XiaoMi-AI文件搜索系统
World File Search Systememr
忆阻突触连接大脑和硅尖峰神经元
大脑功能依赖于脉冲神经元回路，其中突触在融合传输与记忆存储和处理方面发挥着关键作用。电子技术在模拟神经元和突触方面取得了重要进展，而将大脑和受大脑启发的设备连接起来的脑机接口概念也开始实现。我们报告了大脑和硅脉冲神经元之间的忆阻连接，这些连接模拟了真实突触的传输和可塑性。与金属薄膜氧化钛微电极配对的忆阻器将硅神经元连接到大鼠海马的神经元。忆阻可塑性解释了连接强度的调节，而传输则由通过薄膜氧化物的加权刺激介导，从而产生类似于兴奋性突触后电位的反应。反向大脑到硅的连接是通过微电极-忆阻器对建立的。在此基础上，我们展示了一个三神经元脑硅网络，其中忆阻突触经历由神经元放电率驱动的长期增强或抑制。
CMOS-MEMRISTOR混合动力突触的设计及其在耐噪声的尖峰神经网络
鉴于数据量的越来越多，有一个显着的研究重点是硬件，可提供低功耗的高计算性能。值得注意的是，神经形态计算，尤其是在利用基于CMO的硬件时，已经表现出了有希望的研究成果。此外，越来越强调新兴突触设备（例如非挥发性记忆（NVM）），目的是实现增强的能量和面积效率。在这种情况下，我们设计了一个硬件系统，该硬件系统采用了1T1R突触的一种新兴突触。Memristor的操作特性取决于其与晶体管的配置，特别是它是位于晶体管的源（MOS）还是排水口（MOS）。尽管其重要性，但基于Memristor的操作电压的1T1R配置的确定仍然不足以在现有研究中探索。为了实现无缝阵列的扩展，至关重要的是要确保单位单元格适当设计以从初始阶段可靠地操作。因此，对这种关系进行了详细研究，并提出了相应的设计规则。香料模型。使用此模型，确定最佳晶体管选择并随后通过仿真验证。为了证明神经形态计算的学习能力，实现了SNN推理加速器。此实现利用了一个基于在此过程中开发的验证的1T1R模型构建的1T1R数组。使用降低的MNIST数据集评估了精度。结果证明了受大脑功能启发的神经网络操作成功地在高精度而没有错误的硬件中实现。此外，在DNN研究中通常使用的传统ADC和DAC被DPI和LIF神经元取代，从而实现了更紧凑的设计。通过利用DPI电路的低通滤波器效应来进一步稳定该设计，从而有效地降低了噪声。
在材料实施策略中，物理储层计算的纳米纳米网络
抽象物理储层计算（RC）代表一个计算框架，可利用可编程物质的信息处理能力，从而实现具有快速学习和低训练成本的能源有效神经形态硬件。尽管自组织的回忆网络已被证明是物理储层，能够从时空输入信号中提取相关特征，但多发纳米网络为计算实施的新型策略开辟了可能性。在这项工作中，我们报告了Materia RC的实施策略，并具有自组装的回忆网络。除了显示自组织纳米线网络的时空信息处理能力外，我们还通过模拟显示，新兴的集体动力学允许RC非常规实现，其中相同的电极可以用作储层输入和输出。通过在数字识别任务上比较不同的实施策略，模拟表明，非常规实现允许降低硬件复杂性，而无需限制计算能力，从而为在Materia计算中充分利用的新见解提供了对神经形态系统合理定义的全面优势。
在材料实施策略中，物理储层计算的纳米纳米网络
抽象物理储层计算（RC）代表一个计算框架，可利用可编程物质的信息处理能力，从而实现具有快速学习和低训练成本的能源有效神经形态硬件。尽管自组织的回忆网络已被证明是物理储层，能够从时空输入信号中提取相关特征，但多发纳米网络为计算实施的新型策略开辟了可能性。在这项工作中，我们报告了Materia RC的实施策略，并具有自组装的回忆网络。除了显示自组织纳米线网络的时空信息处理能力外，我们还通过模拟显示，新兴的集体动力学允许RC非常规实现，其中相同的电极可以用作储层输入和输出。通过在数字识别任务上比较不同的实施策略，模拟表明，非常规实现允许降低硬件复杂性，而无需限制计算能力，从而为在Materia计算中充分利用的新见解提供了对神经形态系统合理定义的全面优势。
基于La2nio4+δ的模拟熟悉设备为...
