XiaoMi-AI文件搜索系统
World File Search System1T1R
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
采用混合 CMOS-RRAM 集成的混合信号神经形态计算电路
随着深度神经网络 (DNN) 在嵌入式设备上的广泛应用，硬件的能效和尺寸成为关注焦点。例如，最近基于 Arduino 的 MAIXDuino 套件集成了用于卷积神经网络 (CNN) 的 K210 神经网络处理器，旨在开发嵌入式人工智能 (AI) 和物联网 (IoT) 解决方案 [1]，[2]。在这种 Edge-AI 加速器专用集成电路 (ASIC) 中，DNN 模型在图形处理单元 (GPU) 上使用基于梯度下降的反向传播或 Backprop 算法 [3]–[5] 进行离线训练，然后“传输”到“推理”ASIC。反向传播是计算密集型的，由于冯诺依曼瓶颈，大量数据在内存和 CNN 加速器之间不断穿梭，因此会消耗大量能量。人们越来越重视创新“非冯·诺依曼”架构，即在内存内部执行计算。此类架构有望利用超越摩尔或后 CMOS 非易失性存储器 (NVM) 技术 [6]。这需要对整个设备、电路和算法层次结构中的非冯·诺依曼计算架构进行跨层研究。神经启发或神经形态片上系统 (NeuSoC) 架构将内存计算与基于稀疏尖峰的计算和通信相结合，以实现接近生物大脑能效的超低功耗运行 [7]。基于 NVM 的计算架构采用 1R 或 1T1R 交叉开关或交叉点架构，其中 DNN 权重存储在 NVM 单元的状态中，神经元驻留在
Weebit Nano完全有资格将RERAM模块符合
2025年3月11日 - Weebit Nano Ltd（ASX：WBT，Weebt或Company）是全球半导体行业的先进存储技术的领先开发人员和许可人，已完成AEC-Q100 150°C其电阻随机记忆（RERAM）模块化工艺的电阻随机记忆（RERAM）模块化工艺的合格资格。这项成就证实了Weebit的嵌入式RERAM非挥发性内存（NVM）技术用于高温汽车应用的质量和可靠性。汽车电子委员会（AEC）最初是由克莱斯勒，福特和通用汽车建立的，目的是建立共同的部分资格和质量系统标准，从那时起，汽车行业的许多关键参与者就加入了。AEC-Q100是集成电路（ICS）的标准汽车应力测试资格。根据AEC-Q100标准的非易失性存储器，包括程序/擦除耐力，数据保留和高温操作生命（HTOL）资格测试，Weebit Reram模块是资格的。使用单晶体管的单耐（1T1R）细胞结构实现了资格，表明在150°C运行时的稳定性最高为100K耐力周期*，包括循环和循环后的高温数据保留。根据Yole Group的一部分Yole Intelltence的说法，汽车行业的半导体市场将从2023年的520亿美元增长到2029年的970亿美元，每辆车的半导体设备数量也在继续增长**。增长主要是由采用更多电气化和高级驾驶员辅助系统（ADA）的驱动，从而导致需要更先进的处理和更有效的功率管理，而RERAM起着关键作用的领域。Weebit Nano首席执行官Coby Hanoch说：“全AEC-Q100资格是将NVM设计到汽车微控制器和其他组件中的关键要求。通过这项成就，考虑嵌入式NVM的公司将知道Weebit Reram的参数与汽车制造商的规格保持一致，这将继续提高我们在该领域的地位。“此资格还具有更大的影响，超出了汽车，因为许多工业和物联网应用，例如井下工具，燃烧发动机，石油和天然气等，都需要高温可靠性和扩展的耐力。实现AEC-Q100资格也会影响许多其他应用，因为它使设计师充满信心，即技术非常强大，可靠，甚至超出了他们的需求。“我们有信心，这种进一步的资格将引起潜在客户的更大兴趣，这些客户正在寻求具有温度可靠性并扩展的记忆进步