ИРЭ им. В.А. Котельникова РАН English Войти Подать статью
Журнал радиоэлектроники Электронный научный журнал · eISSN 1684-1719
2024, № 4 · НЕЛИНЕЙНАЯ ВОЛНОВАЯ ДИНАМИКА В РАДИОЭЛЕКТРОНИКЕ

Синхронизация мемристивных нейропободных генераторов

И.М. Кипелкин1,2, С.А. Герасимова1, А.И. Белов1, А.Н. Михайлов1,2, В.А. Смирнов2, В.Б. Казанцев1,2

1 Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского, Нижний Новгород, Россия
2 Южный федеральный университет, Таганрог
Полный текст DOI: 10.30898/1684-1719.2024.4.2 УДК 53.097 EDN HCHVSW

Аннотация

В статье рассматривается мемристивная нейроморфная система, состоящая из двух аналоговых мемристивных нейронов Фитцхью-Нагумо, соединенных через мемристивное устройство Au/Zr/SiO2/TiN/Ti/SiO2/Si. Такая система, с одной стороны, имитирует биологоправдоподобную динамику ионных каналов нейронов, с другой - межнейронные синаптические соединения. Установлено, что мемристивное устройство, под действием сигнала пресинаптического электрического нейрона обладает свойством синаптической пластичности. Экспериментально получены режимы вынужденной синхронизации с соотношением частот 1:1, 2:1, N:1. Разработанная система достаточно хорошо воспроизводит динамику синаптической связи в нейронных сетях мозга. С прикладной точки зрения, за счет адаптивных свойств мемристора она может быть использована для разработки нейросенсорных устройств.

  • мемристор
  • нейрон
  • синапс
  • синхронизация
  • нейроморфная система
Abstract (in English)

Synchronization of memristive neuronal oscillators

The article discusses a memristive neuromorphic system consisting of two analog memristive neurons, FitzHugh-Nagumo, connected through a memristive device Au/Zr/SiO2/TiN/Ti/SiO2/Si. Such a system, on one hand, imitates the biologically plausible dynamics of ion channels in neurons, and on the other hand, the interneuronal synaptic connections. It has been established that the memristive device, under the influence of a signal from the presynaptic electrical neuron, exhibits synaptic plasticity. Experimental results have shown forced synchronization modes with frequency ratios of 1:1, 2:1, N:1. The developed system effectively reproduces the dynamics of synaptic connections in neural networks of the brain. From an applied point of view, due to the adaptive properties of the memristor, it can be used for the development of neurosensory devices.

Для цитирования

Кипелкин И.М., Герасимова С.А., Белов А.И., Михайлов А.Н., Смирнов В.А., Казанцев В.Б. Синхронизация мемристивных нейропободных генераторов // Журнал радиоэлектроники. – 2024. – № 4. https://doi.org/10.30898/1684-1719.2024.4.2

Литература

  1. Broccard F. D. et al. Neuromorphic neural interfaces: from neurophysiological inspiration to biohybrid coupling with nervous systems //Journal of neural engineering. - 2017. - Т. 14. - №. 4. - С. 041002.
  2. Sarkar T. et al. An organic artificial spiking neuron for in situ neuromorphic sensing and biointerfacing //Nature Electronics. - 2022. - Т. 5. - №. 11. - С. 774-783.
  3. Kazakov V. V. et al. Digital storing and representation of spectral data of negative ions //AIP Conference Proceedings. - AIP Publishing, 2018. - Т. 2052. - №. 1.
  4. Chua L. Memristor-the missing circuit element //IEEE Transactions on circuit theory. - 1971. - Т. 18. - №. 5. - С. 507-519.
  5. Gaba S. et al. Ultralow sub-1-nA operating current resistive memory with intrinsic non-linear characteristics //IEEE Electron Device Letters. - 2014. - Т. 35. - №. 12. - С. 1239-1241.
  6. Walters B. et al. A Review of Graphene-Based Memristive Neuromorphic Devices and Circuits //Advanced Intelligent Systems. - 2023. - Т. 5. - №. 10. - С. 2300136.
  7. Pershin Y. V., Di Ventra M. Memristive circuits simulate memcapacitors and meminductors //arXiv preprint arXiv:0910.1583. - 2009.
  8. Buscarino A. et al. Memristive chaotic circuits based on cellular nonlinear networks //International Journal of Bifurcation and Chaos. - 2012. - Т. 22. - №. 03. - С. 1250070.
  9. Gerasimova S. A. et al. Memristive neural networks for predicting seizure activity // Современные технологии в медицине. - 2023. - Т. 15. - №. 4 (eng). - С. 30-37.
  10. Stasenko S. V., Mikhaylov A. N., Kazantsev V. B. Model of Neuromorphic Odorant-Recognition Network //Biomimetics. - 2023. - Т. 8. - №. 3. - С. 277.
  11. Zhao H. et al. Memristor-based signal processing for edge computing //Tsinghua Science and Technology. - 2021. - Т. 27. - №. 3. - С. 455-471.
  12. Gerasimova S. A. et al. Living-Neuron-Based Autogenerator // Sensors. - 2023. - Т. 23. - №. 16. - С. 7016.
  13. Stasenko S. V., Mikhaylov A. N., Kazantsev V. B. Control of Network Bursting in a Model Spiking Network Supplied with Memristor-Implemented Plasticity //Mathematics. - 2023. - Т. 11. - №. 18. - С. 3888.
  14. Kipelkin I. et al. Mathematical and Experimental Model of Neuronal Oscillator Based on Memristor-Based Nonlinearity // Mathematics. - 2023. - Т. 11. - №. 5. - С. 1268.
  15. Mikhaylov A. N. et al. One-board design and simulation of double-layer perceptron based on metal-oxide memristive nanostructures // IEEE Transactions on Emerging Topics in Computational Intelligence. - 2018. - Т. 2. - №. 5. - С. 371-379.
  16. Koryazhkina M. N. et al. Resistive state relaxation time in ZrO2 (Y)-based memristive devices under the influence of external noise // Chaos, Solitons & Fractals. - 2022. - Т. 162. - С. 112459.
  17. Maraj J. J. et al. Sensory Adaptation in Biomolecular Memristors Improves Reservoir Computing Performance //Advanced Intelligent Systems. - 2023. - С. 2300049.