅度振荡(SAOs)的交替模式。它们最初是在著名的BZ反应中发现的。(122) 另一个典型例子是在含硫氰酸盐介质中,铟(In3+)极化为金属铟(In0)的极谱还原反应,其中实验观察到了MMOs。(244,246) 该反应在电流-电位(I-E)曲线中显示出N形的NDR区域,这是由静电相互作用和表面过程引起的。机制涉及硫氰酸盐离子(SCN–)在电极界面附近的In(III)物种处的积累。这些阴离子作为催化抑制剂,产生局部电场,排斥额外的SCN–离子,导致短暂的不稳定性。一旦排斥力占主导,SCN–离子从界面脱附,恢复另一个积累阶段的条件——从而产生振荡。从无量纲尺寸的角度来看,该系统可以用Koper提出的包含三个微分方程的动态模型来描述(118)(表1中的模型6),其中k(u)表示电子转移的速率常数,θ与吸附的SCN–离子的电极覆盖度有关。第一个变量u是电极电位,另外两个变量x和w表示两个相同厚度的球形扩散层的浓度,这些扩散层取代了悬挂汞滴电极上的单层能斯特扩散层。其他重要参数包括欧姆电阻r和外部电压v,无量纲电流可以从类似于方程3的方程计算得出,这里表示为??=???????,即??=???ur。(70) 方程的积分会产生不同的动态行为,具体取决于所涉及参数的值。图20显示了三种不同欧姆电阻r值(见标题注释)下的相位图和i的时间演变。尽管r的值很小,系统显示出完全不同的行为。对于最小的r值(上图),系统产生正弦振荡,这是Hopf分叉的典型特征;r的轻微增加则产生了剧烈的变化,出现了MMO(中图和下图)。它们在相位图中表现为大轨道[图20(c, e),蓝色轨迹],伴随着某个点处向更闭合的螺旋轨迹演变的稳态,最终又回到之前的轨道。这种大轨道对应于演变时间图中最高的尖峰[图20(d, f)],而紧密的轨道对应于小振荡。如图所示,系统对欧姆电阻的小变化非常敏感。这种对参数变化的高度敏感性是这种类型系统的特征。在这种情况下,参数r允许调整大尖峰之间出现的小振荡的数量。用Lm表示法(即m个小幅度振荡由L个大幅度振荡分隔(178)来描述MMOs。因此,图20(d, f)中的状态可以分别命名为1(20)和1(3)。
5.3. 四个方程:霍奇金-赫胥黎模型
自然神经元中的尖峰来源于嵌入膜中的电压门控离子通道的活动。这些专门的蛋白质结构调节离子进出神经元,产生必要的电流,驱动神经信号传递,如图2所示。当神经元通过其树突接收来自其他神经元的输入时,这些信号可以是兴奋性的,增加神经元放电的可能性,或者是抑制性的,减少这种可能性。神经元随时间整合这些输入,总结来自突触电位的兴奋性和抑制性影响,如第2.1节所讨论的。如果组合输入超过特定阈值,神经元会产生动作电位,通过轴突发送尖峰以与下游神经元通信。HH模型作为描述自然神经元中所有这些操作的主要数学框架(13?15),提供了一个详细的表示,说明神经元如何使用四个耦合微分方程系统生成和传播动作电位(表1中的模型7)。
HH模型描述了控制神经元尖发的几个关键生理过程。特别是,它跟踪神经元的膜电压 u,该电压根据三种主要的离子电流而波动:钠电流(Na+),负责动作电位的快速去极化阶段;钾电流(K+),通过恢复静息膜电位来促进复极化;以及泄漏电流,这是一种小的被动电流,负责微小的离子流动,维持基线电活动。注意在图 2b 中,静息电位 VR 约为 ?70 mV。Na+ 通道的开放通过阳离子进入轴突产生去极化通量,当 Na+ 通道关闭而 K+ 通道打开时,电位达到峰值,然后膜电位返回平衡状态,但会伴随超极化过冲。如图 21b 所示,总电流在所有地方都具有正的微分电阻,而部分钠电流包含了主要的微分电阻(NDR),见图 21c。在方程中,gNa、gK 和 gLeak 分别代表最大电导值,ENa、EK 和 ELeak 分别对应于平衡电位。除了膜电压之外,该模型还引入了三个门控变量 m、h 和 n,用于控制离子通道的概率性开启和关闭。m 和 h 分别代表 Na 通道的激活和失活,n 代表 K 通道的激活。它们会根据电压变化动态调整,从而影响离子的流动。最后,meq、heq 和 neq 描述了可以通过玻尔兹曼型函数近似的稳态激活曲线,见图 21a。
图 21:
(a) HH 门控变量的平衡值取决于膜电压 u = V - VR。静息电位 ENa = VR + 115 mV,EK = VR - 12 mV 用点表示。
(b) 总平衡电流。电导分别为 gNa = 120 mS/cm2,gK = 36 mS/cm2,gLeak = 0.3 mS/cm2,EL = VR + 10.6 mV。
(c) 钠通道和钾通道的平衡电流。
(d) 放松时间(线性尺度)。摘自参考文献 (253)。根据 CC-BY 4.0 许可证发布。版权所有 2024 年作者。由 Advanced Physics Research 出版。
这里的一个关键点是,虽然泄漏通道对电压变化的响应是即时的,但 Na+ 和 K+ 通道则有了一定的延迟,这种延迟由时间 τm、τh 和 τn 调节,它们对 u 的依赖性可以通过高斯函数近似表示,见图 21d。这些时间与电容值 C0 一起,对系统的行为起着非常重要的作用,最终产生了神经元的特征性尖峰行为。通过捕捉电压门控离子通道的复杂时间动态,HH 模型为神经兴奋性提供了深刻的见解,并成为神经科学和神经形态计算的基石。
HH 模型的一个重要特性是它能够表现出复杂的动态行为,包括分岔和振荡,这取决于诸如外部施加电流 Iext 等参数。在低电流或零电流的情况下,系统会进入一个稳定的静止状态。这种静息膜电位对应于模型相空间中的一个稳定固定点。在这种状态下,任何小的膜电位扰动都会衰减回静止状态,神经元不会放电。然而,当施加足够大的电流时,系统会被推过一个阈值,从而产生动作电位。这一现象反映了模型固有的兴奋性。随着施加电流的增加,系统会发生霍普夫分岔(Hopf bifurcation)。根据某些参数值,这种霍普夫分岔可以是亚临界的或超临界的。(254?258) 在图 22 的例子中,当 Iext = 9.780 μA/cm2 时,系统从静止状态分岔为周期性尖峰。因为在这一点上分岔是亚临界的,振荡开始时幅度较大,见图 22a 及其放大版本图 22b。从这一点开始,随着外部施加电流的增加,振荡幅度逐渐减小,在 Iext = 154.527 A/cm2 时再次发生霍普夫分岔。(254) 在这种情况下,分岔是超临界的,当参数 Iext 接近分岔点时,振荡幅度趋近于零,或者相反,也可以理解为从静止状态转变为振荡状态时振荡幅度从零开始。
图 22:
(a) HH 模型的分岔图。粗实线表示稳定的平衡点,虚线表示不稳定的平衡点。稳定和不稳定极限环的最大值和最小值分别用细线和虚线表示。
(b) 图 (a) 中左霍普夫分岔点附近的放大视图。经参考文献 (254) 许可复制。版权所有 2008 年美国物理学会。高分辨率图像。下载 MS PowerPoint 幻灯片。
