XiaoMi-AI文件搜索系统
World File Search System忆阻器
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。
受大脑启发的内存计算系统......
摘要 — 脑启发式方法可以有效地分析生物神经网络的活动，并以冯·诺依曼架构无法实现的能效解决计算难题，这表明对神经元通信和功能的理解有了显著的提高。在这里，我们提出了一种脑启发式多模态信号处理系统，该系统具有有机忆阻器阵列，可以潜在地整合信号传感、存储和计算。为了促进多模态信号处理系统的设计，我们使用了四个组件。首先，我们提出了一个多模态信号传感模块，主要负责多模态（图像、回声、嗅觉、肌肉和味觉）信号的收集、融合和存储。其次，在制造白蛋白忆阻器后，构建了一个高密度交叉点忆阻突触阵列，以实现计算、数据存储和通信层之间的密集连接。第三，考虑到大脑区域的结构和功能，我们展示了一个用于分层学习的通用学习模块，它可以识别和想象多模态信息。最后设计了必要的外围电路模块（包括无胜者竞争功能电路、模拟数字转换器、数字模拟转换器、脉冲调制器等）。值得注意的是，我们的系统可以每秒捕获大量数据并对多模态信号进行原位处理。这项研究有望帮助实现纳米材料与神经形态计算系统和节能集成电路的深度集成。
静电边界条件和（电）化学界面稳定性
电极界面是电子和电化学设备不可或缺的组成部分。它们在工作条件下的稳定性对于无数应用至关重要，例如电池、非易失性存储器、忆阻器、压电换能器和电容器。[1–5] 众所周知，材料的热力学稳定性受限于其成分的化学势（活性）的固定范围。[6] 例如，只有当与氧分压相关的氧化学势高于氧化物的形成焓时，氧化物才是稳定的。除了（原子）成分的化学势之外，通过电荷中性条件决定材料中费米能的电子化学势也必须保持在一定范围内。相关的电化学不稳定性可以通过两种方式引起：i）通过形成自补偿缺陷；[7] ii）通过
《超越摩尔：用于新兴记忆和神经形态计算的电阻开关器件》特刊前言
传统的基于电荷的存储器，例如动态随机存取存储器 (DRAM) 和闪存，正在接近其扩展极限。各种基于电阻的存储器，例如相变存储器 (PCM)、磁性随机存取存储器 (MRAM) 和电阻随机存取存储器 (RRAM)，由于其非挥发性、速度快、功耗低和尺寸小，可能实现高密度集成，长期以来一直被视为新兴存储器应用。最近，它们也被广泛研究用作神经形态计算的忆阻器，与数字存储器应用相比，神经形态计算对其电阻开关特性的要求截然不同。在过去十年中，从材料和物理机制到设备和神经形态系统，该领域取得了巨大进步。
LAO-NCS：激光辅助自旋扭矩纳米振荡器-...
处理大数据，尤其是视频和图像，是现有冯诺依曼机面临的最大挑战，而人脑凭借其大规模并行结构，能够在几分之一秒内处理图像和视频。最有前途的解决方案是受大脑启发的计算机，即所谓的神经形态计算系统 (NCS)，最近得到了广泛的研究。NCS 克服了传统计算机一次一个字思考的限制，得益于类似于大脑的数据处理大规模并行性。最近，基于自旋电子的 NCS 已显示出实现低功耗高密度 NCS 的潜力，其中神经元使用磁隧道结 (MTJ) 或自旋扭矩纳米振荡器 (STNO) 实现，并使用忆阻器来模拟突触功能。尽管与 MTJ 相比，使用 STNO 作为神经元所需的能量较低，但由于启动具有可检测输出功率的振荡需要高偏置电流，因此基于自旋电子的 NCS 的功耗与大脑之间仍然存在巨大差距。在本文中，我们提出了一种基于自旋电子的 NCS（196 × 10）概念验证，其中通过微瓦纳秒激光脉冲辅助 STNO 振荡来降低 NCS 的功耗。实验结果表明，通过将 STNO 加热到 100 ◦ C，设计的 NCS 中 STNO 的功耗降低了 55.3%。此外，与室温相比，100 ◦ C 时自旋电子层（STNO 和忆阻器阵列）的平均功耗降低了 54.9%。与室温下典型的基于 STNO 的 NCS 相比，所提出的基于激光辅助 STNO 的 NCS (LAO-NCS) 在 100 ◦ C 下的总功耗提高了 40%。最后，与室温下典型的基于 STNO 的 NCS 相比，LAO-NCA 在 100 ◦ C 下的能耗预计可降低 86%。
