XiaoMi-AI文件搜索系统
World File Search System忆阻器
激光印刷微电子
印刷有机和无机电子器件在传感器、生物电子学和安全应用中继续受到广泛关注。尽管印刷技术通常具有数十微米范围内的典型最小特征尺寸，并且需要在高温下进行后处理程序以增强功能材料的性能，但人们已经研究了许多印刷技术。在此，我们介绍了使用三种不同油墨（半导体 ZnO 以及金属 Pt 和 Ag）进行激光打印，这是一种制造最小特征尺寸低于 1 µ m 的印刷功能电子设备的简便方法。ZnO 打印基于激光诱导热液合成。重要的是，这三种材料中的任何一种在激光打印后都不需要进行任何类型的烧结。为了证明我们方法的多功能性，我们展示了功能二极管、忆阻器和基于 6 × 6 忆阻器交叉结构物理上不可克隆的功能。此外，我们通过结合激光打印和喷墨打印实现了功能晶体管。
神经形态人工智能系统
基于冯·诺依曼架构和经典神经网络的现代人工智能 (AI) 系统与哺乳动物的大脑相比具有许多基本局限性。在本文中，我们将讨论这些局限性及其缓解方法。接下来，我们将概述目前可用的神经形态 AI 项目，这些项目通过将一些大脑特征引入计算系统的功能和组织来克服这些局限性（TrueNorth、Loihi、Tianjic、SpiNNaker、BrainScaleS、NeuronFlow、DYNAP、Akida、Mythic）。此外，我们还介绍了根据神经形态 AI 系统所使用的大脑特征对其进行分类的原则：联结主义、并行性、异步性、信息传输的脉冲性质、设备上学习、本地学习、稀疏性、模拟和内存计算。除了回顾基于现有硅微电子技术的神经形态设备所使用的新架构方法外，我们还讨论了使用新忆阻器元件基座的前景。我们还给出了在神经形态应用中使用忆阻器的最新进展示例。
神经形态人工智能系统
基于冯·诺依曼架构和经典神经网络的现代人工智能系统与大脑相比具有许多基本局限性。本文讨论了这些局限性及其缓解方法。接下来，本文概述了当前可用的神经形态人工智能项目，这些项目通过将一些大脑特征引入计算系统的功能和组织中来克服这些局限性（TrueNorth、Loihi、Tianjic、SpiNNaker、BrainScaleS、NeuronFlow、DYNAP、Akida）。此外，本文还介绍了根据神经形态人工智能系统所使用的大脑特征（神经网络、并行性和异步性、信息传输的脉冲性质、局部学习、稀疏性、模拟和内存计算）对其进行分类的原理。除了基于现有硅微电子技术的神经形态设备中使用的新架构方法外，本文还讨论了使用新忆阻器元件基的前景。本文还给出了在神经形态应用中使用忆阻器的最新进展示例。
忆阻突触连接大脑和硅尖峰神经元
大脑功能依赖于脉冲神经元回路，其中突触在融合传输与记忆存储和处理方面发挥着关键作用。电子技术在模拟神经元和突触方面取得了重要进展，而将大脑和受大脑启发的设备连接起来的脑机接口概念也开始实现。我们报告了大脑和硅脉冲神经元之间的忆阻连接，这些连接模拟了真实突触的传输和可塑性。与金属薄膜氧化钛微电极配对的忆阻器将硅神经元连接到大鼠海马的神经元。忆阻可塑性解释了连接强度的调节，而传输则由通过薄膜氧化物的加权刺激介导，从而产生类似于兴奋性突触后电位的反应。反向大脑到硅的连接是通过微电极-忆阻器对建立的。在此基础上，我们展示了一个三神经元脑硅网络，其中忆阻突触经历由神经元放电率驱动的长期增强或抑制。
使用忆电感器的神经形态计算