亚临界分岔的特点是在分岔点之前的 Iext 值范围内(大约从 6 到 10 μA/cm2),稳定的固定点与不稳定的极限环共存,因此小的扰动可以使系统发生大的偏移。一旦越过分岔点,固定点变得不稳定,系统跳转到稳定的周期性轨道,导致重复的尖峰现象。相比之下,如前所述,超临界霍普夫分岔涉及从固定点平滑地产生稳定极限环。尽管这种类型的分岔可以在其他神经元模型或 HH 模型的修改版本中观察到,但在原始公式中不太典型。尽管如此,这两种情况都与神经元从静止状态到放电状态的动态机制有关(与 II 型兴奋性相关),即当电流超过分岔阈值时神经元开始以非零的有限频率放电。
HH 模型的另一个重要动态特性是双稳态,因为它能够表现出复杂的动态行为,例如爆发或类似记忆的状态。这种现象发生在某些参数值范围内,特别是当系统接近亚临界霍普夫分岔时。在这种情况下,静止状态和尖峰状态都可以是稳定的。这意味着神经元的长期行为取决于其初始条件;它可能保持静止状态或进入连续放电的状态。双稳态也可以在其他相位环境中出现,例如在鞍点分岔的背景下,这将在下一节中详细讨论。
所有描述的特性使生物神经元能够执行高效、适应性强且稳健的信息处理,这与往往简化或省略此类动态的人工神经元模型有所不同。因此,许多工作集中在开发模仿生物学特性尖峰的 OECT 上,通过再现整个 HH 电路来实现。(72,75,78) 然而,这种数学复杂性并不总是必需的。长期以来,存在仅使用两个微分方程的简化模型,也能提供真实的尖峰特性,(14,49) 例如 FHN 模型(表 1 中的模型 1)和 Rinzel 和 Wilson 模型(14,188,259)(表 1 中的模型 3)。在这方面,我们在图 19 中看到了 Izhikevich 的简化二维模型(表 1 中的模型 2)可以生成的各种状态。这些模型比 HH 模型更易于管理,适用于大型网络的设计。此外,正如下一节将解释的,一些受 HH 模型启发的简化模型,如 Morris-Lecar 模型(189)(表 1 中的模型 4),表现出一种称为不变圆鞍点(SNIC)分岔的不同类型的分岔。总而言之,HH 模型代表了一个简单的神经元——巨型乌贼的轴突,也可以被视为一种简化的情况。准确的脑神经元模型可能包括十个以上的微分方程,代表多种离子通道。(260) 神经元模型的选择取决于特定情况的实验和计算背景。
5.4. 鞍点分岔
虽然在许多情况下复杂性源于变量及其对应的微分方程数量的增加,但在其他情况下,它可能源于固定点的多样性和相对接近性,这些固定点处的零线相交。这些点可以是排斥的(不稳定的)或吸引的(稳定的),并且可以在它们周围形成极限环,从而形成吸引 basin。这就是鞍点(SN)分岔的情况,也称为折叠分岔,它可以出现在两个微分方程的系统中。(261?264) 当系统的两个固定点——一个稳定,另一个不稳定——随着参数的变化逐渐接近并最终合并时,就会发生这种分岔。例如(表 1 中的模型 4)可以基于 HH 模型的简化版本构建。(49) 实际上,它类似于用于描述藤壶巨型肌肉纤维电压振荡的 Morris-Lecar 模型。(189) 该系统的两个变量是 u(膜电压)和 x(K+ 通道开启的概率)。调节系统响应的其他参数与 HH 模型类似,包括电容 C0 和主要分岔参数 I0。然而,在这里我们假设时间 τk 不依赖于 u。
当涉及到 SN 分岔时,通常会有第三个固定点在很大程度上调节系统的行为。在这种情况下,根据 SN 是否在 SNIC 上发生,可能会出现两种可能性。图 23 显示了在注入电流从 0 增加到 10 μA/cm2 之前(上)、分岔时(中间)和之后(下)的相位图(x vs u)和电压-时间演变。分岔发生在 I0 = 4.51 μA/cm2 时。负责分岔的稳定和不稳定节点分别位于图表的左下角(黑色和白色点),而第三个固定点(在这种情况下是不稳定的)则位于中间。它们都是由 u(黄色)和 x(绿色)零线的交点产生的。在分岔点,线性化系统的雅可比矩阵有一个特征值为零,另一个非零,通常是负值。这表明该固定点是非双曲的,意味着它不表现出与纯稳定或不稳定系统相关的典型指数行为。
图 23:
(a)、(c)、(e)、(g)、(i)、(k) 分别表示鞍点(SN)分岔,(b)、(d)、(f)、(h)、(j)、(l) 分别表示不变圆鞍点(SNIC)分岔的相位图和电压-时间行为。当改变注入电流参数 I0 时,在由 Morris-Lecar 方程(表 1 中的模型 4)定义的动态系统中产生的分岔。SN 和 SNIC 分岔分别对应于不同的 τ 值:0.154 和 1 ms。图表显示了分岔之前的情况(I0 = 0 μA/cm2)(上)、分岔时(I0 = 4.51 μA/cm2)(中间)和分岔之后(I0 = 10 μA/cm2)(下),其特点是图表的左下角稳定和不稳定节点的消失。黄色和绿色线条分别对应 u 和 x 的零线,蓝色线条代表轨迹。对于 SN 情况,它们从同一个点开始(蓝色点),而对于 SNIC 情况,则在稍高的电压下开始。常用的模拟参数值为 C0 = 1 mF/cm2,gLeak= 8 mS/cm2,gNa = 20 mS/cm2,gK = 10 mS/cm2,ELLeak = ?80 mV,ENa = 60 mV,EK = ?90 mV,V1/2m = ?20 mV,V1/2n = ?25 mV,km = 15 mV。高分辨率图像。下载 MS PowerPoint 幻灯片。
从动态角度来看,分岔捕获了行为的突然质变。根据参数变化的方向,系统从没有固定点变为有两个固定点,或反之亦然。换句话说,SN 分岔的一个关键特征是稳态的创建或破坏,使其成为物理学、生物学和工程学中许多非线性现象的基本机制。
SN 和 SNIC 情况之间的区别源于时间 τk。这次SNIC的时间相对较长(1毫秒),导致相位图中的轨迹(蓝线)更倾向于接近u零线,从而在分叉之前产生较大的单次电压尖峰。这种情况发生在异宿轨线上,这些轨迹从接近底部不稳定点的位置开始,在稍微高一点的电压下开始,最终到达稳定点。这构成了不变圆。在分叉时,这两个点合并,这样的轨迹变成同宿轨线,意味着它们从同一点开始和结束。理论上,如果轨迹从确切的分叉点开始,完成整个循环将需要无限的时间。然而,一旦分叉被克服,系统就开始振荡,产生具有一定频率的尖峰。在这个周期过程中,振荡的缓慢(非尖峰)部分对应于相位图中靠近稳定点和不稳定点合并位置的非常短的轨迹,而快速尖峰部分则对应于周期的其余部分。因此,即使系统已经通过了分叉,并且导致分叉的两个固定点已经消失,它仍然“记得”分叉发生的那个点,并在此附近减速。注入电流I0的增加使轨迹远离合并点,从而加快了该处的通过速度。因此,静止部分缩短,尖峰频率增加。这解释了为什么这种振荡从零频率开始,与Hopf分叉中振荡从某个有限频率开始的情况不同。这种由SN分叉在不变圆中引起的尖峰行为与Hodgkin分类中的I型兴奋性相符。(13?15)当松弛时间较短时,相位图的情况不同。对于τk = 0.152毫秒(图23的左侧部分,SN情况),相位图中心的第三个固定点产生了一个吸引盆(阴影区域)。因此,任何从这个盆内开始的轨迹最终都会在盆的边缘进入一个极限环,从而产生电压振荡,无论是否发生SN分叉。然而,如果轨迹从盆外开始,只要分叉尚未发生,它就会迅速到达稳定节点,从而产生稳定状态。这是静止状态和尖峰状态之间的双稳态。一旦分叉被克服,就不再有稳定点,所有轨迹都会进入极限环,产生具有有限频率的振荡行为。这种行为与Hodgkin II型兴奋性相符。6. 