基于钙钛矿忆阻器的神经形态学Silico替代模型，用于模拟糖尿病神经病变中的预测编码功能障碍

《Neuroinformatics》：A Perovskite Memdiode-Based Neuromorphic in Silico Surrogate Model for Emulating Predictive Coding Failure in Diabetic Neuropathy

　　

摘要

卤化物钙钛矿忆阻二极管结合了离子与电子动力学特性，是神经形态计算中人工突触的有力候选者。我们提出了一个基于仿真的神经形态电路，该电路包含了一个全面的钙钛矿忆阻二极管模型，并通过仿真验证确认了其突触可塑性特征。所提出的模型再现了模拟长期增强/抑制（LTP/LTD）、脉冲时序依赖性可塑性（STDP）、脉冲速率依赖性可塑性（SRDP）以及成对脉冲促进/抑制（PPF/PPD）等现象。我们还描述了基于脉冲幅度和脉冲宽度的导电率调制、夹式迟滞I-V曲线，以及通过蒙特卡洛仿真对器件间和周期间波动的统计鲁棒性。这种忆阻二极管被集成到一个连续时间神经形态预测编码框架中，以最小化变分自由能（VFE）。在该架构中，我们将糖尿病周围神经病变（DPN）的四个临床特征——可塑性损伤、稳态失调、传入信号减弱和传导延迟——直接映射到具体的电路参数（\(\:k_{drift},\tau_{TH},A_{amp},\tau_{delay}\)上。一个严重程度参数α用于在健康预测编码状态和计算崩溃状态之间连续调节网络。健康的基线参数能够迅速降低VFE；中度DPN（α=0.5）会导致振荡性VFE持续升高，这被认为是痛觉过敏的一种假设性表现；重度DPN（α≥0.8）会破坏稳态可塑性，系统会陷入一种类似感觉性共济失调的固定不适应状态。噪声韧性分析和超参数敏感性分析表明，该架构对模拟参数空间内的随机性具有高度韧性，并且在所有动态范围内对超参数扰动具有结构上的鲁棒性。这项工作的主要贡献是一个计算框架，展示了如何利用二阶、具有 BCM（Bayesian Confidence Mechanism）能力的忆阻器件动力学来模拟系统级别的预测编码故障；经过行为验证的钙钛矿忆阻二极管模型以及DPN严重程度映射，为这一框架提供了具体的、具有说明性的实例。