Memristif sinaptik devreler için uyarlanabilir parçalı lineer karakteristik yaklaşım ve FPGA uygulaması

Yıl 2025, Cilt: 40 Sayı: 4, 2351 - 2362, 31.12.2025

Barış Şahintekin , Zehra Gülru Çam Taşkıran

https://doi.org/10.17341/gazimmfd.1539981

Öz

Yapay zekâ tabanlı sistemler ve sinaptik devreler son yıllarda birçok araştırmacı için ilgi çekici bir konu haline gelmiştir. Yüksek işlem gücü gerektiren bu sistemlerin yazılımsal gerçekleştirilmesi zaman ve işlem maliyeti açısından zorlayıcı olduğundan, donanımsal gerçekleme ihtiyacı ortaya çıkmıştır. Donanımsal sinaptik devreler, güç tüketimi ve maliyeti azaltırken işlem kapasitesini artırmayı vaat etmektedir. Sinaptik devrelerde duyulan hafızalı eleman ihtiyacı için literatürde farklı çözümler mevcuttur. Memristör elemanı bu ihtiyaç için sıklıkla kullanılan bir pasif devre elemanıdır ve bu eleman ile gerçekleştirilen sinaptik devreler memristif sinaptik devreler olarak isimlendirilmektedir. Bu çalışmada memristif sinaptik devreler için donanımsal bir yöntem önerilmiştir. Önerilen yöntemde yapay sinir ağının ağırlık parametrelerine denk gelen memristör elemanının memristans değeri ayarlanarak ağ yapısının yeniden konfigüre edilebilmesi amaçlanmıştır. Memristörün değerini ayarlamak amacıyla donanımsal bir tasarım gerçekleştirilmiş ve bu tasarım üzerinden gerekli işlemleri yapacak bir algoritma önerilmiştir. Tasarım, memristör üzerine sinüzoidal sinyal uygulayarak memristans değerini ölçen ve darbe sinyali uygulayarak memristansın değerini değiştiren alt bloklardan oluşmaktadır. Önerilen yöntem FPGA üzerinde gerçeklenerek farklı karakteristikteki matematiksel memristör modelleri ve memristör emülatörü devresi üzerinde test edilmiş ve elde edilen sonuçlar paylaşılmıştır. Elde edilen yöntemin gerekli okuma-yazma döngü sayısını azalttığı ve düşük güç tüketimine katkı sağladığı görülmüş, memristörün lineer olmama problemine efektif bir çözüm sunulmuştur.

Anahtar Kelimeler

Sinaptik devreler , memristör programlama , parçalı lineer yaklaşım , FPGA uygulaması

