بهینه‌سازی پارامترهای سخت‌افزاری در شبیه‌سازی نورومورفیک عصب شنوایی انسان با استفاده از شبکه‌ عصبی

مدل‌سازی دقیق دینامیک نورون‌های بیولوژیکی، سنگ بنای توسعه‌ی سامانه‌های نورومورفیک کم‌مصرف و توان بالا است. با این حال، دستیابی به تطابق دقیق میان خروجی مدل‌های ترانزیستور و داده‌های فیزیولوژیکی واقعی، نیازمند کالیبراسیون طاقت‌فرسای پارامترهای سخت‌افزاری است. این پژوهش، یک چارچوب کالیبراسیون خودکار برای مدل‌سازی نورون شنوایی انسان ارائه می‌دهد که این چالش را با بهره‌گیری از شبکه‌های عصبی مرتفع می‌سازد. در این روش، به جای پیاده‌سازی مستقیم، یک مدل عملکردی از مدارات کلیدی نورومورفیک در محیط matlab/simulink ایجاد شد. سپس، یک شبکه عصبی مصنوعی در یک حلقه سخت‌افزار-در-آزمون (hil) به کار گرفته شد تا پارامترهای فیزیکی مدار، مشخصاً نسبت عرض به طول (w/l) ترانزیستورها را به گونه‌ای بهینه‌سازی کند که خروجی مدل شبیه‌سازی‌شده، تطابق حداکثری را با داده‌های واقعی بیوالکتریک عصب شنوایی انسان نشان دهد. نتایج نشان می‌دهند که این رویکرد ترکیبی، نه تنها فرآیند کالیبراسیون را خودکار و تسریع می‌کند، بلکه به یک مدل شبیه‌سازی‌شده با ساختار بیوالکتریک بالا می‌انجامد که پارامترهای خروجی آن، مسیری مستقیم برای سنتز سخت‌افزاری فراهم می‌کنند. این متدولوژی، گامی مهم در طراحی تراشه‌های asic نورومورفیک برای کاربردهای زیستی دقیق و سامانه‌های کمک شنوایی هوشمند است.

hardware parameter optimization for neuromorphic modeling of the human auditory neuron using neural network

accurate modeling of biological neuron dynamics forms the cornerstone of developing high-performance and energy-efficient neuromorphic systems. however, achieving precise conformity between transistor-level outputs and real physiological data demands exhaustive calibration of hardware parameters. this study introduces an automated calibration framework for modeling the human auditory neuron, which addresses this challenge by leveraging artificial neural networks. instead of direct circuit implementation, a functional behavioral model of key neuromorphic subcircuits was constructed in the matlab/simulink environment. subsequently, an artificial neural network was employed within a hardware-in-the-loop (hil) scheme to optimize the circuit’s physical parameters—specifically, the transistor width-to-length ratio (w/l)—so that the simulated output exhibits maximal conformity with real bioelectric recordings of the human auditory neuron. the results demonstrate that this hybrid approach not only automates and accelerates the calibration process but also yields a high-fidelity bioelectric simulation model whose output parameters provide a direct pathway toward hardware synthesis. this methodology represents a significant step toward the design of