XiaoMi-AI文件搜索系统
World File Search SystemMemristors
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 (AI) 系统与哺乳动物的大脑相比具有许多基本局限性。在本文中，我们将讨论这些局限性及其缓解方法。接下来，我们将概述目前可用的神经形态 AI 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来克服这些局限性（TrueNorth、Loihi、Tianjic、SpiNNaker、BrainScaleS、NeuronFlow、DYNAP、Akida、Mythic）。此外，我们还介绍了根据神经形态 AI 系统所使用的大脑特征对其进行分类的原则：联结主义、并行性、异步性、信息传输的脉冲性质、设备上学习、本地学习、稀疏性、模拟和内存计算。除了回顾基于现有硅微电子技术的神经形态设备所使用的新架构方法外，我们还讨论了使用新忆阻器元件基座的前景。我们还给出了在神经形态应用中使用忆阻器的最新进展示例。
神经网络讲义 B.TECH III 年
人工神经元是一种数学函数，被认为是生物神经元的模型，即神经网络。人工神经元是人工神经网络的基本单元。人工神经元接收一个或多个输入（代表神经树突处的兴奋性突触后电位和抑制性突触后电位）并将它们相加以产生输出（或激活，代表沿其轴突传输的神经元动作电位）。通常，每个输入都单独加权，总和通过称为激活函数或传递函数的非线性函数传递。传递函数通常具有 S 形，但它们也可以采用其他非线性函数、分段线性函数或阶跃函数的形式。它们也通常是单调递增、连续、可微和有界的。阈值函数启发了构建称为阈值逻辑的逻辑门；适用于构建类似于大脑处理的逻辑电路。例如，近年来，诸如忆阻器之类的新设备已被广泛用于开发这种逻辑。
薄膜设备开发和技术
抽象的薄膜材料可以获得显着的优势，并且与笨重的对应物相比，具有根本不同和可调的材料特性。结合了超薄二维（2D）和常规半导体材料的特性，可以开发新的设备概念，尤其是用于传感应用。这种关联描述了如何合并常规的半导体和2D物质处理平台和技术。结合了材料特性的精确调整，合并技术可以实现高度非线性的光子传感器和系统，这些传感器和系统可利用特定于材料的益处为广泛的应用范围。除了为设备和系统开发提供几乎独立的构建块外，技术还可以进一步合并，还可以利用常规测量表征来提取材料属性。作为设备示例，用于增强感应应用的异质结构光电视，非线性无定形硅和用于光学范围的光电烯光电镜以及3D成像以及用于增强的读出电路电路的增强式读取电路和薄膜磁带，并与The Storate-enter-ens-ens-ext-exter-the-Art一起进行了讨论。
印度理工学院（BHU）瓦拉纳西
自从物联网和人工智能数据分析领域出现深度学习爆炸式增长以来，内存墙问题对现有计算架构的压力越来越大。研究人员正在寻找冯·纽曼架构之外的一些以内存为中心的计算范例。神经形态计算是解决人工智能硬件问题的新范例之一。本课程重点介绍神经形态计算，并通过案例研究展示其在物联网和人工智能应用中的强大功能。本课程将深入探讨神经形态计算的不同方面，以解锁无限可能并塑造人工智能和数据分析兼具效率的未来。加入这趟旅程吧，因为在当今世界，计算采用神经形态不仅仅是一种选择；而是一种必需品。 模仿生物神经网络、神经元结构、人工神经元建模、神经元和突触电路拓扑 神经形态硬件架构、基于忆阻器的神经网络架构、交叉架构和神经形态核心、使用忆阻器和 FeFET 的内存中心计算 与其他新兴存储设备和功能的神经形态计算 神经形态算法（STDP、LSM 等） 神经形态计算的应用 神经形态计算中的学习范式
用Physarum polycephalum撰写流行音乐...
