I. Tổng Quan Về Hệ Thống Neuromorphic và Ứng Dụng Memristor
Luật Moore đang dần chậm lại, thúc đẩy tìm kiếm các linh kiện mới. Memristor, kết hợp giữa bộ nhớ và điện trở, nổi lên như một ứng cử viên sáng giá. Được phát triển từ TiO2 tại phòng thí nghiệm HP năm 2008, memristor có khả năng ghi nhớ điện tích, kích thước nano, mật độ tích hợp cao (100 Gb/cm2), và tiêu thụ điện năng thấp. Về lý thuyết, memristor nhanh hơn và rẻ hơn bộ nhớ flash, hứa hẹn thay thế công nghệ CMOS. CMOS trong mô hình nơ-ron tiêu thụ nhiều năng lượng hơn. Mảng memristor thanh ngang được ứng dụng trong mạng nơ-ron SBS (Brain-state-in-a-box). Memristor mở ra kỷ nguyên mới cho công nghệ vi mạch, cho phép tái cấu trúc bộ não người và xây dựng hệ thống phần cứng neuromorphic. RRAM là khởi đầu cho nhiều ứng dụng của công nghệ memristor. Luận văn này tập trung vào xây dựng hệ thống neuromorphic dùng memristor trong nhận dạng ảnh.
1.1. Lịch Sử Phát Triển và Ưu Điểm Của Memristor
Từ năm 2007, thời gian tăng gấp đôi số lượng transistor đã kéo dài đến 60 tháng, thúc đẩy tìm kiếm linh kiện thay thế. Memristor nổi bật với khả năng nhớ điện tích, kích thước nano, mật độ tích hợp cao, và tiêu thụ điện năng thấp. Theo [1], memristor là một linh kiện thụ động và một luật học mới đã được xây dựng dành riêng cho nó. Năm 2008, cấu trúc memristor được tạo ra từ TiO2 tại phòng thí nghiệm HP [2].
1.2. Ứng Dụng Tiềm Năng Của Memristor Trong Tương Lai
Memristor hứa hẹn thay thế công nghệ CMOS nhờ tốc độ cao hơn và giá thành rẻ hơn. CMOS trong mô hình nơ-ron tiêu thụ nhiều năng lượng hơn [6]. Mảng memristor thanh ngang được ứng dụng trong mạng nơ-ron SBS (Brain-state-in-a-box) [8]. Memristor mở ra kỷ nguyên mới cho công nghệ vi mạch, cho phép tái cấu trúc bộ não người và xây dựng hệ thống phần cứng neuromorphic.
1.3. Mục Tiêu Nghiên Cứu Xây Dựng Hệ Thống Neuromorphic
Luận văn này tập trung vào xây dựng hệ thống neuromorphic dùng memristor trong nhận dạng ảnh. Mục tiêu là nghiên cứu cấu trúc, đặc điểm, nguyên lý của memristor, và sự kết hợp giữa memristor và CMOS để tạo nên hệ thống neuromorphic trong nhận dạng ảnh.
II. Thách Thức và Giải Pháp Nhận Dạng Ảnh Với Memristor
Nghiên cứu của Myonglae Chu và cộng sự xây dựng mô hình hệ thống neuromorphic cho nhận dạng ảnh trắng đen từ 0 đến 9, sử dụng 300 memristor. Tuy nhiên, hệ thống này dễ nhầm lẫn giữa các ảnh tương tự (ví dụ, số 3 và số 5). Ngoài ra, nghiên cứu chỉ sử dụng một chiều thay đổi điện trở của memristor. Bài viết của Zheng Li và cộng sự tổng quan về phát triển memristor thanh ngang dựa trên mô hình neuromorphic, từ cấu tạo đến thiết kế. Yakopcic và cộng sự đánh giá nhiễu chuyển mạch trong memristor khi sử dụng mô hình neuromorphic thanh ngang, ảnh hưởng đến quá trình học. Hu và cộng sự đề cập đến tiềm năng của memristor mảng thanh ngang, như tự động liên kết bộ nhớ và áp dụng trong mạng nơ-ron BSB. Wu và cộng sự giải quyết vấn đề tối ưu hóa nhiệt phát sinh trong quá trình hoạt động dùng memristor, giảm công suất tổn hao.
2.1. Hạn Chế Của Các Nghiên Cứu Hiện Tại Về Nhận Dạng Ảnh
Nghiên cứu của Myonglae Chu và cộng sự xây dựng mô hình hệ thống neuromorphic cho nhận dạng ảnh trắng đen từ 0 đến 9, sử dụng 300 memristor. Tuy nhiên, hệ thống này dễ nhầm lẫn giữa các ảnh tương tự (ví dụ, số 3 và số 5). Ngoài ra, nghiên cứu chỉ sử dụng một chiều thay đổi điện trở của memristor.