纳米级进展 - RSC 出版
传统计算机技术正面临着根本性的限制，这些限制与硬件架构（冯·诺依曼瓶颈）、晶体管的集成密度（摩尔定律的终结）以及估计功耗的大幅增加有关。这些限制极大地刺激了对新颖和非传统计算概念的研究。1 神经形态工程领域旨在通过设计新型计算硬件来解决这些挑战，这些计算硬件从生物学原理中汲取灵感，例如信号阈值、突触可塑性、并行性和层次结构或内存计算。2 在过去十年中，忆阻器件作为神经形态硬件设计中的基本构建单元发挥了关键作用，重大努力集中在大规模集成
微电子工程
在当今的计算机技术中，降低功耗是一项日益艰巨的挑战。传统的计算架构受到所谓的冯·诺依曼瓶颈 (VNB) 的影响，即需要在内存和处理单元之间不断交换数据和指令，从而导致大量且似乎不可避免的功耗。即使是通常用于运行人工智能 (AI) 算法（例如深度神经网络 (DNN)）的硬件也受到此限制的影响。为了满足对超低功耗、自主和智能系统日益增长的需求，必须改变范式。从这个角度来看，新兴的忆阻非易失性存储器被认为是引领这项技术向下一代硬件平台过渡的良好候选者，它使在同一位置存储和处理信息成为可能，从而绕过 VNB。为了评估当前公共可用设备的状态，本文对商用级封装的自导通道忆阻器进行了彻底研究，以评估其在内存计算框架中的性能。具体而言，确定了允许突触权重的模拟更新和稳定的二进制切换的操作条件以及相关问题。为此，设计并实现了基于 FPGA 控制平台的专用但原型的系统。然后，利用它充分表征创新智能 IMPLY（SIMPLY）逻辑内存（LiM）计算框架的功耗性能，该框架允许可靠地在内存中计算经典布尔运算。将这些结果投影到纳秒范围可以估算出这种计算范式的真正潜力。虽然本文没有进行研究，但所提出的平台也可用于测试基于忆阻器的 SNN 和二值化 DNN（即 BNN），它们可与 LiM 结合以提供异构灵活架构，这是无处不在的 AI 的长期目标。
迈向功能强大的 AI 加速器
摘要 — 深度学习的最新进展可以归因于硬件处理器和人工智能 (AI) 加速器性能的持续改进。除了基于冯诺依曼架构的传统 CMOS 加速器外，硅光子学、忆阻器和单片 3D (M3D) 集成等新兴技术也正在被探索作为后摩尔定律的替代方案。然而，由于制造工艺变化、热串扰和老化导致的故障可能会对新兴 AI 加速器的能源效率和性能造成灾难性影响。在本文中，我们分析了几种新兴 AI 加速器在不同不确定性下的性能，并提出了低成本的方法来评估故障的重要性并减轻其影响。我们表明，在所有技术中，不确定性对性能的影响可能会根据故障类型和受影响组件的参数而有很大差异。因此，本文提出的故障关键性评估技术对于提高产量是必要的。
磁性随机存取存储器 (MRAM) 超越信息存储
摘要 磁性随机存取存储器 (MRAM) 现在可作为嵌入式存储器从主要的 CMOS 代工厂获得。在这项研究中，我们证明了与传统 STT-MRAM 中使用的磁性隧道结相比，略微改进的磁性隧道结可用于多种用途，即磁场传感和射频振荡器。为此，垂直各向异性磁性堆栈中的 FeCoB 存储层厚度调整为 1.3-1.4 纳米，更接近从垂直到平面内各向异性的过渡区域。可以使用两种使用相同堆栈的磁场传感配置，在小场范围内实现高灵敏度或在大场范围内实现较低的灵敏度。此外，还展示了射频振荡器 GHz 检测和生成。可以设想这种多功能堆栈的进一步应用，包括非易失性和可重新编程逻辑、特殊功能（如随机数生成器和忆阻器）。