XiaoMi-AI文件搜索系统
World File Search SystemMemristors
类似CMOL的Memristor-CMOS神经形态芯片核心，展示了随机二进制STDP
摘要 - 纳米级候选人的出现提出了能够构建CMOL（CMOS/纳米线/分子）类型的超密集内存内计算电路架构的希望。在CMOL中，将在纳米线的交点上制造纳米级备忘录。CMOL概念可以通过在CMO上制造较低密度的神经元并与纳米线和纳米级 - 墨西哥纤维织物放置在顶部的纳米线和纳米级 - 梅斯托织物，从而在神经形态硬件中利用CMOL概念。但是，技术问题阻碍了目前可靠的可靠商业单片CMOS-MEMRISTOR技术的这种开发。一方面，每个备忘录都需要串联的MOS选择器晶体管，以确保大型阵列的形式和编程操作。这会导致复合Mos-Memristor突触（称为1T1R），这些突触不再是纳米线穿越时的突触。另一方面，回忆录尚未构成高度可靠，稳定的模拟记忆，用于逐步学习的大规模模拟重量突触。在这里，我们演示了一种伪 - 旋转整体芯片核心，该芯片绕过上面提到的两个技术问题：（a）利用一种类似CMOL的几何芯片布局技术来提高1T1R的限制，以及（b）利用二进制重量跨度的依赖性依赖性（s sTD），该规则（b）更大的二进制重量跨度的依赖性（b）使用的备忘录。实验结果是针对具有64个输入神经元，64个输出神经元和4096 1T1R突触的尖峰神经网络（SNN）CMOL核心提供的，该突触在顶部为200nm大小的TI/HFOX/TIN MEMRISTOR的130nm CMO制造。cmol-core使用查询驱动的事件读取，这允许内存可变性不敏感的计算。实验系统级别的演示是针对普通模板匹配任务的，以及正则化的随机二进制STDP特征提取学习，可在硬件中获得完美的识别，以进行4个字母的识别实验。
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。
![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。
使用加固学习和进化优化的设备代码
新兴的计算技术，例如神经形态计算，概率计算和量子计算，越来越多地利用新颖的设备类型来实现新的计算功能或通过使其更快或更有效地提高现有功能。提出了各种各样的新型设备类型用于计算，包括回忆录，旋转器，磁性隧道连接，相位变化记忆，铁电器设备等。在这些设备的设计和操作中，通常有许多参数可供选择。对于特殊，可以使用可以从根本上改变其性质的不同材料来实施设备。此外，其他设备设计参数，例如在磁性隧道连接中的备忘录或旋转霍尔角中的层厚度，可能会对这些设备的性能产生巨大影响。
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。
基于纳米结构双层 ZrOx/Au 薄膜的双端忆阻器的增强和抑制行为
摘要 模拟突触功能（例如增强和抑制）对于开发人工神经形态结构具有战略意义。通过在去除开关信号后利用电阻水平的逐渐放松，忆阻器可以定性地再现生物突触的短期可塑性行为。为此，已经提出了各种基于纳米制造的金属氧化物半导体堆栈的忆阻器。在这里，我们介绍了一种不同的制造方法，该方法基于以双层平面配置沉积的簇组装纳米结构氧化锆和金薄膜（ns-Au / ZrO x）。该装置表现出具有短期记忆和增强/抑制的忆阻行为。观察到的松弛可以用拉伸指数函数来描述。此外，在重复脉冲应用下，短期现象的特征时间会动态变化。我们的纳米结构装置的特点是与其他纳米级忆阻装置相比，导电路径长度明显更长；氧化锆纳米结构薄膜的使用使得该装置与神经元细胞培养兼容。
捐助者报告2024-丘吉尔学院
“在规模上，这次会议可能是SPIE的第二大会议，也是整个光学和光子学领域最大的会议。的确，有一些参与的子会议甚至不关心光学或光子学（例如“旋转三位型”和涉及“ Memristors”的工作），但尽管如此，仅存在于Optics + Photonics。因此，您可以通过在会议的范围内跳跃来探索从根本上不同的主题集合，我很高兴能体验到一个新的研究兴奋和交流空间。作为一个关键例子，我提到的研究领域为光子学是对话至关重要的较大范围而做出的贡献，但不是寻求突破的唯一方法。光子设计似乎是高性能神经形态（脑启发）计算的最佳候选者之一，但是这些其他研究领域的替代方案并贡献了
人脑膜瘤细胞对细胞周期蛋白的敏感性 -
大脑的连通性是局部密集且全球稀疏的，形成了一个小世界图，这是各种物种进化中普遍存在的原理，为有效的信息路由提供了通用解决方案。但是，当前的人工神经网络电路架构并不能完全包含小世界的神经网络模型。在这里，我们介绍了神经形态的镶嵌：一种非冯·诺伊曼收缩期架构，采用分布式备忘录来进行内存计算和内存路由，有效地实现了用于尖峰神经网络（SNNS）的小世界图形拓扑。我们使用具有130 nm CMOS技术的集成的备忘录，设计，制造和实验证明了马赛克的构建块。我们表明，由于在连接性中执行局部性，马赛克的路由效率至少比其他SNN硬件平台高一个数量级。这是Mosaic在各种边缘基准中实现竞争精度的同时。Mosaic为基于分布式尖峰的计算和内存路由的边缘系统提供了可扩展的方法。
巨型铁电阻开关由调节终端控制的低功率神经形态内存内计算
铁电器已被证明是高性能非易失性记忆的出色基础，其中包括Memristors，这些记忆在人工突触和内存计算的硬件实现中起着至关重要的作用。在这里，据报道，新兴的范德华（Van der Wa）可用于成功实现异突触可变性（一种基本但很少模仿的突触形式），并实现在10 3的上方3级级别的较高量相似的较大范围的较大范围的抗性转换率，并实现抗性切换比。铁电α -In 2 SE 3通道的极化变化负责各种配对端子处的电阻切换。α-In 2 Se 3的第三个端子在PicoAmpere级别表现出对通道电流的非挥发性控制，从而赋予了picojoule读取能量消耗的设备，以效仿缔合性异突触性学习。模拟证明，可以在α -IN 2 SE 3中性网络中实现超级访问和无监督的学习方式，具有较高的图像识别精度。此外，这些弹性设备自然可以实现布尔逻辑，而无需其他电路组件。结果表明，Van der Waals铁电体在复杂，节能，受脑力启发的计算系统和内存计算机中的应用中具有很大的潜力。