খবর

রিয়েল-ওয়ার্ল্ড ডেটা প্রসেসিং অ্যাপ্লিকেশনগুলির জন্য কমপ্যাক্ট, লো-লেটেন্সি, কম-পাওয়ার কম্পিউটিং সিস্টেম প্রয়োজন। ইভেন্ট-চালিত কম্পিউটিং ক্ষমতা সহ, পরিপূরক মেটাল-অক্সাইড-সেমিকন্ডাক্টর হাইব্রিড মেমরিস্টিভ নিউরোমর্ফিক আর্কিটেকচারগুলি এই ধরনের কাজের জন্য একটি আদর্শ হার্ডওয়্যার ভিত্তি প্রদান করে। এই ধরনের সিস্টেমের পূর্ণ সম্ভাবনা প্রদর্শনের জন্য, আমরা বাস্তব-বিশ্বের বস্তু স্থানীয়করণ অ্যাপ্লিকেশনের জন্য একটি ব্যাপক সেন্সর প্রক্রিয়াকরণ সমাধানের প্রস্তাব এবং পরীক্ষামূলকভাবে প্রদর্শন করি। শস্যাগার পেঁচা নিউরোঅ্যানাটমি থেকে অনুপ্রেরণা নিয়ে, আমরা একটি জৈব-অনুপ্রাণিত, ইভেন্ট-চালিত বস্তু স্থানীয়করণ সিস্টেম তৈরি করেছি যা একটি অত্যাধুনিক পাইজোইলেকট্রিক মাইক্রোমেকানিক্যাল ট্রান্সডুসার ট্রান্সডিউসারকে কম্পিউটেশনাল গ্রাফ-ভিত্তিক নিউরোমরফিক রেজিস্টিভ মেমরির সাথে একত্রিত করে। আমরা একটি মেমরি-ভিত্তিক প্রতিরোধী কাকতালীয় আবিষ্কারক, বিলম্ব লাইন সার্কিটরি এবং একটি সম্পূর্ণরূপে কাস্টমাইজযোগ্য অতিস্বনক ট্রান্সডুসার অন্তর্ভুক্ত একটি বানোয়াট সিস্টেমের পরিমাপ দেখাই৷ আমরা এই পরীক্ষামূলক ফলাফলগুলি সিস্টেম স্তরে সিমুলেশনগুলি ক্রমাঙ্কন করতে ব্যবহার করি। এই সিমুলেশনগুলি তখন বস্তুর স্থানীয়করণ মডেলের কৌণিক রেজোলিউশন এবং শক্তি দক্ষতা মূল্যায়ন করতে ব্যবহৃত হয়। ফলাফলগুলি দেখায় যে আমাদের দৃষ্টিভঙ্গি একই কাজ সম্পাদনকারী মাইক্রোকন্ট্রোলারের চেয়ে অনেক বেশি শক্তি দক্ষ হতে পারে।
আমরা সর্বব্যাপী কম্পিউটিং এর যুগে প্রবেশ করছি যেখানে আমাদের দৈনন্দিন জীবনে সাহায্য করার জন্য নিয়োজিত ডিভাইস এবং সিস্টেমের সংখ্যা দ্রুত বৃদ্ধি পাচ্ছে। এই সিস্টেমগুলি অবিচ্ছিন্নভাবে চালানোর আশা করা হয়, যতটা সম্ভব কম শক্তি খরচ করে যখন তারা রিয়েল টাইমে একাধিক সেন্সর থেকে সংগৃহীত ডেটা ব্যাখ্যা করতে শেখে এবং শ্রেণীবিভাগ বা স্বীকৃতির কাজের ফলে বাইনারি আউটপুট তৈরি করে। এই লক্ষ্য অর্জনের জন্য প্রয়োজনীয় সবচেয়ে গুরুত্বপূর্ণ পদক্ষেপগুলির মধ্যে একটি হল কোলাহলপূর্ণ এবং প্রায়শই অসম্পূর্ণ সংবেদনশীল ডেটা থেকে দরকারী এবং কমপ্যাক্ট তথ্য বের করা। প্রচলিত প্রকৌশল পদ্ধতি সাধারণত একটি ধ্রুবক এবং উচ্চ হারে নমুনা সেন্সর সংকেত দেয়, এমনকি দরকারী ইনপুটগুলির অনুপস্থিতিতেও প্রচুর পরিমাণে ডেটা তৈরি করে। উপরন্তু, এই পদ্ধতিগুলি (প্রায়ই কোলাহলপূর্ণ) ইনপুট ডেটা প্রাক-প্রক্রিয়া করতে জটিল ডিজিটাল সিগন্যাল প্রক্রিয়াকরণ কৌশল ব্যবহার করে। পরিবর্তে, জীববিজ্ঞান শক্তি-দক্ষ, অ্যাসিঙ্ক্রোনাস, ইভেন্ট-চালিত পন্থা (স্পাইক) 2,3 ব্যবহার করে গোলমাল সংবেদনশীল ডেটা প্রক্রিয়াকরণের জন্য বিকল্প সমাধান সরবরাহ করে। নিউরোমরফিক কম্পিউটিং ঐতিহ্যগত সংকেত প্রক্রিয়াকরণ পদ্ধতি4,5,6 এর তুলনায় শক্তি এবং মেমরির প্রয়োজনীয়তার পরিপ্রেক্ষিতে গণনামূলক খরচ কমাতে জৈবিক সিস্টেম থেকে অনুপ্রেরণা নেয়। সম্প্রতি, উদ্ভাবনী সাধারণ উদ্দেশ্য মস্তিষ্ক-ভিত্তিক সিস্টেমগুলি ইমপালস নিউরাল নেটওয়ার্কগুলি (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) প্রয়োগ করা হয়েছে। এই প্রসেসরগুলি মেশিন লার্নিং এবং কর্টিকাল সার্কিট মডেলিংয়ের জন্য কম শক্তি, কম লেটেন্সি সমাধান সরবরাহ করে। তাদের শক্তি দক্ষতা সম্পূর্ণরূপে কাজে লাগাতে, এই নিউরোমর্ফিক প্রসেসরগুলিকে ইভেন্ট-চালিত সেন্সর 12,13 এর সাথে সরাসরি সংযুক্ত থাকতে হবে। যাইহোক, আজ কেবলমাত্র কয়েকটি স্পর্শ ডিভাইস রয়েছে যা সরাসরি ইভেন্ট-চালিত ডেটা সরবরাহ করে। ট্র্যাকিং এবং মোশন ডিটেকশনের মতো দৃষ্টি অ্যাপ্লিকেশনের জন্য ডাইনামিক ভিজ্যুয়াল সেন্সর (DVS) হল 14,15,16,17 সিলিকন কক্লিয়া18 এবং নিউরোমরফিক অডিটরি সেন্সর (NAS)19 অডিটরি সিগন্যাল প্রসেসিংয়ের জন্য, ঘ্রাণশক্তির সেন্সর 20 এবং numer21 এর উদাহরণ। . টেক্সচার সেন্সর।
এই কাগজে, আমরা অবজেক্ট স্থানীয়করণে প্রয়োগ করা একটি নতুন উন্নত ইভেন্ট-চালিত শ্রবণ প্রক্রিয়াকরণ সিস্টেম উপস্থাপন করি। এখানে, প্রথমবারের মতো, আমরা নিউরোমরফিক রেজিস্টিভ মেমরি (RRAM) এর উপর ভিত্তি করে একটি গণনামূলক গ্রাফের সাথে একটি অত্যাধুনিক পাইজোইলেকট্রিক মাইক্রোমেচিনড আল্ট্রাসনিক ট্রান্সডুসার (pMUT) সংযোগ করে প্রাপ্ত বস্তু স্থানীয়করণের জন্য একটি এন্ড-টু-এন্ড সিস্টেম বর্ণনা করি। RRAM ব্যবহার করে ইন-মেমরি কম্পিউটিং আর্কিটেকচার 23,24,25,26,27,28,29 পাওয়ার খরচ কমানোর জন্য একটি প্রতিশ্রুতিশীল সমাধান। তাদের অন্তর্নিহিত অ-অস্থিরতা - তথ্য সঞ্চয় বা আপডেট করার জন্য সক্রিয় শক্তি খরচের প্রয়োজন হয় না - নিউরোমরফিক কম্পিউটিং-এর অ্যাসিঙ্ক্রোনাস, ইভেন্ট-চালিত প্রকৃতির সাথে একটি নিখুঁত ফিট, যার ফলে সিস্টেমটি নিষ্ক্রিয় থাকা অবস্থায় বিদ্যুৎ খরচ হয় না। Piezoelectric micromachined অতিস্বনক ট্রান্সডিউসার (pMUTs) হল সস্তা, ক্ষুদ্রাকৃতির সিলিকন-ভিত্তিক অতিস্বনক ট্রান্সডুসার যা ট্রান্সমিটার এবং রিসিভার হিসেবে কাজ করতে সক্ষম 30,31,32,33,34। অন্তর্নির্মিত সেন্সর দ্বারা প্রাপ্ত সংকেতগুলি প্রক্রিয়া করতে, আমরা শস্যাগার পেঁচা নিউরোঅ্যানাটমি 35,36,37 থেকে অনুপ্রেরণা নিয়েছি। শস্যাগার পেঁচা টাইটো আলবা একটি অত্যন্ত দক্ষ শ্রবণ স্থানীয়করণ ব্যবস্থার জন্য তার অসাধারণ রাতের শিকার করার ক্ষমতার জন্য পরিচিত। শিকারের অবস্থান গণনা করার জন্য, শস্যাগার পেঁচার স্থানীয়করণ সিস্টেমটি উড়ার সময় (ToF) এনকোড করে যখন শিকার থেকে শব্দ তরঙ্গ পেঁচার প্রতিটি কান বা শব্দ রিসেপ্টরগুলিতে পৌঁছায়। কানের মধ্যে দূরত্ব দেওয়া, দুটি ToF পরিমাপের মধ্যে পার্থক্য (ইন্টারোরাল টাইম ডিফারেন্স, আইটিডি) বিশ্লেষণাত্মকভাবে লক্ষ্যের অজিমুথ অবস্থান গণনা করা সম্ভব করে। যদিও জৈবিক সিস্টেমগুলি বীজগণিত সমীকরণগুলি সমাধান করার জন্য খুব কম উপযুক্ত, তারা খুব কার্যকরভাবে স্থানীয়করণ সমস্যাগুলি সমাধান করতে পারে। শস্যাগার পেঁচা স্নায়ুতন্ত্রটি কাকতালীয় আবিষ্কারক (CD) 35 নিউরনের একটি সেট ব্যবহার করে (অর্থাৎ, স্পাইকের মধ্যে সাময়িক সম্পর্ক সনাক্ত করতে সক্ষম নিউরন যা অভিসারী উত্তেজক প্রান্তে নীচের দিকে প্রচার করে) 38,39 পজিশনিং সমস্যা সমাধানের জন্য গণনামূলক গ্রাফে সংগঠিত।
পূর্ববর্তী গবেষণায় দেখা গেছে যে পরিপূরক মেটাল-অক্সাইড-সেমিকন্ডাক্টর (সিএমওএস) হার্ডওয়্যার এবং শস্যাগার পেঁচার নিম্নতর কলিকুলাস ("শ্রাবণ কর্টেক্স") দ্বারা অনুপ্রাণিত RRAM-ভিত্তিক নিউরোমরফিক হার্ডওয়্যার ITD13, 40, 41, ব্যবহার করে অবস্থান গণনা করার জন্য একটি কার্যকর পদ্ধতি। 42, 43, 44, 45, 46. ​​যাইহোক, সম্পূর্ণ নিউরোমর্ফিক সিস্টেমের সম্ভাব্যতা যা শ্রুতিসংকেতকে নিউরোমর্ফিক কম্পিউটেশনাল গ্রাফের সাথে সংযুক্ত করে। প্রধান সমস্যা হল এনালগ CMOS সার্কিটগুলির অন্তর্নিহিত পরিবর্তনশীলতা, যা ম্যাচ সনাক্তকরণের নির্ভুলতাকে প্রভাবিত করে। সম্প্রতি, ITD47 অনুমানের বিকল্প সংখ্যাগত বাস্তবায়ন প্রদর্শিত হয়েছে। এই কাগজে, আমরা অ্যানালগ সার্কিটে পরিবর্তনশীলতাকে প্রতিরোধ করার জন্য একটি অ-উদ্বায়ী পদ্ধতিতে পরিবাহী মান পরিবর্তন করতে RRAM এর ক্ষমতা ব্যবহার করার প্রস্তাব করছি। আমরা 111.9 kHz ফ্রিকোয়েন্সিতে অপারেটিং একটি পিএমইউটি ট্রান্সমিটিং মেমব্রেন, দুটি পিএমইউটি রিসিভিং মেমব্রেন (সেন্সর) সিমুলেটিং শস্যাগার পেঁচার কান এবং একটি নিয়ে একটি পরীক্ষামূলক ব্যবস্থা প্রয়োগ করেছি। আমরা পরীক্ষামূলকভাবে আমাদের স্থানীয়করণ সিস্টেম পরীক্ষা করতে এবং এর কৌণিক রেজোলিউশন মূল্যায়ন করতে pMUT সনাক্তকরণ সিস্টেম এবং RRAM-ভিত্তিক আইটিডি কম্পিউটেশনাল গ্রাফটিকে চিহ্নিত করেছি।
