Neuromorphic Circuit Simulation with Memristors: Design and Evaluation Using MemTorch for MNIST and CIFAR

Memristors具有非易失性、低功耗和历史依赖性电导等重要优势，因此在神经形态电路中作为内存计算设备具有特别的价值，这是由于目前神经网络面临Von Neumann体系结构和高能耗等限制。本研究通过构建和训练三个数字卷积神经网络（MNIST、CIFAR10和CIFAR100数据集），评估了使用Memristors进行内存处理的可行性。随后，使用Memtorch将这些网络转换为Memristive系统。在理想条件下进行的模拟显示，在推理过程中仅有近1%的最小精度损失。此外，该研究分析了瓷砖大小和Memristor特定的非理想性对性能的影响，突出了将Memristors集成到神经形态计算系统中的实际影响。这次探索Memristive神经网络应用凸显了Memtorch在推进神经形态架构方面的潜力。

评估使用Memristors进行内存计算的可行性，以解决神经形态电路中Von Neumann架构和高能耗的限制。

使用Memtorch将数字卷积神经网络转化为Memristive系统，进行模拟并评估其性能，分析瓷砖大小和Memristor特定非理想性对性能的影响。

论文使用MNIST、CIFAR10和CIFAR100数据集，进行三个数字卷积神经网络的构建和训练，然后使用Memtorch将其转化为Memristive系统进行模拟。研究发现，在理想条件下，推理过程中几乎没有精度损失。研究还分析了瓷砖大小和Memristor特定非理想性对性能的影响，突出了将Memristors集成到神经形态计算系统中的实际意义。

最近的相关研究包括： 1. 'Memristor-based neural networks: A survey'，Junaid Ahmed Khan等，Neurocomputing，2021年。 2. 'Memristor-based computing: A comprehensive review'，Xin Jin等，Applied Physics Reviews，2020年。 3. 'Memristor-based neuromorphic computing systems: A survey'，Yuan Deng等，IEEE Transactions on Neural Networks and Learning Systems，2020年。