2.2. Tổng Quan Về Các Nghiên Cứu Về Memristor và Neuromorphic
Bài viết của Zheng Li và cộng sự tổng quan về phát triển memristor thanh ngang dựa trên mô hình neuromorphic, từ cấu tạo đến thiết kế. Yakopcic và cộng sự đánh giá nhiễu chuyển mạch trong memristor khi sử dụng mô hình neuromorphic thanh ngang, ảnh hưởng đến quá trình học. Hu và cộng sự đề cập đến tiềm năng của memristor mảng thanh ngang, như tự động liên kết bộ nhớ và áp dụng trong mạng nơ-ron BSB.
2.3. Vấn Đề Nhiệt và Tối Ưu Hóa Năng Lượng Trong Memristor
Wu và cộng sự giải quyết vấn đề tối ưu hóa nhiệt phát sinh trong quá trình hoạt động dùng memristor, giảm công suất tổn hao. Tuy nhiên, thuật toán này có nhược điểm là bit đầu của lưu lượng mạng làm cho kết quả của “cluster” bị thay đổi từ 3 trạng thái ổn định sang trạng thái kích thước dự đoán làm tăng bước lặp và thời gian kéo dài thêm 5%.
III. Phương Pháp Xây Dựng Hệ Thống Neuromorphic Nhận Dạng Ảnh
Đề tài tập trung vào nghiên cứu cấu trúc, đặc điểm, nguyên lý của memristor, sự kết hợp giữa memristor và CMOS để tạo nên hệ thống neuromorphic trong nhận dạng ảnh. Ứng dụng trong lĩnh vực nhận dạng ảnh như y sinh, giao thông, phân tích ảnh trong không gian vũ trụ. Ưu điểm: phần cứng tối ưu về kích thước so với CMOS, tốc độ xử lý nhanh hơn, không tổn hao công suất khi không sử dụng. Tạo ra bộ xử lý mạnh mẽ, điện năng tiêu thụ thấp, phù hợp cho thiết bị di động. Chip neuromorphic hỗ trợ tác vụ nặng như tính toán, nghiên cứu khoa học, nhận biết mối tương quan quan trọng trong dữ liệu lớn, hỗ trợ dự báo tình huống môi trường, phục vụ y học. Memristor trong hệ thống neuromorphic không chỉ nhận dạng ảnh mà còn tối ưu hóa năng lượng, yếu tố quan trọng trong xây dựng trí tuệ nhân tạo, tự học hỏi và ghi nhớ.
3.1. Nghiên Cứu Cấu Trúc và Nguyên Lý Hoạt Động Của Memristor
Nhiệm vụ của đề tài là phân tích cấu trúc và nguyên lý hoạt động của memristor. Mô tả mô hình memristor HP. Tìm hiểu về hệ thống neuromorphic.
3.2. Ứng Dụng Thực Tế Của Hệ Thống Neuromorphic Trong AI
Ứng dụng trong lĩnh vực nhận dạng ảnh như y sinh, giao thông, phân tích ảnh trong không gian vũ trụ. Ưu điểm: phần cứng tối ưu về kích thước so với CMOS, tốc độ xử lý nhanh hơn, không tổn hao công suất khi không sử dụng.
3.3. Tối Ưu Hóa Năng Lượng và Xây Dựng Trí Tuệ Nhân Tạo
Memristor trong hệ thống neuromorphic không chỉ nhận dạng ảnh mà còn tối ưu hóa năng lượng, yếu tố quan trọng trong xây dựng trí tuệ nhân tạo, tự học hỏi và ghi nhớ.
IV. Mô Phỏng và Đánh Giá Hiệu Suất Hệ Thống Nhận Dạng Ảnh
Luận văn xây dựng hệ thống neuromorphic trong nhận dạng ảnh, minh chứng tính hữu dụng của memristor. Hệ thống nhận dạng tập ảnh trắng đen (10 ảnh, mỗi ảnh 5x6 pixel). Hệ thống gồm 300 memristor, chia thành 10 mảng. Mỗi mảng có 30 tín hiệu vào và một tín hiệu ra. 10 tín hiệu ra từ 10 mảng memristor đi vào khối tích hợp. Khối tích hợp có nơ-ron và bộ điều khiển chuyển mạch. Bộ điều khiển chuyển mạch điều khiển 3 chuyển mạch (SW1, SW2, SW3) trên mỗi khối tích hợp, kết hợp với nơ-ron để thực hiện 3 chế độ huấn luyện ảnh: phân loại, huấn luyện, kiểm tra. Phương pháp thứ nhất trình bày quá trình huấn luyện và kết quả huấn luyện tập ảnh (10 ảnh), cùng khả năng đáp ứng nhiễu. Bộ điều khiển phức tạp và hệ thống chưa nhận dạng tốt với nhiễu. Phương pháp thứ hai cải tiến bằng cách tạo thêm khối memristor thứ hai với tín hiệu vào đảo của khối memristor thứ nhất. Hai bộ tích hợp hoạt động song song, triệt nhiễu cộng và trừ hiệu quả, đồng thời cải tiến bộ điều khiển giảm kích thước mạch.