আমরা আমাদের পদ্ধতিকে একটি মাইক্রোকন্ট্রোলারে একটি ডিজিটাল বাস্তবায়নের সাথে তুলনা করি যা প্রচলিত বিমফর্মিং বা নিউরোমরফিক পদ্ধতি ব্যবহার করে একই স্থানীয়করণ কাজ সম্পাদন করে, সেইসাথে রেফারেন্সে প্রস্তাবিত আইটিডি অনুমানের জন্য একটি ফিল্ড প্রোগ্রামেবল গেট অ্যারে (FPGA)। 47. এই তুলনা প্রস্তাবিত RRAM-ভিত্তিক অ্যানালগ নিউরোমর্ফিক সিস্টেমের প্রতিযোগিতামূলক শক্তি দক্ষতাকে হাইলাইট করে।
একটি সঠিক এবং দক্ষ বস্তু স্থানীয়করণ সিস্টেমের সবচেয়ে আকর্ষণীয় উদাহরণগুলির মধ্যে একটি শস্যাগার পেঁচা 35,37,48 পাওয়া যেতে পারে। সন্ধ্যা এবং ভোরের সময়, শস্যাগার পেঁচা (টাইটো আলবা) প্রাথমিকভাবে নিষ্ক্রিয় শোনার উপর নির্ভর করে, সক্রিয়ভাবে ছোট শিকার যেমন ভোল বা ইঁদুরের সন্ধান করে। এই শ্রবণ বিশেষজ্ঞরা আশ্চর্যজনক নির্ভুলতা (প্রায় 2°)35 সহ শিকার থেকে শ্রবণ সংকেত স্থানীয়করণ করতে পারেন, যেমন চিত্র 1a-এ দেখানো হয়েছে। শস্যাগার পেঁচা শব্দের উৎস থেকে দুই কান পর্যন্ত ফ্লাইটের ইনকামিং টাইম (ITD) এর পার্থক্য থেকে আজিমুথ (অনুভূমিক) সমতলে শব্দ উৎসের অবস্থান অনুমান করে। আইটিডি কম্পিউটেশনাল মেকানিজম জেফ্রেস 49,50 দ্বারা প্রস্তাবিত হয়েছিল যা নিউরাল জ্যামিতির উপর নির্ভর করে এবং এর জন্য দুটি মূল উপাদানের প্রয়োজন: একটি অ্যাক্সন, একটি নিউরনের স্নায়ু ফাইবার একটি বিলম্ব লাইন হিসাবে কাজ করে এবং একটি কম্পিউটেশনাল সিস্টেমে সংগঠিত কাকতালীয় আবিষ্কারক নিউরনের একটি অ্যারে। চিত্র 1b এ দেখানো গ্রাফ। অজিমুথ ডিপেন্ডেন্ট টাইম বিলম্ব (ITD) সহ শব্দ কানে পৌঁছায়। শব্দটি তারপর প্রতিটি কানে একটি স্পাইক প্যাটার্নে রূপান্তরিত হয়। বাম এবং ডান কানের অ্যাক্সনগুলি বিলম্ব রেখা হিসাবে কাজ করে এবং সিডি নিউরনে একত্রিত হয়। তাত্ত্বিকভাবে, মিলিত নিউরনগুলির একটি অ্যারের মধ্যে শুধুমাত্র একটি নিউরন একবারে ইনপুট পাবে (যেখানে বিলম্বটি সঠিকভাবে বাতিল হয়ে যায়) এবং সর্বাধিক ফায়ার করবে (প্রতিবেশী কোষগুলিও আগুন দেবে, তবে কম ফ্রিকোয়েন্সিতে)। নির্দিষ্ট নিউরন সক্রিয় করার ফলে আইটিডিকে আরও কোণে রূপান্তর না করে মহাকাশে লক্ষ্যের অবস্থান এনকোড করা হয়। এই ধারণাটি চিত্র 1c-এ সংক্ষিপ্ত করা হয়েছে: উদাহরণস্বরূপ, ডান কান থেকে ইনপুট সংকেত বাম কানের পথের চেয়ে দীর্ঘ পথ ভ্রমণ করার সময় যদি শব্দটি ডান দিক থেকে আসে, ITD এর সংখ্যার জন্য ক্ষতিপূরণ দেয়, উদাহরণস্বরূপ, যখন নিউরন 2 মেলে। অন্য কথায়, প্রতিটি সিডি অক্ষীয় বিলম্বের কারণে একটি নির্দিষ্ট আইটিডি (অনুকূল বিলম্ব হিসাবেও পরিচিত) প্রতিক্রিয়া জানায়। এইভাবে, মস্তিষ্ক অস্থায়ী তথ্যকে স্থানিক তথ্যে রূপান্তর করে। এই প্রক্রিয়াটির জন্য শারীরবৃত্তীয় প্রমাণ পাওয়া গেছে 37,51। ফেজ-লকড ম্যাক্রোনিউক্লিয়াস নিউরনগুলি আগত শব্দ সম্পর্কে অস্থায়ী তথ্য সঞ্চয় করে: তাদের নাম থেকে বোঝা যায়, তারা নির্দিষ্ট সংকেত পর্যায়ে আগুন দেয়। জেফ্রেস মডেলের কাকতালীয় আবিষ্কারক নিউরনগুলি ল্যামিনার কোরে পাওয়া যেতে পারে। তারা ম্যাক্রোনিউক্লিয়ার নিউরন থেকে তথ্য পায়, যার অ্যাক্সনগুলি বিলম্ব রেখা হিসাবে কাজ করে। বিলম্ব রেখা দ্বারা প্রদত্ত বিলম্বের পরিমাণ অ্যাক্সনের দৈর্ঘ্য দ্বারা ব্যাখ্যা করা যেতে পারে, সেইসাথে অন্য একটি মাইলিনেশন প্যাটার্ন যা পরিবাহী বেগ পরিবর্তন করে। শস্যাগার পেঁচার শ্রবণ ব্যবস্থা দ্বারা অনুপ্রাণিত হয়ে, আমরা বস্তুর স্থানীয়করণের জন্য একটি বায়োমিমেটিক সিস্টেম তৈরি করেছি। দুটি কান দুটি পিএমইউটি রিসিভার দ্বারা প্রতিনিধিত্ব করা হয়। শব্দের উৎস হল তাদের মধ্যে অবস্থিত pMUT ট্রান্সমিটার (চিত্র 1a), এবং কম্পিউটেশনাল গ্রাফটি RRAM-ভিত্তিক সিডি সার্কিট (চিত্র 1b, সবুজ) এর একটি গ্রিড দ্বারা গঠিত হয়, যা সিডি নিউরনের ভূমিকা পালন করে যার ইনপুটগুলি বিলম্বিত হয়। সার্কিটের মাধ্যমে, বিলম্ব রেখাগুলি (নীল) জৈবিক প্রতিরূপে অ্যাক্সনের মতো কাজ করে। প্রস্তাবিত সংবেদনশীল সিস্টেমটি পেঁচার থেকে অপারেটিং ফ্রিকোয়েন্সিতে ভিন্ন, যার শ্রবণ ব্যবস্থা 1-8 kHz পরিসরে কাজ করে, কিন্তু প্রায় 117 kHz এ পরিচালিত pMUT সেন্সরগুলি এই কাজে ব্যবহৃত হয়। একটি অতিস্বনক ট্রান্সডুসার নির্বাচন প্রযুক্তিগত এবং অপ্টিমাইজেশান মানদণ্ড অনুযায়ী বিবেচনা করা হয়। প্রথমত, একটি একক ফ্রিকোয়েন্সিতে রিসিভ ব্যান্ডউইথ সীমিত করা আদর্শভাবে পরিমাপের নির্ভুলতা উন্নত করে এবং পোস্ট-প্রসেসিং ধাপকে সহজ করে। এছাড়াও, আল্ট্রাসাউন্ডে অপারেশনের সুবিধা রয়েছে যে নির্গত ডালগুলি শ্রবণযোগ্য নয়, তাই লোকেদের বিরক্ত করবেন না, যেহেতু তাদের শ্রবণ পরিসীমা ~20-20 kHz।
শস্যাগার পেঁচা একটি লক্ষ্য থেকে শব্দ তরঙ্গ গ্রহণ করে, এই ক্ষেত্রে চলন্ত শিকার। শব্দ তরঙ্গের উড্ডয়নের সময় (ToF) প্রতিটি কানের জন্য আলাদা হয় (যদি না শিকার সরাসরি পেঁচার সামনে থাকে)। বিন্দুযুক্ত রেখাটি শব্দ তরঙ্গগুলি শস্যাগার পেঁচার কানে পৌঁছানোর পথ দেখায়। অনুভূমিক সমতলে শিকারকে সঠিকভাবে স্থানীয়করণ করা যেতে পারে দুটি শাব্দ পথের মধ্যে দৈর্ঘ্যের পার্থক্য এবং সংশ্লিষ্ট অন্তর্বর্তী সময়ের পার্থক্য (ITD) (রেফ. 74, কপিরাইট 2002, সোসাইটি ফর নিউরোসায়েন্স দ্বারা অনুপ্রাণিত বাম চিত্র)। আমাদের সিস্টেমে, পিএমইউটি ট্রান্সমিটার (গাঢ় নীল) শব্দ তরঙ্গ উৎপন্ন করে যা লক্ষ্য থেকে বাউন্স করে। প্রতিফলিত আল্ট্রাসাউন্ড তরঙ্গ দুটি পিএমইউটি রিসিভার (হালকা সবুজ) দ্বারা গ্রহণ করা হয় এবং নিউরোমর্ফিক প্রসেসর (ডানে) দ্বারা প্রক্রিয়া করা হয়। b একটি আইটিডি (জেফ্রেস) কম্পিউটেশনাল মডেল বর্ণনা করে যে কীভাবে শস্যাগার পেঁচার কানে প্রবেশ করা শব্দগুলিকে প্রথমে বড় নিউক্লিয়াসে (NM) ফেজ-লক স্পাইক হিসাবে এনকোড করা হয় এবং তারপর ল্যামেলার নিউক্লিয়াসে মিলিত ডিটেক্টর নিউরনের একটি জ্যামিতিকভাবে সাজানো গ্রিড ব্যবহার করে। প্রক্রিয়াকরণ (নেদারল্যান্ড) (বাম)। বিলম্ব লাইন এবং কাকতালীয় আবিষ্কারক নিউরনের সমন্বয়ে একটি নিউরোআইটিডি কম্পিউটেশনাল গ্রাফের চিত্র, পেঁচা বায়োসেন্সর সিস্টেমটি RRAM-ভিত্তিক নিউরোমরফিক সার্কিট (ডানদিকে) ব্যবহার করে মডেল করা যেতে পারে। গ প্রধান জেফ্রেস মেকানিজমের পরিকল্পিত, ToF-এর পার্থক্যের কারণে, দুটি কান বিভিন্ন সময়ে শব্দ উদ্দীপনা গ্রহণ করে এবং উভয় প্রান্ত থেকে ডিটেক্টরে অ্যাক্সন পাঠায়। অ্যাক্সনগুলি কাকতালীয় আবিষ্কারক (সিডি) নিউরনের একটি সিরিজের অংশ, যার প্রত্যেকটি দৃঢ়ভাবে সময়-সম্পর্কিত ইনপুটগুলিতে নির্বাচিতভাবে প্রতিক্রিয়া জানায়। ফলস্বরূপ, শুধুমাত্র সিডি যাদের ইনপুটগুলি সবচেয়ে ছোট সময়ের পার্থক্যের সাথে আসে তারা সর্বাধিক উত্তেজিত হয় (ITD সঠিকভাবে ক্ষতিপূরণ দেওয়া হয়)। সিডি তখন টার্গেটের কৌণিক অবস্থানকে এনকোড করবে।
