XiaoMi-AI文件搜索系统
World File Search Systemmemristive
可穿戴设备的自适应极端边缘计算
可穿戴设备是一种快速增长的技术，对社会和经济的个人医疗保健产生了影响。由于传感器和分布式网络中传感器的广泛影响，功耗，处理速度和系统适应性对于将来的智能可穿戴设备至关重要。对如何在智能传感器中将计算到边缘的视觉和预测已经开始，并渴望提供自适应的极端边缘计算。在这里，我们提供了针对智能可穿戴设备的硬件和理论解决方案的整体视图，可以为这个普遍的计算时代提供指导。我们为在可穿戴传感器的神经形态计算技术中持续学习的生物合理模型提出了各种解决方案。为了设想这个概念，我们提供了一个系统的概述，其中预期在神经形态平台中可穿戴传感器的潜在低功率和低潜伏期情景。我们依次描述了利用互补金属氧化物半导体（CMOS）和新兴记忆技术（例如MEMRISTIVE设备）的神经形态处理器的重要潜在景观。此外，我们根据足迹，功耗，延迟和数据大小来评估可穿戴设备内边缘计算的要求。我们还研究了神经形态计算硬件，算法和设备以外的挑战，这些挑战可能阻碍智能可穿戴设备中自适应边缘计算的增强。
基于新设备的神经形态计算 - VDE
NMC 系统的技术测试需要适当的方法和设备以及对测试程序的明确描述（Leupers，2024）。有必要弥合系统应用、电路架构和电子设备的要求与可用材料之间的差距，这需要规定系统层及其接口。带有被测设备的验证平台充当实用工具，将集成电路或所谓的神经形态硬件与输入和输出连接起来。这种灵活的测试环境有助于软件开发，以将人工智能应用程序迁移到新的基于忆阻设备的电路。这是评估和验证神经形态系统架构及其相应软件的一种变体。
带有 RF 和光子模块的 SiGe BiCMOS 技术
PIC SOI 晶圆上的附加光子设计层与 BiCMOS BEOL 层一起 LBE 提供局部背面蚀刻模块，用于局部去除硅以提高无源性能（适用于所有技术） TSV 模块是 SG13S 和 SG13G2 技术中的附加选项，可通过硅通孔提供 RF 接地以提高 RF 性能。 MEMRES 基于 SG13S 技术中的电阻式 TiN/HfO 2-x/TiN 开关器件的完全 CMOS 集成忆阻模块。还提供包括布局和 VerilogA 仿真模型的工艺设计套件。 TSV+RDL 模块是 SG12S 和 SG13G2 技术中的附加选项，在 BiCMOS 上提供具有单个重新分布层的 TSV
具有 RF 和光子模块的 SiGe BiCMOS 技术
PIC SOI 晶圆上的附加光子设计层以及 BiCMOS BEOL 层 LBE 局部背面蚀刻模块可用于局部去除硅以提高无源性能（适用于所有技术） TSV 模块是 SG13S 和 SG13G2 技术中的附加选项，可通过硅通孔提供 RF 接地以提高 RF 性能 MEMRES 基于 SG13S 技术中的电阻式 TiN/HfO 2-x/TiN 开关器件的全 CMOS 集成忆阻模块。还提供包括布局和 VerilogA 仿真模型的工艺设计套件。 TSV+RDL 模块是 SG13S 和 SG13G2 技术中的附加选项，在 BiCMOS 上提供带有单个重分布层的 TSV
![arXiv:2107.05306v1 [quant-ph] 2021 年 7 月 12 日](/simg/e\e236dbd0fdc4c22aa268cd10e6fc632f81742fd5.webp)
arXiv:2107.05306v1 [quant-ph] 2021 年 7 月 12 日
我们提出在可行的超导电路架构中通过电容和电感耦合实现两个量子忆阻器的相互作用。在这个组合系统中，输入随时间相关，从而改变每个量子忆阻器的动态响应，包括其收缩磁滞曲线和非平凡纠缠。从这个意义上讲，并发和忆阻动力学遵循相反的行为，当磁滞曲线最小时，显示纠缠的最大值，反之亦然。此外，每当量子忆阻器纠缠最大时，磁滞曲线随时间的方向就会反转。组合量子忆阻器的研究为开发神经形态量子计算机和原生量子神经网络铺平了道路，使当前 NISQ 技术在量子方面占据优势。
用于神经形态和模拟计算的全集成忆阻器系统