诸如算法作曲家之类的创意系统经常使用人工智能模型，例如马尔可夫链，神经网络和遗传算法来模拟随机过程。非常规计算（UC）技术可以说明数据存储，处理，输入和输出的非数字方式。UC范式（例如生物计算和Quanth computing）钻探到二进制位以外的域，以处理复杂的非线性函数。在本文中，我们将Physarum Polycephalum作为过程来处理并为流行音乐生成创意数据。该有机体在撰写我们的歌曲《蠕动到我的草坪》的过程中担任合作者。尽管在该领域进行了研究，但文献缺乏流行音乐的例子，以及在创作音乐时如何控制有机体的非线性行为。这很重要，因为非线性表示形式不如常规数字手段那么明显。本研究旨在将这项技术分解给非专家和音乐家，以便他们可以将其纳入其创作过程中。更重要的是，它结合了电阻器和回忆录，以具有更大的灵活性，同时生成音乐并优化参数以进行更快的处理和性能。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
利用电阻开关存储器的非理想特性实现高效的机器学习
基于电阻开关存储器（也称为忆阻器或 RRAM）的新型计算架构已被证明是解决深度学习和脉冲神经网络能源效率低下问题的有前途的方法。然而，电阻开关技术尚不成熟，存在许多缺陷，这些缺陷通常被认为是人工神经网络实现的限制。尽管如此，可以利用合理的可变性来实现高效的概率或近似计算。这种方法可以提高稳健性、减少过度拟合并降低特定应用（如贝叶斯和脉冲神经网络）的能耗。因此，如果我们将机器学习方法适应电阻开关存储器的固有特性，某些非理想性可能会成为机会。在这篇简短的评论中，我们介绍了电路设计的一些关键考虑因素和最常见的非理想性。我们通过成熟的软件方法示例说明了随机性和压缩的可能好处。然后，我们概述了利用电阻开关存储器的缺陷的最新神经网络实现，并讨论了这些方法的潜力和局限性。
基于 2D MoS2 的阈值开关忆阻器用于...
在所有神经网络中，PIKING 神经网络 (SNN) 最忠实地模拟了人脑，并且被认为是处理时间数据最节能的网络。人工神经元和突触是 SNN 的组成部分。最初，SNN 的硬件采用复杂的互补金属氧化物半导体 (CMOS) 电路实现，其中单个神经元或突触由多个晶体管实现，这在面积和能耗方面非常密集 [1]。2008 年忆阻器的发现促进了使用单个双端器件实现人工突触的发展 [2]，[3]。然而，尽管人工神经元同样重要，但使用单个器件实现人工神经元的研究还不够深入。最近，阈值开关忆阻器 (TSM) 器件 [4]、非挥发性忆阻器 [5]、相变材料 (PCM) [6]、基于铁电材料的场效应晶体管 (FET) [7]、[8] 和浮体晶体管 [9] 已被用于演示用于 SNN 的漏电积分激发 (LIF) 神经元。二维材料的忆阻特性为利用这些原子级薄系统实现人工神经元提供了机会，这将实现神经网络硬件的最终垂直扩展 [10]-[12]。H Kalita 等人演示了一种基于 MoS 2 /石墨烯 TSM 的人工神经元，但阈值电压高、开关比低、导通时间短。
适用于高安全性应用的轻量级可重构 RRAM PUF
摘要 — 最近，忆阻器在各种应用中受到了广泛关注。即使是电阻式存储器件 (RRAM) 的一些主要缺点（例如可变性），也已成为以物理不可克隆功能 (PUF) 形式实现硬件安全性的有吸引力的特性。尽管文献中已经出现了几种基于 RRAM 的 PUF，但它们仍然存在与可靠性、可重构性和大量集成成本相关的一些问题。本文介绍了一种新型轻量级可重构 RRAM PUF (LRR-PUF)，其中使用连接到同一位线和相同晶体管 (1T4R) 的多个 RRAM 单元来生成单个位响应。所使用的脉冲编程方法也很有创新性：1) 它允许实现节能的实现，2) 它利用切换 RRAM 单元作为 PUF 的主要熵源所需的脉冲数量的变化。所提出的 PUF 的主要特点是它几乎不需要额外成本就可以与任何 RRAM 架构集成。通过大量模拟，包括温度和电压变化的影响以及统计特性，我们证明了 LRR-PUF 表现出其他之前提出的基于 RRAM 的 PUF 所缺乏或难以实现的出色特性，包括高可靠性（几乎 100%），这对于加密密钥生成、可重构性、唯一性、成本和效率至关重要。此外，该设计成功通过了相关的 NIST 随机性测试。
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。