XiaoMi-AI文件搜索系统
World File Search Systemneuromorphic
用于实时检测颅内脑电图中高频振荡 (HFO) 的电子神经形态系统
嵌入式设备可以在本地实时处理生物医学信号，因此临床研究和治疗应用的生物医学信号分析可以受益匪浅。一个例子是分析癫痫患者的颅内脑电图 (iEEG) 以检测高频振荡 (HFO)，这是致痫脑组织的生物标志物。混合信号神经形态电路提供了构建紧凑、低功耗神经网络处理系统的可能性，该系统可以实时在线分析数据。在这里，我们介绍了一种神经形态系统，该系统在同一芯片上结合了神经记录头端和脉冲神经网络 (SNN) 处理核心来处理 iEEG，并展示了它如何可靠地检测 HFO，从而实现最先进的准确性、灵敏度和特异性。这是首次使用混合信号神经形态计算技术实时识别 iEEG 中相关特征的可行性研究。
机器人绘画的神经形态电子艺术家
摘要 - 计算机视觉和深度学习方面的进步导致人们对Ai-Art的领域的兴趣激增，包括数字图像创建和机器人辅助绘画。传统的绘画机依靠静态图像和offl ine处理来将视觉反馈纳入其绘画过程中。但是，这种方法并未考虑绘画的动态性质，并且无法将复杂的重叠模式分解为单个笔触。作为基于框架的RGB摄像机的替代方法，神经形态摄像机通过异步事件流捕获场景中光强度的变化，有望克服传统计算机视觉技术的某些固有局限性。在此项目中，提出了一种用于物理绘画的机器人系统，该系统利用了动态视觉传感器（DVS）摄像机的基于事件的视觉输入。为了利用摄像机的超低潜伏期和稀疏编码，该建议的系统还采用了基于事件的信息处理，并在神经形态Dynapse-1处理器上使用尖峰神经网络实现。机器人系统接收DVS感官数据，它代表了笔触的轨迹，并计算了所需的关节速度，以闭环方式用6多F的机器人臂重新创建中风。控制器还将触觉反馈从力量扭转传感器集成在一起，以动态调整末端exector的距离，这取决于刷子的变形。在项目范围内，进一步证明了如何从DVS数据中提取有关感知的笔触中风的速度信息。该系统在现实世界中进行了测试，并成功生成了物理笔触的集合。提出的网络是迈向完全尖峰的机器人控制器的第一步，能够无缝融合基于事件的感觉反馈，从而提供超低潜伏期响应能力。除了在机器人辅助绘画中的实用性之外，开发的网络还适用于需要实时自适应控制的任何机器人任务。
2022 年神经形态计算和工程路线图
Dennis诉Christensen 1，Regina Dittmann 2，Bernabe Linares-Barranco 3，Abu Sebastian 4，Manuel Le Gallo 4，Andrea Redaelli 5，Stefan Slesazeck 6，Thomas Mikolajick 6，7 Iang 12，Feng Miao 12，Mario Lanza 13，Tyler J Quill 14，Scott T Keene 15，Alberto Salleo 14，Julie Grollier 16，Danijela Markovi´ c 16，Alice Mizrahi 16，Peng Yao 17，Peng Yao 17 Datta 20，Elisa Vianello 21，Alexandre Valentian 22，Johannes Feldmann 1，Xuan Li 23，Wolfram HP Pernice 24，25，Harish Bhaskaran 23，Steve Furber 26，Emre Neftci 27 Geun Kim 31，Gouhei Tanaka 32，Simon Thorpe 33，Chiara Bartolozzi 34，Thomas A Cleland 35，Christoph Posch 36，Shihchii Liu 18，Gabriella Panuccio 37，Mufti Mahmud 38，Arnabim Mazumder 39，Mufti Mahmud 38 , Tinoosh Mohsenin 39 , Elisa Donati 18 , Silvia Tolu 14 , Roberto Galeazzi 40 , Martin Ejsing Christensen 41 , Sune Holm 42 , Daniele Ielmini 43 和 N Pryds 1
spikeatConv：用于节能神经形态视觉处理
尖峰神经网络（SNNS）代表了向更有能力和生物学上合理的计算模型转变的范式的最前沿。作为第三代神经网络技术，通过模拟生物神经加工的事件驱动的特征，SNN是传统机器智能系统的有前途的替代方案（Maass，1997）。SNN的吸引力是多方面的，它们的能力不仅可以在较低的功耗下运行，还可以以紧密反映大脑时空动态的方式进行计算（Roy等，2019）。SNN的基于尖峰的通信协议特别适合稀疏和异步计算，使其非常适合在神经形态芯片上部署。这些芯片旨在模仿大脑的神经结构，利用SNN的固有稀疏激活模式实现了显着的能量效率改善（Li等，2024; Frenkel等，2023; Merolla et al。; Merolla et al。，2014; Davies et al。，2018; davies et al。，2018; pei; pei et al an al et al et al。
用于神经形态计算的重金属异质结构
提出了一种基于反铁磁/重金属 (AFM/HM) 异质结构的光触发和电控制超快神经形态计算处理器的概念。基于 AFM/HM 的人工神经元由短 THz 范围脉冲激发，从而触发 AFM 中的进动。HM 层中的偏置电流可用于修改进动的共振频率。进动通过逆自旋霍尔效应转换为 HM 层中的电流。因此，提出了一种神经形态处理器模型，该模型由基于 AFM 的兴奋性人工神经元（振荡器）和处理神经元（检测器）组成。我们表明，使用光激发可以在低功耗下显著提高神经形态计算的处理速度。演示了最简单逻辑运算（OR、AND）的实现示例。
