XiaoMi-AI文件搜索系统
World File Search SystemNeuromorphic
带唤醒无线电的神经形态分割计算
摘要 — 神经形态计算利用时间数据的稀疏性，通过在每个时间步骤激活一小部分神经元和突触来降低处理能量。当部署用于边缘系统中的分割计算时，远程神经形态处理单元 (NPU) 可以通过使用稀疏脉冲无线电 (IR) 波形进行异步通信来降低通信功率预算。这样，输入信号稀疏性直接转化为计算和通信方面的节能。然而，对于红外传输，总能耗的主要贡献者仍然是维持主无线电开启所需的功率。这项工作提出了一种新颖的架构，将唤醒无线电机制集成到由远程、无线连接的 NPU 组成的分割计算系统中。基于唤醒无线电的神经形态分割计算系统设计的一个关键挑战是选择用于感知、唤醒信号检测和决策的阈值。为了解决这个问题，作为第二项贡献，本研究提出了一种新颖的方法，该方法利用物理系统的数字孪生 (DT)（即模拟器）以及称为“先学习后测试 (LTT)”的顺序统计测试方法，提供理论上的可靠性保证。所提出的 DT-LTT 方法广泛适用于其他设计问题，并在此展示了神经形态通信。实验结果验证了设计和分析，证实了理论上的可靠性保证，并说明了可靠性、能耗和决策信息量之间的权衡。
前言 神经形态人工智能硬件最新进展专题
随着当今人工智能的快速发展，迫切需要解决计算机系统巨大的能耗问题。当前的人工智能系统需要大量的计算处理，这会增加能耗。为了解决这个问题，迫切需要努力开发神经形态人工智能硬件。作为超高效计算的典范，人脑仅以 20 W 的功率运行，这激励人们努力模仿其能源效率。例如，脉冲神经网络的 CMOS 硬件比传统计算机系统上的人工神经网络更有效。神经形态人工智能硬件可以取得进一步的进展，以整合大脑功能，例如突触可塑性和海马行为。植根于材料科学的创新，例如复合材料，展现出信号处理、计算和内存存储的能力，与传统半导体方法相比，有望降低能源需求。此外，纳米材料随机网络中的非线性现象正在成为控制 AI 硬件功耗的关键储层计算设备。由于其化学结构和动力学，纳米材料随机网络提供了超出原始特性的多种应用。纳米材料科学与信息科学的融合预示着下一代 AI 系统的范式转变，以比传统半导体器件更低的制造成本促进低功耗、高密度边缘 AI 系统。本专题重点介绍了 2024 年 3 月举行的第五届神经形态 AI 硬件国际研讨会上讨论的主题。来自材料科学、大脑建模、集成电路和智能系统的专家齐聚一堂，探讨神经形态 AI 硬件。积极参与这个年度研讨会对于推进卓越高效的 AI 硬件至关重要。我们强调对推进神经形态 AI 硬件前沿的集体奉献，并向所有促成本专题的贡献者表示感谢。
使用超导电子产品的神经形态计算
•高露山大学，纽约州哈姆尔顿•MIT和MIT LL，马萨诸塞州波士顿•Nist，Boulder，Co•UCSD，UCSD，UCSD，加利福尼亚州圣地亚哥，加利福尼亚州•USC，加利福尼亚州洛杉矶，加利福尼亚州•Suny Stony Brook，Suny Stony Brook，Stony Brook ny•Yokohama University，Yokohama University，Yokohama，Yokohama，Japan，Tohoku，Tohoku，Tohoku，tohoku dive，•
湿件中的神经形态工程：最新进展及其前景
联合国大会（2015 年）制定了一项议程，其中包含 17 个目标，需要在全球范围内到 2030 年实现，以促进可持续的未来。实现这些目标需要设计和实施更有效的战略来管理复杂系统，包括人类及其社会、世界经济、城市地区、自然生态系统和气候（Gentili，2021a）。一项有前途的战略，即正在蓬勃发展的战略，依赖于人工智能 (AI) 和机器人技术的发展。人工智能帮助人类收集、存储和处理监测复杂系统不断演变所需的大数据（Corea，2019 年）。人工智能还帮助我们下定决心控制复杂系统的行为。硬机器人和软机器人让人类能够进入原本无法进入的环境。例如，它们帮助我们（1）研究其他行星的地球化学特征、考察海洋深渊以发现新的贵重材料和能源矿藏；（2）进入人体内部器官进行侵入性较小的手术；（3）在肮脏或危险的地方工作。开发人工智能的主要传统方法有两种（Lehman 等人，2014 年；Mitchell，2019 年）。第一种方法是编写在基于冯·诺依曼架构的电子计算机上运行的“智能”软件，该架构的主要缺点是处理单元和存储单元在物理上是分开的。一些软件模仿严谨的逻辑思维，而另一些软件模仿神经网络的结构和功能特征来学习如何从数据中执行任务。开发人工智能的第二种方法是在神经假体的硬件中实现人工神经网络，或设计类似大脑的计算机，将处理器和内存限制在同一空间中（所谓的内存计算；Sebastian 等人，2020 年）。