XiaoMi-AI文件搜索系统
World File Search SystemCrossbar
多任务记忆电容网络 - PDXScholar
摘要 — 最近的研究表明，记忆电容设备网络为储存器计算系统提供了低功耗的理想计算平台。随机、交叉或小世界幂律 (SWPL) 结构是储存器基底计算单个任务的常见拓扑结构。然而，神经学研究表明，与不同功能相关的皮层大脑区域互连形成富俱乐部结构。这种结构允许人类大脑同时执行多项活动。到目前为止，记忆电容储存器只能执行单一任务。在这里，我们首次提出了集群网络作为记忆电容储存器同时执行多项任务。我们的结果表明，在三个任务上，集群网络分别比交叉和 SWPL 网络高出 4.1 × 、5.2 × 和 1.7 × 倍：孤立口语数字、MNIST 和 CIFAR-10。与我们之前和已发表结果中的单任务网络相比，多任务集群网络可以实现类似的准确率，分别为 MNIST、孤立口语数字和 CIFAR-10 的 86%、94.4% 和 27.9%。我们的扩展模拟表明，输入信号幅度和集群间连接都会影响集群网络的准确性。选择信号幅度和集群间链接的最佳值是获得高分类准确率和低功耗的关键。我们的结果说明了记忆电容式大脑启发集群网络的前景及其同时解决多项任务的能力。这种新颖的计算架构有可能使边缘应用程序更高效，并允许无法重新配置的系统解决多项任务。
忆阻器、忆电容及其在神经形态计算中的应用
我们打算证明，我们可以构建专用硬件，使用忆阻器和忆电容将神经网络直接映射到该硬件上，从而提高网络的能源效率。我们将使用以集成电路为重点的模拟程序 (SPICE) 来模拟我们的忆电容和忆阻器。使用此模型，我们将创建一个忆阻和忆电容元件的储存器，并在一系列忆电容与忆阻器比率中评估我们的设计，同时测试储存器结构，包括小世界、交叉开关、随机、分层和幂律实现。我们假设我们的设计将大大提高神经网络的能源效率和性能。
类似乐高的可重构人工智能芯片
对实时低功耗传感信息处理能力的需求日益增长。然而，这需要开发和集成从传感器到处理器等不同类型的智能设备。传统的三维 (3D) 异构集成技术基于冯·诺依曼架构，依靠金属线通孔垂直连接传感器、处理器和存储器层 1 。在这样的系统中，这些不同功能层之间的硬连线连接一旦制造出来就固定了。因此，传统的 3D 异构集成技术在边缘智能应用中使用时效率低下，因为在边缘智能应用中，对传感和计算的需求随时间而变。华强吴、林鹏、Jeehwan Kim 和同事在《自然电子学》上撰文，报道了一种可重构异构集成技术，该技术基于可堆叠芯片，芯片中嵌入了光电器件阵列和忆阻横杆 2 。智能传感器和处理器之前已被开发用于图像预处理 3 – 5 和并行识别 6、7 。以前也曾探索过垂直架构的神经形态视觉芯片的概念，即通过线连接将基于范德华异质结构的神经形态传感器和忆阻交叉阵列联网 8 。来自美国、韩国和中国不同研究所的研究人员采用了不同的方法，创造了类似乐高的芯片，允许各种神经形态传感器和处理器通过芯片间光通信连接起来（图 1 ）。在这种 3D 集成技术中，各个芯片是可更换和可堆叠的，光电二极管/发光二极管 (LED) 阵列嵌入在各个独立的芯片层中，以提供相邻层之间的光通信。此外，忆阻交叉阵列可以植入
在回忆阵列上进行神经形态序列学习的演示
这些问题并能够用脑般的表现使序列学习是具有脑启发的学习算法的神经形态硬件。分层时间内存（HTM）是受新皮层工作原理启发的al-gorithm，能够学习和预测元素的连续序列。在先前的研究中，我们表明，在HTM模型的时间内存储算法的生物学上可用版本中，可以将备忘录的设备（一种用于节能的神经形态硬件考虑）被认为是为了节能的神经形态硬件。随后，我们对模拟信号的回忆硬件体系结构进行了模拟研究，该研究可以介绍时间学习算法。我们称之为memspikingtm的架构是基于一个磁带横梁阵列和实现神经元的控制电路和
神经形态计算的物理学
图 1：深度神经网络硬件 (a) 由通过突触（箭头）连接的多层神经元（圆圈）组成的深度神经网络。(b) 连接两层神经元的忆阻交叉阵列 21。插图表示单个忆阻器单元，垂直连接一行和一列。突触前 CMOS 神经元（红色）向行施加电压。每列的输出电流 Ij 是所有输入电压 Vi 乘以忆阻器电导 Gij 的总和。每列的放大器驱动突触后 CMOS 神经元（蓝色）。(c) 由圆形谐振器组成的光学神经网络，将不同波长 λ i 输入（不同颜色）耦合到神经元（灰色）22。突触（橙色方块）和神经激活功能（绿色方块）由相变材料实现。
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。
同行评审文件概率的光子计算与...