পাইজোইলেকট্রিক মাইক্রোমেকানিকাল অতিস্বনক ট্রান্সডুসারগুলি হল স্কেলযোগ্য অতিস্বনক ট্রান্সডুসার যা উন্নত CMOS প্রযুক্তি 31,32,33,52 এর সাথে একীভূত করা যেতে পারে এবং প্রচলিত ভলিউম্যাট্রিক ট্রান্সডুসারের তুলনায় কম প্রাথমিক ভোল্টেজ এবং পাওয়ার খরচ আছে। আমাদের কাজে, ঝিল্লির ব্যাস 880 µm, এবং অনুরণন ফ্রিকোয়েন্সি 110-117 kHz পরিসরে বিতরণ করা হয় (চিত্র 2a, বিস্তারিত জানার জন্য পদ্ধতি দেখুন)। দশটি টেস্ট ডিভাইসের একটি ব্যাচে, গড় মানের ফ্যাক্টর ছিল প্রায় 50 (রেফ। 31)। প্রযুক্তিটি শিল্প পরিপক্কতায় পৌঁছেছে এবং এটি জৈব অনুপ্রাণিত নয়। বিভিন্ন pMUT ফিল্ম থেকে তথ্য একত্রিত করা একটি সুপরিচিত কৌশল, এবং কোণ তথ্য pMUTs থেকে প্রাপ্ত করা যেতে পারে, উদাহরণস্বরূপ, বিমফর্মিং কৌশল 31,54 ব্যবহার করে। যাইহোক, কোণ তথ্য বের করার জন্য প্রয়োজনীয় সংকেত প্রক্রিয়াকরণ কম শক্তি পরিমাপের জন্য উপযুক্ত নয়। প্রস্তাবিত সিস্টেমটি জেফ্রেস মডেল (চিত্র 2c) দ্বারা অনুপ্রাণিত একটি RRAM-ভিত্তিক নিউরোমরফিক কম্পিউটিং গ্রাফের সাথে নিউরোমর্ফিক ডেটা প্রিপ্রসেসিং সার্কিট পিএমইউটিকে একত্রিত করে, একটি বিকল্প শক্তি-দক্ষ এবং সংস্থান-সীমাবদ্ধ হার্ডওয়্যার সমাধান প্রদান করে। আমরা একটি পরীক্ষা করেছি যেখানে দুটি পিএমইউটি সেন্সর প্রায় 10 সেন্টিমিটার দূরে রাখা হয়েছিল যাতে দুটি গ্রহণকারী ঝিল্লি দ্বারা প্রাপ্ত বিভিন্ন ToF শব্দ শোষণ করা হয়। একটি ট্রান্সমিটার হিসাবে কাজ করে একটি পিএমইউটি রিসিভারগুলির মধ্যে বসে। লক্ষ্য ছিল 12 সেমি চওড়া একটি পিভিসি প্লেট, যা পিএমইউটি ডিভাইসের সামনে ডি দূরত্বে অবস্থিত (চিত্র 2বি)। রিসিভার বস্তু থেকে প্রতিফলিত শব্দ রেকর্ড করে এবং শব্দ তরঙ্গের উত্তরণের সময় যতটা সম্ভব প্রতিক্রিয়া জানায়। দূরত্ব D এবং কোণ θ দ্বারা নির্ধারিত বস্তুর অবস্থান পরিবর্তন করে পরীক্ষার পুনরাবৃত্তি করুন। একটি লিঙ্ক দ্বারা অনুপ্রাণিত. 55, আমরা একটি নিউরোমর্ফিক কম্পিউটেশনাল গ্রাফ ইনপুট করতে প্রতিফলিত তরঙ্গকে শিখরে রূপান্তর করতে pMUT কাঁচা সংকেতগুলির একটি নিউরোমর্ফিক প্রাক-প্রক্রিয়াকরণের প্রস্তাব করি। শিখর প্রশস্ততার সাথে সম্পর্কিত ToF দুটি চ্যানেলের প্রতিটি থেকে বের করা হয় এবং পৃথক শিখরগুলির সঠিক সময় হিসাবে এনকোড করা হয়। ডুমুর উপর. 2c একটি RRAM-ভিত্তিক কম্পিউটেশনাল গ্রাফের সাথে pMUT সেন্সরকে ইন্টারফেস করার জন্য প্রয়োজনীয় সার্কিট্রি দেখায়: দুটি pMUT রিসিভারের প্রতিটির জন্য, কাঁচা সংকেতটি ব্যান্ড-পাসকে ফিল্টার করা হয় মসৃণ, সংশোধন এবং তারপর ওভারকামিং মোডে ফুটো ইন্টিগ্রেটরের কাছে পাঠানো হয়। ডাইনামিক থ্রেশহোল্ড (চিত্র 2d) একটি আউটপুট ইভেন্ট (স্পাইক) এবং ফায়ারিং (LIF) নিউরন তৈরি করে: আউটপুট স্পাইক সময় সনাক্ত করা ফ্লাইট সময়কে এনকোড করে। LIF থ্রেশহোল্ড pMUT প্রতিক্রিয়ার বিপরীতে ক্রমাঙ্কিত হয়, যার ফলে ডিভাইস থেকে ডিভাইসে pMUT পরিবর্তনশীলতা হ্রাস পায়। এই পদ্ধতির সাহায্যে, পুরো শব্দ তরঙ্গকে মেমরিতে সংরক্ষণ করার এবং পরে এটি প্রক্রিয়াকরণের পরিবর্তে, আমরা কেবল শব্দ তরঙ্গের ToF-এর সাথে সামঞ্জস্যপূর্ণ একটি শিখর তৈরি করি, যা প্রতিরোধী মেমরি কম্পিউটেশনাল গ্রাফে ইনপুট গঠন করে। স্পাইকগুলি সরাসরি বিলম্বের লাইনে পাঠানো হয় এবং নিউরোমরফিক কম্পিউটেশন গ্রাফে ম্যাচ ডিটেকশন মডিউলের সাথে সমান্তরাল করা হয়। যেহেতু এগুলিকে ট্রানজিস্টরের গেটে পাঠানো হয়, তাই কোনো অতিরিক্ত পরিবর্ধন সার্কিটরির প্রয়োজন হয় না (বিস্তারিত জানার জন্য পরিপূরক চিত্র 4 দেখুন)। pMUT এবং প্রস্তাবিত সিগন্যাল প্রসেসিং পদ্ধতি দ্বারা প্রদত্ত স্থানীয়করণ কৌণিক নির্ভুলতা মূল্যায়ন করার জন্য, বস্তুর দূরত্ব এবং কোণ ভিন্ন হওয়ায় আমরা ITD (অর্থাৎ, দুটি রিসিভার দ্বারা উত্পন্ন পিক ইভেন্টের মধ্যে সময়ের পার্থক্য) পরিমাপ করেছি। আইটিডি বিশ্লেষণটি তখন কোণে রূপান্তরিত হয়েছিল (পদ্ধতিগুলি দেখুন) এবং বস্তুর অবস্থানের বিরুদ্ধে প্লট করা হয়েছিল: পরিমাপকৃত আইটিডি-তে অনিশ্চয়তা বস্তুর দূরত্ব এবং কোণের সাথে বৃদ্ধি পেয়েছে (চিত্র 2e,f)। প্রধান সমস্যা হল পিএমইউটি প্রতিক্রিয়াতে পিক-টু-নয়েজ রেশিও (পিএনআর)। বস্তু যত দূরে থাকবে, শাব্দ সংকেত তত কম হবে, যার ফলে PNR হ্রাস পাবে (চিত্র 2f, সবুজ লাইন)। PNR হ্রাস আইটিডি অনুমানে অনিশ্চয়তা বৃদ্ধির দিকে পরিচালিত করে, যার ফলে স্থানীয়করণের সঠিকতা বৃদ্ধি পায় (চিত্র 2f, নীল লাইন)। ট্রান্সমিটার থেকে 50 সেমি দূরত্বের একটি বস্তুর জন্য, সিস্টেমের কৌণিক নির্ভুলতা প্রায় 10°। সেন্সরের বৈশিষ্ট্য দ্বারা আরোপিত এই সীমাবদ্ধতা উন্নত করা যেতে পারে। উদাহরণস্বরূপ, ইমিটার দ্বারা প্রেরিত চাপ বাড়ানো যেতে পারে, যার ফলে পিএমইউটি ঝিল্লি চালিত ভোল্টেজ বৃদ্ধি পায়। ট্রান্সমিটেড সিগন্যালকে প্রশস্ত করার আরেকটি সমাধান হল একাধিক ট্রান্সমিটার 56 সংযোগ করা। এই সমাধানগুলি বর্ধিত শক্তি খরচের কারণে সনাক্তকরণের পরিসর বাড়িয়ে দেবে। প্রাপ্তির দিকে অতিরিক্ত উন্নতি করা যেতে পারে। pMUT এর রিসিভার নয়েজ ফ্লোর উল্লেখযোগ্যভাবে হ্রাস করা যেতে পারে pMUT এবং প্রথম পর্যায়ের পরিবর্ধকের মধ্যে সংযোগ উন্নত করে, যা বর্তমানে তারের সংযোগ এবং RJ45 তারের সাথে করা হয়।
1.5 মিমি পিচে সংহত ছয়টি 880 µm ঝিল্লি সহ একটি pMUT স্ফটিকের একটি চিত্র। b পরিমাপ সেটআপের চিত্র। টার্গেটটি আজিমুথ পজিশন θ এবং ডি দূরত্বে অবস্থিত। pMUT ট্রান্সমিটার একটি 117.6 kHz সিগন্যাল জেনারেট করে যা টার্গেট থেকে বাউন্স করে এবং দুটি pMUT রিসিভারে পৌঁছায় বিভিন্ন সময়-অফ-ফ্লাইটের (ToF) সাথে। এই পার্থক্যটি, ইন্টার-অরাল টাইম ডিফারেন্স (ITD) হিসাবে সংজ্ঞায়িত, একটি বস্তুর অবস্থানকে এনকোড করে এবং দুটি রিসিভার সেন্সরের সর্বোচ্চ প্রতিক্রিয়া অনুমান করে অনুমান করা যায়। c কাঁচা pMUT সংকেতকে স্পাইক সিকোয়েন্সে (যেমন নিউরোমর্ফিক কম্পিউটেশন গ্রাফে ইনপুট) রূপান্তর করার জন্য প্রি-প্রসেসিং ধাপের পরিকল্পিত। পিএমইউটি সেন্সর এবং নিউরোমরফিক কম্পিউটেশনাল গ্রাফগুলি তৈরি করা হয়েছে এবং পরীক্ষা করা হয়েছে এবং নিউরোমর্ফিক প্রাক-প্রসেসিং সফ্টওয়্যার সিমুলেশনের উপর ভিত্তি করে। d একটি সংকেত প্রাপ্তির পরে pMUT ঝিল্লির প্রতিক্রিয়া এবং এটি একটি স্পাইক ডোমেনে রূপান্তরিত হয়। e পরীক্ষামূলক স্থানীয়করণ বস্তুর কোণ (Θ) এবং লক্ষ্য বস্তুর দূরত্ব (D) এর একটি ফাংশন হিসাবে কৌণিক নির্ভুলতা। ITD নিষ্কাশন পদ্ধতির জন্য আনুমানিক 4°C এর ন্যূনতম কৌণিক রেজোলিউশন প্রয়োজন। f কৌণিক নির্ভুলতা (নীল রেখা) এবং Θ = 0 এর জন্য বস্তুর দূরত্ব বনাম পিক-টু-নোইজ অনুপাত (সবুজ রেখা)।
প্রতিরোধী মেমরি একটি অ-উদ্বায়ী পরিবাহী অবস্থায় তথ্য সঞ্চয় করে। পদ্ধতির মূল নীতি হল যে পারমাণবিক স্তরে উপাদানের পরিবর্তন তার বৈদ্যুতিক পরিবাহিতা 57 পরিবর্তন ঘটায়। এখানে আমরা একটি অক্সাইড-ভিত্তিক প্রতিরোধী মেমরি ব্যবহার করি যা উপরে এবং নীচের টাইটানিয়াম এবং টাইটানিয়াম নাইট্রাইড ইলেক্ট্রোডের মধ্যে স্যান্ডউইচ করা হাফনিয়াম ডাই অক্সাইডের 5nm স্তর নিয়ে গঠিত। RRAM ডিভাইসের পরিবাহিতা একটি কারেন্ট/ভোল্টেজ তরঙ্গরূপ প্রয়োগ করে পরিবর্তন করা যেতে পারে যা ইলেক্ট্রোডের মধ্যে অক্সিজেন শূন্যতার পরিবাহী ফিলামেন্ট তৈরি করে বা ভেঙে দেয়। একটি কাকতালীয় আবিষ্কারক এবং একটি বিলম্ব লাইন সার্কিট (চিত্র 3a) প্রয়োগ করে একটি বানোয়াট পুনর্গঠনযোগ্য নিউরোমর্ফিক সার্কিট তৈরি করতে আমরা এই জাতীয় ডিভাইসগুলিকে একটি মান 130 nm CMOS প্রক্রিয়ার মধ্যে সহ-সংহত করেছি। ডিভাইসের অ-উদ্বায়ী এবং এনালগ প্রকৃতি, নিউরোমরফিক সার্কিটের ঘটনা-চালিত প্রকৃতির সাথে মিলিত, শক্তি খরচ কমিয়ে দেয়। সার্কিটের একটি তাত্ক্ষণিক অন/অফ ফাংশন রয়েছে: এটি চালু হওয়ার সাথে সাথেই কাজ করে, সার্কিটটি নিষ্ক্রিয় অবস্থায় পাওয়ার সম্পূর্ণরূপে বন্ধ করার অনুমতি দেয়। প্রস্তাবিত স্কিমের প্রধান বিল্ডিং ব্লকগুলি চিত্রে দেখানো হয়েছে। 