XiaoMi-AI文件搜索系统
World File Search SystemNeuromorphic
神经形态编程：大脑的新兴方向...
摘要 - 受到脑启发的神经形态综合的价值在很大程度上取决于我们为它们编程相关任务的能力。目前，神经形态硬件通常依赖于从深度学习中适应的机器学习方法。但是，如果我们只能利用其能源效率和充分的计算能力，神经形态计算机的潜力远远超出了深度学习。神经形态编程实际上将与传统的编程不同，这需要我们对编程的看法进行范式转移。本文在神经形态计算的背景下介绍了编程的概念分析，挑战常规范式，并提出了一个框架，该框架与这些系统的物理复杂性更加紧密地保持一致。我们的分析围绕着五个特征，这些特征是Neumorphic编程的基础，并为当代编程方法和语言进行了比较提供了基础。通过研究过去的方法，我们贡献了一个框架，该框架提倡未充分利用的技术，并要求更丰富的抽象有效地启动新的硬件类。索引术语 - 数字计算，脑启发的comporting，硬件软件共同设计，编程技术
需要神经形态双胞胎检测拒绝...
•它可以存储任意的实数，可以在R上计算所有字段操作，即“ +”和“·”，并且可以根据关系“ <”，“>”和“ =”•BSS机器类似于Turing机器，它与所谓的磁带上的磁带相似。这是一个有限的定向图，具有与不同操作相关的五种类型的节点：输入节点，计算节点，分支节点，移位节点和输出节点
用于可持续 AI 数据中心的神经形态硬件
摘要 — 随着人类向更高水平的人工智能迈进，总是以不断增加的计算资源消耗为代价，这需要开发新颖的解决方案来满足人工智能计算需求的指数级增长。神经形态硬件从大脑处理信息的方式中汲取灵感，并有望实现人工智能工作负载的节能计算。尽管神经形态硬件具有巨大潜力，但它尚未进入商业人工智能数据中心。在本文中，我们尝试分析其根本原因，并得出促进神经形态系统实现高效和可持续云计算的要求和指南：我们首先回顾当前可用的神经形态硬件系统，并收集神经形态解决方案优于 CPU 和 GPU 上的传统人工智能处理的示例。接下来，我们确定通常部署在人工智能数据中心的应用程序、模型和算法，作为神经形态算法研究的进一步方向。最后，我们得出神经形态系统与数据中心的硬件和软件集成的要求和最佳实践。通过这篇文章，我们希望提高人们对将神经形态硬件集成到数据中心所面临的挑战的认识，并指导社区实现大规模可持续、节能的人工智能。索引术语——神经形态硬件、云计算、人工智能、数据中心、可持续计算
神经形态计算辅助的互动电容耦合触觉传感器阵列用于无线混合现实互动
摘要：灵活的触觉传感器由于其生物适应性和快速信号感知而显示出对人工智能应用的希望。Triboeelectric传感器可实现主动动态触觉传感，同时整合静态压力传感和实时多通道信号传输是进一步开发的关键。在这里，我们提出了一个集成结构，该结构结合了一个用于静态时空映射的电容传感器和一个用于动态触觉识别的摩擦电传感器。4×4像素的液态金属柔性双模式互动耦合触觉传感器（TCTS）阵列可实现7毫米的空间分辨率，表现为0.8 PA的压力检测极限，快速响应6 ms。此外，使用基于MXENE的突触晶体管使用的神经形态计算在90个时期内通过TCTS阵列收集的动态互动信号在90个时期内实现了100％的识别精度，并实现了来自TCTS阵列的动态互动信号，以及从多键盘触觉数据中的交叉空间信息通信中实现了多型触觉数据的交流。结果阐明了在人界面和高级机器人技术中双模式触觉技术的相当大的应用可能性。关键字：互联网耦合，触觉传感器阵列，神经形态计算，人类 - 机器接口，混合现实
光电神经形态设备