振荡器的一般特性在上一节讨论了许多代表神经元模型的自维持振荡器之后,我们现在检查某些模型类别的一些共同特性,以展示描述振荡设备及其组合的不同方法。6.1. 局部和全局分析Lyapunov条件为分析动态系统中平衡点的稳定性提供了一个框架,通过考虑小扰动在其附近的行为来解释,如附录2中所述。如果根据Lyapunov的标准一个点是稳定的,那么从这个点的小偏差会随时间衰减,使系统恢复到平衡状态。然而,极限环(表示持续振荡的封闭轨迹)的出现并不总是能够完全通过这种局部分析来捕捉。虽然极限环可能围绕一个稳定点或在分叉附近出现,但它本质上涉及远离平衡点直接邻域的轨迹。我们在第5.4节的SN分叉中观察到了一些这样的特征,其中相位空间中的轨迹依赖于远离合并固定点的第三个固定点。在这种情况下,局部稳定性分析中使用的线性近似,例如围绕固定点的线性化,可能不再有效。因此,极限环的存在、形状和行为往往取决于动态系统的全局结构,而不仅仅是局部属性。为了完全理解这些振荡动态,通常必须考虑系统的非线性和全局特性,而不仅仅是依赖基于局部Lyapunov的分析。6.2. 由电导激活的模型和松弛时间我们注意到代表电压门控离子通道的振荡系统的方程具有一般结构。通过通道的电流具有基本形式?????=??????(?????0)Ich=xgx(u?E0)(71)这里gx是电导,x是门控变量(0 ≤ x ≤ 1),E0是平衡电位。注意,这种形式出现在表1中的模型3(Rinzel-Wilson)、4(Morris-Lecar)和7(HH)中,并且如Izhikevich所描述的,在许多相关模型中也有出现。(49,240)所有这些模型的共同特点是门控变量激活高电导状态,因此我们可以称它们为电导激活模型。相比之下,表1中的模型1(FHN)和2(Izhikevitch)不是电导激活的。相反,记忆变量是电流,与电感器中的电流相关。方程71借助门控变量x,描述了整流的重要特性,即在某个电压范围内电流比相反电压范围内大得多。更具体地说,方程71描述了离子电流的整流现象,即离子通过通道或孔洞的流动取决于施加电压的方向或速率。(265)这种整流通道存在于细胞膜中,根据离子浓度和测量速度等条件,允许更多的离子流入而不是流出。这种行为对于细胞如何控制其电活动非常重要,也是神经元传递信号的关键部分,如HH模型中所描述的。(266)这些人工纳米孔通过不均匀的孔径形状或表面电荷来实现整流,这影响了离子通过它们的方式。(267)在上述模型中,方程71还补充了一个化学电感器的松弛方程,形式为(见方程A1.2):????(??)????????=??????(??)???τk(u)dxdt=xeq(u)?x(72)函数xeq具有S形或其他类似形式(方程A1.3),在某个阈值电压VB下定义了整流的激活。因此,如附录1中所讨论的,方程72引入了滞后效应,即系统响应的延迟或差异取决于测量的速度。例如,在测量通过离子导电的通道系统的I-V特性时发现了这一点。(268)注意,具有方程(71, 72)动态结构的模型在两个变量u,x上都是准线性的,因为非线性发生在化学电感器的函数xeq(u)中,可能在松弛时间τk(u)中也有。这在附录1中进行了讨论,因为忆阻器在电导激活准线性忆阻器模型(CALM)的类型中实现了这种动态结构。(81)除了方程71的整流特性外,动力学松弛时间τk(u)也是模型的一个重要组成部分,因为它决定了不同导电状态之间的转换速率。这个特征时间决定了系统对刺激变化的响应速度,它受到施加电压的强烈影响——这意味着随着电压的变化,动力学松弛时间也会变化(见图21d)。实际上,它是神经元模型中的一个关键参数,正如我们在图23中所示。尽管前述特性产生了整流和滞后效应,但神经元模型通常还需要一个额外的成分,即NDR。引入这个成分的机制根据模型方程的不同而有不同的形式。在表1中的双变量模型1-4中,NDR发生在快速通道(u变量)中,而化学电感器的x通道具有正电阻。在表1中的模型7(HH)中,NDR是由激活(m)和失活(h)变量的组合形成的,因此Na+通道首先打开然后关闭,见图21c,这些变量的松弛时间不同,见图21d。(253)电导激活模型中NDR的结构可以通过以下方程组进一步阐明,该方程组描述了流体纳米通道中的振荡电压。(269)????????????=????????(??)?????[??+??+????(??)(1???)]??Cmdudt=Itot(u)?gH[r+b+pW(u)(1?r)]u(73)????????????=??????(??)???τkdpdt=Peq(u)?p(74)??????=11+???(???????)/??????Peq=11+e?(???VP)/Vmp(75)??=11+??(???????)/??????W=11+e(u?VW)/Vmw(76)图24图24. 整流纳米孔模型中的振荡。(a) 上图:激活函数Peq和失活函数W作为电压变量u的函数。下图:通过将泄漏电流gp(虚线)的贡献加到函数gH [r + PeqW (1 - r)]u(红色曲线)上得到的总电流-电压特性(粗紫色曲线)。还标出了对应于低gL和高gH导电性的其他参考虚线。黄色点是从(b)中通过迹线Tλ = 0获得的Hopf分叉,当行列式Δ > 0时会引起振荡。(c) 电压随时间的演变。(d) 相位图显示了零线、轨迹和矢量速度。f零线是黄色线[与方程73相关],h零线是绿色线[与方程74相关]。橙点是起始条件。蓝点是标称电位下的固定点。蓝线表示电压的演变,直到它进入永久的极限环振荡。参数:Cm = 0.1 mF, τ0 = 5 ms, Vmp = Vmw = 0.1, VP = 0.2, VW = 0.3, b = 0.25, r = 0.1, gH = 1 nS。改编自参考文献(269)。根据CC-BY 4.0许可发布。版权所有2025年作者。高分辨率图像下载MS PowerPoint幻灯片实际上,这是另一个两方程模型,方程73中出现了通常的电导,它由变量p激活,该变量由松弛方程74驱动。此外,函数W(u)在某个起始电压VW时产生方程73中导电通道的失活。图24a(顶部)显示了方程(75和76)的两个平衡函数。阈值和转换的陡峭程度分别由Vp、VW和Vmp参数控制。方程73中的项b对应于泄漏电流,它由导电性gp定义,即b = gp/gH,r = gL/gH分别对应低和高导电性。泄漏电流使得总电流(图24a底部的粗紫色曲线)在任何地方都有正导数。因此,Hopf分叉是通过同一图中的红色曲线所示的“隐藏”NDR(270)发生的。6.3. 相位响应方法和网络同步自维持振荡器的一个普遍特性是,无论初始条件如何,它们都会随时间演化到其相位空间中的一个稳定、周期性的轨迹,即极限环。一旦进入这个循环,系统的行为变得可预测且重复,使其成为建模生物节律(如神经元放电、昼夜节律或心脏节律)的理想框架。虽然通常无法找到非线性振荡器的解析轨迹,但当振荡器受到外部脉冲干扰或在相互作用系统中耦合时,一些称为相位响应技术的方法对于描述振荡器的重要方面变得非常有价值。(16,20,51)每个极限环振荡器的核心是一个内部时钟,可以用相位变量?来描述,通常范围从0到2π。在没有外部输入的情况下,相位随时间均匀前进,由简单的微分方程????????=??d?dt=ω(77)控制,其中ω是振荡器的自然角频率。因此,相位作为振荡器在其周期内的位置的紧凑表示,提供了研究系统行为及其与环境交互的强大工具。FHN振荡器的相位表示如图25(a, b)所示。图25图25. FHN模型上的相位响应方法。(a) 极限环相位的定义。相位 θ 被定义为时间乘以频率,即 θ = ωt,这导致相位变量不断增大,并且在极限环上形成了不均匀的刻度。 (b) 变量 u 和极限环轨道相位 θ 的时间序列。 (c), (d) 振荡器对脉冲刺激的相位响应(状态空间和时间序列)。 (e) FGN 模型的相位灵敏度函数 Z(θ) = (Zu(θ), Zv(θ))。经参考文献 (271) 授权复制。版权所有 2015 Taylor and Francis。高分辨率图像下载 MS PowerPoint 幻灯片
