پیاده‌سازی الگوی یادگیری tstdp با استفاده از یک مدار سیناپسی موازی متشکل از ترانزیستورهای لایه نازک حافظه‌دار و ممریستورها

الگوی یادگیری tstdp یک گونه پیشرفته‌تر از الگوی یادگیری سیناپسی وابسته به زمان‌بندی اسپایک، stdp ، است که در مقایسه با الگوی یادگیری سنتی‌تر pstdp منجربه ظرفیت‌های یادگیری بهبود یافته‌تری می‌گردد و قادر است نتایج طیف وسیع‌تری از آزمایش‌های واقعی مغزی را بازتکرار کند. در این مقاله یک مدار سیناپسی ترکیبی شامل ممریستورهای کنترل‌شده با جریان یا بار الکتریکی و ترانزیستورهای لایه نازک ارائه می‌گردد که می‌تواند الگوی یادگیری سیناپسی tstdp را پیاده‌سازی کند. ممریستورها و ترانزیستورهای لایه نازک نانوکریستالی از تکنولوژی‌های نوظهور حوزه نانو هستند که به‌طور وسیعی در طراحی مدارها و سیستم‌های نورومورفیک مورد استفاده قرار می‌گیرند. ترانزیستورهای لایه نازک به‌کار گرفته‌شده در شبیه‌سازی‌ها، از نوع ترانزیستورهایی هستند که با قراردادن لایه‌ای از نانوذرات طلا در داخل اکسید گیت، حافظه‌دار شده‌اند. نتایج شبیه‌سازی‌های ارائه‌شده نشان می‌دهند که این مدار می‌تواند تغییرات وزن سیناپسی ناشی از اختلاف زمانی بین اسپایک‌ها را به‌درستی پیش‌بینی کند. بنابراین می‌توان گفت که این مدار یک گام ابتدایی برای ساخت یک طراحی غیرهمزمان است که بتواند الگوی tstdp را پیاده‌سازی کند. چنین طرحی می‌تواند پیاده‌سازی سیستم‌های نورومورفیک پیشرفته دارای ابعاد بزرگ را ساده‌تر کند تا بتوان از آن‌ها برای انجام کارهای مهندسی واقعی مانند دسته‌بندی الگوها بهره جست.

Implementation of TSTDP with a Parallel Synaptic Circuit Composed of Nanoparticle Memory-TFTs and Memristors

Tripletbased Spike Timing Dependent Plasticity (TSTDP) is an advanced synaptic plasticity rule that results in improved learning capability compared to the conventional pairbased STDP (PSTDP). The TSTDP rule can reproduce the results of many electrophysiological experiments, where the PSTDP fails, and can be implemented using new nanoscale technologies. Nanocrystallinesilicon thin film transistors (TFT) and memristors are of these nanoscale devices which can be integrated into threedimensions using lowtemperature processing. This paper proposes a new hybrid TFTmemristive circuit that implements the TSTDP. The proposed circuit is designed using current/charge driven memristors and nanoparticle memoryTFTs, as the synapse. Our simulation results demonstrate that the proposed hybrid TFTmemristor circuit induces synaptic weight changes that arise due to the timing differences among pairs and triplets of spikes with a close match to realistic biological measurements. The presented memristive design is an initial step towards developing asynchronous TSTDP learning architectures using memristive devices. These architectures may facilitate the implementation of advanced largescale neuromorphic systems with applications in real world engineering tasks such as pattern classification. be prepared in one or two paragraphs with less than 200 word and figures, tables, equations, and references should be avoided.