XiaoMi-AI文件搜索系统
World File Search SystemSTDP
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。
具有赫布和反赫布抑制 STDP 的神经网络中模块化的出现和维持 Rapha¨el Bergoin 1,2,3,4*、Alessandro Torcin
1 ETIS，UMR 8051，ENSEA，CY 塞尔吉巴黎大学，CNRS，6 Av. du Ponceau，95000 塞尔吉-蓬图瓦兹，法国。 2 庞培法布拉大学大脑与认知中心，Ram´on Trias Fargas 25-27，08005 巴塞罗那，西班牙。 3 庞贝法布拉大学信息与通信技术系，Roc Boronat 138，巴塞罗那 08018，西班牙。 4 德国汉堡-埃彭多夫大学医学中心（UKE）神经信息处理研究所、分子神经生物学中心（ZMNH），20251汉堡。 5 理论物理和建模实验室，UMR 8089，CY Cergy Paris 大学，CNRS，2 Av. Adolphe Chauvin，95032 Cergy-Pontoise，法国。 6 加泰罗尼亚高等研究院（ICREA），Passeig Lluis Companys 23，08010 巴塞罗那，西班牙。 7 IPAL，CNRS，1 Fusionopolis Way #21-01 Connexis（南塔），新加坡 138632，新加坡。
Hritom Das 助理教授
研究兴趣：• 研究基于不同材料（例如 HfO2、NbO2）的新兴设备。• 神经形态电路和系统设计和分析。• 针对动态环境的低功耗学习电路（例如 STDP、稳态可塑性）设计。• 电路和系统（例如突触、神经元、STDP）建模以预测其在复杂动态中的行为。• 框架开发和使用不同应用程序进行测试以评估我们设计的性能。• 用于边缘计算（智能相机）的智能微型处理器（例如 DPE）设计。• 边缘设备的差异隐私。• 混合存储器（例如传统 + 新兴、易失性 + 非易失性）设计以满足性能
人工智能和神经形态硬件 2021 年春季
课程描述：机器学习和深度学习的基础；深度神经网络（DNN）；卷积神经网络（CNN）；循环神经网络（RNN）；AI加速器细节；AI加速器中的节能训练和推理；受大脑启发的神经形态计算简介；脉冲时间相关可塑性（STDP）和学习规则；脉冲神经网络（SNN）在硬件中的模拟和实现。
模拟人工诱导皮质可塑性的积分激发神经网络模型
我们描述了一个整合并激发 (IF) 脉冲神经网络，该网络结合了脉冲时间依赖可塑性 (STDP)，并模拟了产生皮质可塑性的四种不同条件反射协议的实验结果。最初的条件反射实验是在自由移动的非人类灵长类动物 (NHP) 身上进行的，它们具有自主的头部固定双向脑机接口 (BCI)。三种协议涉及由 (1) 单个皮质神经元的脉冲活动、(2) 前臂肌肉的肌电图 (EMG) 活动和 (3) 自发皮质 β 活动周期触发的闭环刺激。第四种协议涉及在相邻皮质部位开环传递刺激对。复制实验结果的 IF 网络由 360 个单元组成，这些单元具有由突触输入产生的模拟膜电位，并在达到阈值时触发脉冲。240 个皮质单元在其目标单元中产生兴奋性或抑制性突触后电位 (PSP)。除了实验观察到的条件作用外，该模型还允许计算最初未记录的底层网络行为。此外，该模型还预测了尚未研究的协议的结果，包括尖峰触发抑制、g 触发刺激和双突触条件作用。模拟的成功表明，结合 STDP 的简单电压 IF 模型可以捕捉通过闭环刺激介导目标可塑性的基本机制。
基于非易失性阶段的人工双相突触...
