基于忆阻器的CNN增强与交叉阵列映射仿真研究OA

针对卷积神经网络存在生物拟态性不足、硬件能效受限的问题,提出一种基于忆阻器物理特性的动态激活函数,以提升网络性能与鲁棒性,并探索其在存算一体架构中的工程实现可行性。将忆阻器的动态阈值、迟滞与状态衰减机制离散化为可嵌入卷积神经网络的激活单元(Memristor-Activation Function,MAF),在LeNet-5、AlexNet与ResNet上进行系统对比实验,并与Tanh、ReLU、Swish、GELU、Mish、SELU等激活函数进行比较。进一步将LeNet-5权重映射至基于MATLAB构建的忆阻器交叉阵列神经网络(MCNN)中进行硬件映射仿真。研究显示MAF在多种网络中均提升了分类性能与鲁棒性,尤其在动态识别与噪声环境下表现突出。在标准测试中,MCNN与原网络精度差异约为6.07%,但在噪声扰动下,MCNN的准确率比原始网络高出28.6%。因此基于忆阻器的动态激活函数能有效增强网络对时序变化与分布外数据的适应能力,其存算一体架构在边缘计算场景中具备优良的工程可行性与应用潜力,可为忆阻器与神经网络的协同设计提供参考。