用于神经形态计算的微激光
欧洲形态的照片旨在使用光子基板从大脑中汲取灵感来设计有效的计算硬件。与标准的von Neumann体系结构相比，由于使用光学技术而导致的速度和并行性的潜在增长源于速度和并行性的潜在增益。在数值神经形态的光子平台中，令人兴奋的微晶石表现出在生物神经元中存在的许多特性，因此吸引了快速有效的脑浸入功能。从构建块开始，光学神经隆（主要目标）是设计具有可控权重的互连可激发节点的光子神经网络，从而实现了学习能力。这些构建块也可以是
基于节能神经形态计算的超导循环的Fluxon Synapse设备的评估
由于CMOS技术的物理规模限制，摩尔定律接近终结，替代计算方法已引起了相当大的关注，这是改善计算性能的方法。在这里，我们评估了一种新方法的性能前景，基于与约瑟夫森 - 界面的无序超导循环进行节能神经形态计算。突触权重可以存储为与多个约瑟夫森 - 界面（JJ）相连的三个超导环的内部捕获式磁通状态，并以以控制方式以离散通量（量化的通量）施加的输入信号调节。稳定的捕获的磁通状态将传入通量通过不同的途径，其流量统计量代表不同的突触权重。我们使用这些Fluxon Synapse设备的阵列探讨了矩阵 - 矢量 - 义务（MVM）操作的实现。我们研究了MNIST数据集的在线学习的能源效率。我们的结果表明，与其他最先进的突触设备相比，Fluxon Synapse阵列可以减少100倍的能量消耗。这项工作提出了概念验证，该概念将为基于超导材料的高速和高能节能的神经形态计算系统铺平道路。
社论：脑启发计算：从神经科学到新形式的人工智能
对日常生活中的AI应用程序的增加增加导致对先进的机器学习系统的需求显着增加，例如人工神经网络，这些神经网络现在在许多任务中都超过了人类。基于变压器体系结构的生成AI解决方案的快速增长（Vaswani等，2017）进一步加速了对更强大的计算硬件的需求。此外，人类机器人技术的研究重点是开发复制神经过程的系统。但是，传统的硬件解决方案是不可持续的，因为它们需要频繁的培训周期，监督学习和大型OfflINE数据集，从而限制了可持续性AI的采用。最近，出现了使用常规模型的工业应用，但是受到大脑功能，有希望的，可持续的替代方案的启发的神经形态方法（Bhanja等人，2023年）。神经形态是一个伞术语，它涵盖了许多跨学科领域，包括神经科学，材料科学和电子体系结构，扩展到数学和软件模型。计算神经科学的进步以及神经元和突触模型的发展驱动了神经启发的微电子学的出现。首先，提出的电路主要基于以下观察结果：在亚阈值方面运行的晶体管与生物神经元膜的生物物理学具有显着相似之处（Indiveri等，2011）。这为开发基于硅神经元的新体系结构铺平了道路。值得注意的例子是功能化CMOS过程的成熟度允许稳定实施脑机界面和神经启发的低功率计算系统，从而达到了更高的复杂性（Indiveri等，2011）。然而，最近，科学界认识到模仿神经元行为的新材料和新兴设备的出色性能，进一步加速了这一方向的研究。
社论：重点关注神经形态计算和人工感官应用中的有机材料、生物界面和处理
1 荷兰埃因霍温理工大学复杂分子系统研究所 2 荷兰埃因霍温理工大学机械工程系微系统研究所 3 德国亚琛工业大学电气工程与信息技术学院 4 德国于利希研究中心生物信息处理 - 生物电子研究所 5 新加坡国立大学材料科学与工程系（MSE） 6 新加坡国立大学电气与计算机工程系（ECE） 7 加拿大舍布鲁克大学技术创新跨学科研究所（3IT） 8 加拿大舍布鲁克大学纳米技术纳米系统实验室（LN2）-CNRS UMI-3463 9 电子、微电子和纳米技术 (IEMN)，里尔大学，阿斯克新城，法国
脑启发的方法用于在异质混合信号神经形态处理系统中实现鲁棒计算
抽象的神经形态处理系统实施具有混合信号模拟/数字电子电路和/或熟悉设备的混合信号神经网络代表了一种有希望的技术，用于需要低功率，低延迟，并且由于缺乏连接性或隐私问题而无法连接到离线处理的云，并且无法连接到离线处理。但是，这些电路通常嘈杂且不精确，因为它们受设备之间的变化影响，并且以极小的电流运行。因此，在这种方法之后，实现可靠的计算和高精度仍然是一个公开挑战，一方面阻碍了进度，另一方面有限地采用了这项技术的广泛采用。通过构造，这些硬件处理系统具有许多在生物学上合理的约束，例如参数的异质性和非同质性。越来越多的证据表明，将这种限制应用于人工神经网络，包括在人工智能中使用的限制，可以促进学习方面的鲁棒性并提高其可靠性。我们认为，这些策略对于指导设计可靠且可靠的超低功率电子神经处理系统，该系统使用嘈杂和不精确的计算基板（例如阈值神经形态电路和新兴的记忆技术）实施。Here we delve even more into neuroscience and present network-level brain-inspired strategies that further improve reliability and robustness in these neuromorphic systems: we quantify, with chip measurements, to what extent population averaging is effective in reducing variability in neural responses, we demonstrate experimentally how the neural coding strategies of cortical models allow silicon neurons to produce reliable signal representations, and show how to强有力地实施基本的计算基础，例如选择性放大，信号恢复，工作记忆和关系网络，从而利用此类策略。