本最终技术报告详细介绍了 AFRL 拨款 FA8750-18- 2-0122 下取得的成果。该项目的总体目标是开发一个基于忆阻器的神经形态计算硬件平台。在简要介绍背景和原理之后，介绍了技术方法。以下各节总结了设备、阵列和集成系统级别的研究成果。利用我们之前在设备开发和单晶体管单电阻 (1T1R) 阵列集成方面的成就，我们实现了全硬件忆阻多层神经网络，集成了用于并行图像和视频处理的三维 (3D) 忆阻器阵列，并构建了用于时间编码计算的新测试器。我们还开发了新的选择器设备，展示了单选择器单电阻 (1S1R) 阵列集成，展示了储层计算，并提出了扩散和漂移忆阻器的统一紧凑模型。
神经形态计算的物理学
图 1：深度神经网络硬件 (a) 由通过突触（箭头）连接的多层神经元（圆圈）组成的深度神经网络。(b) 连接两层神经元的忆阻交叉阵列 21。插图表示单个忆阻器单元，垂直连接一行和一列。突触前 CMOS 神经元（红色）向行施加电压。每列的输出电流 Ij 是所有输入电压 Vi 乘以忆阻器电导 Gij 的总和。每列的放大器驱动突触后 CMOS 神经元（蓝色）。(c) 由圆形谐振器组成的光学神经网络，将不同波长 λ i 输入（不同颜色）耦合到神经元（灰色）22。突触（橙色方块）和神经激活功能（绿色方块）由相变材料实现。
社论：神经电子学：迈向神经元系统和新兴电子的共生
在神经形态和神经杂交系统中的研究目前是现代科学和技术中最令人兴奋和有趣的多学科趋势之一。他们整合了神经科学，电子，物理和数学的领域。基于微电子设备和回忆横梁建立人工神经元和神经网络方面的最新进展刺激了朝着一般的人工智能（AI）促进了质的飞跃。在这方面，可以将神经电子学定义为对生命神经系统动机的广泛计算任务的模拟和数字解决方案的合成。基于标准或熟悉组件的模拟神经形态系统是这种方法的特殊性。与基于数字组件的AI加速器相比，它们可以显着提高吞吐量和能量效率。这样的系统模仿了生物神经网络的计算特征，这些计算特征可以解决不理解的任务（通常被描述为“认知”）被传统的AI或高度耗时的。此外，神经电源溶液可以与大脑或活神经元电路集成并形成神经杂交系统。这样的系统可以利用生物细胞的复杂分子机制（例如，记忆和适应），并支持串联人工部分进行的快速计算。这意味着通过与生活系统的互动来塑造的人工网络中计算和学习的实施，最终实施了特定的大脑功能（替换受损的神经回路或增强其功能）。自然和人工系统的共生也可能使为神经形态设备开发新的学习方法是可能的，在这些方法中，活着神经元网络充当“老师”。从基本和应用的角度来看，一个战略性问题是活着神经网络参与合成信息处理。基于合成系统和生物系统之间双向相互作用的真正混合方法的步骤可以带来显着的好处：它们可以导致
电阻存储器分析和建模的参数提取技术
本文对用于提取电阻开关 (RS) 和建模参数的不同数值技术进行了修订。针对不同的电阻存储技术，计算了常用于估计可变性的置位和复位电压。还介绍了提取串联电阻的方法以及与电荷通量忆阻建模方法相关的参数。研究发现，获得的周期间 (C2C) 可变性取决于所使用的数值技术。这一结果很重要，它意味着在分析 C2C 可变性时，应描述提取技术以对不同的电阻存储技术进行公平比较。除了使用大量不同类型的电阻存储器的实验数据外，我们还采用了动力学蒙特卡罗 (kMC) 模拟来研究构成导电细丝 (CF) 的渗透路径的形成和断裂事件，这些细丝允许在丝状单极和双极器件中进行电阻开关操作。
基于 La 掺杂 BiFeO3 结的随机存取多级非易失性存储器
电阻开关器件由于其出色的性能、简单性和可扩展性而成为下一代非易失性存储器的有希望的候选者。其中，开发多级电阻开关因其在显著提高信息存储密度且不消耗额外能量的潜力而引起了广泛关注。尽管在许多金属氧化物和有机材料中已经观察到连续多级电阻开关 (CMRS)，但实际应用仍然迫切需要实现高速和可靠的随机存取多级非易失性存储器 (RAMNM)。在这里，我们成功地制造了一种基于高性能脉冲宽度调制忆阻铁电隧道结 (FTJ) 的 RAMNM，其 Pt/La 0.1 Bi 0.9 FeO 3 /Nb:SrTiO 3 在室温下具有超过 4 × 10 5 的巨大开关比。