XiaoMi-AI文件搜索系统
World File Search SystemMemristor
基于Core -Shell cspbbr3@graphDiyne纳米晶体的光学调制双模式磁带阵列，用于完全回忆性神经形态计算硬件
在人工智能（AI）和物联网（IoT）时代，包括图像，声音，气味和伤害在内的大量感官数据是从外部环境中感知的，对以数据为中心任务的处理速度和能源效率施加了关键要求。1 - 3，尽管已经做出了巨大的努力来提高von Neumann计算机的计算能力和效率，但物理分离的处理和内存单元之间的恒定数据不可避免地会消耗巨大的能量并诱导计算潜伏期。4 - 9另外，基于人工神经网络（ANN）的人脑启发的神经形态计算已经证明了其在AI和机器学习等数据密集应用中的巨大优势。必须开发ANN的硬件实施，即人工突触和神经元，以模仿生物突触和神经元的生理活性。近年来，已经提出了各种神经形态设备，10 - 13，由于其简单的结构，高积分密度，高运行速度，低能量消耗和模拟行为，两个末端的内置构件被认为是最有希望的候选者。1,2,7,8,14 - 17尤其是，最近具有挥发性阈值转换（TS）行为的新型扩散的回忆录已证明它们在泄漏的整合和火灾（LIF）神经元中的潜力，5,7,18,19,19
低功率消耗Igzo Memristor的气体传感器嵌入了异丙醇酒精气体的物物互联网监测系统中
摘要：低功耗气体传感器对于各种应用至关重要，包括环境监控和便携式物联网（IoT）系统。但是，常规金属氧化物气体传感器的解吸和吸附特性需要补充设备，例如加热器，这对于低功率IoT监测系统并不最佳。基于回忆的传感器（气体）由于其优势，包括高响应，低功耗和室温（RT）操作，已研究为创新的气体传感器。基于Igzo，提议的异丙醇酒精（IPA）气体传感器显示出105 s的检测速度，在RT时为50 ppm的IPA气体的高响应速度为55.15。此外，使用脉冲电压在50 µs中可以快速恢复到初始状态，而无需清除气体。最后，集成了一个低功率电路模块以进行无线信号传输和处理，以确保IOT兼容性。即使整合到IoT系统中，也证明了基于Igzo气体的传感结果的稳定性。这可以在〜0.34兆瓦时实现节能气体分析和实时监测，从而支持通过脉冲偏置恢复。这项研究提供了对物联网气体检测的实用见解，为敏感的低功率传感器提供了无线传感系统。
![arXiv:2107.05306v1 [quant-ph] 2021 年 7 月 12 日](/simg/e\e236dbd0fdc4c22aa268cd10e6fc632f81742fd5.webp)
arXiv:2107.05306v1 [quant-ph] 2021 年 7 月 12 日
我们提出在可行的超导电路架构中通过电容和电感耦合实现两个量子忆阻器的相互作用。在这个组合系统中，输入随时间相关，从而改变每个量子忆阻器的动态响应，包括其收缩磁滞曲线和非平凡纠缠。从这个意义上讲，并发和忆阻动力学遵循相反的行为，当磁滞曲线最小时，显示纠缠的最大值，反之亦然。此外，每当量子忆阻器纠缠最大时，磁滞曲线随时间的方向就会反转。组合量子忆阻器的研究为开发神经形态量子计算机和原生量子神经网络铺平了道路，使当前 NISQ 技术在量子方面占据优势。
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。
基于忆阻器的脉冲神经网络 - ePrints Soton
新兴的非易失性存储设备，即忆阻器，在神经形态硬件设计中展现出了非凡的前景，特别是在脉冲神经网络 (SNN) 硬件实现中。基于忆阻器的 SNN 已经应用于解决传统人工神经网络 (ANN) 解决的任务（例如图像分类和模式识别），并且不同学科仍在进行更多尝试以挖掘这一新研究课题的潜力。要将忆阻器应用于神经形态应用（本文中严格定义为使用 SNN 的应用），可以遵循两种途径。一种方法是首先利用硬件基础设施来表征和控制忆阻器设备，然后将其映射到应用程序的更高级函数（例如矩阵乘法）。另一种方法是将数据驱动的忆阻器模型嵌入软件模拟器中，以使用从真实设备中提取的参数来模拟应用程序。
模拟和混合信号集成电路实验室。
一种学习率可靠和可靠的Tiox回忆录阵列，可用于稳健，快速，准确的神经形态计算，高级科学（2022）一种具有RRAM Crossbar阵列和随机神经元的硬件和能源有效的在线学习神经网络，具有对工业性电子构造的功能，具有良好的工业单位（2020）（202020）Wox wox Networks, IEEE Transactions on Nanotechnology (2020) A Compressive Sensing CMOS Image Sensor with Partition Sampling Technique, IEEE Transactions on Industrial Electronics (2020) An On-Chip Binary-Weight Convolution CMOS Image Sensor for Neural Networks, IEEE Transactions on Industrial Electronics (2020) A Power and Area Efficient CMOS Stochastic Neuron for使用电阻横梁阵列的神经网络，生物医学电路和系统的IEEE交易（2019年）基于Memristor跨BAR阵列的神经网络，IEEE Transactions，电子设备上的IEEE Transactions（2019）
基于忆阻器的可靠安全混沌通信，可抵御窃听者和不受信任的代工厂
混沌是一种确定性现象，在特定条件下，状态向量的轨迹变得周期性且对初始条件极为敏感，发生在非线性动态系统中。虽然传统的基于电阻的混沌通信主要关注网络上信息的安全传输，但由于外包制造，收发器本身可能会受到损害。随着资源受限的植入式和可穿戴设备中无线传感器的增长，如果传输的信息可靠且发射机设备安全，混沌通信可能是一个不错的选择。我们相信，作为第四个基本两端电路元件的忆阻器可以缩小可靠通信和安全制造之间的差距，因为它的电阻可以由设计人员而不是代工厂编程和保存。因此，在本文中，我们提出了一种基于忆阻器的蔡氏混沌收发器，它在存在窃听者的情况下都是可靠的，并且在不受信任的代工厂面前是安全的。具体来说，我们考虑相同忆阻器值下的发射器和接收器对，以显示
用于存储和神经形态计算的自供电忆阻系统
一种能够模仿人脑同时处理多种类型数据能力的神经形态计算芯片可以从根本上革新和改进备受诟病的冯诺依曼计算机架构。忆阻器是构建神经形态智能系统的最佳硬件单元之一，因为它们在固有低电压下工作、使用多位存储并且制造成本低廉。然而，作为一种无源器件，忆阻器单元需要外部能量才能运行，导致功耗高且电路结构复杂。最近，一种新兴的自供电忆阻系统有望完美解决上述问题，该系统主要由忆阻器和电动纳米发电机组成。它因无电运行的优势而引起了人们的极大兴趣。在这篇综述中，我们系统地描述了从存储到神经形态计算的自供电忆阻系统。这篇综述还证明了自供电忆阻系统在人工智能中的应用前景。