3 খ. এটি এন সমান্তরাল একক-প্রতিরোধক একক-ট্রানজিস্টর (1T1R) কাঠামো নিয়ে গঠিত যা সিনাপটিক ওজনগুলিকে এনকোড করে যেখান থেকে ওজনযুক্ত স্রোতগুলি নেওয়া হয়, একটি ডিফারেনশিয়াল পেয়ার ইন্টিগ্রেটর (DPI)59-এর সাধারণ সিন্যাপসে ইনজেকশন করা হয় এবং অবশেষে ইন্টিগ্রেশনের সাথে সিন্যাপসে ইনজেকশন দেওয়া হয় এবং ফুটো সক্রিয় (LIF) নিউরন 60 (বিশদ বিবরণের জন্য পদ্ধতি দেখুন)। শত শত ন্যানোসেকেন্ডের ক্রমানুসারে ভোল্টেজের স্পন্দনের ক্রমানুসারে ইনপুট সার্জগুলি 1T1R কাঠামোর গেটে প্রয়োগ করা হয়। Vbottom গ্রাউন্ড করা হলে Vtop-এ একটি বাহ্যিক ইতিবাচক রেফারেন্স প্রয়োগ করে রেসিস্টিভ মেমরি একটি উচ্চ পরিবাহী অবস্থায় (HCS) স্থাপন করা যেতে পারে এবং Vtop গ্রাউন্ড করা হলে Vbottom-এ একটি ইতিবাচক ভোল্টেজ প্রয়োগ করে একটি নিম্ন পরিবাহী অবস্থায় (LCS) পুনরায় সেট করা যেতে পারে। সিরিজ ট্রানজিস্টরের গেট-সোর্স ভোল্টেজ (চিত্র 3c) দ্বারা SET (ICC) এর প্রোগ্রামিং কারেন্ট (সম্মতি) সীমিত করে HCS-এর গড় মান নিয়ন্ত্রণ করা যেতে পারে। সার্কিটে RRAM এর কাজগুলি দ্বিগুণ: তারা ইনপুট ডালগুলিকে নির্দেশ করে এবং ওজন করে।
সবুজ রঙে নির্বাচক ট্রানজিস্টর (650 এনএম চওড়া) সহ 130 nm CMOS প্রযুক্তিতে সংহত একটি নীল HfO2 1T1R RRAM ডিভাইসের স্ক্যানিং ইলেক্ট্রন মাইক্রোস্কোপ (SEM) চিত্র। b প্রস্তাবিত নিউরোমরফিক স্কিমার মৌলিক বিল্ডিং ব্লক। ইনপুট ভোল্টেজ ডাল (শিখর) Vin0 এবং Vin1 বর্তমান আইওয়েট গ্রাস করে, যা 1T1R কাঠামোর G0 এবং G1 পরিবাহিত অবস্থার সমানুপাতিক। এই কারেন্ট ডিপিআই সিন্যাপসে ইনজেকশন দেওয়া হয় এবং এলআইএফ নিউরনকে উত্তেজিত করে। RRAM G0 এবং G1 যথাক্রমে HCS এবং LCS-এ ইনস্টল করা আছে। গ আইসিসি কারেন্ট ম্যাচিং এর একটি ফাংশন হিসাবে 16K RRAM ডিভাইসের একটি গ্রুপের জন্য ক্রমবর্ধমান পরিবাহী ঘনত্বের কার্যকারিতা, যা কার্যকরভাবে পরিবাহী স্তর নিয়ন্ত্রণ করে। d সার্কিট পরিমাপ (a) এ দেখায় যে G1 (LCS-এ) কার্যকরভাবে ভিন1 (সবুজ) থেকে ইনপুট ব্লক করে, এবং প্রকৃতপক্ষে আউটপুট নিউরনের ঝিল্লি ভোল্টেজ শুধুমাত্র Vin0 থেকে নীল ইনপুটকে সাড়া দেয়। RRAM কার্যকরভাবে সার্কিটের সংযোগগুলি নির্ধারণ করে। e সার্কিটের পরিমাপ (b) একটি ভোল্টেজ পালস Vin0 প্রয়োগ করার পরে ঝিল্লি ভোল্টেজ Vmem-এ পরিবাহী মান G0 এর প্রভাব দেখাচ্ছে। যত বেশি পরিবাহিতা, তত শক্তিশালী প্রতিক্রিয়া: এইভাবে, RRAM ডিভাইস I/O সংযোগের ওজন প্রয়োগ করে। সার্কিটে পরিমাপ করা হয়েছিল এবং RRAM এর দ্বৈত ফাংশন, রাউটিং এবং ইনপুট ডালের ওজন প্রদর্শন করা হয়েছিল।
প্রথমত, যেহেতু দুটি মৌলিক পরিবাহী অবস্থা (এইচসিএস এবং এলসিএস), তাই যথাক্রমে এলসিএস বা এইচসিএস স্টেটে থাকা অবস্থায় আরআরএএম ইনপুট ডালগুলিকে ব্লক বা মিস করতে পারে। ফলস্বরূপ, RRAM কার্যকরভাবে সার্কিটের সংযোগগুলি নির্ধারণ করে। এটি আর্কিটেকচার পুনরায় কনফিগার করতে সক্ষম হওয়ার ভিত্তি। এটি প্রদর্শনের জন্য, আমরা চিত্র 3b-এ সার্কিট ব্লকের একটি বানোয়াট সার্কিট বাস্তবায়ন বর্ণনা করব। G0 এর সাথে সম্পর্কিত RRAM HCS-এ প্রোগ্রাম করা হয় এবং দ্বিতীয় RRAM G1 LCS-এ প্রোগ্রাম করা হয়। ইনপুট ডাল Vin0 এবং Vin1 উভয় ক্ষেত্রেই প্রয়োগ করা হয়। একটি অসিলোস্কোপ ব্যবহার করে নিউরন মেমব্রেন ভোল্টেজ এবং আউটপুট সংকেত সংগ্রহ করে আউটপুট নিউরনে ইনপুট ডালের দুটি অনুক্রমের প্রভাব বিশ্লেষণ করা হয়েছিল। পরীক্ষাটি সফল হয়েছিল যখন শুধুমাত্র এইচসিএস ডিভাইস (G0) মেমব্রেনের উত্তেজনাকে উদ্দীপিত করার জন্য নিউরনের নাড়ির সাথে সংযুক্ত ছিল। এটি চিত্র 3d-এ প্রদর্শিত হয়েছে, যেখানে নীল পালস ট্রেনটি ঝিল্লির ক্যাপাসিটরের উপর ঝিল্লির ভোল্টেজ তৈরি করে, যখন সবুজ পালস ট্রেনটি ঝিল্লির ভোল্টেজকে স্থির রাখে।
আরআরএএম-এর দ্বিতীয় গুরুত্বপূর্ণ কাজ হল সংযোগ ওজন বাস্তবায়ন করা। RRAM এর এনালগ কন্ডাক্টেন্স অ্যাডজাস্টমেন্ট ব্যবহার করে, I/O সংযোগগুলি সেই অনুযায়ী ওজন করা যেতে পারে। দ্বিতীয় পরীক্ষায়, G0 ডিভাইসটি HCS এর বিভিন্ন স্তরে প্রোগ্রাম করা হয়েছিল, এবং ইনপুট পালস VIn0 ইনপুটে প্রয়োগ করা হয়েছিল। ইনপুট পালস ডিভাইস থেকে একটি কারেন্ট (আইওয়েট) আঁকে, যা কন্ডাক্টেন্স এবং সংশ্লিষ্ট সম্ভাব্য ড্রপ Vtop − Vbot এর সমানুপাতিক। এই ওজনযুক্ত কারেন্ট তারপরে ডিপিআই সিন্যাপসেস এবং এলআইএফ আউটপুট নিউরনে ইনজেকশন দেওয়া হয়। আউটপুট নিউরনের মেমব্রেন ভোল্টেজ একটি অসিলোস্কোপ ব্যবহার করে রেকর্ড করা হয়েছিল এবং চিত্র 3d-এ প্রদর্শিত হয়েছে। একটি একক ইনপুট নাড়ির প্রতিক্রিয়ায় নিউরন মেমব্রেনের ভোল্টেজের শিখরটি প্রতিরোধক মেমরির পরিবাহিতার সমানুপাতিক, এটি প্রদর্শন করে যে RRAM সিন্যাপটিক ওজনের একটি প্রোগ্রামযোগ্য উপাদান হিসাবে ব্যবহার করা যেতে পারে। এই দুটি প্রাথমিক পরীক্ষা দেখায় যে প্রস্তাবিত RRAM-ভিত্তিক নিউরোমরফিক প্ল্যাটফর্ম মৌলিক জেফ্রেস প্রক্রিয়ার মৌলিক উপাদানগুলি, যথা বিলম্ব লাইন এবং কাকতালীয় আবিষ্কারক সার্কিট বাস্তবায়ন করতে সক্ষম। সার্কিট প্ল্যাটফর্মটি পরপর ব্লকগুলিকে পাশাপাশি স্ট্যাকিং করে তৈরি করা হয়েছে, যেমন চিত্র 3b-এর ব্লকগুলি, এবং তাদের গেটগুলিকে একটি সাধারণ ইনপুট লাইনের সাথে সংযুক্ত করে। আমরা দুটি ইনপুট গ্রহণকারী দুটি আউটপুট নিউরন সমন্বিত একটি নিউরোমরফিক প্ল্যাটফর্ম ডিজাইন, তৈরি এবং পরীক্ষা করেছি (চিত্র 4a)। সার্কিট ডায়াগ্রাম চিত্র 4b এ দেখানো হয়েছে। উপরের 2 × 2 RRAM ম্যাট্রিক্স ইনপুট ডালগুলিকে দুটি আউটপুট নিউরনে নির্দেশিত হতে দেয়, যখন নীচের 2 × 2 ম্যাট্রিক্স দুটি নিউরনের (N0, N1) পুনরাবৃত্তি সংযোগের অনুমতি দেয়। আমরা প্রদর্শন করি যে এই প্ল্যাটফর্মটি একটি বিলম্ব লাইন কনফিগারেশন এবং দুটি ভিন্ন কাকতালীয় আবিষ্কারক ফাংশন সহ ব্যবহার করা যেতে পারে, যেমন চিত্র 4c-e-তে পরীক্ষামূলক পরিমাপ দ্বারা দেখানো হয়েছে।
দুটি আউটপুট নিউরন N0 এবং N1 দ্বারা গঠিত সার্কিট ডায়াগ্রাম দুটি ইনপুট 0 এবং 1 গ্রহণ করে। অ্যারের শীর্ষ চারটি ডিভাইস ইনপুট থেকে আউটপুট পর্যন্ত সিনাপটিক সংযোগকে সংজ্ঞায়িত করে এবং নীচের চারটি কোষ নিউরনের মধ্যে পুনরাবৃত্ত সংযোগকে সংজ্ঞায়িত করে। রঙিন RRAM গুলি ডানদিকে HCS-এ কনফিগার করা ডিভাইসগুলিকে প্রতিনিধিত্ব করে: HCS-এর ডিভাইসগুলি সংযোগের অনুমতি দেয় এবং ওজনের প্রতিনিধিত্ব করে, যখন LCS-এর ডিভাইসগুলি ইনপুট পালস ব্লক করে এবং আউটপুটগুলির সাথে সংযোগগুলি অক্ষম করে৷ b নীল রঙে হাইলাইট করা আটটি RRAM মডিউল সহ সার্কিটের ডায়াগ্রাম (a)। c বিলম্ব লাইনগুলি কেবল DPI সিন্যাপ্স এবং LIF নিউরনের গতিবিদ্যা ব্যবহার করে গঠিত হয়। সবুজ RRAM ইনপুট বিলম্ব Δt পরে আউটপুটে একটি ত্রুটি প্ররোচিত করতে সক্ষম হওয়ার জন্য যথেষ্ট উচ্চ পরিবাহীতে সেট করা হয়েছে। d সময়নির্ভর সংকেতগুলির দিকনির্দেশ-অসংবেদনশীল সিডি সনাক্তকরণের পরিকল্পিত চিত্র। আউটপুট নিউরন 1, N1, ইনপুট 0 এবং 1 অল্প বিলম্বে আগুন দেয়। e দিকনির্দেশ সংবেদনশীল সিডি সার্কিট, একটি সার্কিট যা সনাক্ত করে যখন ইনপুট 1 ইনপুট 0 এর কাছে আসে এবং ইনপুট 0 এর পরে আসে। সার্কিটের আউটপুট নিউরন 1 (N1) দ্বারা প্রতিনিধিত্ব করা হয়।