理解这种方法实用性的一个关键方面是了解这些振荡器如何对外部扰动做出反应。这就是 Arthur Winfree 的相位响应方法变得非常宝贵的地方。 (20) Winfree 提出了一种技术,用于量化在不同时间点施加的短暂刺激如何改变振荡器的相位,如图 25(c, d) 所示。这种关系通过相位响应曲线 (PRC) 来捕捉,用 Z(θ) 表示,它映射了刺激时刻振荡器的相位移动情况,见图 25e。 (271,272) 数学上,当一个小的外部扰动 ΔI 作用在由向量 X 描述的振荡器上时,所产生的相位移动 Δθ 可以近似为 Δθ = Z(θ)•ΔI,其中 Z(θ) 作为灵敏度函数。PRC 提供了深入了解振荡器动态的深刻见解,揭示了它在何时最容易提前或延迟。这种响应特性对于理解振荡器如何彼此同步或与周期性外部输入(例如昼夜节律时钟与光-暗周期的同步)进行同步至关重要。Ermentrout (16,273,274) 开发了计算相位灵敏度函数的方法,这些方法与神经系统的建模有关。
相位响应方法为理解由多个相互作用振荡器组成的系统的动态提供了一种强有力的方法。 (51,275) Winfree (19) 观察到,当一组具有一定耦合强度的振荡器之间的耦合时,它们可以调整彼此的相位。当耦合强度 ? 超过一个临界阈值时,会出现集体现象:同步。考虑由向量 Xj 描述的 N 个振荡器组成的群体。每个振荡器的动态由以下方程描述:(271) ??????????=????(????)+??1??∑??=1????(????)dXidt=Fj(Xj)+?1N∑k=1NH(Xk) (78) 其中 Fj(Xj) 代表未受扰动的振荡器动态,如方程 (6, 7) 所示。最后一项表示弱全局耦合,使得所有振荡器都能感受到共同的平均场 ∑k = 1NH (Xk)/N。例如,这种方法适用于研究通过共同电阻器耦合的电化学振荡器群体。 (250) 通过对方程 78 应用相位简化并取平均值,可以得到以下全局耦合相位模型:(271) ??????????(??)=????+?1??∑??=1??Γ(?????????)ddt ?i(t)=ωj+?1N∑k=1NΓ(θj?θk) (79) 其中 ωj 是第 j 个振荡器的自然频率,Γ(??)=1/2π∫2π0??(??+??)·??(??0(??))????,Γ(φ)=1/2π∫02πZ(φ+ψ)·H(X0(ψ))dψ (80) 是相位耦合函数。特别是当相位耦合函数由最低阶傅里叶项 Γ(φ) = ?sinφ 给出时,该模型变成了著名的 Kuramoto 模型:(51) ??????????(??)=???????1??∑??=1??sin(?????????)ddt ?i(t)=ωj??1N∑k=1Nsin(θj?θk) (81) Kuramoto 扩展了 Winfree 的结果,并提出了可求解的耦合振荡器模型 (81),该模型展示了集体同步现象。 (276,277) 一部分振荡器开始锁相,它们的动态变得协调一致。这种从个体变异性中出现同步现象是该模型最显著的特点之一,并捕捉到了在生物和物理系统中观察到的真实世界行为。 (160) Kuramoto 模型在多个学科中都有广泛应用。 (276) 在神经科学中,它有助于解释神经元网络如何同步其放电模式。 (278) 在生物钟学中,它模拟了生物体内的昼夜细胞如何同步,或者群体如何响应环境线索(如光)。 (279) 在工程学中,它为需要保持时间的分布式系统(如传感器网络或电网)的设计提供了信息。 (161) 总而言之,PRC 方法将复杂的多维振荡器模型简化为一个表示振荡相位的单一标量变量。 (20,280) 在实际应用中,PRC 已被用于许多生物系统。例如,在昼夜生物学中,研究人员使用短暂的光脉冲来探究内部时钟如何根据光照时间作出反应。 (281) 这会产生一个特征的 PRC,当在傍晚施加光照时可能会显示相位延迟,而在清晨施加光照时则会显示相位提前。总体而言,极限环振荡器框架和 Winfree 相位响应方法为研究节律系统提供了一个统一的语言。
6.4. 同步现象的另一种称呼是“同步”。这个术语主要用于描述生物系统中的现象,其中两个或多个振荡器通过物理或化学手段相互作用,从而使它们的节律变得同步。 (282) 同步在协调各种组织层次的过程中起着关键作用,从单个细胞内的分子机制到整个生物体的生理功能,以及群体的聚集行为。 (283) 通过周期性外部输入的同步是振荡系统将其内部节律与环境中的规律信号同步的一种基本机制。 (24) 在神经网络的背景下,这一过程在协调大脑区域内部和跨区域的神经活动方面起着关键作用。 (284) 从单个神经元到整个群体的神经振荡器都可以将其放电模式锁定到外部输入的频率和相位上,例如有节奏的感觉刺激、电刺激或来自另一个大脑区域的持续振荡输入。这种同步有助于构建对认知和行为功能至关重要的神经动态。例如,在注意力任务中观察到对周期性听觉或视觉输入的同步,其中皮层神经元将其活动与有节奏的刺激对齐以增强感知和反应时间。同样,神经同步到语言节奏被认为可以通过将神经兴奋性与语言的时间结构同步来促进语言理解。从建模的角度来看,神经群体通常使用相位振荡器模型来表示,例如 Kuramoto 模型,该模型可以结合外部周期性强迫来研究同步现象。这些模型有助于解释大规模脑网络中如何出现一致的节律,以及在不同耦合强度和噪声条件下如何出现相位锁定。在这种分析中,PRC 是一个关键的数学工具,它描述了振荡器的相位如何因扰动而移动,如第 6.3 节所示,从而能够精确预测同步动态。
6.5. 强迫振荡器:阻抗谱学
