Memristors are attracting as synaptic devices for neuromorphic computing because of their resistive switching and non-volatility. However, their non-idealities such as non-linearity, asymmetry, and variability degrade the performance of a memristive neural network. In order to deal with the device non-idealities, a memristive binary neural network that uses only two resistance states of the memristors, can be used. Hardware-level training of the memristive binary neural network is not efficient since it requires a peripheral circuitry for the operation of the conventional optimization algorithm and an external memory for storing the intermediate operation results. In this study, we propose a technology to implement a genetic algorithm, an optimization algorithm inspired by the principle of evolution, on a memristor crossbar array. For the technology, the stochastic nature of memristor materials and stateful logic technology was utilized. In addition, several evolutionary learning of the memristive binary neural network using the proposed genetic algorithm is performed by simulation. The simulated classification accuracy is 90.1 % which is equivalent to the accuracy (90 %) of the conventional training method, suggesting validity of the proposed technology.
멤리스터는 그 저항 변화 특성과 비휘발성 때문에 뉴로모픽 컴퓨팅 구조의 시냅스 소자로 주목받고 있지만, 시냅스 소자의 비선형성, 비대칭성 및 저항 상태의 산포는 멤리스터 기반 인공 신경망의 성능을 저하시키는 요소이다. 이를 보완할 수 있도록 멤리스터의 두 가지 저항 상태만을 이용하는 멤리스터 기반 이진 신경망이 많은 각광을 받고 있다. 하드웨어에서 멤리스터 기반 이진 신경망을 학습 시키는 것은 기존 최적화 알고리즘 연산을 위한 주변 회로에 대한 요구와 중간 연산 결과의 저장을 위한 외부 메모리의 요구가 있어 효율적이지 않다. 본 연구에서는 진화의 원리를 모방한 최적화 알고리즘인 유전 알고리즘을 멤리스터 크로스바 어레이 내에서 구현하는 기술을 제안하였는데, 이를 위해 멤리스터 재료의 확률적인 거동과 스테이트풀 로직 기술을 활용하였다. 또한, 시뮬레이션을 통해 멤리스터 기반 이진 신경망의 여러 진화적 학습을 진행하였고 정확도가 기존 학습 방법의 정확도 (90 %)와 동등한 90.1 %에 도달함을 확인하여 제안 기술의 타당성을 입증하였다.
