Ultra-low-power analog CMOS spiking neural network with programmable floating gate memory

The neuromorphic field focuses on developing hardware and software solutions that mimic the structure and function of the human brain. By facilitating direct connections between memory elements (synapses) and processing units (neurons), neuromorphic architectures aim to bypass the Von Neumann bottleneck, enhancing computational speed and integration. In particular, Spiking Neural Networks (SNNs) transmit information through brief electrical pulses, or spikes, enabling artificial neurons and synapses to achieve exceptional efficiency in tasks such as real-time data processing and classification. These systems are compact and highly energy-efficient, making them ideal for applications where power consumption is critical. This work presents a CMOS-integrated analog neuromorphic chip that incorporates 119 spiking neurons arranged in a fully interconnected synaptic network. Each neuron utilizes subthreshold transistors based on the standard Leaky Integrate-and-Fire (LIF) model and integrates innovative circuit solutions aimed at improving stability and minimizing temperature sensitivity. Synaptic connections leverage the Charge Sharing mechanism, transferring charge to the output neuron’s membrane in response to an input spike, effectively emulating biological synaptic transmission while prioritizing system robustness and reliability. The chip’s non-volatile memory elements consist of Floating Gate structures arranged in a matrix configuration, allowing independent programming of synaptic weights. This matrix-based approach offers flexibility in configuring various neural network architectures, making the chip adaptable to diverse computational tasks.

Il campo neuromorfico si concentra sullo sviluppo di soluzioni hardware e software che imitano la struttura e le funzioni del cervello umano. Facilitando connessioni dirette tra elementi di memoria (sinapsi) e unità di elaborazione (neuroni), le architetture neuromorfiche mirano a superare il collo di bottiglia di Von Neumann, migliorando la velocità di calcolo e l’integrazione dei sistemi. In particolare, le Reti Neurali a Spike (Spiking Neural Networks, SNN) trasmettono informazioni attraverso brevi impulsi elettrici, o spike, permettendo a neuroni e sinapsi artificiali di raggiungere un’efficienza eccezionale in compiti come l’elaborazione e la classificazione di dati in tempo reale. Questi sistemi risultano compatti e a bassissimo consumo energetico, caratteristiche ideali per applicazioni in cui l’efficienza energetica è cruciale. Questo lavoro presenta un chip neuromorfico analogico integrato in tecnologia CMOS, che incorpora 119 neuroni sistemati in una rete sinaptica completamente interconnessa. Ogni neurone utilizza transistori sottosoglia e si basa sul modello Leaky-Integrate-and-Fire (LIF) con nuove soluzioni circuitali mirate a migliorare la stabilità e ridurre la sensibilità alla temperatura. Le connessioni sinaptiche sfruttano il meccanismo di Condivisione di Carica (Charge Sharing), trasferendo carica alla membrana del neurone d’uscita in risposta a uno spike d’ingresso, emulando efficacemente la trasmissione sinaptica biologica e garantendo robustezza ed affidabilità al sistema. Gli elementi di memoria non volatile del chip sono costituiti da strutture a Floating Gate organizzate in una matrice, permettendo la programmazione indipendente dei pesi. Questo approccio matriciale offre grande flessibilità nella scelta di diverse architetture neurali, rendendo il chip particolarmente adatto per svariate applicazioni neuromorfiche.