神经形态计算最近已成为传统的von Neumann计算机范式的潜在替代方法，该范式由于其建筑瓶颈而固有地受到限制。因此，需要新的人工组件和用于脑启发的计算硬件实现的架构。双极模拟熟悉设备，其电阻（或电导）可以连续调节（作为突触重量），是人工突触应用的潜在候选者。在这项工作中，混合离子电子导电氧化物（La 2 NiO 4+δ，L2NO4）与TIN和PT电极结合使用。TIN/L2NO4/PT设备显示双极电阻开关，以及用于集合和复位过程的逐渐过渡。电阻（电导）可以通过脉冲幅度和持续时间逐渐调节，显示出良好的数据保留特征。通过实验测量电阻变化和总应用脉冲持续时间之间的线性关系。此外，突触抑郁和增强特征是生物共生的重要功能之一，是为这些设备人为复制的，然后在尖峰神经网络环境中进行了建模并成功测试。这些结果表明使用TIN/L2NO4/PT回忆设备作为神经形态计算中的长期人造突触的适用性。
基于内存的逻辑解决方案中串联布尔操作的局限性
抽象！新兴的非易失性记忆被广泛研究为最大化能源效率，并且因为它们可以实现所谓的内存计算。逻辑内存（LIM）范式是计算中内存的子集，它重点介绍了内存内布尔操作的执行。在最受欢迎的解决方案中，魔术和Felix承诺非输入破坏性操作，作为经典计算范式，因此可以重新使用多个操作的输入数据集。在本文中，我们在各种操作条件下分析了某些重要的LIM实现（Magic Nor and and Felix NAND）的电气行为。我们的结果表明，保证非输入破坏性操作（对于Felix NAND）并非微不足道，并且由于非理想的中间结果而导致的多项操作存在真正的困难。
基于Memristor的低温可编程DC来源，用于可扩展的原位量子点控制
手稿于2022年12月16日收到；修订了2023年2月3日； 2023年2月7日接受。出版日期2023年2月20日；当前版本的日期2023年3月24日。这项工作得到了加拿大自然科学和工程研究委员会（NSERC）的部分支持；在加拿大第一研究卓越基金的一部分；在加拿大第一研究卓越基金的一部分是由Laboratoire纳米技术纳米纳斯特梅斯（LN2），该基金是法国 - 加拿大 - 加拿大联合国际研究实验室（IRL-3463），由中心由国家de la Recherche Scorentifique（CNRS），Universitedesitédesherbrooke，Unigabrooke，Comecomeitififique（CNR）中心资助和合作。 ÉcoleCentrale Lyon（ECL）和国家科学研究所（Institut National des Sciences）贴花（INSA）LYON；并部分由魁北克人的自然与技术（FRQNT）。本文的评论由编辑F. Bonani安排。（通讯作者：Pierre-Antoine Mouny。）Pierre-Antoine Mouny, Yann Beilliard, and Dominique Drouin are with the Institut Interdisciplinaire d'Innovation Technologique (3IT) and the Institut Quantique (IQ), Université de Sherbrooke, Sherbrooke, QC J1K 0A5, Canada, and also with the Laboratoire Nanotechnologies Nanosystèmes (LN2), CNRS UMI-3463，3IT，Sherbrooke，QC J1K 0A5，加拿大（电子邮件：Pierre-antoine.mouny.mouny@usherbrooke.ca）。SébastienGraveine，Abdelouadoud El Mesoudy，RaphaëlDawant，Pierre Gliech和Serge Ecoffey与Interdistut Interdisci-Plinaire d'innovation D'innovation D'Innovation Technologique（3IT），Sherbrooke，Sherbrooke，Sherbrooke，Sherbrooke，Sherbrooke，QC J1K 0A 5，CANCALAINE，CANCALAITIE，以及CANCALATO，CANCARAITAN，以及CANCACATAINIIS Nanosystèmes（LN2），CNRS UMI-3463，3IT，Sherbrooke，QC J1K 0A5，加拿大。Marc-Antoine Roux与加拿大QC J1K 2R1的Sherbrooke大学量子研究所（IQ）一起。Fabien Alibart与加拿大Sherbrooke，Sherbrooke，Sherbrooke，Sherbrooke University Institute（3IT）的互助创新创新研究所，加拿大QC J1K 0A5，也与纳米技术实验室纳米系统（LN2）一起加拿大，还与法国59650 Villeneuve-d'ascq的电子，微电子学和纳米技术学院（IENN）一起。Michel Pior-Ladrière与纳米技术实验室纳米系统（LN2），CNRS UMI-3463，3IT，Sherbrooke，QC J1K 0A5，加拿大，以及与Sher-Brooke，Sherbrooke，Sherbrooke，Sherbrooke，QC j1 cancase cancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancancance of sherbrooke，QC J1K 0A5本文中一个或多个数字的颜色版本可在https://doi.org/10.1109/ted.2023.3244133上找到。<数字OBJET标识符10.1109/TED.2023.3244133
用于内存计算的完全 CMOS 兼容被动式 TiO2 忆阻器交叉开关
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
通过图论构建忆阻纳米线网络连接组
神经网络的硬件实现是利用神经形态数据处理优势和利用与此类结构相关的固有并行性的里程碑。在这种情况下，具有模拟功能的忆阻设备被称为人工神经网络硬件实现的有前途的构建块。作为传统交叉架构的替代方案，在传统交叉架构中，忆阻设备以自上而下的方式以网格状方式组织，神经形态数据处理和计算能力已在根据生物神经网络中发现的自组织相似性原理实现的网络中得到探索。在这里，我们在图论的理论框架内探索自组织忆阻纳米线 (NW) 网络的结构和功能连接。虽然图度量揭示了图论方法与几何考虑之间的联系，但结果表明，网络结构与其传输信息能力之间的相互作用与与渗透理论一致的相变过程有关。此外，还引入了忆阻距离的概念来研究激活模式和以忆阻图表示的网络信息流的动态演变。与实验结果一致，新出现的短期动力学揭示了具有增强传输特性的自选择通路的形成，这些通路连接受刺激区域并调节信息流的流通。网络处理时空输入信号的能力可用于在忆阻图中实现非常规计算范式，这些范式充分利用了生物系统中结构和功能之间的固有关系。© 2022 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。