作为集成电路接近其物理限制，神经形态计算已成为一种有希望的计算范式，但基于传统的von Neumann架构的计算，在人工智能，神经网络，脑部机器接口和其他领域中具有重要的应用前景。与电信号相比，光信号具有潜在的优势，例如高速，高带宽，对串扰的免疫力以及对环境变化的敏感性。利用神经生物学的研究成就，例如光遗传学，将光引入突触/神经元设备中，可以使光电子信号传感和转换能够显着改善神经形态设备的性能以及通过其集成形成的神经网络的性能。光电神经形态设备的开发将为集成感测，记忆和计算提供强有力的支持，这对于构建有效的新计算系统具有重要意义。近年来，光电神经形态设备的开发迅速发展，科学家和工程师在全球范围内在材料，结构，功能和集成方面的一系列研究进步。为了总结该领域的重要研究成就并展示了前瞻性工作，《半导体杂志》已专门计划了有关“光电神经塑态设备”的特刊。欢迎评论文章和研究论文的贡献。本期特刊的重点是但不限于以下主题：
使用3D复活性神经形态系统监测帕金森氏病的时间域特征
帕金森氏病（PD）是一种流行的神经退行性疾病，影响了全球数百万患者（Ghasemi等，2018； Zhou等，2018）。尽管可以使用各种药物来减轻症状，但由于耐药性，它们的有效性随着时间的流逝而趋于降低。因此，PD患者的后期阶段需要更高的药物剂量，这可能会显着影响认知能力和心理健康（Dostrovsky和Lozano，2002； Arlotti等，2016）。为了应对这一挑战，深度脑刺激（DBS）已成为晚期PD患者的一种新型疗法。在DBS系统中，将电极植入大脑中的特定靶标，以通过植入PD患者胸部的电池供电的可编程刺激器传递电刺激信号。当前的DBS系统连续将刺激信号带到大脑，而不论患者的临床状态如何，被称为开环DBS（OL-DBS）系统（Ghasemi等，2018; Zhou等，2018; Lozano等，2019）。当前OL-DBS技术的僵化方式提出了两个关键问题：（1）高频刺激会引起严重的认知和精神病副作用，例如言语缺陷和认知功能障碍（Dostrovsky和Lozano，2002; Deuschl等，2006; Massano; Massano and Garrotti; Allotti; Allotti; Allotti; Allotti; （2）连续刺激迅速排出了能源无能的硬件平台的电池（Salam等，2015; Shukla，2015; Ghasemi等，2018; Jovanov等，2018; Shah等，2018; Zhou等，2018）。因此，已经提出了一个闭环DB（Cl-DBS）系统（He等，2021），以通过合并反馈循环来解决OL-DBS系统的局限性。此反馈循环允许根据不同严重的PD症状检测PD症状和优化刺激冲动。CL-DBS系统被广泛识别为DBS系统的未来开发方向（Allen等，2010; Rosin等，2011; Carron等，2013; Shukla，2015; Shukla，2015; Arlotti等，2016; Little等，2016; Little等，2016; Rossi等，2016; Ghasemi等，2016; Ghasemi等，2018 al。 Lozano等人，2019年； Velisar等人，2019年）。在CL-DBS系统中，根据PD患者的临床症状自动调整刺激参数。研究表明，与固定范式相比，具有实时适应性刺激的闭环范式产生的不愉快的副作用和更大的临床益处（He等，2021; Su等，2021）。CL-DBS系统（Marceglia等，2007; Little等，2013; Priori等，2013; Wu等，2015; He et al。，2021）。
推进神经形态计算：利用大脑代码单元和基本代码单元的混合信号设计技术