বিলম্ব লাইন (চিত্র 4c) টিডেল বিলম্বিত করে ভিন1 থেকে Vout1 পর্যন্ত ইনপুট স্পাইক পুনরুত্পাদন করতে DPI সিন্যাপ্স এবং LIF নিউরনের গতিশীল আচরণ ব্যবহার করে। শুধুমাত্র Vin1 এবং Vout1 এর সাথে সংযুক্ত G3 RRAM HCS-এ প্রোগ্রাম করা হয়, বাকি RRAMগুলি LCS-এ প্রোগ্রাম করা হয়। G3 ডিভাইসটি 92.6 µs এর জন্য প্রোগ্রাম করা হয়েছিল যাতে প্রতিটি ইনপুট পালস আউটপুট নিউরনের মেমব্রেন ভোল্টেজকে থ্রেশহোল্ডে পৌঁছানোর জন্য যথেষ্ট পরিমাণে বৃদ্ধি করে এবং বিলম্বিত আউটপুট পালস তৈরি করে। বিলম্ব Tdel সিনাপটিক এবং নিউরাল সময় ধ্রুবক দ্বারা নির্ধারিত হয়। কাকতালীয় ডিটেক্টর অস্থায়ীভাবে সম্পর্কযুক্ত কিন্তু স্থানিকভাবে বিতরণ করা ইনপুট সংকেতগুলির উপস্থিতি সনাক্ত করে। দিকনির্দেশ-সংবেদনশীল সিডি একটি সাধারণ আউটপুট নিউরনে রূপান্তরিত পৃথক ইনপুটের উপর নির্ভর করে (চিত্র 4d)। Vin0 এবং Vin1-এর সাথে Vout1, G2 এবং G4 সংযোগকারী দুটি RRAM উচ্চ পরিবাহনের জন্য প্রোগ্রাম করা হয়েছে। Vin0 এবং Vin1-এ স্পাইকের একযোগে আগমন আউটপুট স্পাইক তৈরি করতে প্রয়োজনীয় প্রান্তিকের উপরে N1 নিউরন মেমব্রেনের ভোল্টেজ বাড়িয়ে দেয়। যদি দুটি ইনপুট সময়ের মধ্যে অনেক দূরে থাকে, তাহলে প্রথম ইনপুট দ্বারা জমা হওয়া ঝিল্লি ভোল্টেজের চার্জের ক্ষয় হতে পারে, যা ঝিল্লি সম্ভাব্য N1-কে প্রান্তিক মান পৌঁছাতে বাধা দেয়। G1 এবং G2 আনুমানিক 65 µs এর জন্য প্রোগ্রাম করা হয়েছে, যা নিশ্চিত করে যে একটি একক ইনপুট ঢেউ আউটপুট বৃদ্ধির জন্য যথেষ্ট পরিমাণে মেমব্রেন ভোল্টেজ বাড়ায় না। স্থান এবং সময়ের মধ্যে বিতরণ করা ইভেন্টগুলির মধ্যে কাকতালীয় সনাক্তকরণ একটি মৌলিক ক্রিয়াকলাপ যা বিস্তৃত সংবেদনমূলক কাজে ব্যবহৃত হয় যেমন অপটিক্যাল প্রবাহ ভিত্তিক বাধা পরিহার এবং শব্দ উত্স স্থানীয়করণ। এইভাবে, কম্পিউটিং দিক-সংবেদনশীল এবং সংবেদনশীল সিডিগুলি ভিজ্যুয়াল এবং অডিও স্থানীয়করণ সিস্টেম তৈরির জন্য একটি মৌলিক বিল্ডিং ব্লক। সময় ধ্রুবকের বৈশিষ্ট্য দ্বারা দেখানো হয়েছে (পরিপূরক চিত্র 2 দেখুন), প্রস্তাবিত সার্কিটটি সময় স্কেলগুলির মাত্রার চারটি অর্ডারের একটি উপযুক্ত পরিসর প্রয়োগ করে। সুতরাং, এটি একই সাথে ভিজ্যুয়াল এবং সাউন্ড সিস্টেমের প্রয়োজনীয়তা পূরণ করতে পারে। দিকনির্দেশক-সংবেদনশীল সিডি হল একটি সার্কিট যা ডালের আগমনের স্থানিক ক্রম সংবেদনশীল: ডান থেকে বামে এবং তদ্বিপরীত। এটি ড্রোসোফিলা ভিজ্যুয়াল সিস্টেমের মৌলিক গতি সনাক্তকরণ নেটওয়ার্কের একটি মৌলিক বিল্ডিং ব্লক, যা গতির দিকনির্দেশ গণনা করতে এবং সংঘর্ষ সনাক্ত করতে ব্যবহৃত হয়62। একটি দিক-সংবেদনশীল সিডি অর্জন করতে, দুটি ইনপুট দুটি ভিন্ন নিউরনে (N0, N1) নির্দেশিত হতে হবে এবং তাদের মধ্যে একটি দিকনির্দেশক সংযোগ স্থাপন করতে হবে (চিত্র 4e)। যখন প্রথম ইনপুট প্রাপ্ত হয়, তখন NO এর থ্রেশহোল্ড মানের উপরে তার ঝিল্লি জুড়ে ভোল্টেজ বাড়িয়ে এবং একটি ঢেউ পাঠানোর মাধ্যমে প্রতিক্রিয়া দেখায়। এই আউটপুট ইভেন্টটি, ঘুরে, সবুজ রঙে হাইলাইট করা দিকনির্দেশক সংযোগের জন্য N1 জ্বালিয়ে দেয়। যদি একটি ইনপুট ইভেন্ট Vin1 আসে এবং N1 কে শক্তি দেয় যখন এর মেমব্রেন ভোল্টেজ এখনও বেশি থাকে, N1 একটি আউটপুট ইভেন্ট তৈরি করে যা নির্দেশ করে যে দুটি ইনপুটের মধ্যে একটি মিল পাওয়া গেছে। দিকনির্দেশক সংযোগ N1 কে আউটপুট নির্গত করতে দেয় শুধুমাত্র যদি ইনপুট 0 এর পরে ইনপুট 1 আসে। G0, G3, এবং G7 যথাক্রমে 73.5 µS, 67.3 µS, এবং 40.2 µS এ প্রোগ্রাম করা হয়, যাতে নিশ্চিত করা হয় যে ইনপুট Vin0-তে একটি একক স্পাইক বিলম্বিত করে। আউটপুট স্পাইক, যখন শুধুমাত্র N1 এর মেমব্রেন সম্ভাব্য উভয় ইনপুট বিস্ফোরণ সিঙ্কে পৌঁছালে থ্রেশহোল্ডে পৌঁছায়। .
পরিবর্তনশীলতা মডেল করা নিউরোমরফিক সিস্টেমে অপূর্ণতার একটি উৎস 63,64,65। এটি নিউরন এবং সিন্যাপসের ভিন্নধর্মী আচরণের দিকে পরিচালিত করে। এই ধরনের অসুবিধাগুলির উদাহরণগুলির মধ্যে রয়েছে ইনপুট লাভের 30% (মানে প্রমিত বিচ্যুতি) পরিবর্তনশীলতা, সময় ধ্রুবক, এবং অবাধ্য সময়, নাম অনুসারে কয়েকটি (পদ্ধতি দেখুন)। এই সমস্যাটি আরও প্রকট হয় যখন একাধিক নিউরাল সার্কিট একসাথে সংযুক্ত থাকে, যেমন দুটি নিউরন সমন্বিত একটি ওরিয়েন্টেশন-সংবেদনশীল সিডি। সঠিকভাবে কাজ করার জন্য, দুটি নিউরনের লাভ এবং ক্ষয় সময়ের ধ্রুবক যতটা সম্ভব একই হওয়া উচিত। উদাহরণস্বরূপ, ইনপুট লাভের একটি বড় পার্থক্যের কারণে একটি নিউরন একটি ইনপুট পালসকে অতিরিক্ত প্রতিক্রিয়া দেখাতে পারে যখন অন্য নিউরন সবেমাত্র প্রতিক্রিয়াশীল। ডুমুর উপর. চিত্র 5a দেখায় যে এলোমেলোভাবে নির্বাচিত নিউরনগুলি একই ইনপুট নাড়িতে ভিন্নভাবে প্রতিক্রিয়া জানায়। এই স্নায়ু পরিবর্তনশীলতা প্রাসঙ্গিক, উদাহরণস্বরূপ, দিক-সংবেদনশীল সিডির ফাংশনের সাথে। চিত্রে দেখানো স্কিমটিতে। 5b, c, নিউরন 1 এর ইনপুট লাভ নিউরন 0 এর তুলনায় অনেক বেশি। এইভাবে, নিউরন 0-এর থ্রেশহোল্ডে পৌঁছানোর জন্য তিনটি ইনপুট স্পন্দন (1 এর পরিবর্তে) প্রয়োজন এবং নিউরন 1, প্রত্যাশিত হিসাবে, দুটি ইনপুট ইভেন্টের প্রয়োজন। স্পাইক টাইম-নির্ভর বায়োমিমেটিক প্লাস্টিকটি (এসটিডিপি) প্রয়োগ করা সিস্টেমের কর্মক্ষমতার উপর অস্পষ্ট এবং অলস নিউরাল এবং সিনাপটিক সার্কিটের প্রভাব প্রশমিত করার একটি সম্ভাব্য উপায়। এখানে আমরা নিউরাল ইনপুট বৃদ্ধি এবং নিউরোমর্ফিক সার্কিটে পরিবর্তনশীলতার প্রভাব হ্রাস করার উপায় হিসাবে প্রতিরোধক মেমরির প্লাস্টিকের আচরণ ব্যবহার করার প্রস্তাব করছি। ডুমুর হিসাবে দেখানো হয়েছে. 4e, RRAM সিনাপটিক ভরের সাথে যুক্ত কন্ডাক্টেন্স লেভেলগুলি সংশ্লিষ্ট নিউরাল মেমব্রেন ভোল্টেজের প্রতিক্রিয়াকে কার্যকরভাবে সংশোধিত করে। আমরা একটি পুনরাবৃত্তিমূলক RRAM প্রোগ্রামিং কৌশল ব্যবহার করি। একটি প্রদত্ত ইনপুটের জন্য, সার্কিটের লক্ষ্য আচরণ প্রাপ্ত না হওয়া পর্যন্ত সিনাপটিক ওজনের পরিবাহী মানগুলি পুনরায় প্রোগ্রাম করা হয় (পদ্ধতিগুলি দেখুন)।
একই ইনপুট নাড়িতে নয়টি এলোমেলোভাবে নির্বাচিত পৃথক নিউরনের প্রতিক্রিয়ার একটি পরীক্ষামূলক পরিমাপ। প্রতিক্রিয়া জনসংখ্যা জুড়ে পরিবর্তিত হয়, ইনপুট লাভ এবং সময় ধ্রুবককে প্রভাবিত করে। b দিকনির্দেশ-সংবেদনশীল সিডিকে প্রভাবিত করে নিউরনের পরিবর্তনশীলতার উপর নিউরনের প্রভাবের পরীক্ষামূলক পরিমাপ। দুটি দিক-সংবেদনশীল সিডি আউটপুট নিউরন নিউরন-থেকে-নিউরন পরিবর্তনশীলতার কারণে ইনপুট উদ্দীপনায় ভিন্নভাবে সাড়া দেয়। নিউরন 0 এর নিউরন 1 এর তুলনায় কম ইনপুট লাভ রয়েছে, তাই একটি আউটপুট স্পাইক তৈরি করতে তিনটি ইনপুট ডাল (1 এর পরিবর্তে) লাগে। প্রত্যাশিত হিসাবে, নিউরন 1 দুটি ইনপুট ইভেন্ট সহ থ্রেশহোল্ডে পৌঁছেছে। যদি ইনপুট 1 নিউরন 0 ফায়ারের পরে Δt = 50 µs আসে, CD নীরব থাকে কারণ Δt নিউরন 1 (প্রায় 22 µs) এর সময় ধ্রুবকের চেয়ে বেশি। c Δt = 20 µs দ্বারা হ্রাস করা হয়, যাতে ইনপুট 1 শিখর হয় যখন নিউরন 1 এর ফায়ারিং এখনও বেশি থাকে, ফলে দুটি ইনপুট ইভেন্ট একসাথে সনাক্ত করা যায়।
