Tổng quan nghiên cứu

Trong bối cảnh công nghệ vi mạch điện tử ngày càng phát triển, định luật Moore – quy luật tăng gấp đôi số lượng transistor trên một đơn vị diện tích mỗi hai năm – đang dần mất hiệu lực khi kích thước transistor tiến gần đến giới hạn vật lý ở mức phân tử. Từ năm 2007, thời gian để tăng gấp đôi số transistor đã kéo dài lên khoảng 60 tháng, tạo ra nhu cầu cấp thiết về các linh kiện mới có kích thước nano và hiệu năng vượt trội. Trong đó, memristor – linh kiện điện trở nhớ – nổi lên như một giải pháp tiềm năng với khả năng lưu trữ dữ liệu không mất khi mất điện, kích thước nhỏ, mật độ tích hợp cao lên đến 100 Gb/cm², công suất tiêu thụ thấp và khả năng xử lý song song.

Luận văn tập trung nghiên cứu xây dựng kiến trúc mảng memristor lai với CMOS nhằm ứng dụng trong xử lý ảnh, đặc biệt là nhận dạng ký tự số. Mục tiêu chính là thiết kế hệ thống neuromorphic sử dụng memristor để nhận dạng ảnh trắng đen kích thước 5x6 pixel, đồng thời triệt tiêu hiệu quả các loại nhiễu cộng và nhiễu trừ ảnh hưởng đến quá trình nhận dạng. Nghiên cứu được thực hiện trong giai đoạn từ tháng 1/2018 đến tháng 12/2019 tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.

Ý nghĩa của đề tài thể hiện qua việc cung cấp một kiến trúc mảng memristor mới có khả năng xử lý ảnh với độ chính xác cao, giảm thiểu sai số do nhiễu, đồng thời tạo nền tảng cho các ứng dụng neuromorphic trong lĩnh vực xử lý tín hiệu và trí tuệ nhân tạo. Kết quả nghiên cứu góp phần nâng cao hiệu quả nhận dạng ảnh trong các hệ thống nhúng và thiết bị điện tử tiêu thụ công suất thấp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Lý thuyết memristor: Memristor là linh kiện điện tử thứ tư, bổ sung cho transistor, điện trở và tụ điện, được định nghĩa bởi mối quan hệ giữa điện tích và từ thông. Memristor có khả năng thay đổi trở kháng dựa trên điện áp đặt vào và lưu giữ trạng thái trở kháng cuối cùng khi mất nguồn, tạo nên tính chất nhớ trở kháng đặc trưng.

  • Mô hình toán học memristor HP: Mô hình này mô tả memristor dựa trên cấu trúc titan oxit (TiO2) với lớp TiO2-x chứa lỗ trống oxy, cho phép thay đổi trở kháng thông qua sự di chuyển của các ion oxy dưới tác động của điện áp. Công thức mô hình hóa trở kháng memristor phụ thuộc vào lượng điện tích tích lũy và các tham số vật lý như độ dày lớp oxit và tốc độ di chuyển ion.

  • Mạng nơron nhân tạo (ANN): Mạng nơron nhân tạo mô phỏng cấu trúc và chức năng của bộ não con người, gồm các nơron kết nối qua synaptic. ANN được ứng dụng trong nhận dạng mẫu, xử lý tín hiệu và học máy. Trong nghiên cứu, memristor được sử dụng như các synaptic để giảm diện tích và công suất tiêu thụ so với công nghệ CMOS truyền thống.

  • Kiến trúc neuromorphic: Hệ thống neuromorphic sử dụng memristor kết hợp với CMOS để xây dựng mạng nơron nhân tạo có khả năng xử lý song song, lưu trữ và nhận dạng ảnh với hiệu quả cao, đồng thời triệt tiêu các loại nhiễu ảnh hưởng đến kết quả nhận dạng.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu đầu vào là các ảnh trắng đen ký tự số kích thước 5x6 pixel, được chuyển đổi từ ảnh gốc 480x330 pixel của cảm biến ảnh CMOS thông qua bộ xử lý tín hiệu (SPU).