基于硫代构化相位变化材料（PCM）的光子记忆细胞的实现引起了人们的关注，因为它们的快速，可逆和非易失性编程功能。[1]在硅光子平台上整合PCM存储器单元，例如GE 2 SB 2 TE 5（GST）和Aginsbte（AIST），[2] [2]可以使全观内存处理，并在其电子交通方面具有显着的优势，并在带状，速度，速度，速度，速度，速度，速度，速度，速度和并行处理中。[3,4]在开发光学逻辑门，[5,6]可恢复可填充的Photonic电路，[7-9]电气控制的光子记忆细胞，[10,11]等离激源性波导开关，[12,13] Neuro-neuro启发的光子Synapes，[14]和Neural Net-Net-net-net-net-net-net-net-net-net-net-net-net-Net-net-net-net-Net-net-net-Net-net-net-net-Ner ner Net-net-net-nerter Worts中。[15,16]先前的研究系统地研究了光子记忆细胞对二硝基二硝酸盐仪（SI 3 N 4）和硅启用器（SOI）平台的性能，[17,18]，在这些平台上，从基线（完全结晶的状态）观察到了单调增加的透射率，该传播是作为拟合程序的拟合功率。这个完善的单调光学编程使可变的可变性能够归因于Hebbian学习的基本生物神经突触的峰值依赖性可塑性（STDP）。[14]值得注意的是，最近在各种光电平台上开发了人工突触，例如[19]，基于Chalcogenide玻璃波波[20]和H-BN/WSE 2异质结构。[21]在STDP中，神经元之间的连接强度，即突触重量或突触效率，根据神经元的输出和输入尖峰的相对时机进行调整。[22]突触可塑性的基本公式，即突触重量的变化可以表示为δw¼f（δt），其中δt p p p pre，t pre，t post和t pre分别是后和神经前的时间。δT<0带有δW<0和δT> 0引入长期抑郁（LTD），并带有δW> 0的长期增强（LTP）。
神经振荡和记忆
全身麻醉是一种广泛使用的医学实践，每年影响超过3亿患者。尽管无处不在，但麻醉剂诱导健忘症的潜在机制仍然很少理解。本评论探讨了全身麻醉对记忆功能的影响，特别关注神经振荡在麻醉引起的记忆抑制中的作用。神经振荡，例如theta，伽马，三角洲振荡，缓慢的振荡（SO），纺锤体和锋利的波浪波纹（SWR），对于记忆形成和巩固至关重要。各种麻醉剂以影响记忆的方式调节这些振荡，即使在亚警觉浓度下也是如此。我们重点介绍了有关分子和电生理机制的最新发现，通过这些发现，一般麻醉药会影响与记忆相关的神经振荡，包括抑制突触可塑性，变化依赖于峰值的可塑性（STDP）以及跨越跨传频结合的峰值可塑性（STDP）的改变。此外，该评论还解决了年龄在与麻醉相关的记忆丧失中的重要性，老年患者特别容易受到长期认知能力下降的影响。电生理技术，例如脑电图（EEG）；以及晚期的神经调节技术，例如化学遗传学和光遗传学，已经为基础上麻醉引起的失忆症的神经动力学提供了见解，但脑电图节奏与记忆障碍之间的因果关系尚未完全阐明。本综述强调了对麻醉，神经振荡和记忆之间相互作用的进一步研究的重要性。理解这些机制不仅将提高全身麻醉的理论知识，而且还有助于发展更安全的麻醉策略，以减轻术后认知功能障碍，尤其是在高风险人群中。
RISC-V 工具链和基于敏捷开发的开放...
本文提出了一种低功耗神经形态处理器——文曲星 22A，它将通用 CPU 功能与 SNN 相结合，利用 RISC-V SNN 扩展指令对其进行高效计算。文曲星 22A 的主要思想是将 SNN 计算单元集成到通用 CPU 的流水线中，利用定制的 RISC-V SNN 指令 1.0（RV-SNN 1.0）、精简泄漏积分和发射 (LIF) 模型和二元随机脉冲时序相关塑性 (STDP) 实现低功耗计算。文曲星 22A 的源代码已在 Gitee 1 和 GitHub 1 上在线发布。我们将文曲星 22A 应用于 MNIST 数据集的识别，以与其他 SNN 系统进行比较。实验结果表明，文曲星22A相比加速器解决方案ODIN能耗降低了5.13倍，3位ODIN在线学习的分类准确率约为85.00%，1位文曲星22A的分类准确率约为91.91%。