আইটিডি গণনা কলামে ব্যবহৃত দুটি উপাদান হল বিলম্ব লাইন এবং দিক সংবেদনশীল সিডি। উভয় সার্কিট ভাল বস্তুর অবস্থান কর্মক্ষমতা নিশ্চিত করতে সুনির্দিষ্ট ক্রমাঙ্কন প্রয়োজন। বিলম্বের লাইনটি অবশ্যই ইনপুট পিক (চিত্র 6a) এর একটি সুনির্দিষ্টভাবে বিলম্বিত সংস্করণ সরবরাহ করতে হবে এবং ইনপুটটি লক্ষ্য সনাক্তকরণের সীমার মধ্যে পড়ে শুধুমাত্র তখনই সিডি সক্রিয় করতে হবে। বিলম্ব লাইনের জন্য, ইনপুট সংযোগগুলির সিনাপটিক ওজনগুলি (চিত্র 4a-তে G3) লক্ষ্য বিলম্ব না হওয়া পর্যন্ত পুনরায় প্রোগ্রাম করা হয়েছিল। প্রোগ্রাম বন্ধ করতে লক্ষ্য বিলম্বের চারপাশে একটি সহনশীলতা সেট করুন: সহনশীলতা যত কম হবে, বিলম্বের লাইন সফলভাবে সেট করা তত বেশি কঠিন। ডুমুর উপর. চিত্র 6b বিলম্ব লাইন ক্রমাঙ্কন প্রক্রিয়ার ফলাফলগুলি দেখায়: এটি দেখা যায় যে প্রস্তাবিত স্কিমটি ডিজাইন স্কিমে প্রয়োজনীয় সমস্ত বিলম্ব প্রদান করতে পারে (10 থেকে 300 μs পর্যন্ত)। ক্রমাঙ্কন পুনরাবৃত্তির সর্বাধিক সংখ্যা ক্রমাঙ্কন প্রক্রিয়ার গুণমানকে প্রভাবিত করে: 200টি পুনরাবৃত্তি ত্রুটিটিকে 5% এর কম কমাতে পারে। একটি ক্রমাঙ্কন পুনরাবৃত্তি একটি RRAM সেলের একটি সেট/রিসেট অপারেশনের সাথে মিলে যায়। সিডি মডিউল তাত্ক্ষণিক বন্ধ ইভেন্ট সনাক্তকরণের নির্ভুলতা উন্নত করার জন্য টিউনিং প্রক্রিয়াটিও গুরুত্বপূর্ণ। একটি সত্যিকারের ইতিবাচক হার (অর্থাৎ, প্রাসঙ্গিক হিসাবে সঠিকভাবে চিহ্নিত ইভেন্টের হার) 95% এর উপরে (চিত্র 6c-এ নীল রেখা) অর্জন করতে দশটি ক্রমাঙ্কন পুনরাবৃত্তির সময় লেগেছে। যাইহোক, টিউনিং প্রক্রিয়া মিথ্যা ইতিবাচক ঘটনাগুলিকে প্রভাবিত করেনি (অর্থাৎ, ইভেন্টের ফ্রিকোয়েন্সি যা ভুলভাবে প্রাসঙ্গিক হিসাবে চিহ্নিত করা হয়েছিল)। দ্রুত সক্রিয় পাথওয়ের সময় সীমাবদ্ধতা অতিক্রম করার জন্য জৈবিক ব্যবস্থায় পরিলক্ষিত আরেকটি পদ্ধতি হল অপ্রয়োজনীয়তা (অর্থাৎ, একই বস্তুর অনেক কপি একটি প্রদত্ত ফাংশন সম্পাদন করতে ব্যবহৃত হয়)। জীববিজ্ঞান66 দ্বারা অনুপ্রাণিত হয়ে, আমরা মিথ্যা পজিটিভের প্রভাব কমাতে দুটি বিলম্ব লাইনের মধ্যে প্রতিটি সিডি মডিউলে বেশ কয়েকটি সিডি সার্কিট স্থাপন করেছি। ডুমুর হিসাবে দেখানো হয়েছে. 6c (সবুজ লাইন), প্রতিটি সিডি মডিউলে তিনটি সিডি উপাদান স্থাপন করলে মিথ্যা অ্যালার্মের হার 10-2-এর কম হতে পারে।
বিলম্ব লাইন সার্কিট নেভিগেশন নিউরোনাল পরিবর্তনশীলতার একটি প্রভাব. b বিলম্ব লাইন সার্কিটগুলি সংশ্লিষ্ট LIF নিউরন এবং DPI সিন্যাপসের সময় ধ্রুবকগুলিকে বড় মানগুলিতে সেট করে বড় বিলম্বে স্কেল করা যেতে পারে। RRAM ক্রমাঙ্কন পদ্ধতির পুনরাবৃত্তির সংখ্যা বৃদ্ধির ফলে লক্ষ্য বিলম্বের যথার্থতা উল্লেখযোগ্যভাবে উন্নত করা সম্ভব হয়েছে: 200 পুনরাবৃত্তি ত্রুটিটিকে 5%-এর কম কমিয়েছে। একটি পুনরাবৃত্তি একটি RRAM ঘরে একটি SET/RESET অপারেশনের সাথে মিলে যায়। সি জেফ্রেস মডেলের প্রতিটি সিডি মডিউল সিস্টেমের ব্যর্থতার ক্ষেত্রে বৃহত্তর নমনীয়তার জন্য N সমান্তরাল সিডি উপাদান ব্যবহার করে প্রয়োগ করা যেতে পারে। d আরও RRAM ক্রমাঙ্কন পুনরাবৃত্তি সত্য ইতিবাচক হার (নীল রেখা) বৃদ্ধি করে, যখন মিথ্যা পজিটিভ হার পুনরাবৃত্তির সংখ্যা (সবুজ লাইন) থেকে স্বাধীন। সমান্তরালে আরও সিডি উপাদান স্থাপন করলে সিডি মডিউল মিলের মিথ্যা সনাক্তকরণ এড়ানো যায়।
আমরা এখন pMUT সেন্সর, CD, এবং নিউরোমরফিক কম্পিউটিং গ্রাফ তৈরি করে এমন বিলম্ব লাইন সার্কিটের শাব্দিক বৈশিষ্ট্যের পরিমাপ ব্যবহার করে চিত্র 2-এ দেখানো শেষ-টু-এন্ড ইন্টিগ্রেটেড অবজেক্ট লোকালাইজেশন সিস্টেমের কর্মক্ষমতা এবং শক্তি খরচ মূল্যায়ন করি। জেফ্রেস মডেল (চিত্র 1a)। নিউরোমর্ফিক কম্পিউটিং গ্রাফের ক্ষেত্রে, সিডি মডিউলের সংখ্যা যত বেশি হবে, কৌণিক রেজোলিউশন তত ভাল হবে, কিন্তু সিস্টেমের শক্তিও তত বেশি হবে (চিত্র 7a)। সম্পূর্ণ সিস্টেমের নির্ভুলতার সাথে পৃথক উপাদানের (pMUT সেন্সর, নিউরন এবং সিনাপটিক সার্কিট) নির্ভুলতার তুলনা করে একটি আপস করা যেতে পারে। বিলম্ব রেখার রেজোলিউশন সিমুলেটেড সিন্যাপ্স এবং নিউরনের সময় ধ্রুবক দ্বারা সীমাবদ্ধ, যা আমাদের স্কিমে 10 µs অতিক্রম করে, যা 4° এর কৌণিক রেজোলিউশনের সাথে মিলে যায় (পদ্ধতিগুলি দেখুন)। CMOS প্রযুক্তি সহ আরও উন্নত নোডগুলি কম সময়ের ধ্রুবক সহ নিউরাল এবং সিনাপটিক সার্কিটগুলির ডিজাইনের অনুমতি দেবে, যার ফলে বিলম্ব লাইনের উপাদানগুলির উচ্চতর নির্ভুলতা। যাইহোক, আমাদের সিস্টেমে, কৌণিক অবস্থান অনুমান করার ক্ষেত্রে pMUT ত্রুটির দ্বারা যথার্থতা সীমিত, অর্থাৎ 10° (চিত্র 7a-এ নীল অনুভূমিক রেখা)। আমরা সিডি মডিউলের সংখ্যা 40 এ স্থির করেছি, যা প্রায় 4° এর কৌণিক রেজোলিউশনের সাথে মিলে যায়, অর্থাৎ, গণনামূলক গ্রাফের কৌণিক নির্ভুলতা (চিত্র 7a-এ হালকা নীল অনুভূমিক রেখা)। সিস্টেম স্তরে, এটি সেন্সর সিস্টেমের সামনে 50 সেমি অবস্থিত বস্তুর জন্য 4° রেজোলিউশন এবং 10° এর নির্ভুলতা দেয়। এই মান রেফ-এ রিপোর্ট করা নিউরোমর্ফিক সাউন্ড স্থানীয়করণ সিস্টেমের সাথে তুলনীয়। 67. শিল্পের সাথে প্রস্তাবিত সিস্টেমের একটি তুলনা সম্পূরক সারণী 1 এ পাওয়া যেতে পারে। অতিরিক্ত pMUT যোগ করা, অ্যাকোস্টিক সিগন্যাল স্তর বৃদ্ধি করা এবং ইলেকট্রনিক শব্দ কমানো হল স্থানীয়করণের সঠিকতা আরও উন্নত করার সম্ভাব্য উপায়। ) 9.7 অনুমান করা হয়েছে। nz 55. কম্পিউটেশনাল গ্রাফে 40টি CD ইউনিট দেওয়া হয়েছে, SPICE সিমুলেশন অনুমান করেছে প্রতি অপারেশনের শক্তি (অর্থাৎ, অবজেক্ট পজিশনিং এনার্জি) 21.6 nJ। নিউরোমর্ফিক সিস্টেমটি তখনই সক্রিয় হয় যখন একটি ইনপুট ইভেন্ট আসে, অর্থাৎ যখন একটি শাব্দ তরঙ্গ কোনো pMUT রিসিভারে পৌঁছায় এবং সনাক্তকরণ থ্রেশহোল্ড অতিক্রম করে, অন্যথায় এটি নিষ্ক্রিয় থাকে। কোন ইনপুট সংকেত না থাকলে এটি অপ্রয়োজনীয় শক্তি খরচ এড়ায়। 100 Hz-এর স্থানীয়করণ অপারেশনের ফ্রিকোয়েন্সি এবং প্রতি অপারেশনে 300 µs সক্রিয়করণ সময়কাল (সর্বোচ্চ সম্ভাব্য আইটিডি) বিবেচনা করে, নিউরোমর্ফিক কম্পিউটিং গ্রাফের শক্তি খরচ হল 61.7 nW। প্রতিটি পিএমইউটি রিসিভারে নিউরোমরফিক প্রি-প্রসেসিং প্রয়োগ করা হলে, পুরো সিস্টেমের পাওয়ার খরচ 81.6 nW এ পৌঁছে। প্রচলিত হার্ডওয়্যারের তুলনায় প্রস্তাবিত নিউরোমর্ফিক পদ্ধতির শক্তি দক্ষতা বোঝার জন্য, আমরা এই সংখ্যাটিকে নিউরোমর্ফিক বা প্রচলিত বিমফর্মিং 68 দক্ষতা ব্যবহার করে একটি আধুনিক কম শক্তির মাইক্রোকন্ট্রোলারে একই কাজ সম্পাদন করার জন্য প্রয়োজনীয় শক্তির সাথে তুলনা করেছি। নিউরোমর্ফিক পদ্ধতি একটি এনালগ-টু-ডিজিটাল রূপান্তরকারী (ADC) পর্যায়কে বিবেচনা করে, তারপরে একটি ব্যান্ড-পাস ফিল্টার এবং একটি খাম নিষ্কাশন পর্যায় (টিগার-কাইজার পদ্ধতি)। অবশেষে, ToF বের করার জন্য একটি থ্রেশহোল্ড অপারেশন করা হয়। আমরা ToF-এর উপর ভিত্তি করে ITD-এর গণনা এবং আনুমানিক কৌণিক অবস্থানে রূপান্তর বাদ দিয়েছি কারণ এটি প্রতিটি পরিমাপের জন্য একবার ঘটে (পদ্ধতিগুলি দেখুন)। উভয় চ্যানেলে (pMUT রিসিভার), 18টি ব্যান্ড পাস ফিল্টার অপারেশন, 3টি খাম নিষ্কাশন অপারেশন, এবং প্রতি নমুনা 1টি থ্রেশহোল্ড অপারেশনে 250 kHz স্যাম্পলিং রেট ধরে নিলে, মোট বিদ্যুৎ খরচ 245 মাইক্রোওয়াট অনুমান করা হয়েছে। এটি মাইক্রোকন্ট্রোলারের লো-পাওয়ার মোড69 ব্যবহার করে, যেটি চালু হয় যখন অ্যালগরিদমগুলি কার্যকর হয় না, যা পাওয়ার খরচ কমিয়ে 10.8 µW করে। রেফারেন্সে প্রস্তাবিত বিমফর্মিং সিগন্যাল প্রক্রিয়াকরণ সমাধানের শক্তি খরচ। 31, 5 পিএমইউটি রিসিভার এবং 11টি বিম সমানভাবে আজিমুথ সমতল [-50°, +50°]-এ বিতরণ করা হয়, 11.71 মেগাওয়াট (বিস্তারিত জানার জন্য পদ্ধতি বিভাগটি দেখুন)। উপরন্তু, আমরা অবজেক্ট স্থানীয়করণের জন্য জেফ্রেস মডেলের প্রতিস্থাপন হিসাবে 1.5 মেগাওয়াট অনুমান করা একটি FPGA47-ভিত্তিক টাইম ডিফারেন্স এনকোডার (TDE) এর পাওয়ার খরচের প্রতিবেদন করি। এই অনুমানের উপর ভিত্তি করে, প্রস্তাবিত নিউরোমরফিক পদ্ধতি অবজেক্ট লোকালাইজেশন অপারেশনের জন্য ক্লাসিক্যাল বিমফর্মিং কৌশল ব্যবহার করে মাইক্রোকন্ট্রোলারের তুলনায় বিদ্যুতের খরচ কমিয়ে দেয়। একটি ক্লাসিক মাইক্রোকন্ট্রোলারে সিগন্যাল প্রক্রিয়াকরণের জন্য একটি নিউরোমর্ফিক পদ্ধতি অবলম্বন করলে বিদ্যুৎ খরচ প্রায় দুটি মাত্রায় কমে যায়। প্রস্তাবিত সিস্টেমের কার্যকারিতা একটি অ্যাসিঙ্ক্রোনাস রেজিস্টিভ-মেমরি অ্যানালগ সার্কিটের সংমিশ্রণ দ্বারা ব্যাখ্যা করা যেতে পারে যা ইন-মেমরি গণনা সম্পাদন করতে সক্ষম এবং সংকেতগুলি উপলব্ধি করার জন্য প্রয়োজনীয় অ্যানালগ-টু-ডিজিটাল রূপান্তরের অভাব।