在本手稿中，作者提出了一种使用物理噪声源（或称为熵源）进行随机变量进行概率分布计算的方法。这项工作是基于研究小组以前通过WDM和带有相变内存的光子横杆阵列的矩阵乘积乘法的工作。对我的理解，在这里，他们提出适应相同的硬件来操纵“混乱的光”以独立控制输出概率分布的平均值和差异，并使用WDM启用“单次镜头”读数此类概率分布。我想向作者努力详细地详细解释其系统的物理学，并在主要文本和补充材料中以很高的清晰度来解释其系统的物理。尽管我对这种方法的实际好处有保留，但从学术角度来看，这个想法听起来很有趣和新颖。我会向编辑接受次要修订。下面我将列举一些我认为需要改进的几点。
基于忆阻片上系统的超维计算硬件-算法协同设计
超维计算 (HDC) 采用并行计算范式和高效学习算法，非常适合资源受限的人工智能 (AI) 应用，例如边缘设备。基于忆阻设备的内存计算 (IMC) 系统通过提供节能硬件解决方案对此进行了补充。为了充分利用忆阻 IMC 硬件和 HDC 算法的优势，我们提出了一种硬件算法协同设计方法，用于在忆阻片上系统 (SoC) 上实现 HDC。在硬件方面，我们利用忆阻交叉开关阵列固有的随机性进行编码，并采用模拟 IMC 进行分类。在算法层面，我们开发了硬件感知编码技术，将数据特征映射到超维向量中，从而优化了忆阻 SoC 内的分类过程。硬件实验结果表明语言分类任务的准确率为 90.71%，凸显了我们的方法在边缘设备上实现节能 AI 部署的潜力。
用于推理的脑启发硬件解决方案......
由于浮点运算需要大量资源，使用传统计算范式在贝叶斯网络中实现推理（即计算后验概率）在能源、时间和空间方面效率低下。脱离传统计算系统以利用贝叶斯推理的高并行性最近引起了人们的关注，特别是在贝叶斯网络的硬件实现方面。这些努力通过利用新兴的非易失性设备，促成了从数字电路、混合信号电路到模拟电路的多种实现。已经提出了几种使用贝叶斯随机变量的随机计算架构，从类似 FPGA 的架构到交叉开关阵列等受大脑启发的架构。这篇全面的评论论文讨论了考虑不同设备、电路和架构的贝叶斯网络的不同硬件实现，以及解决现有硬件实现问题的更具未来性的概述。
大马士革与减法线 CMP 工艺用于电阻式存储器交叉开关 BEOL 集成
近年来，电阻式存储器已成为电子领域的一项关键进步，在能源效率、可扩展性和非易失性方面具有众多优势 [1]。这些存储器以其独特的电阻开关行为为特征，非常适合各种应用，从高密度数据存储到神经形态计算 [2]。它们与先进的半导体工艺的兼容性进一步增强了它们的潜力，使其能够无缝集成到现代电子电路中 [3]。电阻式存储器的一个特别有前途的途径在于将其集成在半导体制造的后端 (BEOL) 阶段 [4]。BEOL 集成涉及晶体管制造后发生的工艺，主要侧重于创建电气连接这些晶体管的互连。在此阶段集成电阻式存储器可实现紧凑、高效和高性能的架构，这对于数据存储和处理共置的内存计算应用至关重要 [5]。本文研究了使用化学机械抛光 (CMP) 工艺将基于 TiO x 的电阻式存储器集成到无源交叉阵列结构中的三种方法，重点是确定最佳集成技术。