XiaoMi-AI文件搜索系统
World File Search SystemSwitching
具有单极性驱动的可逆促进至抑制转换的电化学驻极体耦合有机突触
突触可塑性对于模仿感觉知觉、学习、记忆和遗忘具有基本意义。[1 − 3] 它通过控制突触前事件的发生来加强或削弱神经元间的连接，以突触后电流 (PSC) 为输出，从而实现对过程的定量监测。[4,5] 例如，通过重复的突触前刺激可以实现促进，从而增强超快突触传递和记忆巩固。[6] 相反，相反的过程是抑制，它代表一种抑制操作，避免过度兴奋并维持神经网络的稳定性。 [7] 由于突触可塑性在人工智能中起着促进人机交互的关键作用，人们投入了大量精力利用有机共轭材料模拟生物突触，旨在编码和放大信息。 [8 − 16] 特别是电解质门控有机材料在通道中结合了电荷传输和电化学掺杂， [17 − 19] 因此它们代表了赋予突触装置独特电性能的多功能平台。 [20 − 23] 将它们集成到光电装置中的努力导致了有机电化学晶体管 (OECT) 的发展。 [19] 作为电子突触，OECT 中离子掺杂和去掺杂的动力学已经被开发来模拟促进和抑制行为。 [10,20] 作为一种模型系统，电解质门控的 PEDOT:PSS 因可移动离子和聚合物骨架之间的可逆电化学相互作用而受到研究。[9,11] 在静电门控下，移动阴离子被驱动掺杂通道，增加通道电导率，从而产生促进作用。通过反转静电门控的极性，渗透到通道中的阴离子被提取出来，从而有可能按照抑制过程恢复到原始状态。通过掌握这种极性诱导的开关，已经实现了各种具有复杂功能的有机突触。[15] 在使用水性电解质[9,10,16]离子凝胶[14,17,23]和聚电解质门控[12]时，它们同时以电子双层 (EDL) 的形成为特征
内存中主组件分析通过电阻开关存储器的跨点阵列
摘要 - 内存计算（IMC）是机器学习（ML）数据密集型计算加速器的最有希望的候选者之一。用于尺寸降低和分类的关键ML算法是主要成分分析（PCA），它在很大程度上依赖于经典的von Neumann架构未优化的矩阵矢量乘法（MVM）。在这里，我们提供了基于IMC的新PCA算法的实验演示，该算法基于功率迭代和在4 kbit的电阻切换随机访问存储器（RRAM）中执行的放气。威斯康星州乳腺癌数据集的分类准确性达到95.43％，接近浮点的实施。我们的模拟表明，与商业图形处理单元（GPU）相比，能源效率有250倍，因此在现代数据密集型计算中支持IMC的能源有效ML。
全范德华异质结构中的自旋轨道扭矩切换
已成功用于有效操控磁化，从而产生了最近的基于 STT 的商业化磁存储器解决方案。 [1] 自旋轨道扭矩 (SOT) 利用高自旋霍尔效应 (SHE) 材料中的平面电荷电流产生的平面外自旋电流，可以实现更节能的磁化操控，并且正在达到商业成熟度。 [2–4] 到目前为止，已经研究了各种高自旋轨道耦合 (SOC) 材料，包括重金属、拓扑绝缘体 (TI) [5–7] 以及最近的拓扑半金属 (TSM) [8–11]，以最大化它们的自旋霍尔角 θ SH = | J s | / | J c |，这是它们将电荷电流密度 J c 转换为自旋电流密度 J s 的效率的量度。此外，已经研究了高 SHE 和 FM 材料层之间的界面工程，以最大化跨界面的自旋透明度 T int。 [12–19] 高效 SOT 自旋电子器件的关键挑战是最大化 SOT 效率，ξ= θ SH · T int。[20]
开关电源课程的实验室组件需要渗透资源
摘要 - 切换电源设计的研究生电气工程技术课程是创建了实验室组件的实践重点。本课程的重要目标是避免使用专门的实验室设备，并选择最大程度地限制与高压和电流相关的通常安全问题的实验。此外，课程和实验室组件强调了理论，模拟，制造和测试的紧密耦合。几个实验从一个学期到下一个实验都是不变的，并且每次都选择一个小项目，要求学生应用课程中突出显示的关键原则。实验利用基于线性技术的控制器和组件的低功率转换器电路。这使学生能够使用该公司的免费且基于香料的模拟器，其中包括其设备的模型，从而使学生能够实现与实验结果紧密匹配的模拟。它还避免了学生设计通常包括专有功能和电路的控制器模型。
