بهینه سازی پارامترهای سخت افزاری در شبیه سازی نورومورفیک عصب شنوایی انسان با استفاده از شبکه عصبی

مدل سازی دقیق دینامیک نورونهای بیولوژیکی سنگ بنای توسعه ی سامانه های نورومورفیک کم مصرف و توان بالا است. با این حال دستیابی به تطابق دقیق میان خروجی مدل های ترانزیستور و داده های فیزیولوژیکی واقعی نیازمند کالیبراسیون طاقت فرسای پارامترهای سخت افزاری است. این پژوهش یک چارچوب کالیبراسیون خودکار برای مدل سازی نورون شنوایی انسان ارائه می دهد که این چالش را با بهره گیری از شبکه های عصبی مرتفع می سازد. در این روش به جای پیاده سازی مستقیم یک مدل عملکردی از مدارات کلیدی نورومورفیک در محیط MATLAB/Simulink ایجاد شد، سپس یک شبکه عصبی مصنوعی در یک حلقه سخت افزار در آزمون (HIL) به کار گرفته شد تا پارامترهای فیزیکی مدار، مشخصا نسبت عرض به طول (W/L) ترانزیستورها را به گونه ای بهینه سازی کند که خروجی مدل شبیه سازی شده تطابق حداکثری را با داده های واقعی بیوالکتریک عصب شنوایی انسان نشان دهد. نتایج نشان می دهند که این رویکرد ترکیبی نه تنها فرایند کالیبراسیون را خودکار و تسریع می کند، بلکه به یک مدل شبیه سازی شده با ساختار بیوالکتریک بالا می انجامد که پارامترهای خروجی، آن مسیری مستقیم برای سنتز سخت افزاری فراهم کنند. این متدولوژی گامی مهم در طراحی تراشه های ASIC نورومورفیک برای کاربردهای زیستی دقیق و سامانه های کمک شنوایی هوشمند می باشد.

کلیدواژه ها:

بیوالکتریک شنوایی ، انسان ، نورومورفیک ، شبکه عصبی ، کالیبراسیون ، سخت افزار