我们在第 6.3 节中讨论了观察小扰动对振荡器相位演变的影响的重要性。现在我们转而分析一个频率为 ωf 的小强迫电流 ΔI 对定义相位空间向量 X 变化的完整微分方程组的影响。包含这种扰动的动态方程已在第 4.3 节中讨论过(见方程 19)。在那里我们提到,可以将系统属性用线性阻抗 Z(s) 来分析,其中 s = iωf。这种方法与许多类别系统中广泛使用的技术——阻抗谱学方法相联系,该方法利用等效电路和复平面图作为主要的分析工具。 (285?287) 因此,阻抗谱学成为表征自维持振荡器的重要方法。此外,我们注意到控制阻抗响应的方程包含了振荡系统的线性化方程(方程 39),作为外部强迫为常数 ΔI = 0 的特殊情况。这使得阻抗谱学方法能够确定分岔特性并分类振荡条件,正如 Koper 及其同事在他们的工作中所描述的那样。 (45,288,289) 让我们以两方程振荡器为例来解释阻抗测量与分岔特性之间的整体联系。 (52,195) 阻抗来自方程 19,结果如方程 26 所示。我们强调了图 13a 中的正电阻和电感值情况下的化学电感器模型(图 13b),但当电阻和电感为负值时(图 13(c, d)),相同的阻抗模型和等效电路也是有效的。将方程 19 转换到频率域并使用克莱姆法则,阻抗函数可以写为:??(??)=Δ??Δ??0=1/det{?????????}1/C0τk(1+sτk) (82) 行列式可以展开为:det{?????????}=??2???????+Δ??det{JX?sI}=s2?Tλs+Δλ (83) 注意,这是雅可比矩阵 JX 的特征多项式方程,实际上它与特征值方程 41 类似,因为自维持振荡器的线性矩阵 JX 是相同的(方程 21)。然而,由于方程 19 中的强迫项,系统在不同条件下运行。虽然由方程 40 驱动的系统通过极限环振荡,特征值 λ 可以具有实部和虚部,但由方程 19 驱动的系统受到频率为 ωf 的外部电流的强迫。 (54) 因此,如果引入频率的虚部值,s = iωf 可以与 λ 进行比较,从而得到一般表达式(方程 47),该表达式提供了分岔的标准。 (27,290?292) 方程 82 中的阻抗一般表达式为:??(??)=Δ??Δ??0=1/C0????(1+??????)??2???????+Δ??Z(s)=ΔuΔI0=1/C0τk(1+sτk)s2?Tλs+Δλ (84) 它与方程 26 中的函数相同。图 26 展示了之前在图 12 中描述的 FHN 模型的谱图。对于稳定点 Y0,图 26 中的谱图(蓝色曲线)是图 13b 中的化学电感器,而在振荡区域,图 26 中的谱图(绿色曲线)是图 13c 中的谱图。这最后一种形式对于 Hopf 分岔中的振荡最为相关。谱图从正直流电阻开始,但在某个有限频率 ω1 > 0 时进入 NDR 区域。图 27 展示了来自电化学系统的实验示例。这个两个方程的简单模型为分析更复杂的系统提供了基本框架,例如由三个化学电感器特征的 HH 模型。 (290,293?295)
图 26. FitzHugh-Nagumo 模型在不同施加电压下的阻抗谱,对应于图 12b,指示特征频率 ω = 0(与谱图相同的颜色)和水平轴的交叉点(洋红色)。uB = 0.775 是 Hopf 分岔电压。
图 27. 在 0.15 M CuSO4 和 5 M H2SO4 条件下,25°C 时铜的阳极溶解的阻抗谱。(a) 在低极化条件下。(b) 在 Hopf 分岔之后。经参考文献 (296) 授权复制。版权所有 2003 The Electrochemical Society。高分辨率图像下载 MS PowerPoint 幻灯片
正如我们所见,在稳定区域和极限环区域之间存在 Hopf 分岔点。在那里,我们有条件 Tλ = 0,振荡的频率为 ω0B(方程 48)。在这一点上,特征值变为纯虚数,阻抗形式为:??(??)=Δ??Δ??0=1/C0????(1+??????????)??0??2?????2Z(s)=ΔuΔI0=1/C0τk(1+iωfτk)ω0B2?ωf2 (85) 我们可以看到,在频率 ωf = ω0B 处有一个极点,阻抗变为无限大。因此,我们在方程 1 中提到的共振条件再次得到满足。图 26 中的粉红线表示了这个奇异性,它标志着阻抗从正截距变为负截距的定性变化。总之,通过对频率域中小信号阻抗的分析,我们可以将神经元分类为共振器或自维持振荡器,这取决于其操作点。 (172) 共振结构由恒定电容(如膜电容)和第 4.3 节中讨论的化学电感器组合而成,这些在表 1 中列出的所有模型中都是共同的。
6.6. 振荡器的奈奎斯特标准
奈奎斯特标准是用于确定系统是否会自发产生周期性信号(即是否会振荡)的一个基本原理。 (297) 其核心是评估反馈回路中信号的行为。对于一个系统要振荡,必须满足两个主要条件:首先,绕回回路的信号必须具有相同的相位,即存在建设性干涉;其次,返回信号的幅度必须至少与原始信号一样强——也就是说,回路增益必须大于或等于一。这两个条件共同表明,系统中的任何微小扰动都会被放大而不是被抑制,从而导致持续的振荡。当应用于非线性动力学和分岔理论的背景下——特别是霍普夫分岔时,奈奎斯特判据采用了一种不同但相关的解释方法,即通过阻抗来表征。从阻抗的角度来看,当系统的总阻抗的实部在特定频率下变为零或负值时,就可以识别出霍普夫分岔,正如我们上面所展示的那样。因此,可以利用阻抗谱来判断系统是接近分岔状态还是正在经历分岔。更具体地说,阻抗谱中阻抗变为零的点(即“零点”)对应于系统处于恒电位控制时的雅可比矩阵的特征值。这些特征值决定了系统的稳定性:当它们穿过复平面的右半部分时,振荡就开始了。因此,霍普夫分岔的奈奎斯特判据可以转化为阻抗条件。如果总阻抗的实部在某个频率下变为零或负值,就会发生振荡。因此,可以通过分析阻抗谱来识别分岔。如前所述,阻抗的零点对应于恒电位控制下的雅可比矩阵的特征值,而阻抗的极点对应于恒电流控制下的特征值。因此,分析系统自振荡的可能性并对分岔进行分类的有效方法是检查系统的阻抗函数以及其在复频域中的极点和零点。
基于反馈的振荡器是一种自我维持的动态系统,其振荡行为由反馈引起的不稳定性和电路参数决定,而不是由直流工作点或内在的非线性动态特性决定。尽管在零电压和零电流时的平凡平衡状态不提供能量,但在适当的参数值下,这种状态可能变得不稳定,使得微小的扰动(例如实验中的热噪声或模拟中的数值启动)就足以引发振荡。一旦触发,振荡动态就会通过反馈回路得以维持,并且可以在前面章节中开发的同一非线性动力学框架内进行分析。在适当的条件下,这种反馈回路能够实现振荡行为的持续再生和维持。在传统的电子实现中,这类振荡器通常由两个功能不同的组件组成。首先是频率选择网络β,它控制振荡的关键特性(如图28所示),其次是主动放大元件A,它提供维持振荡所需的增益。这个主动元件通常通过运算放大器或等效的晶体管配置来实现,以确保电路满足振荡所需的增益和相位条件。
基于反馈的振荡器中振荡的开始和稳定性的条件是由成熟的理论准则确定的,最著名的是巴克豪森判据和奈奎斯特判据或劳斯-赫维茨判据。这些形式主义已经之前被介绍过,它们定义了系统为了维持周期性行为必须满足的必要要求。它们指出,要使电路振荡,环路增益必须等于或大于1,并且环路的总相位移动必须是2π的整数倍。这确保了信号在每个周期后都能得到建设性的增强,从而允许振荡持续而不衰减。在实际应用中,这些准则指导振荡器组件的设计和调整,特别是反馈网络和主动放大级,以保证自我维持的振荡在精确的条件下出现并保持稳定。
基于反馈的振荡器中的放大元件也可以根据输出信号和输入信号之间的相位关系配置为正反馈或负反馈。在正反馈的情况下,输出信号与输入信号同相且幅度足够大,有效地增强了输入信号并促进振荡的增长或维持。这种同相且放大的增强形成了建设性的反馈回路,这正是之前讨论的巴克豪森判据和奈奎斯特判据所描述的条件,对于维持无阻尼振荡至关重要。相反,在负反馈配置中,输出信号与输入信号反相,通常是180度,从而抑制了系统的响应。虽然负反馈常用于放大器中以提高稳定性和线性,但在振荡器的设计中通常避免使用负反馈,因为其目的是引发和维持振荡。