Kaynakça

• 1. Chua L., Memristor-the missing circuit element. IEEE Transactions on circuit theory, 18 (5) ,507-519, 1971.
• 2. Williams R.S., How we found the missing memristör, IEEE spectrum, 45 (12), 8-35, 2008.
• 3. Çam Taşkıran Z.G., Sedef H., Realization of memristor based chaotic rossler circuit, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (2), 765–774, 2019.
• 4. Yener Ş.Ç., Mutlu R., Kuntman H.H., Memristor Based Sallen-Key Filters, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (2), 173–184, 2015.
• 5. Parlar İ., Almalı M.N., A new operational amplifier model using a memristor emulator circuit and application to a phase-shifted oscillator circuit, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (3), 1963–1972, 2024.
• 6. Çakır K., Mutlu R., Karakulak E., A memristor-based Liénard Oscillator design, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (2), 1183–1196, 2024.
• 7. Yao P., Wu H., Gao B., Tang J., Zhang Q., Zhang W., Fully hardware-implemented memristor convolutional neural network, Nature, 577 (7792), 641-646, 2020.
• 8. Li C., Belkin D., Li Y., Yan P., Hu M., Ge N., Efficient and self-adaptive in-situ learning in multilayer memristor neural networks. Nature communications, 9 (1), 1-8, 2018.
• 9. Zhang Y., Wang X., Friedman E.G., Memristor-based circuit design for networks, IEEE Transactions on Circuits and Systems I: Regular Papers, 65 (2), 677-686, 2017.
• 10. Liu X., Zeng Z., Wunsch II D.C., Memristor-based LSTM network with in situ training and its applications, Neural Networks, 131, 300-311, 2020.
• 11. Wainstein N., Tsabari T., Goldin Y., Yalon E., Kvatinsky S., A dual-band CMOS low-noise amplifier using memristor-based tunable inductors, 2019 IEEE Computer Society Annual Symposium on VLSI (ISVLSI), 2019, 290-295, 2019.
• 12. Marković I., Potrebić Ivaniš M., Tošić D., The Dynamic Tunability of Memristor-Based Active Filters, Micromachines, 14 (11), 2064, 2023.
• 13. Yu S., Neuro-inspired computing with emerging nonvolatile memorys, Proceedings of the IEEE, 106 (2), 260-285, 2018.
• 14. Mutlu, R., Kumru, T. D., A Zeno Paradox: some well-known nonlinear dopant drift memristor models have infinite resistive switching time, Radio Engineering, 32 (3), 312-324, 2023.
• 15. Tu S., Li J., Ren Y., Jiang Q., Xiong S., A novel programming circuit for memristors, Microelectronic Engineering, 280, 112072, 2023.
• 16. Tarkhan M., Maymandi-Nejad M., Haghzad Klidbary S., Bagheri Shouraki S., A bridge technique for memristor state programming, International Journal of Electronics, 107 (6), 1015-1030, 2020.
• 17. Gomez J., Vourkas I., Abusleme A., Sirakoulis G.C., Rubio A., Voltage divider for self-limited analog state programing of memristors, IEEE Transactions on Circuits and Systems II: Express Briefs, 67 (4), 620-624, 2019.
• 18. Vourkas I., Gómez J., Abusleme Á., Vasileiadis N., Sirakoulis G.C., Rubio A., Exploring the voltage divider approach for accurate memristor state tuning, 2017 IEEE 8th Latin American Symposium on Circuits & Systems (LASCAS), 2017, 1-4, 2017.
• 19. Zhang G.L., Li B., Huang X., Shen C., Zhang S., Burcea F., An efficient programming framework for memristor-based neuromorphic computing, 2021 Design, Automation & Test in Europe Conference & Exhibition (DATE), 2021, 1068-1073, 2021.
• 20. Karakulak, E., Mutlu, R., Ucar, E., Reconstructive sensing circuit for complementary resistive switches-based crossbar memories, Turkish Journal of Electrical Engineering and Computer Sciences, 24 (3), 1371-1383, 2016.
• 21. Biolek Z., Biolek D., Biolkova V., Differential equations of ideal memristors, Radioengineering, 24 (2), 369-377, 2015.
• 22. Uçar, E., Karakulak, E., Mutlu, R., ANN Circuit Application of Complementary Resistive Switches, Balkan Journal of Electrical and Computer Engineering, 7 (1), 34-43, 2019.
• 23. Çam Taşkıran Z.G., Sedef H., A new floating memristance simulator circuit based on second generation current conveyor, Journal of Circuits, Systems and Computers. 26 (02), 1750029, 2017.
• 24. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Adam G.C., Likharev K.K., Strukov D.B., Training and operation of an integrated neuromorphic network based on metal-oxide memristors, Nature, 521 (7550), 61–64, 2015.
• 25. Alibart F., Zamanidoost E., Strukov D.B., Pattern classification by memristive crossbar circuits using ex situ and in situ training, Nature communications, 4 (1), 2072, 2013.
• 26. Soudry D., Di Castro D., Gal A., Kolodny A., Kvatinsky S., Memristor-based multilayer neural networks with online gradient descent training, IEEE transactions on neural networks and learning systems, 26 (10), 2408–2421, 2015.
• 27. Yang L., Zeng Z., Shi X., A memristor-based neural network circuit with synchronous weight adjustment, Neurocomputing, 363, 114–124, 2019.
• 28. Jung C. M., Choi J. M., Min K. S, Two-step write scheme for reducing sneak-path leakage in complementary memristor array, IEEE transactions on nanotechnology, 11 (3), 611-618, 2012.