4.1. Thiết Kế Hệ Thống Nhận Dạng Ảnh Dùng Memristor
Hệ thống nhận dạng tập ảnh trắng đen (10 ảnh, mỗi ảnh 5x6 pixel). Hệ thống gồm 300 memristor, chia thành 10 mảng. Mỗi mảng có 30 tín hiệu vào và một tín hiệu ra. 10 tín hiệu ra từ 10 mảng memristor đi vào khối tích hợp.
4.2. Ba Chế Độ Huấn Luyện Ảnh Phân Loại Huấn Luyện Kiểm Tra
Khối tích hợp có nơ-ron và bộ điều khiển chuyển mạch. Bộ điều khiển chuyển mạch điều khiển 3 chuyển mạch (SW1, SW2, SW3) trên mỗi khối tích hợp, kết hợp với nơ-ron để thực hiện 3 chế độ huấn luyện ảnh: phân loại, huấn luyện, kiểm tra.
4.3. Cải Tiến Hệ Thống Để Triệt Tiêu Nhiễu Hiệu Quả
Phương pháp thứ hai cải tiến bằng cách tạo thêm khối memristor thứ hai với tín hiệu vào đảo của khối memristor thứ nhất. Hai bộ tích hợp hoạt động song song, triệt nhiễu cộng và trừ hiệu quả, đồng thời cải tiến bộ điều khiển giảm kích thước mạch.
V. Cải Tiến Hệ Thống Neuromorphic Loại Bỏ Nhiễu Cộng và Trừ
Phương pháp cải tiến tạo thêm khối memristor thứ hai với tín hiệu vào chính là tín hiệu đảo của khối memristor thứ nhất. Hai bộ tích hợp hoạt động song song hỗ trợ lẫn nhau triệt nhiễu cộng và triệt nhiễu trừ một cách hiệu quả, đồng thời cải tiến bộ điều khiển giảm kích thước mạch. Phân tích hệ thống trong trường hợp nhiễu cộng và nhiễu trừ. Kết quả mô phỏng trong trường hợp không nhiễu, có nhiễu cộng, có nhiễu trừ. So sánh và đánh giá giữa hai phương pháp: phương pháp cải tiến tiết kiệm thời gian kiểm tra ảnh, đánh giá khả năng triệt nhiễu.
5.1. Phương Pháp Cải Tiến Khối Memristor Thứ Hai Đảo Tín Hiệu
Phương pháp cải tiến tạo thêm khối memristor thứ hai với tín hiệu vào chính là tín hiệu đảo của khối memristor thứ nhất. Hai bộ tích hợp hoạt động song song hỗ trợ lẫn nhau triệt nhiễu cộng và triệt nhiễu trừ một cách hiệu quả, đồng thời cải tiến bộ điều khiển giảm kích thước mạch.
5.2. Phân Tích Hệ Thống Trong Các Trường Hợp Nhiễu Khác Nhau
Phân tích hệ thống trong trường hợp nhiễu cộng và nhiễu trừ. Kết quả mô phỏng trong trường hợp không nhiễu, có nhiễu cộng, có nhiễu trừ.
5.3. So Sánh và Đánh Giá Khả Năng Triệt Nhiễu Của Hệ Thống
So sánh và đánh giá giữa hai phương pháp: phương pháp cải tiến tiết kiệm thời gian kiểm tra ảnh, đánh giá khả năng triệt nhiễu.
VI. Kết Luận và Hướng Phát Triển Hệ Thống Neuromorphic
Đề xuất cải tiến hệ thống. Sự phát triển của memristor làm nền tảng cho nhiều ứng dụng mới cho công nghệ vi mạch, nhiều tiềm năng trong tương lai, đặc biệt là kích thước nhỏ, khả năng lưu trữ, xử lý nhanh, giá thành rẻ làm tôi nghĩ đến những mô hình não bộ, xử lý mạng nơron, xử lý công suất thấp, những ứng dụng nhiệt độ khắc nghiệt, vì sự đặc biệt của điện trở nhớ tôi quyết định làm đề tài “xây dựng hệ thống neuromorphic dùng memristor trong nhận dạng ảnh” và mục đích của đề tài là nghiên cứu cấu trúc, đặc điểm, nguyên lý của điện trở nhớ, sự kết hợp giữa điện trở nhớ và CMOS để tạo nên hệ thống neuromorphic trong nhận dạng ảnh.
6.1. Tóm Tắt Kết Quả Nghiên Cứu và Đánh Giá
Tóm tắt các kết quả đạt được trong quá trình xây dựng và cải tiến hệ thống neuromorphic dùng memristor trong nhận dạng ảnh.
6.2. Đề Xuất Các Hướng Cải Tiến Hệ Thống Trong Tương Lai
Đề xuất các hướng nghiên cứu và cải tiến hệ thống để nâng cao hiệu suất và khả năng ứng dụng thực tế.
6.3. Tiềm Năng Phát Triển Của Công Nghệ Memristor
Đánh giá tiềm năng phát triển của công nghệ memristor trong lĩnh vực trí tuệ nhân tạo và các ứng dụng khác.