基于反馈的振荡器可以生成正弦波和非正弦波形,它们在包括电子学、信号处理、控制系统以及生物系统(在这些系统中振荡行为是功能性的)在内的多个领域中都起着基础性作用。理解控制基于反馈的振荡器操作的原则不仅在经典电子学中至关重要,而且在开发新型自维持振荡装置方面也越来越重要。利用这些系统内在的反馈机制可以为在新兴材料和架构中诱导振荡提供一种强有力的策略。
现在,我们将研究不同类型的基于反馈的振荡器,区分那些生成正弦波和非正弦波的振荡器。对于正弦波振荡器,振荡行为可以直接从控制电路动态的线性微分方程中推导出来。通过在这个框架内分析系统(遵循之前第4.1节和第4.5节的讨论),我们将重新审视并严格解释这些配置中应用的经典巴克豪森判据和奈奎斯特判据。这种分析方法可以清楚地识别与纯谐波振荡相关的频率和稳定性条件,并为更高级的建模奠定基础。同时,这种框架也为将分析扩展到非线性区域打开了大门,在那里必须考虑现实世界的电路非理想性和内在的非线性。
另一方面,非正弦波振荡器(例如松弛振荡器或多振子)将仅简要讨论。尽管这些系统能够产生尖锐的转换和非谐波波形,但它们的内在复杂性和缺乏可控的频率响应限制了它们的应用范围,而在需要平滑和可调振荡动态的情况下通常更倾向于使用其他类型的振荡器。
正弦波基于反馈的振荡器是一类在适当条件下表现出持续振荡响应的系统,其特征是纯正弦波形。这些振荡的频率由电路架构中嵌入的频率选择网络决定。根据这一网络的具体结构和组件,已经开发出了各种类型的基于反馈的正弦波振荡器,每种振荡器都有不同的频率特性和稳定性特征。在本节中,我们将重点讨论使用最广泛和技术上最相关的配置。
这些电路的一个共同且具有洞察力的特点是它们的行为随环路增益的变化而变化。通过改变放大级的增益,系统可以从稳定的固定点(无振荡)过渡到稳态正弦振荡状态,根据系统的非线性特性,最终可能进入不稳定的或生长中的振荡状态(即极限环)。因此,放大级的增益将成为分岔参数。系统表现出亚临界的霍普夫分岔:振荡突然出现,并在超过阈值后变得不稳定。
理解这种分岔框架是基础性的,因为它捕捉了实际电路中向振荡行为转变的本质。在这里,我们首先将为理想化的线性增益系统推导出振荡条件及其稳定性,然后将其与非线性增益饱和引入的行为进行对比。
在所有基于正弦反馈的振荡器拓扑结构中,维恩桥振荡器是最基本且概念上最有说明性的例子。它由一个配置有两个电阻器的运算放大器组成,这两个电阻器决定了其增益,以及一个维恩桥频率选择网络。维恩桥网络本身由两个RC分支组成:一个串联RC,另一个并联RC。这两个分支串联连接在运算放大器的输出端和输入端之间,以建立所需的频率依赖性反馈。
在图29中,我们展示了维恩桥振荡器的两种最基本配置。现在我们分析描述这些系统行为的微分方程。与第4节中一样,我们将使用特征雅可比矩阵来提取振荡条件,确定它们的稳定性,并计算振荡频率。
我们还将指出这两种电路之间的关键差异,这在一些研究中已经被讨论过,特别是关于巴克豪森判据和奈奎斯特判据的解释。
图29a中所示系统的微分方程是根据基本电路定律(如基尔霍夫电压定律和电流定律)假设理想运算放大器得出的:
F = dV1/dt = 1/C1[1/R2V2 - (1/R1 + 1/R2)V1
G = dV2/dt = (A/C1R2 - 1/C2R2)V2 + (1/C2R2 - A/C1R1 - A/C1R2)V1
其中V1表示运算放大器非反相输入端的电压,V2表示R2和C2之间的节点电压,放大器增益A由R3和R4组成的电阻网络确定,其表达式为:
A = 1 + R4/R3
有了这些定义,我们现在可以通过对控制方程关于状态变量求偏导来构建系统的雅可比矩阵:
F/Ω1 = -1/C1(1/R1 + 1/R2)
F/Ω2 = 1/C1R2
雅可比矩阵的迹Tλ和行列式Δλ分别为:
Tλ = F/Ω1 + G/Ω2
Δλ = F/Ω1 * G/Ω2
我们观察到雅可比矩阵总是具有正的行列式。然而,迹的值可以根据增益A和电路元件的值而变为正或负。假设最一般的对称情况,即C1 = C2 = C且R1 = R2 = R,当A = 3时迹为零。这直接导致条件:
A = 3 → R4 = 2R3
当满足这个条件时,系统达到分岔点,并出现具有明确特征频率的持续正弦振荡:
ω0 = (Δλ)^(1/2) / RC
如果迹取负值,即R4 < 2R3,系统将保持稳定状态。在这种情况下,可能会出现小的初始振荡,但随着时间的推移会衰减,系统最终会稳定在其平衡点。另一方面,如果迹为正,即R4 > 2R3,系统将进入不稳定状态。对于理想的运算放大器,这将导致振荡幅度随时间无限增长。然而,在更现实的场景中,由于运算放大器的输出电压有饱和限制,系统会演化成一个极限环状态。在这种情况下,持续振荡的幅度受到饱和水平的限制。所有这些不同的振荡行为都展示在图30a中。图30。(a) 对于图29a中的电路,通过调整运算放大器输入端的电阻网络来改变不同的增益值A,模拟了维恩桥振荡器的动态响应。(顶部) 分别对应于亚临界增益(A < Abiff)、临界增益(A = Abiff)和超临界增益(A > Abiff)的代表性电压轨迹,假设使用了理想的运算放大器模型(无输出限制)。(底部) 对于最后一种情况,但考虑了施加的饱和限制(Vsat = ± 12 V),显示了由于放大器非线性而在分岔处出现的极限环。(b) 与(a)相同,但适用于图29b中的另一种配置。
对于图29b所示的配置,遵循相同的程序,雅可比矩阵的迹可以表示为????=1(???1)??1??2?1??1??1?1??2??2Tλ=1(A?1)R1C2?1R1C1?1R2C2(97)。假设C1 = C2 = C且R1 = R2 = R,当??=32→??4=??32时达到分岔点(98)。在这种情况下,图29a配置下的振荡条件被反转。具体来说,当R4 > R3/2时,迹变为负值,对应于一个稳定的平衡状态;相反,当R4 < R3/2时,迹为正值,系统表现出之前描述的相同振荡行为,但条件相反。这在图30b中展示。这里获得的所有结果与之前关于这种类型振荡器稳定性和振荡行为的研究完全一致,无论是通过微分方程分析还是通过Barkhausen和Nyquist等经典标准得出的结果(310,320,321)。
在完成了对最基本的振荡器电路之一的动态分析并确定了其振荡和稳定条件之后,我们现在简要介绍其他感兴趣的基于反馈的正弦波振荡器配置,并强调它们的关键差异。如前所述,基于反馈的振荡器所需的基本组件是一个频率选择网络和一个提供必要反馈的放大阶段。通过修改频率选择部分的结构,可以实现多种振荡器拓扑。这些配置可以通过调整放大阶段来进一步优化,例如使用晶体管进行自动增益控制、不同类型的放大器和缓冲器(322)或简化的模拟电路(323),以更好地控制振荡条件并提高整体稳定性。图31展示了几个代表性振荡器电路的基本结构。
图31. 四种基本正弦波反馈振荡器的基本原理图。(a) Colpitts振荡器,(b) Hartley振荡器和(c) Clapp振荡器。经参考文献(324)许可复制。版权归2016年Elsevier所有。(d) RC移相振荡器。经参考文献(311)许可复制。版权归2023年Wiley所有。
