基于忆阻器的混沌神经网络用于联想记忆

在混沌神经网络中,丰富的动态行为是由时空求和,连续输出函数和耐火度的贡献产生的。 然而,大量的时空求和反过来使得混沌神经网络的物理实现变得不切实际。 本文提出并研究了基于忆阻器的混沌神经网络模型,该模型充分利用具有独特存储能力的忆阻器以简单的方式实现时空求和。 此外,所提出的基于忆阻器的混沌神经网络的联想记忆能力已通过常规方法得到了证明,包括叠加模式的分离,多对多关联和连续学习。 借助忆阻器的纳米尺度尺寸和自动存储能力,该方案有望大大简化混沌神经网络的结构,并促进混沌神经网络的硬件实现。