  • Phương pháp phân tích: Nghiên cứu sử dụng mô phỏng mạch điện tử trên phần mềm Cadence để xây dựng và kiểm tra hệ thống neuromorphic với mảng memristor. Phân tích kết quả dựa trên các tín hiệu điện áp đầu ra của memristor và các khối tích hợp triệt nhiễu cộng/trừ.

  • Cỡ mẫu và chọn mẫu: Hệ thống được thiết kế với 10 mảng memristor, mỗi mảng gồm 30 memristor, tổng cộng 600 memristor tham gia huấn luyện và kiểm tra nhận dạng 10 ký tự số từ 0 đến 9.

  • Timeline nghiên cứu: Thực hiện trong 24 tháng (1/2018 – 12/2019), bao gồm các giai đoạn phân tích lý thuyết, thiết kế kiến trúc, mô phỏng và đánh giá kết quả.

  • Phương pháp luận: Kết hợp phân tích cấu trúc memristor, mô hình toán học, lập luận quy nạp và diễn dịch để đề xuất kiến trúc mảng memristor, đồng thời tổng hợp kết quả mô phỏng để đánh giá hiệu quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Kiến trúc mảng memristor lai CMOS hiệu quả trong nhận dạng ảnh
    Hệ thống neuromorphic với 600 memristor được huấn luyện để nhận dạng 10 ký tự số, mỗi ký tự tương ứng với một mảng memristor. Kết quả mô phỏng cho thấy tín hiệu điện áp đầu ra của memristor đạt ngưỡng 3,3 V nhanh nhất ở mảng tương ứng với ký tự đúng, phân biệt rõ ràng với các mảng còn lại, đảm bảo độ chính xác nhận dạng 100% trong điều kiện không nhiễu.

  2. Khả năng triệt tiêu nhiễu cộng và nhiễu trừ hiệu quả
    Hệ thống sử dụng hai khối tích hợp triệt nhiễu cộng và triệt nhiễu trừ hoạt động song song. Khi thêm 1 pixel nhiễu cộng vào ảnh kiểm tra, hệ thống vẫn nhận dạng chính xác với xác suất thành công 100%. Với nhiễu 2 pixel cộng, xác suất sai nhận dạng chỉ khoảng 18,7% trong một số trường hợp đặc biệt. Đối với nhiễu trừ (mất pixel), hệ thống vẫn nhận dạng chính xác khi mất đến 3 pixel, nhờ khả năng bù trừ của khối triệt nhiễu trừ.

  3. Giải quyết hiệu quả trường hợp ảnh tập con
    Trong trường hợp ảnh kiểm tra là tập con của ảnh khác (ví dụ ảnh số 7 là tập con của ảnh số 8), hệ thống sử dụng kết hợp tín hiệu từ hai khối triệt nhiễu để phân biệt chính xác, tránh nhầm lẫn do sự chồng lấn pixel. Cơ chế này giúp nhận dạng đúng ngay cả khi có nhiễu 1 pixel trên vị trí trở kháng thấp của ảnh chứa tập con.

  4. Mô hình toán học và mô phỏng phù hợp với thực tế
    Mô hình toán học memristor HP và mô hình dịch tuyến tính được áp dụng thành công trong mô phỏng Cadence, phản ánh chính xác sự thay đổi trở kháng memristor theo điện tích tích lũy. Các biểu đồ tín hiệu điện áp đầu ra minh họa rõ ràng sự phân biệt giữa các ký tự và hiệu quả triệt nhiễu.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu quả cao là do kiến trúc mảng memristor được thiết kế với hai khối triệt nhiễu cộng và trừ hoạt động song song, tận dụng tính chất nhớ trở kháng của memristor để lưu trạng thái huấn luyện và xử lý tín hiệu đầu vào. So với các nghiên cứu trước đây chỉ sử dụng một hướng thay đổi trở kháng hoặc chưa xử lý tốt nhiễu, đề tài đã cải tiến bằng cách kết hợp hai mảng memristor với tín hiệu đảo mức logic, giúp loại bỏ nhiễu hiệu quả hơn.