图31a展示了一种最基本的Colpitts类型振荡器。该电路通常使用双极结型晶体管(BJT)作为有源放大元件,以及电阻器和电容器来确保所需的增益和相位移动。频率选择网络基于经典的LC谐振电路,如图10a中所讨论的,但在此基础上,在放大元件(本例中为BJT)的两个端子之间增加了一个额外的电容器。Colpitts振荡器的振荡频率由电感L和构成谐振电路的两个电容器C1和C2决定,其公式为??0=1????1??2??1+??2???????????????√ω0=1LC1C2C1+C2(99)。这种振荡器通常用于比维恩桥振荡器更高的频率应用,一般工作在射频(RF)范围内,而维恩桥振荡器则工作在音频频率范围内。
接下来看图31b,我们考虑Hartley振荡器,其结构与Colpitts振荡器相似。然而,Hartley配置不是通过将电容器与原始谐振电路的电容器串联来引入反馈,而是通过在与原始谐振电路的电感器串联处添加一个额外的电感器来实现反馈。这两个电感器通常被实现为一个带有中心抽头的单个线圈绕组,简化了电路的物理构造。振荡频率的确定方式与Colpitts振荡器类似,公式为??0=1(??1+??2)?????????????????√ω0=1(L1+L2)C(100),其中Colpitts电路中的串联电容器被串联电感器替代。Hartley振荡器通常用于与Colpitts相同的应用范围,特别是在RF电路中。这种配置的一个实际优势是可以使用单个电容器进行频率调整,在某些情况下简化了控制。
图31c展示了Clapp振荡器,其设计方法与前面描述的Colpitts和Hartley振荡器类似。与Colpitts配置类似,也在原始谐振电路的电容器之间串联了一个电容器。但是,Clapp设计还在谐振电路的电感器之间添加了一个额外的电容器。因此,新的谐振网络由两个串联的电容器组成,有效地与电感器和第三个电容器的串联组合并联。该电路的振荡频率由以下公式给出??0=11??(1??1+1??2+1??0)????????????????√ω0=11L(1C1+1C2+1C0)(101),其中C0是与电感器L串联的额外电容器。这种配置在增益变化时提供了更好的频率稳定性,使得Clapp架构特别适合用于电压控制振荡器(VCO)电路。
对于这三种振荡器类型的振荡和稳定条件的更详细分析,可以参考经典的电路理论教科书,其中振荡频率被明确推导出来。通过对谐振电路的阻抗分析,也可以根据放大器特性确定振荡所需的增益条件。最后,在图31d中,我们回到了与维恩桥振荡器更相关的设计,因为它也仅依赖于电阻器、电容器和运算放大器。这种振荡器由一个反相运算放大器组成,连接到通常为三个RC级的级联结构上,尽管这种电路有许多变体。在这种电路中,振荡频率由RC网络中的电阻器和电容器的值决定。假设对称情况,即R1 = R2 = R3 = R且C1 = C2 = C3 = C,振荡频率为??0=1????6??√ω0=1RC6(102)。
不同RC移相振荡器配置的稳定性和振荡条件的分析采用了与之前用于维恩桥振荡器相似的方法。工作频率范围也相似,通常在音频频率范围内。虽然图31中没有展示,但值得一提的是还存在一些在多信号生成和多信号分析应用中特别相关的正弦波振荡器拓扑,即所谓的正交振荡器,它们是RC移相振荡器的改进版本,设计用于产生相位差为90度的两个输出信号,同时生成类似余弦和正弦的波形。在这个类别的振荡器中,还有一些专门设计用于生成具有精确相位差的多个信号。一个著名的例子是Bubba振荡器,它产生四个输出信号,每个信号相对于下一个信号相位偏移45度。这种配置在需要生成正交和多相信号的应用中特别有用。
7.2. 非正弦波反馈振荡器
我们现在简要介绍另一类基于反馈的振荡器,其输出不再是正弦波,而是由非谐波波形组成,通常是三角形、方形或锯齿形。这些被称为松弛振荡器,在第4.6节中已经介绍过。这些电路是历史上最早开发的电子振荡器之一,由于其简单性和易于实现而广泛应用于基本应用中。最简单的电子松弛振荡器基于运算放大器,如图32a所示。其结构和操作非常直观,在本科电子课程中经常教授。该电路通过相互反馈工作,运算放大器交替作为比较器(施密特触发器)产生方波,以及作为积分器产生三角形波。这种基本结构广泛用于简单的信号发生器、波形合成和低复杂度的VCO中。
基于这个基本松弛振荡器的原理,开发了更复杂的架构以满足更高层次的应用需求。其中一个发展是亚稳态多谐振荡器,其最简单的形式由两个交叉耦合的晶体管和两个电容器组成。电路在这两个晶体管的开和关状态之间交替,由交叉耦合电容器的充放电动态驱动,从而产生方波,该架构如图32b所示。这种基本的多谐振荡器仍然用于常见的设备,如数字时钟、闪烁灯和简单的逻辑电路中。更高级的实现导致了众所周知的555定时器基振荡器,它在简单的多谐振荡器的基础上增加了比较器、放电晶体管或集成功率器RS等额外组件。这些组件允许对波形和定时进行更精细的控制,使其能够应用于更广泛的范围,包括报警系统、电机控制和更复杂的定时功能。
7.3. 混合振荡器:新兴设备中的反馈环路
现在我们已经对经典基于反馈的振荡器有了扎实的理解,可以探索将反馈机制与具有新颖化学物理特性的设备结合的新电子设备架构。这些混合系统在各个领域受到了越来越多的关注,因为它们能够实现超出传统设计限制的特定应用振荡器。例如,用于模拟生物神经元的电化学设备(72,335?337)、用于声音检测和频率适应的机械谐振器(308,338)以及用于基于阈值磁检测的磁系统(339)。所有这些系统都有一个共同的架构原则:集成功能性材料或组件,这些材料和组件被设计为特定响应,加上一个放大阶段,该阶段引入反馈以在特定条件下诱导或控制振荡行为。虽然目前正在研究各种类型的设备作为新兴的谐振元件,但在这项工作中,我们关注生物学相关的案例:使用有机电化学晶体管(OECTs)作为生物启发式尖峰振荡器的核心元件。这种策略代表了在感知响应电子系统中复制神经元功能的关键一步,通过门控的电化学掺杂和去掺杂有机混合离子电子导体(OMIECs)来实现(340,341)。在这些系统中实现尖峰行为的一个基本要求是在高离子浓度下降低载流子迁移率,这是许多OMIEC材料的固有属性。在这种条件下,系统表现出负跨导区域,要么通过晶体管通道中部分堆叠的p-n异质结实现反双极性特性,要么通过状态密度中可用电子状态的饱和来实现。这些设备在上面的图18中已经讨论过,特别适合用于模拟自然神经元的信号动态,使用类似的物理化学原理来生成生物兼容的振荡。