i。在国际单位制中，电感的单位是亨利 (H)。如图 1 所示，通过在线圈内添加由铁磁材料（例如铁）制成的磁芯，来自线圈的磁化通量会在材料中感应出磁化，从而增加磁通量。铁磁芯的高磁导率可以使线圈的电感比没有铁磁芯时增加数千倍 [1]。变形虫等生物表现出原始的学习以及记忆、计时和预测机制。它们的自适应行为可以通过基于忆阻器的 RLC 电路模拟 [2]。受这项工作的启发，我们将设计一种基于忆阻器的神经形态架构，该架构可根据外部刺激频率以自然的方式自行调整其固有谐振频率。与之前的研究相比，我们的创新之处在于，该架构使用独特的记忆电感器来增加其时间常数，然后降低其谐振频率以匹配刺激频率。我们的目的是利用这种架构来帮助更好地研究原始智能的细胞起源。这也是这类研究的意义所在，不仅可以理解原始学习，还可以开发一种新颖的计算架构。
使用忆电感器的神经形态计算
i。在国际单位制中，电感的单位是亨利 (H)。如图 1 所示，通过在线圈内添加由铁磁材料（例如铁）制成的磁芯，来自线圈的磁化通量会在材料中感应出磁化，从而增加磁通量。铁磁芯的高磁导率可以使线圈的电感比没有铁磁芯时增加数千倍 [1]。变形虫等生物表现出原始的学习以及记忆、计时和预测机制。它们的自适应行为可以通过基于忆阻器的 RLC 电路模拟 [2]。受这项工作的启发，我们将设计一种基于忆阻器的神经形态架构，该架构可根据外部刺激频率以自然的方式自行调整其固有谐振频率。与之前的研究相比，我们的创新之处在于，该架构使用独特的记忆电感器来增加其时间常数，然后降低其谐振频率以匹配刺激频率。我们的目的是利用这种架构来帮助更好地研究原始智能的细胞起源。这也是这类研究的意义所在，不仅可以理解原始学习，还可以开发一种新颖的计算架构。
用于存储应用的二氧化钛薄膜的 XAS 研究
由于结构简单，RRAM 单元（也称为忆阻器）可以集成到高密度、低功耗、高速度的设备中。RRAM 设备的重要性在于它们具有电阻切换功能；即，它们能够通过施加适当的电压在高阻和低阻状态之间切换相应的电阻。然而，这种电阻切换机制目前还不太清楚，仍然存在争议。
MEMRISYS 2021 2021 年 11 月 1 日星期一 第 1 天（1/3）
11:50‐12:05 4A‐7 利用离子液体中 Cu 和 Ag 离子的氧化还原反应开发物理储层装置 Dan Sato 东京理科大学，日本东京 4B‐7 使用忆阻器神经元和完全耗尽的绝缘体上硅场效应晶体管突触装置的 3D 神经形态系统 Yu‐Rim Jeon 汉阳大学，韩国首尔
印度理工学院（BHU）瓦拉纳西
自从物联网和人工智能数据分析领域出现深度学习爆炸式增长以来，内存墙问题对现有计算架构的压力越来越大。研究人员正在寻找冯·纽曼架构之外的一些以内存为中心的计算范例。神经形态计算是解决人工智能硬件问题的新范例之一。本课程重点介绍神经形态计算，并通过案例研究展示其在物联网和人工智能应用中的强大功能。本课程将深入探讨神经形态计算的不同方面，以解锁无限可能并塑造人工智能和数据分析兼具效率的未来。加入这趟旅程吧，因为在当今世界，计算采用神经形态不仅仅是一种选择；而是一种必需品。 模仿生物神经网络、神经元结构、人工神经元建模、神经元和突触电路拓扑 神经形态硬件架构、基于忆阻器的神经网络架构、交叉架构和神经形态核心、使用忆阻器和 FeFET 的内存中心计算 与其他新兴存储设备和功能的神经形态计算 神经形态算法（STDP、LSM 等） 神经形态计算的应用 神经形态计算中的学习范式