退火合成亚铁磁多层膜中增强的全光切换和畴壁速度
25 请参阅补充信息以了解 (I) 对退火后的 Pt/Co/Gd 堆栈进行的 SQUID M(T) 测量分析；(II III) 对在不同 Ta 下退火的样品进行多达 10 个后续激光脉冲的测量；(III) 对具有不同 Ta 的 Pt/Co/Gd 堆栈进行的脉冲能量相关的 AOS 测量；(IV) 按正常比例绘制的 DW 速度与 Hz 的关系；以及 (V) 在退火后的 Pt/Co/Gd 堆栈上进行的 HDMI 测量。
通过位错网络的局部控制实现对称破缺界面处的铁电切换
具有低能量极化切换的半导体铁电材料为铁电场效应晶体管等下一代电子产品提供了平台。最近在过渡金属二硫属化物薄膜双层中发现的界面铁电性为将半导体铁电体的潜力与二维材料器件的设计灵活性相结合提供了机会。这里，在室温下用扫描隧道显微镜展示了对略微扭曲的 WS 2 双层中铁电畴的局部控制，并使用畴壁网络 (DWN) 的弦状模型了解它们观察到的可逆演化。确定了 DWN 演化的两种特征机制：(i) 由于单层在畴边界处相互滑动，部分螺旋位错的弹性弯曲将具有双堆叠的较小畴分开；(ii) 主畴壁合并为完美的螺旋位错，这些位错成为反转电场后恢复初始畴结构的种子。这些结果使得利用局部电场对原子级薄半导体铁电畴进行完全控制成为可能，这是实现其技术应用的关键一步。
TKI 类型转换可克服 ROS1 融合阳性癌症中的 ROS1 L2086F
设计：我们比较了 I 型 TKI（克唑替尼、恩曲替尼、他雷替尼、劳拉替尼和雷帕替尼）与 II 型 TKI（卡博替尼和美瑞替尼）以及 I 型 FLT3 抑制剂吉利替尼在 CD74-ROS1 野生型和 F2004C、L2026M、G2032R 或 L2086 突变型 Ba/F3 细胞中的活性。使用 NIH3T3 菌落形成试验和体内肿瘤生长证实了 Ba/F3 细胞模型的发现。使用 CRISPR/Cas9 基因编辑生成同源野生型和表达患者来源的 L2086F 突变型 TPM3-ROS1 细胞系。这些细胞系用于进一步使用细胞活力和免疫印迹方法评估 TKI 活性。分子建模研究使我们能够表征野生型和突变型 ROS1 激酶域中 TKI 敏感性的结构决定因素。我们还报告了使用卡博替尼治疗的 ROS1 TKI 耐药临床病例。
边缘粗糙度对磁隧道结电阻和开关电压的影响
摘要 — 我们使用非平衡格林函数形式研究了边缘粗糙度对磁隧道结电传输特性的影响。我们将边缘粗糙度建模为磁隧道结横截面轮廓的随机变化，其特征是相关函数的拉伸指数衰减。形状和尺寸的随机变化改变了横向能量模式轮廓，并导致磁隧道结的电阻和开关电压发生变化。我们发现，由于量子限制效应，随着磁隧道结尺寸缩小，变化会变得更大。提出了一种模型，通过将横截面几何形状近似为具有相同横截面积的圆来有效计算边缘粗糙度效应。可以通过将横截面积近似为椭圆来获得进一步的改进，其纵横比由对应于 2D 横截面的第一个横向特征值确定。这些结果将有助于可靠地设计具有超小磁隧道结的自旋转移力矩磁性随机存取存储器（STT-MRAM）。
利用超顺磁体中的概率切换实现神经形态系统中的时间信息编码
摘要 — 脑启发计算利用神经科学原理来支撑大脑在解决认知任务方面无与伦比的效率 — 正在成为一种有前途的途径，以解决当今深度学习面临的若干算法和计算挑战。尽管如此，当前的神经形态计算研究是由我们在执行确定性操作的计算平台上运行深度学习算法的完善概念驱动的。在本文中，我们认为在概率神经形态系统中采用不同的方式执行时间信息编码可能有助于解决该领域的一些当前挑战。本文将超顺磁隧道结视为一种潜在的途径，以实现新一代脑启发计算，它结合了计算神经科学的两个互补见解的各个方面和相关优势 — — 信息如何编码以及计算如何在大脑中发生。硬件算法协同设计分析证明 97。由于时间信息编码，状态压缩的 3 层自旋电子学使随机脉冲网络在 MNIST 数据集上具有高脉冲稀疏度，准确率为 41%。
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。