XiaoMi-AI文件搜索系统
World File Search System存储器
使用重组酶存储器在DNA中记录分析物检测
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2023年8月13日。 https://doi.org/10.1101/2023.08.10.552812 doi：Biorxiv Preprint
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
分析基于HFO2/Taox的3-D垂直电阻随机访问存储器阵列
摘要：提议三维垂直电阻随机访问记忆（VRRAM）作为增加电阻存储器存储密度的有前途的候选者，但是3-D VRRAM阵列的性能评估机制仍然不够成熟。先前评估3-D VRRAM性能的方法是基于写入和读取余量的。但是，3-D VRRAM阵列的泄漏电流（LC）也是一个问题。多余的泄漏电流不仅降低了记忆单元的读/写公差和责任，还可以增加整个数组的功耗。在本文中，使用3-D电路HSPICE模拟来分析3-D VRRAM体系结构中阵列大小和操作电压对泄漏电流的影响。模拟结果表明，迅速增加泄漏电流显着影响3-D层的尺寸。高读取电压是提高读取余量的预告仪。但是，泄漏电流也增加。减轻这一冲突需要在设置输入电压时进行权衡。通过分析多位操作对整体泄漏电流的影响，提出了提高阵列读/写入效率的方法。最后，本文探讨了减少3-D VRRAM阵列中泄漏电流的不同方法。本文提出的泄漏电流模型为3-D VRRAM阵列的初始设计提供了有效的性能预测解决方案。
DNA G-四链体是一种转录控制设备，可调节存储器
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2023年1月10日发布。 https://doi.org/10.1101/2023.01.09.523337 doi：Biorxiv Preprint
内存中主组件分析通过电阻开关存储器的跨点阵列
摘要 - 内存计算（IMC）是机器学习（ML）数据密集型计算加速器的最有希望的候选者之一。用于尺寸降低和分类的关键ML算法是主要成分分析（PCA），它在很大程度上依赖于经典的von Neumann架构未优化的矩阵矢量乘法（MVM）。在这里，我们提供了基于IMC的新PCA算法的实验演示，该算法基于功率迭代和在4 kbit的电阻切换随机访问存储器（RRAM）中执行的放气。威斯康星州乳腺癌数据集的分类准确性达到95.43％，接近浮点的实施。我们的模拟表明，与商业图形处理单元（GPU）相比，能源效率有250倍，因此在现代数据密集型计算中支持IMC的能源有效ML。
通过刺激响应聚合物实现双稳态、剩磁、读/写存储器和逻辑门功能
原则上，如果状态之间的转变表现出导致双稳态的磁滞现象，则在不同状态之间切换可以读取和写入信息。响应性聚合物在其体积相变时表现出磁滞现象，例如热响应性聚合物。这是溶剂膨胀单相状态和溶剂消肿两相状态之间的转变。两种状态之间的转变在热力学上对应于铁磁材料中两种磁化状态之间的转变。对于铁磁材料，磁滞现象的特征是矫顽场强度 H c ，它是逆转磁化并从而改变磁化状态所需的，以及零场强度下的剩磁 M r。信息被编码在磁化状态中。在双稳态区域内，对于足够大的矫顽力和剩磁，它是长期稳定的。同时，体积相变信息将由溶液状态编码，并且对于足够大的矫顽力温度范围和剩磁来说，这是可能的。最近，非传统非磁性材料表现出双稳态，这在折纸结构的折叠状态 [3]、玻璃体 [4] 和主客体功能化的热响应聚合物中得到了证实。[5] 有了两个状态控制变量，逻辑运算的实现也将成为可能。近年来，逻辑门响应功能已被用于控制溶胶/凝胶转变 [6]、水凝胶降解 [7] 或纳米载体拆卸 [8]，用于药物输送应用。对于响应性材料，到目前为止，双稳态和逻辑门功能都是通过使用化学反应来实现的，例如由外部刺激驱动的不稳定连接子的断裂/形成 [7] 或主客体复合 [5]。这导致化学状态和动力学方面的双稳态，
功能 PCA 的线性相位型概率建模及其在电阻存储器中的应用
a 西班牙格拉纳达大学统计学和运筹学系及 IEMath-GR b 西班牙瓦伦西亚理工大学应用统计和运筹学系及质量系及 UC3M-BS 桑坦德大数据研究所 c 西班牙格拉纳达大学电子与计算机技术系
DNA G-四链体是一种转录控制设备，可调节存储器
取决于基因表达的协调变化，特别是在内侧前额叶皮层的垂直区域（ILPFC； Martin等，2000； Bruel-Jungerman等，2007； Alberini，2009）。近年来，我们和其他人表明，此过程涉及转录机械和表观基因组机制之间的严格控制相互作用（Campbell和Wood，2019年）。DNA在细胞中比RNA，蛋白质或脂质更为持久，因此其调节的机制是理解行为适应的关键（Marshall和Bredy，2016年）。尽管长期以来与神经元的可塑性和记忆长期以来一直与DNA和组蛋白的修饰有关（Vanyushin，2006; Bredy等，2007; Vecsey等，2007; Wei等，2012;Grä虫，2014; li et al。这是因为DNA结构和功能之间的关系主要归因于右手双螺旋，
利用量子机器学习优化高效量子存储器，用于近期的量子设备
量子存储器是任何全球规模量子互联网、高性能量子网络和近期量子计算机的基础。量子存储器的主要问题是从量子存储器的量子寄存器中检索量子系统的效率低。在这里，我们为近期量子设备定义了一种称为高检索效率 (HRE) 量子存储器的新型量子存储器。HRE 量子存储器单元在其硬件级别集成了局部幺正操作以优化读出过程，并利用了量子机器学习的先进技术。我们定义了 HRE 量子存储器的集成幺正操作，证明了学习过程，并评估了可实现的输出信噪比值。我们证明 HRE 量子存储器的局部幺正以无监督的方式实现了读出过程的优化，而无需使用任何标记数据或训练序列。我们表明，HRE 量子存储器的读出过程是以完全盲目的方式实现的，无需任何有关输入量子系统或量子寄存器的未知量子操作的信息。我们评估了 HRE 量子存储器的检索效率和输出 SNR（信噪比）。结果对于门模型量子计算机和量子互联网的近期量子设备特别有用。