《Advanced Electronic Materials》:Synchronization of Analog Neuron Circuits With Digital Memristive Synapses: An Hybrid Approach
编辑推荐:
在生物工程和仿生控制领域,实现鲁棒、可重构的神经网络是机器人学、过程控制等实际应用的关键一步。本文聚焦于解决模拟神经元在应对实际场景不确定性时灵活性受限,而数字解决方案在实现自适应连接方面潜力巨大的问题。研究人员开展了一项关于利用数字忆阻突触耦合模拟Izhikevich神经元,以实现同步行为的研究。他们通过数值模拟和实验验证,成功证实了基于忆阻器的双向自适应耦合能够促使具有不同放电模式(如混沌和周期性放电)的神经元实现同步,并分析了关键参数和初始条件的影响。这项研究的成果具有重要意义,它不仅验证了混合(模拟/数字)实现方案的可行性,还为未来实现可应用于机器人控制的自组织和自适应控制策略铺平了道路。
在生物工程和仿生控制领域,如何打造既鲁棒又聪明的“人造大脑”控制单元,一直是个热门挑战。理想的“神经元”需要像其生物原型一样,对外部噪声和不确定性拥有天生的抗干扰能力(鲁棒性),同时其内部“连线”——突触,又必须能够灵活调整,以适应不同任务(可重构性)。传统的实现方式面临两难:模拟电路能很好地模拟神经元的非线性动力学,天生具有鲁棒性,但其参数和连接一旦焊好就难以改变;而数字电路(如微控制器)参数可任意编程,灵活性强,但其离散化的本质在处理连续变化的模拟世界信号时可能存在差距。有没有一种“鱼与熊掌兼得”的方案,能结合两者优点,为机器人、过程控制等实际应用设计出更可靠的智能控制核心呢?
本研究发表在《Advanced Electronic Materials》上,正是为了回答这个问题。研究人员提出并验证了一种创新的混合(模拟/数字)方法。其核心思想是:用完全模拟的电路来精准实现Izhikevich神经元模型的非线性放电行为,而连接这些神经元的“突触”则利用数字微控制器来实现一个特殊的、具有“记忆”功能的忆阻器模型。这样一来,模拟部分保证了系统能无缝对接现实世界中的连续信号,而数字部分则赋予其连接关系前所未有的可编程性和可塑性。研究团队通过详尽的数值模拟和物理实验,系统探索了这种数字忆阻突触如何促使两个原本放电模式不同的模拟Izhikevich神经元走向同步,并揭示了其中的规律。
作者开展研究主要运用了以下几个关键技术方法:首先,是基于Izhikevich模型的完全可调谐模拟电路设计。他们采用状态变量法,利用运算放大器的加法-积分器配置来实现Izhikevich模型的两个非线性微分方程,并通过精心设计的电路(包括非线性函数模块和复位条件电路)确保其可调谐性和鲁棒性。其次,是基于微控制器(ESP32)的数字忆阻突触实现。他们将反并联忆阻器配置的数学模型(包含Biolek窗函数)编码到微控制器中,利用其内置的ADC(模数转换器)和DAC(数模转换器)与外部模拟电路交互。最后,是混合实验验证与分析。他们构建了完整的实验装置,将两个模拟神经元电路板与数字接口硬件、微控制器连接,通过数据采集卡(NI ELVIS III)获取实验波形,并与数值模拟结果进行对比验证。
研究结果部分通过详尽的数值模拟和实验对比,深入剖析了系统的各个层面:
2.1 数学框架
研究人员首先介绍了Izhikevich模型和忆阻突触的数学模型。为了适配电路实现,他们对Izhikevich模型进行了幅度和时间尺度上的重新缩放。对于突触,他们采用了反并联忆阻器配置,该配置能基于两个神经元膜电压的误差,引入自适应、双向的耦合。模型中包含耦合强度kc和忆阻器缩放因子α等关键参数。
2.2 数值与实验分析
此部分分为几个关键小节,系统性地展示了从单神经元特性到耦合系统同步行为的完整图景。
- •
2.2.1 Izhikevich神经元动力学
