کاربرد ممریستور به عنوان سیناپس در سلول های عصبی integrate and fire و هاجکین هاکسلی

مقاومت حافظه‌دار یا ممریستور memristor که امروزه به عنوان چهارمین عنصر مدارهای الکتریکی شناخته می شود، عنصری دو پایه است که عملکردی شبیه مقاومت دارد و در ابعاد نانو ساخته می شود. بر طبق منحنی هیسترزیس آن می توان ثابت نمود که مقدار این مقاومت در طول زمان ثابت باقی می ماند و مقدار این مقاومت به مقدار، پلاریته و زمان ولتاژ اعمال بستگی دارد. منحنی هیسترزیس جریان–ولتاژ در ممریستور باعث می شود تا این عنصر بتواند به عنوان یک حافظه مقاومتی غیر فرار عمل کرده و اطلاعات را تا زمانی که ولتاژی با مقدار و پلاریته متفاوتی به آن اعمال شود حتی تا یک سال بعد به یاد آورد. ممریستور می تواند جایگزین بسیاری از ترانزیستورها در بعضی از مدارات شده و جای کمتری اشغال کند. در این مقاله از یک پل ممریستوری متشکل از چهار ممریستور به عنوان یک سیناپس برای اتصال دو سلول عصبی integrate and fire و هاجکین هاکسلی استفاده شده است. استفاده از سیناپس پل ممریستور در معماری پیشنهادی یکی از مشکلات عمده مربوط به ذخیره وزن غیرفرار در شبکه عصبی آنالوگ را حل می کند. با تغییر مقدارهای مختلف هر ممریستور وزن سیناپسی تغییر و قابل برنامه ریزی خواهد بود و مشخصه ولتاژ و جریان این سیناپس ممریستوری و تغییرات وزن آن روی رفتار سلول های عصبی integrate and fire و هاجکین هاکسلی بررسی خواهد شد.

memristor bridge synapse application for integrate and fire and hodgkin-huxley neuron cell

memory resistor or memristor is already fabricated successfully using current nano dimension technology. based on its unique hysteresis, the amount of resistance remains constant over time, controlled by the time, the amplitude, and the polarity of the applied voltage. the unique hysteretic current-voltage characteristic in the memristor causes this element to act as a non-volatile resistive memory, to store the information till the next perturbation. in this paper, a bridge consisting of four memristors is introduced as a synapse to connect the two neuron cells, leaky integrate-and-fire, and hodgkin-huxley neuron cells. the use of memristor bridge synapse in the proposed architecture solves one of the major problems, regarding nonvolatile weight storage in analog neural network implementations. by changing different values of each memristor, the synaptic weight will be programmable. the current-voltage characteristics and their weight variations will be examined in the behavior of neuron spikes.