একটি কৌণিক রেজোলিউশন (নীল) এবং সিডি মডিউলের সংখ্যার উপর নির্ভর করে স্থানীয়করণ অপারেশনের শক্তি খরচ (সবুজ)। গাঢ় নীল অনুভূমিক বারটি PMUT-এর কৌণিক নির্ভুলতার প্রতিনিধিত্ব করে এবং হালকা নীল অনুভূমিক বারটি নিউরোমর্ফিক কম্পিউটেশনাল গ্রাফের কৌণিক নির্ভুলতার প্রতিনিধিত্ব করে। b প্রস্তাবিত সিস্টেমের শক্তি খরচ এবং দুটি আলোচিত মাইক্রোকন্ট্রোলার বাস্তবায়ন এবং টাইম ডিফারেন্স এনকোডার (TDE)47 FPGA এর ডিজিটাল বাস্তবায়নের সাথে তুলনা।
লক্ষ্য স্থানীয়করণ সিস্টেমের শক্তি খরচ কমাতে, আমরা একটি দক্ষ, ইভেন্ট-চালিত RRAM-ভিত্তিক নিউরোমর্ফিক সার্কিটের ধারণা, ডিজাইন এবং প্রয়োগ করেছি যা বাস্তবে লক্ষ্য বস্তুর অবস্থান গণনা করার জন্য অন্তর্নির্মিত সেন্সর দ্বারা উত্পন্ন সংকেত তথ্য প্রক্রিয়া করে। সময় . যদিও ঐতিহ্যগত প্রক্রিয়াকরণ পদ্ধতিগুলি ক্রমাগত সনাক্ত করা সংকেতগুলির নমুনা এবং দরকারী তথ্য বের করার জন্য গণনা সম্পাদন করে, প্রস্তাবিত নিউরোমরফিক সমাধানটি দরকারী তথ্য আসার সাথে সাথে অসিঙ্ক্রোনাসভাবে গণনা সম্পাদন করে, পাঁচটি মাত্রার দ্বারা সিস্টেমের শক্তি দক্ষতা সর্বাধিক করে। উপরন্তু, আমরা RRAM-ভিত্তিক নিউরোমরফিক সার্কিটের নমনীয়তা হাইলাইট করি। একটি অ-উদ্বায়ী পদ্ধতিতে (প্লাস্টিসিটি) পরিবাহিতা পরিবর্তন করার জন্য RRAM এর ক্ষমতা অতি-লো পাওয়ার এনালগ ডিপিআই-এর সিনাপটিক এবং নিউরাল সার্কিটের অন্তর্নিহিত পরিবর্তনশীলতার জন্য ক্ষতিপূরণ দেয়। এটি এই RRAM-ভিত্তিক সার্কিটটিকে বহুমুখী এবং শক্তিশালী করে তোলে। আমাদের লক্ষ্য সিগন্যাল থেকে জটিল ফাংশন বা প্যাটার্ন বের করা নয়, কিন্তু রিয়েল টাইমে বস্তুকে স্থানীয়করণ করা। আমাদের সিস্টেম দক্ষতার সাথে সংকেত সংকুচিত করতে পারে এবং প্রয়োজনের সময় আরও জটিল সিদ্ধান্ত নেওয়ার জন্য পরবর্তী প্রক্রিয়াকরণের ধাপে পাঠাতে পারে। স্থানীয়করণ অ্যাপ্লিকেশনের প্রেক্ষাপটে, আমাদের নিউরোমর্ফিক প্রিপ্রসেসিং ধাপ বস্তুর অবস্থান সম্পর্কে তথ্য প্রদান করতে পারে। এই তথ্য ব্যবহার করা যেতে পারে, উদাহরণস্বরূপ, গতি সনাক্তকরণ বা অঙ্গভঙ্গি স্বীকৃতির জন্য। আমরা অতি লো পাওয়ার সেন্সর যেমন pMUTs-এর সাথে অতি লো পাওয়ার ইলেকট্রনিক্সের সমন্বয়ের গুরুত্বের উপর জোর দিই। এর জন্য, নিউরোমর্ফিক পদ্ধতিগুলি গুরুত্বপূর্ণ কারণ তারা আমাদেরকে জেফ্রেস মডেলের মতো জৈবিকভাবে অনুপ্রাণিত কম্পিউটেশনাল পদ্ধতিগুলির নতুন সার্কিট বাস্তবায়নের দিকে পরিচালিত করেছে। সেন্সর ফিউশন অ্যাপ্লিকেশনের প্রসঙ্গে, আরও সঠিক তথ্য পেতে আমাদের সিস্টেমকে বিভিন্ন ইভেন্ট-ভিত্তিক সেন্সরের সাথে একত্রিত করা যেতে পারে। যদিও পেঁচা অন্ধকারে শিকার খোঁজার ক্ষেত্রে চমৎকার, তাদের দৃষ্টিশক্তি চমৎকার এবং শিকার ধরার আগে একটি সম্মিলিত শ্রবণ ও চাক্ষুষ অনুসন্ধান করে। যখন একটি নির্দিষ্ট শ্রবণ নিউরন আগুন দেয়, পেঁচা তার চাক্ষুষ অনুসন্ধান শুরু করার জন্য কোন দিক থেকে এটি নির্ধারণ করার জন্য প্রয়োজনীয় তথ্য গ্রহণ করে, এইভাবে দৃশ্য দৃশ্যের একটি ছোট অংশে তার মনোযোগ কেন্দ্রীভূত করে। ভবিষ্যত স্বায়ত্তশাসিত এজেন্টগুলির বিকাশের জন্য ভিজ্যুয়াল সেন্সর (DVS ক্যামেরা) এবং একটি প্রস্তাবিত লিসেনিং সেন্সর (pMUT-এর উপর ভিত্তি করে) এর সংমিশ্রণ অন্বেষণ করা উচিত।
পিএমইউটি সেন্সরটি একটি পিসিবি-তে দুটি রিসিভারের মধ্যে প্রায় 10 সেমি দূরে অবস্থিত এবং ট্রান্সমিটারটি রিসিভারগুলির মধ্যে অবস্থিত। এই কাজে, প্রতিটি ঝিল্লি একটি স্থগিত বিমরফ কাঠামো যা পিজোইলেক্ট্রিক অ্যালুমিনিয়াম নাইট্রাইড (AlN) 800 nm পুরু স্যান্ডউইচযুক্ত মলিবডেনাম (Mo) 200 nm পুরু এবং 200 nm পুরু একটি স্তরের মধ্যে প্রলেপযুক্ত দুটি স্তর নিয়ে গঠিত। রেফারেন্সে বর্ণিত শীর্ষ প্যাসিভেটিং SiN স্তর। 71. অভ্যন্তরীণ এবং বাইরের ইলেক্ট্রোডগুলি মলিবডেনামের নীচে এবং উপরের স্তরগুলিতে প্রয়োগ করা হয়, যখন মধ্যম মলিবডেনাম ইলেক্ট্রোডটি প্যাটার্নবিহীন এবং একটি স্থল হিসাবে ব্যবহৃত হয়, ফলে চার জোড়া ইলেক্ট্রোড সহ একটি ঝিল্লি তৈরি হয়।
এই স্থাপত্যটি একটি সাধারণ ঝিল্লির বিকৃতি ব্যবহারের অনুমতি দেয়, যার ফলে উন্নত প্রেরণ এবং সংবেদনশীলতা পাওয়া যায়। এই ধরনের একটি pMUT সাধারণত 700 nm/V এর উত্তেজনা সংবেদনশীলতা প্রদর্শন করে একটি বিকিরণকারী হিসাবে, যা 270 Pa/V পৃষ্ঠের চাপ প্রদান করে। একটি রিসিভার হিসাবে, একটি pMUT ফিল্ম 15 nA/Pa এর একটি শর্ট সার্কিট সংবেদনশীলতা প্রদর্শন করে, যা সরাসরি AlN এর পিজোইলেক্ট্রিক সহগের সাথে সম্পর্কিত। AlN স্তরে ভোল্টেজের প্রযুক্তিগত পরিবর্তনশীলতা অনুরণিত ফ্রিকোয়েন্সি পরিবর্তনের দিকে নিয়ে যায়, যা pMUT-এ DC পক্ষপাত প্রয়োগ করে ক্ষতিপূরণ করা যেতে পারে। DC সংবেদনশীলতা 0.5 kHz/V এ পরিমাপ করা হয়েছিল। শাব্দ বৈশিষ্ট্যের জন্য, pMUT এর সামনে একটি মাইক্রোফোন ব্যবহার করা হয়।
ইকো পালস পরিমাপ করার জন্য, আমরা নির্গত শব্দ তরঙ্গ প্রতিফলিত করার জন্য pMUT এর সামনে প্রায় 50 cm2 ক্ষেত্রফল সহ একটি আয়তক্ষেত্রাকার প্লেট স্থাপন করেছি। প্লেট এবং pMUT সমতলের সাপেক্ষে কোণের মধ্যে দূরত্ব উভয়ই বিশেষ ধারক ব্যবহার করে নিয়ন্ত্রিত হয়। একটি Tectronix CPX400DP ভোল্টেজ উৎস তিনটি pMUT মেমব্রেনকে পক্ষপাতিত্ব করে, অনুরণিত ফ্রিকোয়েন্সি 111.9 kHz31 এ টিউন করে, যখন ট্রান্সমিটারগুলি একটি Tectronix AFG 3102 পালস জেনারেটর দ্বারা চালিত হয় যা রেজোন্যান্ট ফ্রিকোয়েন্সি (111.9 kHze) এবং ducycle. প্রতিটি পিএমইউটি রিসিভারের চারটি আউটপুট পোর্ট থেকে পড়া স্রোতগুলি একটি বিশেষ ডিফারেনশিয়াল কারেন্ট এবং ভোল্টেজ আর্কিটেকচার ব্যবহার করে ভোল্টেজে রূপান্তরিত হয়, এবং ফলস্বরূপ সংকেতগুলি স্পেকট্রাম ডেটা অধিগ্রহণ সিস্টেম দ্বারা ডিজিটাইজ করা হয়। সনাক্তকরণের সীমাটি বিভিন্ন অবস্থার অধীনে pMUT সংকেত অধিগ্রহণ দ্বারা চিহ্নিত করা হয়েছিল: আমরা প্রতিফলকটিকে বিভিন্ন দূরত্বে [30, 40, 50, 60, 80, 100] সেমিতে সরিয়েছি এবং pMUT সমর্থন কোণ পরিবর্তন করেছি ([0, 20, 40] o ) চিত্র 2b ডিগ্রীতে সংশ্লিষ্ট কৌণিক অবস্থানের উপর নির্ভর করে অস্থায়ী আইটিডি সনাক্তকরণ রেজোলিউশন দেখায়।
