XiaoMi-AI文件搜索系统
World File Search System阻图
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。
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。
航天级并行持久性 SRAM 存储器
图 1：部件编号订购选项 ................................................................................................................................ 5 图 2：器件引脚排列 ................................................................................................................................ 7 图 3：142 球 FBGA ................................................................................................................................ 9 图 4：142 球 FBGA ................................................................................................................................ 10 图 5：功能框图 ...................................................................................................................................... 11 图 6：上电行为 ...................................................................................................................................... 12 图 7：写操作 ...................................................................................................................................... 17 图 8：写操作（E# 控制） ................................................................................................................ 18 图 9：总线周转操作 ................................................................................................................................ 19 图 10：读操作 ........................................................................................................................................ 20 图 11：4 字异步页面模式与传统异步模式的比较 ...................................................................................... 21 图 12：页面模式功能框图 ................................................................................................................ 22 图13：异步页读操作 ...................................................................................................................... 22 图 14：异步页写操作 ...................................................................................................................... 23 图 15：页写到单次写时序图 .............................................................................................................. 23 表 1：技术比较 ...................................................................................................................................... 4 表 2：有效组合列表 ................................................................................................................................ 6 表 3：信号描述 ...................................................................................................................................... 7 表 4：上电/断电时序和电压 ................................................................................................................ 13 表 5：器件初始化时序和电压 ................................................................................................................ 14 表 6：建议工作条件 ........................................................................................................................ 14 表 7：引脚电容 ........................................................................................................................................................................................................................ 14 表 8：直流特性 ...................................................................................................................................... 15 表 9：磁抗扰度特性 .............................................................................................................................. 15 表 10：交流测试条件 ............................................................................................................................. 15 表 11：绝对最大额定值 ...................................................................................................................... 16 表 12：写操作（W# 控制） ............................................................................................................. 17 表 13：写操作（E# 控制） ............................................................................................................. 18 表 14：写操作 ................................................................................................................................ 19 表 15：读操作 ................................................................................................................................ 20 表 16：页面模式交流时序 ................................................................................................................ 24 表 16：耐用性和数据保留 ................................................................................................................ 24 表 17：热阻规格 .......................................................................................................................... 25........................................................................... 24 表 16：耐久性和数据保留时间 ...................................................................................................... 24 表 17：热阻规格 ...................................................................................................................... 25........................................................................... 24 表 16：耐久性和数据保留时间 ...................................................................................................... 24 表 17：热阻规格 ...................................................................................................................... 25
将超薄芯片嵌入高柔韧性、感光性阻焊剂中
摘要：本文介绍了一种将超薄硅芯片嵌入机械柔性阻焊层中并通过喷墨打印实现电接触的方法。将感光阻焊层通过保形喷涂涂覆到具有菊花链布局的环氧粘合超薄芯片上。使用紫外线直接曝光的光刻技术打开接触垫。实现了直径为 90 µ m 和边长为 130 µ m 的圆形和矩形开口。喷墨打印含有纳米银和金的商用油墨，以在菊花链结构之间形成导电轨道。应用了不同数量的油墨层。通过针探测来表征轨道电阻。银油墨仅在多层和 90 µ m 开口时才显示低电阻，而金油墨在至少两层印刷层时表现出个位数 Ω 范围内的低电阻。
二维材料范德华异质结光电探测器研究进展
图 3 掺杂调控 vdW 异质结理论研究典型成果（ a ）结构优化后的 C 、 N 空位及 B 、 C 、 P 、 S 原子掺杂 g-C 3 N 4 /WSe 2 异质结 的俯视图 [56] ；（ b ）图（ a ）中六种结构的能带结构图 [56] ；（ c ）掺杂的异质结模型图、本征 graphene/MoS 2 异质结的能带结 构及 F 掺杂 graphene/ MoS 2 异质结的能带结构 [57] ；（ d ） Nb 掺杂 MoS 2 原子结构的俯视图和侧视图以及 MoS 2 和 Nb 掺杂
氮化镓高电子迁移率晶体管的物理失效分析技术研究进展
Figure 12.1540-MeV 209Bi ion irradiation 1.7 × 10 11 ions/cm 2 TEM images of AlGaN/GaN HEMT devices: (a) Gate region cross-section; (b) The orbital image of the heterojunction region shown in Figure (a); (c) The image shown in Figure (a) has a depth of approximately 500 nm; (d) Traces formed at the drain; (e) As shown in Figure (d), the trajectory appears at a depth of ap- proximately 500 nm [48] 图 12.1540-MeV 209Bi 离子辐照 1.7 × 10 11 ions/cm 2 的 AlGaN/GaN HEMT 器件的 TEM 图像： (a) 栅极区域截面； (b) 图 (a) 所示异质结区域轨道图 像； (c) 图 (a) 所示深度约 500 nm 图像； (d) 在漏极形成的痕迹； (e) 如图 (d) 所示，轨迹出现在深度约 500 nm 处 [48]
人工智能报告之机器学习Artificial Intelligence ...
图 2-2 GAN 发展脉络 ...................................................................................................................... 3
基于微石墨-玻璃厚膜的压阻传感器“2279
1 坎皮纳斯大学电气工程与计算机学院 — FEEC，坎皮纳斯 13083-852，SP，巴西；osvaldocorrea50@gmail.com（OC）；jacobus@unicamp.br（JS）2 坎皮纳斯大学半导体元件和纳米技术中心 — CCSNano，坎皮纳斯 13083-870，SP，巴西；pompeu@sigmabbs.com.br * 通信地址：stanisla@unicamp.br † 本文是会议论文的扩展版本：Correa，O.；de Abreu Filho，PP；Canesqui，MA；Moshkalev，S.；Swart，JW 基于玻璃基质中的微石墨颗粒的新型复合材料，用于压阻传感器。 2021 年第 35 届微电子技术与器件研讨会 (SBMicro) 论文集，巴西坎皮纳斯，2021 年 8 月 23-27 日；第 1-4 页。https://doi.org/10.1109/SBMicro50945.2021.9705220。
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。
用于脑图学习的图神经网络：一项调查
探索人脑的复杂结构对于理解大脑功能和诊断脑部疾病至关重要。得益于神经成像技术的进步，一种新方法已经出现，该方法涉及将人脑建模为图结构模式，其中不同的大脑区域表示为节点，这些区域之间的功能关系表示为边。此外，图神经网络（GNN）在挖掘图结构数据方面表现出显着优势。开发 GNN 来学习脑图表征以进行脑部疾病分析最近引起了越来越多的关注。然而，缺乏系统的调查工作来总结该领域的当前研究方法。在本文中，我们旨在通过回顾利用 GNN 的脑图学习工作来弥补这一空白。我们首先介绍基于常见神经成像数据的脑图建模过程。随后，我们根据生成的脑图类型和目标研究问题对当前的作品进行系统分类。为了让更多感兴趣的研究人员能够接触到这项研究，我们概述了代表性方法和常用数据集，以及它们的实现来源。最后，我们介绍了对未来研究方向的见解。本次调查的存储库位于 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。