Abstract
隨著生物電子領域的快速發展，生物電子系統結合植入式元件（implantable device）在生醫方面的應用展現了相當的發展潛力。而在這種充滿雜訊的生醫環境下，機率型類神經演算法（stochastic neural computation）被認為能增加系統對計算錯誤的容忍度，因而被視為是建立嵌入式系統（embedded-system）的一個可靠方式。在這之中，配合「對比差異最小化」（Minimizing Contrastive Divergence）調變電路的「連續值侷限型波茲曼模型」（Continuous Restricted Boltzmann Machine）因為具有這種特色因而被認為具有被實踐於超大型積體電路上的潛力。然而，量測結果卻顯示這個調變電路由於缺乏足夠的精準度而無法成功運作。 因此，此篇論文探討在積體電路上實現的「對比差異最小化」運算是否能夠達到連續值侷限型波茲曼模型所要求的精準度。這同時也代表著將此模型實踐於超大型積體電路時直接做晶片上調變(On-chip Training)的可行性。 此研究將先探討CRBM系統在連續值侷限型波茲曼模型在處理實際生醫訊號時所能容忍的誤差，以及利用修正調變演算法以提高誤差容忍度的可能性。根據模擬歸納的所要求的精準度，此論文設計了幾種準確的調變電路，並模擬其誤差大小。將調變電路本身的誤差與連續值侷限型波茲曼模型能容忍的誤差比較，本論文探討對CRBM系統做晶片上調變的可行性，進階的討論指出除了改善製程差異所造成的誤差，必須再加上其他的方法才能夠繼續降低調變電路的誤差，使連續值侷限型波茲曼模型能夠被實踐於晶片系統上進而被更廣泛的利用於生醫應用。