XiaoMi-AI文件搜索系统
World File Search SystemSTDP
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。
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。