摘要 —本文介绍了一种突破性的数字神经形态架构，该架构使用混合信号设计方法创新地集成了脑代码单元 (BCU) 和基本代码单元 (FCU)。利用开源数据集和材料科学的最新进展，我们的研究重点是提高神经形态系统的计算效率、准确性和适应性。我们方法的核心在于协调数字系统的精度和可扩展性与模拟处理的稳健性和能效。通过实验，我们证明了我们的系统在各种指标上的有效性。BCU 的准确度达到 88.0%，功率效率达到 20.0 GOP/s/W，而 FCU 的准确度达到 86.5%，功率效率达到 18.5 GOP/s/W。我们的混合信号设计方法显著改善了延迟和吞吐量，实现了低至 0.75 毫秒的延迟和高达 213 TOP/s 的吞吐量。这些结果牢固地确立了我们的架构在神经形态计算中的潜力，为该领域的未来发展奠定了坚实的基础。我们的研究强调了混合信号神经形态系统的可行性及其在该领域发展中的前景，特别是在需要高效率和适应性的应用中。索引术语 — 神经形态计算、混合信号设计、大脑代码单元、基本代码单元。
可调节的神经形态切换动力学通过孔隙二氧化硅扩散的回忆录中的孔隙率控制
摘要：为了响应日益增长的时间信息处理的需求，神经形态计算系统正在越来越强调备忘录的开关动力学。虽然可以通过输入信号的属性来调节开关动力学，但通过备忘录的电解质特性控制它的能力对于进一步丰富了开关状态并提高数据处理能力至关重要。这项研究介绍了使用溶胶 - 凝胶过程的介孔二氧化硅（MSIO 2）膜的合成，从而可以创建具有可控孔隙率的膜。这些薄膜可以用作扩散的回忆录中的电解质层，并导致可调的神经形态切换动力学。MSIO 2回忆录表现出短期可塑性，这对于时间信号处理至关重要。随着孔隙率的增加，观察到工作电流，促进比和放松时间的明显变化。研究了这种系统控制的基本机制，并归因于二氧化硅层多孔结构内的氢键网络的调节，这在切换事件中显着影响阳极氧化和离子迁移过程。这项工作的结果提出了介孔二氧化硅，作为一个独特的平台，用于精确控制扩散的备忘录中神经形态开关动力学。关键字：介孔二氧化硅，扩散的回忆录，神经形态切换，短期记忆，离子动力学
Spinnaker上的语言建模2神经形态芯片
随着大型语言模型的规模继续迅速扩展，运行它们所需的计算能力也是如此。基于事件的神经形态设备的网络提供了一种潜在的方法来大大减少推理的能源消耗。迄今为止，大多数基于事件的网络都可以在包括尖峰神经网络（SNNS）在内的神经形态硬件上运行，即使与LSTM模型相当，也无法实现任务性能。结果，对神经形态设备的语言建模似乎是一个遥远的前景。在这项工作中，我们基于最近发表的基于事件的架构The Egru，演示了在神经形态设备（特别是Spinnaker2芯片）上的第一个语言模型实现。spinnaker2是一种多核神经形态芯片，设计用于大规模异步处理，EGRU构建以有效地利用此类硬件，同时保持竞争性任务绩效。此实现标志着神经形态语言模型首次与LSTM匹配，为将任务性能带到大语言模型的级别设定了阶段。我们还根据DVS摄像机的输入来展示对手势识别任务的结果。总的来说，我们的结果展示了这种神经启发的神经网络在硬件中的可行性，强调了单批推断的常见用例的能源效率的显着增长与常规硬件的可行性。
SpiNNaker2：用于基于事件和异步机器学习的大规模神经形态系统
人工神经网络 (ANN) 和 GPU 和 TPU 等特定领域硬件加速器的联合发展占领了机器学习研究的许多领域。这一发展伴随着对更大模型和更多数据所需计算需求的快速增长。同时，基础模型的新兴特性（如情境学习）为机器学习应用带来了新的机遇。然而，此类应用的计算成本是数据中心技术的一个限制因素，更重要的是移动设备和边缘系统。为了调节当代系统的能源足迹和不平凡的延迟，神经形态计算系统利用低功耗模拟和数字技术深度整合了神经生物系统的计算原理。SpiNNaker2 是一种为可扩展机器学习而开发的数字神经形态芯片。SpiNNaker2 基于事件和异步的设计允许组成涉及数千个芯片的大型系统。这项工作介绍了 SpiNNaker2 系统的工作原理，概述了新型机器学习应用的原型。这些应用范围从基于生物启发脉冲神经网络的 ANN 到基于事件的广义神经网络。随着 SpiNNaker2 的成功开发和部署，我们的目标是促进基于事件和异步算法的进步，以用于未来几代机器学习系统。