So sánh với các nghiên cứu trong ngành, hệ thống này có ưu điểm vượt trội về khả năng xử lý nhiễu và nhận dạng chính xác trong môi trường nhiễu thực tế, đồng thời giảm thiểu công suất tiêu thụ nhờ sử dụng linh kiện thụ động memristor. Kết quả mô phỏng cũng cho thấy tính khả thi cao khi áp dụng trong các hệ thống nhúng và thiết bị xử lý ảnh công suất thấp.

Dữ liệu có thể được trình bày qua các biểu đồ tín hiệu điện áp đầu ra của memristor trong các trường hợp không nhiễu, nhiễu cộng và nhiễu trừ, cũng như bảng thống kê xác suất sai nhận dạng theo số lượng pixel nhiễu, giúp minh họa rõ ràng hiệu quả của kiến trúc đề xuất.

Đề xuất và khuyến nghị

  1. Phát triển mô hình thực nghiệm và thử nghiệm phần cứng
    Tiến hành xây dựng mô hình thực tế dựa trên kiến trúc mảng memristor lai CMOS đã thiết kế để kiểm chứng hiệu quả trong môi trường thực, từ đó tối ưu hóa các tham số vật lý và điện tử. Thời gian đề xuất: 12-18 tháng, chủ thể thực hiện: nhóm nghiên cứu và phòng thí nghiệm vi mạch.

  2. Mở rộng kích thước và độ phân giải ảnh đầu vào
    Nâng cấp hệ thống để xử lý ảnh có kích thước lớn hơn và đa dạng hơn, ví dụ ảnh màu hoặc ảnh có độ phân giải cao, nhằm tăng tính ứng dụng trong các lĩnh vực như nhận dạng khuôn mặt, chữ viết tay. Thời gian: 12 tháng, chủ thể: nhóm nghiên cứu và đối tác công nghiệp.

  3. Tích hợp thuật toán mạng nơron đa lớp
    Nghiên cứu và áp dụng các thuật toán mạng nơron đa lớp (deep learning) kết hợp với kiến trúc memristor để nâng cao khả năng nhận dạng và phân loại phức tạp, đồng thời cải thiện khả năng học và thích nghi của hệ thống. Thời gian: 18 tháng, chủ thể: nhóm nghiên cứu AI và vi mạch.

  4. Tối ưu hóa công suất và độ bền của memristor
    Nghiên cứu các vật liệu và cấu trúc memristor mới nhằm giảm công suất tiêu thụ và tăng độ bền thiết bị, đảm bảo hoạt động ổn định trong môi trường nhiệt độ và điều kiện khắc nghiệt. Thời gian: 12 tháng, chủ thể: phòng thí nghiệm vật liệu và vi mạch.

  5. Phát triển phần mềm hỗ trợ huấn luyện và kiểm tra tự động
    Xây dựng phần mềm mô phỏng và huấn luyện tự động cho hệ thống neuromorphic memristor, giúp tăng tốc quá trình phát triển và ứng dụng thực tế. Thời gian: 6-9 tháng, chủ thể: nhóm phát triển phần mềm và nghiên cứu.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành vi mạch điện tử
    Luận văn cung cấp kiến thức chuyên sâu về memristor, mô hình toán học và ứng dụng trong xử lý ảnh, hỗ trợ nghiên cứu và phát triển các thiết bị vi mạch thế hệ mới.

  2. Kỹ sư phát triển hệ thống neuromorphic và AI nhúng
    Các kỹ sư có thể áp dụng kiến trúc mảng memristor lai CMOS để thiết kế hệ thống nhận dạng ảnh công suất thấp, hiệu quả cao, phù hợp cho các thiết bị IoT và robot.

  3. Doanh nghiệp công nghệ và sản xuất linh kiện bán dẫn
    Thông tin về cấu trúc memristor và khả năng tích hợp với CMOS giúp doanh nghiệp phát triển sản phẩm mới, nâng cao năng lực cạnh tranh trong lĩnh vực vi mạch và trí tuệ nhân tạo.

