XiaoMi-AI文件搜索系统
World File Search System工作电流
工作负荷的时间相关电迁移建模......
摘要 — 电迁移 (EM) 一直被认为是后端互连的可靠性威胁因素。自旋转移力矩磁性 RAM (STT-MRAM) 是一种新兴的非易失性存储器，近年来备受关注。然而，相对较大的工作电流幅度是这项技术的一大挑战，因此，EM 可能是一个潜在的可靠性问题，即使对于这种存储器的信号线也是如此。工作负载感知的 EM 建模需要捕获存储器信号线中随时间变化的电流密度，并能够预测 EM 现象对互连整个生命周期的影响。在这项工作中，我们提出了一些方法，可以在各种实际工作负载下有效地模拟典型 STT-MRAM 阵列中与工作负载相关的 EM 引起的平均故障时间 (MTTF)。这允许执行设计空间探索以共同优化可靠性和其他设计指标。
TL7700-SEP 单粒子闩锁 (SEL) 辐射报告 (Rev. A)
TL7700-SEP 中主要的单粒子效应 (SEE) 事件是单粒子闩锁 (SEL)。从风险/影响的角度来看，SEL 的发生可能是最具破坏性的 SEE 事件，也是太空应用的最大隐患。TL7700-SEP 使用了双极工艺 JI1。CMOS 电路可能会产生 SEL 和 SEB 敏感性。如果高能离子通过引起的过量电流注入足以触发寄生交叉耦合 PNP 和 NPN 双极结构的形成（形成于 p-sub 和 n-well 以及 n+ 和 p+ 触点之间），则可能会发生 SEL。单事件引发的寄生双极结构在电源和接地之间形成高电导路径（产生通常比正常工作电流高几个数量级的稳态电流），该路径持续存在（“锁定”），直到断电或设备被高电流状态破坏。TL7700-SEP 在重离子 LET EFF 高达 43 MeV-cm 2 /mg 时未表现出 SEL，通量为 10 7 离子/cm 2 且芯片温度为 125°C。
可调节的神经形态切换动力学通过孔隙二氧化硅扩散的回忆录中的孔隙率控制
摘要：为了响应日益增长的时间信息处理的需求，神经形态计算系统正在越来越强调备忘录的开关动力学。虽然可以通过输入信号的属性来调节开关动力学，但通过备忘录的电解质特性控制它的能力对于进一步丰富了开关状态并提高数据处理能力至关重要。这项研究介绍了使用溶胶 - 凝胶过程的介孔二氧化硅（MSIO 2）膜的合成，从而可以创建具有可控孔隙率的膜。这些薄膜可以用作扩散的回忆录中的电解质层，并导致可调的神经形态切换动力学。MSIO 2回忆录表现出短期可塑性，这对于时间信号处理至关重要。随着孔隙率的增加，观察到工作电流，促进比和放松时间的明显变化。研究了这种系统控制的基本机制，并归因于二氧化硅层多孔结构内的氢键网络的调节，这在切换事件中显着影响阳极氧化和离子迁移过程。这项工作的结果提出了介孔二氧化硅，作为一个独特的平台，用于精确控制扩散的备忘录中神经形态开关动力学。关键字：介孔二氧化硅，扩散的回忆录，神经形态切换，短期记忆，离子动力学
切诺基系统规范
性能/尺寸 深度等级：1000 米标准 3281 英尺 2500 米可选：8202 英尺 有效载荷：64 千克 (140 磅)铅压载物尺寸：高度：802 毫米 32.0” 长度：1398 毫米 56.0” 宽度：870 毫米 34.0” 空气中的质量：240 千克 529 磅0 节时的推力 (系柱拉力)：前进：873 N 89 kgf 196 lbf 后退：598 N 61 kgf 134 lbf 横向：441 N 45 kgf 99 lbf 垂直：441 N 45 kgf 99 lbf 最大速度/工作电流：前进：>1.5 米/秒>3.5 Kt。>5.8 ft/s 反向： >1.0 m/s >2.5 Kt。>4.1 ft/s 横向： >0.75 m/s >1.5 Kt。>2.5 ft/s 垂直： >0.75 m/s >1.5 Kt。>2.5 ft/s 转弯速率：120 度/秒 控制系统 该系统包含一个表面控制单元 (SCU)，可与位于车辆上的两个独立的单大气压外壳内的车辆电子设备进行通信。SCU 包括： - • 2 个 9 英寸彩色显示器 • 固定/远程飞行员控制台和操纵杆 • 调光器 • 自动深度和航向控制（高度可选） • 系绳/脐带缆转弯计数器 • 视频叠加系统 • 漏电保护系统
在异构混合信号神经形态处理系统中实现稳健计算的脑启发方法
神经形态处理系统使用混合信号模拟/数字电子电路和/或忆阻设备实现脉冲神经网络，代表了一种有前途的技术，适用于需要低功耗、低延迟且由于缺乏连接或出于隐私考虑而无法连接到云进行离线处理的边缘计算应用。然而，这些电路通常噪声大且不精确，因为它们受设备间差异的影响，并且工作电流极小。因此，按照这种方法实现可靠的计算和高精度仍然是一个悬而未决的挑战，一方面阻碍了进展，另一方面限制了这项技术的广泛采用。从构造上讲，这些硬件处理系统具有许多生物学上合理的约束，例如参数的异质性和非负性。越来越多的证据表明，将这些约束应用于人工神经网络（包括用于人工智能的神经网络），可以提高学习的稳健性并提高其可靠性。在这里，我们深入研究神经科学，并提出网络级大脑启发策略，进一步提高这些神经形态系统的可靠性和稳健性：我们通过芯片测量来量化群体平均在多大程度上有效地减少神经反应的变化，我们通过实验证明皮质模型的神经编码策略如何允许硅神经元产生可靠的信号表示，并展示如何利用这些策略稳健地实现基本计算原语，如选择性放大、信号恢复、工作记忆和关系网络。我们认为，这些策略可以有助于指导使用噪声和不精确的计算基板（如亚阈值神经形态电路和新兴的记忆技术）实现的稳健可靠的超低功耗电子神经处理系统的设计。
JE-202
性能传感器：1280 x 800 像素分辨率，256 级灰度照明/瞄准：617 nm 高可见度 LED； 650 nm 激光取景视野：扫描角度：水平：48° 垂直：31°取景角度：水平：47° 垂直：30°扫描速率：2D 模式：30 幅图像 / 自适应打印对比度：1D 和 2D 符号低至 30% 最小分辨率：1D 符号 .15 mm (6mil)，2D 矩阵 .25 mm (10 mil) 监管：激光分类：2 类电气安全：UL、cUL 和 VDE 认证环境：符合 RoHS 机械 / 电气尺寸扫描引擎：（高 x 宽 x 深）：12.5 mm x 20.6 mm x 13.4 mm (.49” x .81” x .53”)解码板 (ED40)：（高 x 宽 x 深）：5.6 mm x 34 mm x 19 mm (.22” x 1.34” x .75”)解码板上的扫描引擎（安装在支架上）是可选的 扫描引擎重量：<10 克（0.35 盎司） 解码板重量：6 克（0.21 盎司） 接口：高速 USB 2.0 和 RS232 TTL 连接：12 针 ZIF 连接器，间距 0.5 毫米（0.2 英寸） 电压：仅光学元件，典型值：3V -5% / +10% 光学元件 + 解码板，典型值：3V 至 5.5V 工作电流：典型：85 – 215 mA（取决于照明条件）取决于解码板和电压 省电模式：2 mA