XiaoMi-AI文件搜索系统
World File Search System和忆阻
使真正的忆阻内存处理更快且......
摘要 — 忆阻技术是替代传统内存技术的有吸引力的候选技术，并且还可以使用一种称为“状态逻辑”的技术来执行逻辑和算术运算。将数据存储和计算结合在内存阵列中可以实现一种新颖的非冯·诺依曼架构，其中两种操作都在忆阻内存处理单元 (mMPU) 中执行。mMPU 依赖于在不改变基本内存阵列结构的情况下向忆阻内存单元添加计算能力。使用 mMPU 可以缓解冯·诺依曼机器对性能和能耗的主要限制，即 CPU 和内存之间的数据传输。这里讨论了 mMPU 的各个方面，包括其架构和对计算系统和软件的影响，以及检查微架构方面。我们展示了如何改进 mMPU 以加速不同的应用程序，以及如何在 mMPU 操作中改进忆阻器的可靠性差的问题。
流水线式忆阻神经网络模数转换器
摘要——随着高速、高精度、低功耗混合信号系统的出现，对精确、快速、节能的模数转换器 (ADC) 和数模转换器 (DAC) 的需求日益增长。不幸的是，随着 CMOS 技术的缩小，现代 ADC 在速度、功率和精度之间进行权衡。最近，已经提出了四位 ADC/DAC 的忆阻神经形态架构。可以使用机器学习算法实时训练此类转换器，以突破速度-功率-精度权衡，同时优化不同应用的转换性能。然而，将此类架构扩展到四位以上具有挑战性。本文提出了一种基于四位转换器流水线的可扩展模块化神经网络 ADC 架构，保留了其在应用重新配置、失配自校准、噪声容忍和功率优化方面的固有优势，同时以延迟为代价接近更高的分辨率和吞吐量。 SPICE 评估表明，8 位流水线 ADC 可实现 0.18 LSB INL、0.20 LSB DNL、7.6 ENOB 和 0.97 fJ/conv FOM。这项工作朝着实现大规模神经形态数据转换器迈出了重要一步。
新兴的忆阻人工神经元和突触装置......
自从 20 世纪中叶麦卡洛克-皮茨神经元 1 和感知器 2 模型诞生以来，人工智能 (AI) 或人工神经网络 (ANN) 在很大程度上仍然是一个计算机科学术语。由于计算能力不足，本世纪后期的进展受到阻碍。1980-2000 年期间的集成电路制造无法在单个处理器和内存芯片上高密度集成晶体管。因此，在深度神经网络 (DNN) 或深度卷积神经网络 (DCNN) 3 上运行模拟并存储指数级累积的数据在时间和能源成本方面是不切实际的，尽管当时 ANN 模型已经相对完善 4-10 。随着芯片密度的提升以及对摩尔定律的追求带来的图形处理单元 (GPU) 等多核处理器的出现，再加上更高效的 ANN 算法 3,11,12，计算能力瓶颈在本世纪初得到成功解决。2012 年，具有十亿个连接的 DNN 被证明能够识别猫和人体等高度概念化的物体 13。同年，DNN 被证明在图像分类准确率方面与人类不相上下（基于 MNIST 数据库），甚至在交通标志识别方面也超越了人类 14。脉冲神经网络 (SNN) 由 Maass 于 1995 年提出 15,16，它采用脉冲
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
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/）。
用于神经形态计算的忆阻和 CMOS 器件
摘要：神经形态计算已成为克服传统数字处理器冯诺依曼架构局限性的最有前途的范例之一。神经形态计算的目的是忠实地再现人脑中的计算过程，从而与其出色的能效和紧凑性相媲美。然而，要实现这一目标，必须面对一些重大挑战。由于大脑通过超低功耗的高密度神经网络处理信息，因此必须开发结合高可扩展性、低功耗操作和先进计算功能的新型设备概念。本文概述了神经形态计算中最有前途的设备概念，包括互补金属氧化物半导体 (CMOS) 和忆阻技术。首先，将讨论基于 CMOS 的浮栅存储器在人工神经网络中的物理和操作。然后，将回顾和讨论几种忆阻概念在深度神经网络和脉冲神经网络架构中的应用。最后，将讨论神经形态计算的主要技术挑战和前景。
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。
用于存储和神经形态计算的自供电忆阻系统
一种能够模仿人脑同时处理多种类型数据能力的神经形态计算芯片可以从根本上革新和改进备受诟病的冯诺依曼计算机架构。忆阻器是构建神经形态智能系统的最佳硬件单元之一，因为它们在固有低电压下工作、使用多位存储并且制造成本低廉。然而，作为一种无源器件，忆阻器单元需要外部能量才能运行，导致功耗高且电路结构复杂。最近，一种新兴的自供电忆阻系统有望完美解决上述问题，该系统主要由忆阻器和电动纳米发电机组成。它因无电运行的优势而引起了人们的极大兴趣。在这篇综述中，我们系统地描述了从存储到神经形态计算的自供电忆阻系统。这篇综述还证明了自供电忆阻系统在人工智能中的应用前景。