XiaoMi-AI文件搜索系统
World File Search SystemMemristor
对称共存的吸引子在一个新型的备忘录中 -
非线性电子电路提供了产生混乱行为的有效方法[1] [2] [3]。Chuas电路是由Cai Shaotang教授在1983年[4] [5] [6] [7]制造的简单非线性混沌电路。chua的电路包含四个基本元素和非线性抗性，但有数百个研究论文。已经深入研究了Chua电路的细节，包括拓扑，数值模拟，动力学特征和物理现象[8] [9] [10] [11] [12]。由于Chua的电路系统具有极端的初始价值敏感性和良好的伪随机性的特征，该特征已在科学和工程中广泛使用，[13]，机器人[14]，随机发生器实现[15]，安全连接，安全连接甚至图像加密[16]，以及同步的加密[17]。在许多非线性系统和电子电路中都发现了多个吸引子的共存[18] [19] [20] [21]。通常，共存吸引子的外观与系统对称性有关，并紧密取决于系统初始条件。与多个吸引子的混乱系统能够在基于混乱的工程技术（例如神经网络[22]，图像加密[23]，控制系统[24]和随机数[25] [25]中提供更多复杂性。因此，与共存的混乱系统目前已成为相当大的兴趣。在1971年，根据Ciruit理论的完整性原理，Chua预测了第四个电子组合和名为Memristor，该原理具有记住过去电荷的独特表现[26] [27]。备忘录是由惠普（Hewlett Packard）实验室创建的，
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。
自旋 - 轨道扭矩驱动的多级开关Inhe+ ...
我们已经研究了带有垂直磁各向异性的w/cofeb/mgo大厅杆中的自旋 - 轨道扭矩驱动的磁化切换。通过掩模的离子辐照已用于在大厅交叉处局部减少局部有效的垂直方向异性。异常的大厅效应测量与KERR显微镜相结合表明，开关过程由辐照区域中的域壁（DW）成核支配，然后在当前密度低至0.8 mA/cm 2的快速域传播，辅助平面磁性磁力纤维。多亏了DW在辐照区和非辐照区域之间的过渡时实施的强钉，引起了中间大厅的电阻状态，这通过有限元模拟进一步验证。使用He h He him hion辐照控制电气电阻的这种方法在实现神经形态和Memristor设备方面具有巨大的潜力。
Fernando CORINTO 博士
Fernando CORINTO，博士 电气工程教授 都灵理工大学 电子与电信系 Corso Duca degli Abruzzi, 24, 10129 - 都灵 - 意大利 个人简历 Fernando Corinto 分别于 2001 年和 2005 年获得都灵理工大学电子工程硕士学位和电子与通信工程博士学位。他还于 2005 年获得都灵理工大学欧洲博士学位。Corinto 教授于 2004 年荣获玛丽居里奖学金。他目前是都灵理工大学电子与电信系电气工程教授。他的研究活动主要集中在非线性动态电路和系统、复杂/神经网络和用于优化问题的忆阻器纳米技术方面。 Corinto 教授是 2 本书、7 个书籍章节和 150 多篇国际期刊和会议论文的合著者。自 2010 年以来，他担任 IEEE 高级会员。他还是 IEEE CAS 技术委员会“蜂窝纳米级网络和阵列计算”和“非线性电路和系统”的成员。Corinto 教授曾担任 IEEE 北意大利 CAS 分会的副主席。Corinto 教授于 2014-2015 年担任 IEEE 电路和系统汇刊 I 的副主编。自 2015 年 1 月以来，他还担任国际电路理论与应用杂志的编辑委员会和评论编辑。Corinto 教授曾担任 COST Action“忆阻器 - 器件、模型、电路、系统和应用 (MemoCiS)”的副主席。 Corinto 教授于 2013 年和 2017 年担任德累斯顿工业大学德累斯顿高级研究员。Corinto 教授也是慕尼黑工业大学 August-Wilhelm Scheer 客座教授和慕尼黑工业大学高等研究院成员。研究资助 1) 第 12 届科技合作执行计划（2019-2021 年）框架内研究项目“带有振荡神经元和事件驱动突触交叉开关的忆阻器脉冲神经网络用于神经形态视觉识别”的首席研究员。 2) 国家研究项目 PRIN 2007“带有动态开关忆阻器振荡器的模拟计算：理论、设备和应用（COSMO）”的首席研究员，该项目由大学及研究部（MIUR）支持。 3) COST 行动“忆阻器 - 设备、模型、电路、系统和应用（MemoCiS）”副主席http://www.cost.eu/COST_Actions/ict/Actions/IC1401。 4) 2013 - 2015年意大利共和国和韩国科技合作执行计划框架内研究项目“用于神经形态应用的基于忆阻器的混合蜂窝系统”的首席研究员。5) 2015 年法国意大利大学/意大利法国大学 (UFI/UIF) PHC Galilée 2015 项目“使用忆阻器实现复杂网络同步”研究项目的首席研究员。 6) 拉格朗日项目为期两年 (2005/7-2007/6) 研究奖学金 (由 CRT 基金会资助并在 ISI 基金会的科学监督下) 的首席研究员。 7) 2009-2011 年期间 CRT 基金会资助的“用于处理时空模式的纳米电路阵列”研究项目的首席研究员。 8) 2012-2014 年期间 CRT 基金会资助的“用于神经形态计算的局部连接混合系统”研究项目的首席研究员。
使用量子计算机折叠的RNA折叠
神经元是信息传输和信息处理中的专门细胞。之后，许多神经系统疾病与细胞活力/稳态问题直接相关，而是与电活动动力学的特定异常相关。认识到这一事实，基于神经元电活动的直接调节的治疗策略已取得了显着的结果，从耳蜗植入物到深脑刺激的成功实例。在这些植入设备上开发的开发受到了重要挑战的阻碍：功率要求，尺寸因子，信号转导和适应性/计算能力。回忆录，纳米级电子组件能够模仿自然突触，提供了独特的特性来解决这些约束及其在神经假体设备中的使用。在这里，我们首次证明了在临床相关的环境中使用回忆设备，在这种环境中，两个神经元种群之间的通信源于来源人群中的特定活动模式。在我们的方法中，Memristor设备执行了简单的模式检测计算，并充当能够可逆的短期可塑性的突触器。使用体外海马神经元培养物，我们使用监视器 - 计算活性范式显示出具有高度可重复性的实时自适应控制。我们设想了非常相似的系统用于自动检测和抑制癫痫患者的癫痫发作。
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。
量子点中电荷状态自动调节的微型神经网络
摘要 量子计算机规模化的一个关键挑战是多个量子位的校准和控制。在固态量子点 (QD) 中，稳定量化电荷所需的栅极电压对于每个单独的量子位都是唯一的，从而产生必须自动调整的高维控制参数空间。机器学习技术能够处理高维数据（前提是有合适的训练集），并且过去已成功用于自动调整。在本文中，我们开发了极小的前馈神经网络，可用于检测 QD 稳定图中的电荷状态转变。我们证明这些神经网络可以在计算机模拟产生的合成数据上进行训练，并稳健地转移到将实验设备调整为所需电荷状态的任务上。此任务所需的神经网络足够小，可以在不久的将来在现有的忆阻器交叉阵列中实现。这为在低功耗硬件上小型化强大的控制元件提供了可能性，这是未来 QD 计算机片上自动调整的重要一步。