为了更详细地分析这三种振荡器的振荡和稳定条件,可以参考经典电路理论教科书,在其中振荡频率被明确推导出来。通过对谐振电路的阻抗分析,还可以根据放大器特性确定振荡所需的增益条件。最后,在图31d中,我们回到了一种与维恩桥振荡器更接近的设计,因为它也仅依赖于电阻器、电容器和运算放大器。这种振荡器由一个反相运算放大器组成,连接到通常为三个RC级的级联结构上,尽管这种电路有许多变体。在这种电路中,振荡频率由RC网络中的电阻器和电容器的值决定。该方法提供了一种通过修改电路参数或材料属性来调节振荡行为的定量途径,并为基于有机电化学晶体管(OECTs)设计紧凑型、受生物学启发的混合振荡器建立了通用框架。该研究工作的总体概述如图33所示。(345)该图展示了所使用模型的等效电路(图33a),它由三个主要分支组成。第一个分支包含与振荡快速变量相关的电容器。第二个分支对应于一个类似激活的变量,可以通过激活函数来建模,或者等效地通过一个电阻器和一个电感器来建模;在生物学上,这个分支代表K+通道,并使用传导K+离子的OECT来复现。最后,第三个分支包括表现出负跨导(NDR)的元件和闭合系统回路的反馈组件——反相运算放大器。在生物学上,这对应于Na+通道及其激活和失活动态,而在人工电路中,它可以通过在负跨导模式下工作的MIEC与反相放大器来实现。图33。(a) 如(345)中所呈现的,结合了反馈回路和NDR设备的混合振荡器模型的示意图。绿色块代表表现出负跨导的晶体管,连接到反相放大器,而中间分支对应于模拟K+通道的激活型晶体管。(b) 系统的相空间表示,显示了零线F = 0和G = 0以及钾通道激活变量不同松弛时间下的振荡轨迹。红点表示变量的初始值,而蓝点标记系统的不稳定平衡点(零线的交叉点)。(c) 电路膜电压变量Vmem的时域振荡。为了清晰起见,波形从下到上垂直偏移:0 mV、140 mV、360 mV、650 mV和980 mV。模型中使用的微分方程与(345)中报告的相同,所采用的参数值如下:Cm = 10 nF;gK = 0.80 mS;Vx = 0.22 V;Vmx = 0.02 V;Rf = 600 kΩ;Rin = 200 kΩ;V0 = 0.35 V;gNa = 0.10 mS;Va = 0.50 V;Vma = 0.04 V;Vd = 0.80 V;Vmd = 0.04 V;Iin = 5 μA。摘自Rivera-Sierra, G.; Fenollosa, R.; Bisquert, J. ACS Applied Electronic Materials 2025, 7, 10620–10630。版权所有2025美国化学会。高清图像下载MS PowerPoint幻灯片在这种情况下,这个反相运算放大器的存在对于准确再现神经元功能同时保持生物相容性是必不可少的。如前所述,当NDR机制固有存在时,也可以在没有显式反馈组件的情况下再现类似的振荡。在图33(b, c)中,系统相空间和振荡是用平衡点不稳定的参数表示的,并且K+激活分支(慢变量)的松弛时间被改变。这允许从围绕极限环的小幅度和高频率振荡(τk < )连续调节到振荡型、较大幅度和较小频率的振荡(τK >),如在FHN模型等理论系统中观察到的(见图12)。这种振荡器电路最近也被应用于其他领域,例如在简单的逻辑电路中,通过模拟电压门控树突钙动力学来模拟神经元操作。(346)此外,OECT表现出的负跨导已经被成功利用来开发单晶体管神经元架构。(335)这些进展突显了全面理解、分析和控制这些新兴电路可以展示的各种响应类型的关键重要性。总之,这项综合性分析表明,任何系统中自维持振荡的出现都必须基于本综述中概述的分岔理论分析。无论具体实现方式是基于反馈电路、设备级动态还是混合架构,这些系统都可以通过分析它们的相空间和零线结构来完全理解、控制和设计。这使得能够精确控制振荡出现的原因、时间以及如何出现,需要修改哪些设备参数以实现特定功能,以及退化、噪声或放大器变化可能如何影响性能。最终,这种方法为下一代神经形态和生物电子系统的设计提供了坚实的基础。8. 结论对自适应、能效计算需求的增长加剧了对模仿大脑架构和功能原理的神经形态系统的研究。与传统冯·诺依曼机器(功能强大但能耗高)不同,神经形态及相关非传统系统旨在以超低功耗实现高性能计算。它们特别适合于机器人技术、可穿戴电子设备、分布式传感器以及其他对能源和体积有约束的应用领域。通过模仿进化出的生物策略,仿生设备能够以惊人的效率实现类似的信息处理能力。在生物和人工神经形态架构的核心是神经元,这是一种天生具有振荡特性的元素,通过尖峰信号进行通信。自维持的电子振荡器通过从恒定能量输入中自动生成周期信号并通过对非线性反馈调节其内部动态来模仿这种行为。与需要外部激励的被动LC谐振器不同,这些主动系统通过NDR不稳定性或反馈放大器回路维持其节奏,从而实现自发振荡和自适应定时。这些原理不仅仅是与生物学的类比;它们构成了新兴计算范式的基础,在这些范式中,同步、相位动态和自组织成为计算的基础。本综述将非线性动力学、电化学、电子工程和计算神经科学的概念统一到一个共同的理论框架中。通过用微分方程和分岔理论,特别是Hopf及相关转变来描述振荡器,使得可以将物理设备行为与极限环的数学结构联系起来。基于VO2和NbOx忆阻器等功能材料的紧凑型振荡器证明了在可扩展的低功耗平台上实现类似神经元尖峰信号的可行性。同时,使用晶体管电路的基于反馈的振荡器通过显式放大表达了相同的原则,建立了材料物理学和电路设计之间的直接桥梁。因此区分并连接了两种主要架构:基于NDR的振荡器和由主动反馈增益维持的振荡器。混合模型结合了这两种机制,实现了可控的频率、可调性和耦合性。当组装成ONNs时,这些设备可以在相位域中进行计算,提供比数字AI系统更低的功耗的模拟替代方案。应用如边缘检测和联想学习展示了同步和相位锁定如何用物理动态替代数值运算。这一框架支持了OBC这一新兴范式,它利用自组织和相位一致性来解决模式识别、学习和决策制定中的复杂问题。除了电子学之外,振荡行为还支配着化学、光学和生物系统,强调了非线性反馈和极限环的普遍性。从统一的动态视角理解这些机制为化学家、物理学家和工程师提供了通往通过振荡进行思考和适应的设备的路线图。表2列出了本文中使用的缩写。表2. 缩写列表AIA人工智能ANNA人工神经网络BZBelousov–Zhabotinsky反应CALM导电激活的准线性忆阻器模型CMOS互补金属氧化物半导体技术FHNFitzHugh-Nagumo神经元模型HHHodgkin-Huxley模型LAOLarge amplitude oscillationsMIT金属绝缘体转变MMOMixed-mode oscillationsNDR负差分电阻OBC基于振荡器的计算OECT有机电化学晶体管ONNOscillatory Neural NetworksPRC相位响应曲线RRAM电阻随机存取存储器SAOSmall amplitude oscillationsSNSaddle-node bifurcationSNICSaddle-node on invariant circle bifurcationSNNSpiking Neural NetworksTSThreshold switchingVCO电压控制振荡器9. 范围和展望振荡神经形态系统、OBC和其他非传统计算方案的未来进展将取决于三个互补方向的整合。(i) 材料开发——推进可控活性介质的发展,如相关氧化物、卤化物钙钛矿和混合离子-电子导体,以实现可重复的、低电压振荡。(ii) 电路集成——将这些振荡器嵌入具有可编程耦合和同步控制的可扩展阵列中,用于模拟信号处理。(iii) 建模框架——通过多尺度模型将设备级非线性动态与系统级计算联系起来,统一化学、电子和生物振荡器。在这些方面的进展将把振荡设备从物理奇观转变为实用的计算元素,弥合神经元、电路和材料之间的概念差距。