  4. Giảng viên và nhà đào tạo trong lĩnh vực điện tử và công nghệ thông tin
    Tài liệu luận văn có thể được sử dụng làm giáo trình hoặc tài liệu tham khảo trong các khóa học về thiết kế mạch tích hợp, mạng nơron nhân tạo và công nghệ memristor.

Câu hỏi thường gặp

  1. Memristor là gì và tại sao nó quan trọng trong xử lý ảnh?
    Memristor là linh kiện điện tử có khả năng lưu giữ trạng thái trở kháng dựa trên điện tích tích lũy, giúp lưu trữ và xử lý tín hiệu tương tự hiệu quả. Trong xử lý ảnh, memristor cho phép xây dựng mạng nơron nhân tạo neuromorphic với kích thước nhỏ, công suất thấp và khả năng xử lý song song, nâng cao hiệu quả nhận dạng.

  2. Kiến trúc mảng memristor lai CMOS hoạt động như thế nào?
    Hệ thống sử dụng hai mảng memristor song song, một mảng xử lý tín hiệu gốc và một mảng xử lý tín hiệu đảo mức logic, giúp triệt tiêu nhiễu cộng và nhiễu trừ. Các memristor trong mảng được huấn luyện để thay đổi trở kháng tương ứng với đặc trưng ảnh, từ đó nhận dạng chính xác ký tự số.

  3. Hệ thống có thể xử lý nhiễu ảnh như thế nào?
    Hệ thống có khả năng triệt tiêu nhiễu cộng và nhiễu trừ hiệu quả nhờ kiến trúc hai khối triệt nhiễu. Thử nghiệm mô phỏng cho thấy nhận dạng chính xác với 1 pixel nhiễu cộng hoặc mất đến 3 pixel nhiễu trừ, giảm thiểu sai số trong môi trường thực tế.

  4. Phần mềm nào được sử dụng để mô phỏng hệ thống?
    Phần mềm Cadence được sử dụng để mô phỏng mạch điện tử và kiểm tra hiệu quả kiến trúc memristor trong nhận dạng ảnh, cho phép đánh giá tín hiệu điện áp và trạng thái trở kháng của memristor trong các điều kiện khác nhau.

  5. Ứng dụng thực tế của nghiên cứu này là gì?
    Kiến trúc mảng memristor có thể được ứng dụng trong các thiết bị nhận dạng ảnh nhúng, hệ thống trí tuệ nhân tạo công suất thấp, robot, thiết bị IoT và các ứng dụng xử lý tín hiệu trong môi trường có nhiễu, góp phần phát triển công nghệ vi mạch thế hệ mới.

Kết luận

  • Đã xây dựng thành công kiến trúc mảng memristor lai CMOS ứng dụng trong nhận dạng ảnh ký tự số với kích thước 5x6 pixel.
  • Hệ thống neuromorphic đề xuất có khả năng triệt tiêu hiệu quả nhiễu cộng và nhiễu trừ, nâng cao độ chính xác nhận dạng.
  • Mô hình toán học và mô phỏng trên Cadence phản ánh chính xác đặc tính và hoạt động của memristor trong hệ thống.
  • Kiến trúc hai khối triệt nhiễu cộng và trừ giúp giải quyết các trường hợp ảnh tập con và nhiễu phức tạp.
  • Đề xuất các hướng phát triển tiếp theo bao gồm xây dựng mô hình thực nghiệm, mở rộng ứng dụng và tối ưu hóa công suất, độ bền memristor.

Hành động tiếp theo: Khuyến khích các nhà nghiên cứu và kỹ sư trong lĩnh vực vi mạch và trí tuệ nhân tạo áp dụng kiến trúc này để phát triển các hệ thống nhận dạng ảnh công suất thấp, đồng thời tiếp tục nghiên cứu mở rộng và hoàn thiện công nghệ memristor.