如果人工神经网络由硅基电路或无机忆阻器制成，则它们是刚性的；如果基于有机半导体薄膜，则它们是柔性的（Christensen 等人，2022 年；Lee and Lee，2019 年；Wang 等人，2020 年；Zhu 等人，2020 年）。它们可以采用三种不同的架构进行设计：（A1）前馈（具有可训练的单向连接）、（A2）循环（具有可训练的反馈动作）或（A3）储层（由未训练的非线性动态系统与可训练的输入和输出层耦合而成）网络（Nakajima，2020 年；Tanaka 等人，2019 年；Cucchi 等人，2022 年；见图 1A）。在过去十年左右的时间里，一种开发人工智能的新颖而有前途的策略被提出：它包括通过湿件（即液体）中的分子、超分子和系统化学来模仿人类智能和所有其他生物所表现出的智能形式
实现可行和可持续的量子神经形态计算
M.Tech. - 人工智能和机器学习，BITS Pilani。高级系统工程师，Infosys Limited，印度泰米尔纳德邦钦奈 ---------------------------------------------------------------------***--------------------------------------------------------------------------------- 摘要 - 量子神经形态计算是量子计算和神经形态工程的创新融合，有望通过提高计算效率和可持续性彻底改变生成式人工智能。本文探讨了量子神经形态计算的基本原理、其满足生成式人工智能模型日益增长的能源需求的潜力，并详细探讨了实施方法。通过利用神经形态架构中的叠加、纠缠和隧穿等量子力学现象，该方法旨在减少人工智能系统的计算负担和功耗。其中还包括实际的编码示例和视觉插图，以帮助理解并促进这一变革领域的进一步跨学科研究。
用于神经形态边缘计算的超低成本、支持多播的异步 NoC
摘要 — 生物大脑越来越多地被视为更高效计算形式的指南。最新的前沿考虑使用基于脉冲神经网络的神经形态处理器进行近传感器数据处理，以适应边缘计算设备严格的功率和资源预算。然而，在神经形态系统的设计中，人们普遍关注受大脑启发的计算和存储原语，这目前正在将一个根本瓶颈推到最前沿：芯片级通信。虽然通信架构（通常是片上网络）通常受到通用计算的启发，甚至借鉴了通用计算，但神经形态通信表现出独特的特征：它们由事件驱动的路由组成，在狭小的区域和功率预算内将少量信息路由到大量目的地。本文旨在实现受大脑启发的通信的片上网络设计的转折点，围绕成本效益高且强大的异步设计、短消息传递的架构专业化和基于树的多播的轻量级硬件支持相结合。经功能性脉冲神经网络流量验证，与用于边缘计算应用的真实多核神经形态处理器的最先进的 NoC 相比，所提出的 NoC 可节省 42% 至 71% 的能源。
半球视网膜由等离子光电子复制器模拟，并具有全光调制的神经形态立体视觉
双眼立体视觉依赖于两个半球视网膜之间的成像差异，这对于在三维环境中获取图像信息至关重要。因此，与生物眼的结构和功能相似性的视网膜形态电子始终非常需要发展立体视觉感知系统。在这项工作中，开发了基于Ag-Tio 2纳米簇/藻酸钠纤维的半球光电磁带阵列，以实现双眼立体视觉。由等离子热效应引起的全光调制和Ag-Tio 2纳米群体中的光激发，以实现像素内图像传感和存储。广泛的视野（FOV）和空间角度检测是由于设备的排列和半球形几何形状的入射角依赖性特征而在实验上证明的。此外，通过构造两个视网膜形态的恢复阵列，已经实现了基于双眼差异的深度感知和运动检测。这项工作中证明的结果提供了一种有希望的策略，以开发全面控制的回忆录，并促进具有传感器内架构的双眼视觉系统的未来发展。
移动机器人的神经形态感知和导航
随着机器人技术和人工智能的快速和不可阻挡的演变，在现实世界中有效的统一导航已成为文献中最紧迫的挑战之一。但是，苛刻的要求，例如实时操作，能源和构成效率，鲁棒性和可靠性，使最新的解决方案不适合现实世界中的挑战。因此，研究人员被迫寻求创新的方法，例如生物启发的解决方案。的确，动物具有有效感知，理解和浏览其非结构化环境的内在能力。这样做，他们在认知过程中利用自我运动提示，本体感受和视觉流程来绘制其环境并将自己定位在其中。计算神经科学家的目的是回答“如何”和“为什么”这种认知过程发生在大脑中，以设计模仿生物学处理的新型神经形态传感器和方法。这项调查旨在全面审查脑启发策略在自主导航中的应用，考虑：神经形态感知和异步事件处理，能量和适应性学习，或模仿大脑领域的工作原理，在导航中起着至关重要的作用，例如hippococappampumant或hippocappampumant nectorhinal cort cort cort cort cort cort cort cort cort cort cort cort cort。