XiaoMi-AI文件搜索系统
World File Search Systemmemristive
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/）。
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。
忆阻材料、器件和系统的最新进展和未来前景
摘要：忆阻技术已迅速崛起，成为传统 CMOS 技术的潜在替代品，而传统 CMOS 技术在发展过程中面临着根本性的限制。自 2008 年氧化物基电阻开关被证明可用作忆阻器以来，忆阻器件因其仿生记忆特性而备受关注，有望显著改善计算应用的功耗。本文，我们全面概述了忆阻技术的最新进展，包括忆阻器件、理论、算法、架构和系统。此外，我们还讨论了忆阻技术各种应用的研究方向，包括人工智能硬件加速器、传感器内计算和概率计算。最后，我们对忆阻技术的未来进行了前瞻性展望，概述了该领域进一步研究和创新的挑战和机遇。通过提供忆阻技术最新进展的最新概述，本综述旨在为该领域的进一步研究提供信息和启发。关键词：忆阻器、内存计算、电阻开关存储器、铁电存储器、相变存储器、离子插层电阻、记忆晶体管、神经形态计算、传感器内计算
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。
具有忆阻器横杆的网络化视网膜传感器可实现大脑启发的视觉感知
与人类视觉相比，由图像传感器和处理器组成的传统机器视觉由于图像感测和处理在物理上分离，存在高延迟和大功耗的问题。具有大脑启发视觉感知的神经形态视觉系统为该问题提供了一个有希望的解决方案。在这里，我们提出并演示了一种原型神经形态视觉系统，该系统通过将视网膜传感器与忆阻交叉开关联网。我们使用具有栅极可调光响应的 WSe 2 /h-BN/Al 2 O 3 范德华异质结构来制造视网膜传感器，以紧密模拟人类视网膜同时感测和处理图像的能力。然后，我们将传感器与大规模 Pt/Ta/HfO 2 /Ta 单晶体管单电阻 (1T1R) 忆阻交叉开关联网，该交叉开关的作用类似于人脑中的视觉皮层。实现的神经形态视觉系统可以快速识别字母和跟踪物体，表明在完全模拟状态下具有图像感测、处理和识别的能力。我们的工作表明，这种神经形态视觉系统可能会为未来的视觉感知应用开辟前所未有的机会。
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
数字计算机不断增长的处理能力需求不可能无限期地得到满足，除非计算领域出现范式转变。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备旨在复制神经元、突触和简单脉冲网络的选定功能。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
除非计算领域出现范式转变，否则数字计算机不断增长的处理能力需求不可能无限期地得到满足。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备是为了复制神经元、突触和简单脉冲网络的选定功能而开发的。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。
多端忆阻器件实现神经形态硬件中可调突触可塑性：简要回顾
基于脉冲神经网络的神经形态计算有可能显著提高人工智能的在线学习能力和能源效率，特别是对于边缘计算。计算神经科学的最新进展证明了异突触可塑性对于网络活动调节和记忆的重要性。因此，在硬件中实现异突触可塑性是非常可取的，但重要的材料和工程挑战仍然存在，需要在神经形态设备方面取得突破。在这篇小型评论中，我们概述了具有可调突触可塑性的硅基多端忆阻设备的最新进展，从而实现了硬件中的异突触可塑性。讨论了这些设备与工业互补金属氧化物半导体 (CMOS) 技术的可扩展性和兼容性。
Memristive，Spintronic和2D基于材料的设备，以改进和补充计算硬件
最值得注意的是，人工智能（AI）和机器学习（ML）在广泛增长的以数据为中心的技术中是必不可少的，包括物联网（IoT），运输，医学，安全和娱乐。现在已经认识到，AI可能存在与巨大的计算需求相关的严重方法[2]，这在能源消耗中直接反映了。这是不可持续的，并且正在迅速成为关键的社会挑战。ML中对计算能力的飙升需求大大超过了通过Moore的规模或创新的建筑解决方案进行的改进。从2012年到2020年，最先进的AI的硬件性能提高了317倍。 [3]这不足以满足AI应用程序不断增长的计算需求。最先进的AI模型的规模和培训费用也在增加，从2012年的几美元到2020年的数百万美元。[4]迫切需要开发新的技术来解决这个问题，并建立有效的AI系统，最近变得急剧。从根本上讲，低能计算元素非常需要，包括基于与互补金属 - 氧化物 - 半导体（CMOS）晶体管实现布尔逻辑不同的物理原理的元素。