通过改变参数Iext,研究展示了单个Izhikevich神经元能够产生从周期性到混沌性的不同放电模式。数值模拟与电路实验结果高度吻合,验证了模拟电路设计的准确性。通过分岔分析和放电间隔(ISI) 图,研究人员清晰地描绘了参数变化如何导致复杂的非线性现象,包括混沌放电窗口的出现。
- •
2.2.2 忆阻耦合突触中的收缩滞后回线
在将忆阻器用于耦合之前,研究验证了其在神经元放电频率范围内是否展现出标志性的收缩滞后回线特性。通过用正弦电压驱动反并联忆阻器对,他们确认了在神经元典型的平均放电频率(50 mHz)下,电压-电流特性图中确实出现了收缩滞后回线,并且其大小受参数α调控。
- •
2.2.3 同步模式:数值与实验结果
这是研究的核心。研究人员将两个具有不同放电模式(一个混沌,一个周期)的Izhikevich神经元通过忆阻突触耦合起来。他们引入了两个量化指标:ISI的平均差异和膜电压的平均误差,来评估同步程度。
通过绘制参数空间(kc和 α)下的同步地图,他们发现,在很大范围的参数区域内,两个神经元的ISI能够实现同步,而膜电压的误差可能仍然较高。忆阻器缩放因子α的增加能够拓宽确保同步的kc范围。
进一步分析表明,忆阻突触的作用是根据放电动态自适应地调整有效耦合强度。等效忆阻值Meq在尖峰发生时增加,以维持同步行为。研究还特别关注了忆阻器内部状态变量初始条件的影响,发现其选择能够促进或阻碍同步的发生,显示出该系统的复杂性和丰富性。
最终的混合实验完美验证了数值模拟的预测。当选择合适的参数(如kc=50, α=5)时,两个模拟神经元的膜电压表现出高度协调的同步放电;而当参数不当时(如kc=1, α=5),同步性则较差。
4 实验部分
此部分详细介绍了实现上述研究的硬件设计,是混合方法可行性的具体体现。
- •
4.1 Izhikevich神经元的模拟实现
详细描述了如何利用运算放大器、电阻、电容、二极管和MOSFET等标准元件,搭建出完全可调谐的Izhikevich神经元模拟电路,并制作成印刷电路板(PCB)以保证稳定性和可重复性。
- •
4.2 忆阻突触的数字实现
说明了如何使用ESP32微控制器,通过编程实现反并联忆阻器的数学模型,实时读取神经元间的电压差,计算并输出耦合电流。
- •
4.3 模拟/数字接口硬件
设计了专门的接口电路,用于将模拟电路的工作电压范围(±3.3 V)与微控制器的逻辑电平范围(0-3.3 V)进行匹配和偏移调整,确保信号能够正确地在两个域之间传递。
研究结论与讨论部分对全文工作进行了总结和展望。本研究成功提出并验证了一种用于研究忆阻耦合模拟神经元同步行为的新型混合实验装置。其核心创新在于融合了模拟和数字技术的优势:模拟神经网络单元具备可调谐性并能天然应对实际场景中的不确定性和参数失配;而数字实现的忆阻突触则易于快速编程和修改模型,成本效益高。该混合平台为研究不同忆阻器模型下的神经元同步行为提供了一个通用测试平台。
通过并行进行的数值模拟和电路实验,研究揭示了在具有内在不同放电模式(混沌与非混沌)的神经元对中,通过忆阻耦合实现同步的多种路径。忆阻突触的独特行为(自适应调整耦合强度)在耦合系数和忆阻器内部动态时间常数所定义的广阔参数空间内促成了神经元的协调放电。此外,忆阻器初始条件对同步的发生具有非平凡影响,这揭示了系统动力学的丰富性。
研究强调,从放电间隔(ISI)的角度定义同步,使得该成果可直接应用于驱动执行器(如直流电机)的控制。通过功率晶体管放大神经元的输出信号,可以将其转化为驱动电机轴角速度的模拟不连续信号。这意味着,完全或部分的同步放电可以被调节,从而在没有集中控制的情况下,实现两个电机角速度之间所需的协调水平。这种解决方案还可以配备应对外部干扰的自适应律,从而实现鲁棒的控制系统。
总之,这项工作不仅为理解忆阻器在实现自适应神经突触方面的作用提供了新的实验见解,更重要的是,它展示了一种切实可行的混合硬件架构,为未来开发应用于机器人、工业电子设备等领域的、具备自组织和自适应能力的鲁棒控制策略铺平了道路。