এই নিবন্ধটি দুটি ভিন্ন অফ-দ্য-শেল্ফ RRAM সার্কিট ব্যবহার করে। প্রথমটি হল একটি ট্রানজিস্টর এবং একটি প্রতিরোধক সহ একটি 1T1R কনফিগারেশনে 16,384 (16,000) ডিভাইসের (128 × 128 ডিভাইস) একটি অ্যারে। দ্বিতীয় চিপটি হল নিউরোমর্ফিক প্ল্যাটফর্ম যা চিত্র 4a এ দেখানো হয়েছে। RRAM সেল একটি 5 nm পুরু HfO2 ফিল্ম নিয়ে গঠিত যা একটি TiN/HfO2/Ti/TiN স্ট্যাকে এমবেড করা আছে। RRAM স্ট্যাক স্ট্যান্ডার্ড 130nm CMOS প্রক্রিয়ার ব্যাক-অফ-লাইনে (BEOL) একত্রিত করা হয়েছে। RRAM-ভিত্তিক নিউরোমরফিক সার্কিটগুলি সমস্ত-অ্যানালগ ইলেকট্রনিক সিস্টেমগুলির জন্য একটি ডিজাইন চ্যালেঞ্জ উপস্থাপন করে যেখানে RRAM ডিভাইসগুলি ঐতিহ্যগত CMOS প্রযুক্তির সাথে সহাবস্থান করে। বিশেষ করে, RRAM ডিভাইসের পরিবাহী অবস্থা অবশ্যই পড়তে হবে এবং সিস্টেমের জন্য একটি ফাংশন ভেরিয়েবল হিসাবে ব্যবহার করতে হবে। এই লক্ষ্যে, একটি সার্কিট ডিজাইন করা হয়েছে, তৈরি করা হয়েছে এবং পরীক্ষিত হয়েছে যা একটি ইনপুট পালস প্রাপ্ত হলে ডিভাইস থেকে কারেন্ট পড়ে এবং ডিফারেনশিয়াল পেয়ার ইন্টিগ্রেটর (DPI) সিন্যাপসের প্রতিক্রিয়া ওজন করতে এই কারেন্ট ব্যবহার করে। এই সার্কিটটি চিত্র 3a তে দেখানো হয়েছে, যা চিত্র 4a-তে নিউরোমর্ফিক প্ল্যাটফর্মের মৌলিক বিল্ডিং ব্লকগুলিকে প্রতিনিধিত্ব করে। একটি ইনপুট পালস 1T1R ডিভাইসের গেটকে সক্রিয় করে, ডিভাইসের কন্ডাক্টেন্স G (Iweight = G(Vtop – Vx)) এর সমানুপাতিক RRAM এর মাধ্যমে একটি কারেন্ট প্ররোচিত করে। অপারেশনাল এমপ্লিফায়ার (অপ-এম্প) সার্কিটের ইনভার্টিং ইনপুটে একটি ধ্রুবক DC বায়াস ভোল্টেজ Vtop থাকে। op-amp এর নেতিবাচক প্রতিক্রিয়া M1 থেকে সমান কারেন্ট প্রদান করে Vx = Vtop প্রদান করবে। ডিভাইস থেকে উদ্ধার করা বর্তমান আইওয়েট ডিপিআই সিন্যাপসে ইনজেকশন দেওয়া হয়। একটি শক্তিশালী কারেন্টের ফলে আরও ডিপোলারাইজেশন হবে, তাই RRAM কন্ডাক্টেন্স কার্যকরভাবে সিনাপটিক ওজন প্রয়োগ করে। এই সূচকীয় সিনাপটিক কারেন্ট লিকি ইন্টিগ্রেশন অ্যান্ড এক্সিটেশন (LIF) নিউরনের মেমব্রেন ক্যাপাসিটরের মাধ্যমে ইনজেকশন করা হয়, যেখানে এটি একটি ভোল্টেজ হিসাবে একত্রিত হয়। যদি ঝিল্লির থ্রেশহোল্ড ভোল্টেজ (ইনভার্টারের সুইচিং ভোল্টেজ) অতিক্রম করা হয়, তবে নিউরনের আউটপুট অংশ সক্রিয় হয়, একটি আউটপুট স্পাইক তৈরি করে। এই পালস ফিরে আসে এবং নিউরনের ঝিল্লির ক্যাপাসিটরকে মাটিতে ফেলে দেয়, যার ফলে এটি স্রাব হয়। এই সার্কিটটি তারপরে একটি পালস এক্সপান্ডার (চিত্র 3a-এ দেখানো হয়নি) দিয়ে সম্পূরক করা হয়, যা LIF নিউরনের আউটপুট পালসকে টার্গেট পালস প্রস্থে আকার দেয়। মাল্টিপ্লেক্সারগুলিও প্রতিটি লাইনে তৈরি করা হয়, যা RRAM ডিভাইসের উপরের এবং নীচের ইলেক্ট্রোডগুলিতে ভোল্টেজ প্রয়োগ করার অনুমতি দেয়।
বৈদ্যুতিক পরীক্ষার মধ্যে রয়েছে অ্যানালগ সার্কিটের গতিশীল আচরণ বিশ্লেষণ এবং রেকর্ডিং, সেইসাথে প্রোগ্রামিং এবং RRAM ডিভাইসগুলি পড়া। উভয় ধাপেই বিশেষ সরঞ্জামের প্রয়োজন হয়, যার সবকটিই একই সময়ে সেন্সর বোর্ডের সাথে সংযুক্ত থাকে। নিউরোমরফিক সার্কিটে RRAM ডিভাইসে অ্যাক্সেস একটি মাল্টিপ্লেক্সার (MUX) এর মাধ্যমে বহিরাগত সরঞ্জাম থেকে বাহিত হয়। MUX 1T1R সেলটিকে বাকি সার্কিটরি থেকে আলাদা করে যার সাথে এটি রয়েছে, ডিভাইসটিকে পড়তে এবং/অথবা প্রোগ্রাম করার অনুমতি দেয়। RRAM ডিভাইসগুলিকে প্রোগ্রাম এবং পড়তে, একটি Keithley 4200 SCS মেশিন একটি Arduino মাইক্রোকন্ট্রোলারের সাথে ব্যবহার করা হয়: প্রথমটি সঠিক পালস জেনারেশন এবং বর্তমান রিডিংয়ের জন্য এবং দ্বিতীয়টি মেমরি অ্যারেতে পৃথক 1T1R উপাদানগুলিতে দ্রুত অ্যাক্সেসের জন্য। প্রথম অপারেশন হল RRAM ডিভাইস গঠন করা। কোষগুলি একে একে নির্বাচন করা হয় এবং উপরের এবং নীচের ইলেক্ট্রোডগুলির মধ্যে একটি ধনাত্মক ভোল্টেজ প্রয়োগ করা হয়। এই ক্ষেত্রে, নির্বাচক ট্রানজিস্টরে সংশ্লিষ্ট গেট ভোল্টেজ সরবরাহের কারণে কারেন্ট দশ মাইক্রোঅ্যাম্পিয়ারের ক্রমে সীমাবদ্ধ। RRAM সেল তারপরে যথাক্রমে RESET এবং SET অপারেশন ব্যবহার করে একটি নিম্ন পরিবাহী অবস্থা (LCS) এবং একটি উচ্চ পরিবাহী অবস্থার (HCS) মধ্যে চক্র করতে পারে। SET অপারেশনটি 1 μs সময়কালের একটি আয়তক্ষেত্রাকার ভোল্টেজের পালস এবং উপরের ইলেক্ট্রোডে 2.0-2.5 V এর পিক ভোল্টেজ এবং 0.9-1.3 V-এর পিক ভোল্টেজ সহ অনুরূপ আকৃতির একটি সিঙ্ক পালস প্রয়োগ করে সঞ্চালিত হয়। নির্বাচক ট্রানজিস্টরের গেট। এই মানগুলি 20-150 µs ব্যবধানে RRAM কন্ডাক্টেন্স মডিউল করার অনুমতি দেয়। রিসেটের জন্য, একটি 1 µs চওড়া, 3 V পিক পালস সেলের নীচের ইলেক্ট্রোডে (বিট লাইন) প্রয়োগ করা হয় যখন গেট ভোল্টেজ 2.5-3.0 V এর মধ্যে থাকে৷ অ্যানালগ সার্কিটের ইনপুট এবং আউটপুটগুলি গতিশীল সংকেত . ইনপুটের জন্য, আমরা Tektronix AFG3011 সিগন্যাল জেনারেটরের সাথে দুটি HP 8110 পালস জেনারেটর ইন্টারলিভ করেছি। ইনপুট পালসের প্রস্থ 1 µs এবং উত্থান/পতনের প্রান্ত 50 ns। এনালগ গ্লিচ ভিত্তিক সার্কিটে এই ধরনের পালস একটি সাধারণ ত্রুটি বলে ধরে নেওয়া হয়। আউটপুট সিগন্যালের জন্য, আউটপুট সিগন্যালটি টেলিডিন লেক্রোয় 1 গিগাহার্জ অসিলোস্কোপ ব্যবহার করে রেকর্ড করা হয়েছিল। একটি অসিলোস্কোপের অধিগ্রহণের গতি সার্কিট ডেটা বিশ্লেষণ এবং অধিগ্রহণের ক্ষেত্রে একটি সীমাবদ্ধ কারণ নয় বলে প্রমাণিত হয়েছে।
নিউরন এবং সিন্যাপ্সের আচরণ অনুকরণ করতে অ্যানালগ ইলেকট্রনিক্সের গতিবিদ্যা ব্যবহার করা গণনাগত দক্ষতা উন্নত করার জন্য একটি মার্জিত এবং দক্ষ সমাধান। এই কম্পিউটেশনাল আন্ডারলে এর অসুবিধা হল যে এটি স্কিম থেকে স্কিমে পরিবর্তিত হবে। আমরা নিউরন এবং সিনাপটিক সার্কিটের পরিবর্তনশীলতা পরিমাপ করেছি (পরিপূরক চিত্র 2a,b)। পরিবর্তনশীলতার সমস্ত প্রকাশের মধ্যে, সময় ধ্রুবক এবং ইনপুট লাভের সাথে সম্পর্কিত যেগুলি সিস্টেম স্তরে সর্বাধিক প্রভাব ফেলে। এলআইএফ নিউরন এবং ডিপিআই সিন্যাপসের সময় ধ্রুবক একটি RC সার্কিট দ্বারা নির্ধারিত হয়, যেখানে R-এর মান ট্রানজিস্টরের গেটে প্রয়োগ করা একটি পক্ষপাত ভোল্টেজ দ্বারা নিয়ন্ত্রিত হয় (নিউরনের জন্য Vlk এবং সিনাপসের জন্য Vtau), নির্ণয় করে ফুটো হার। ইনপুট লাভ একটি ইনপুট পালস দ্বারা উদ্দীপিত সিনাপটিক এবং নিউরোনাল মেমব্রেন ক্যাপাসিটর দ্বারা পৌঁছানো সর্বোচ্চ ভোল্টেজ হিসাবে সংজ্ঞায়িত করা হয়। ইনপুট লাভ অন্য পক্ষপাত ট্রানজিস্টর দ্বারা নিয়ন্ত্রিত হয় যা ইনপুট কারেন্টকে সংশোধন করে। ST মাইক্রোইলেক্ট্রনিক্সের 130nm প্রক্রিয়ায় ক্রমাঙ্কিত একটি মন্টে কার্লো সিমুলেশন কিছু ইনপুট লাভ এবং সময় ধ্রুবক পরিসংখ্যান সংগ্রহ করতে সঞ্চালিত হয়েছিল। ফলাফলগুলি পরিপূরক চিত্র 2-এ উপস্থাপিত হয়েছে, যেখানে ইনপুট লাভ এবং সময় ধ্রুবককে লিকেজ হার নিয়ন্ত্রণকারী পক্ষপাত ভোল্টেজের একটি ফাংশন হিসাবে পরিমাপ করা হয়। সবুজ চিহ্নিতকারীরা গড় থেকে ধ্রুবক সময়ের আদর্শ বিচ্যুতি পরিমাপ করে। নিউরন এবং সিনাপটিক সার্কিট উভয়ই 10-5-10-2 সেকেন্ডের পরিসরে বিস্তৃত সময় ধ্রুবক প্রকাশ করতে সক্ষম হয়েছিল, যেমনটি পরিপূরক চিত্রে দেখানো হয়েছে। নিউরোনাল এবং সিন্যাপস পরিবর্তনশীলতার ইনপুট পরিবর্ধন (পরিপূরক চিত্র 2e,d) ছিল যথাক্রমে 8% এবং 3%। এই ধরনের ঘাটতি সাহিত্যে ভালভাবে নথিভুক্ত করা হয়েছে: LIF63 নিউরনের জনসংখ্যার মধ্যে অমিল মূল্যায়ন করতে DYNAP চিপগুলির অ্যারেতে বিভিন্ন পরিমাপ করা হয়েছিল। ব্রেইনস্কেল মিশ্র সংকেত চিপে সিন্যাপ্সগুলি পরিমাপ করা হয়েছিল এবং তাদের অসঙ্গতিগুলি বিশ্লেষণ করা হয়েছিল, এবং সিস্টেম-স্তরের পরিবর্তনশীলতার প্রভাব হ্রাস করার জন্য একটি ক্রমাঙ্কন পদ্ধতির প্রস্তাব করা হয়েছিল64।
নিউরোমরফিক সার্কিটগুলিতে RRAM এর কাজ দ্বিগুণ: আর্কিটেকচারের সংজ্ঞা (আউটপুটগুলিতে রাউটিং ইনপুট) এবং সিনাপটিক ওজন বাস্তবায়ন। পরবর্তী বৈশিষ্ট্যটি মডেল করা নিউরোমরফিক সার্কিটের পরিবর্তনশীলতার সমস্যা সমাধানের জন্য ব্যবহার করা যেতে পারে। আমরা একটি সাধারণ ক্রমাঙ্কন পদ্ধতি তৈরি করেছি যার মধ্যে RRAM ডিভাইসটিকে পুনরায় প্রোগ্রাম করা জড়িত যতক্ষণ না সার্কিট বিশ্লেষণ করা হচ্ছে নির্দিষ্ট প্রয়োজনীয়তা পূরণ করে। একটি প্রদত্ত ইনপুটের জন্য, আউটপুট নিরীক্ষণ করা হয় এবং লক্ষ্য আচরণ অর্জন না হওয়া পর্যন্ত RRAM পুনরায় প্রোগ্রাম করা হয়। RRAM শিথিলকরণের সমস্যা সমাধানের জন্য প্রোগ্রামিং অপারেশনগুলির মধ্যে 5 সেকেন্ডের অপেক্ষার সময় চালু করা হয়েছিল যার ফলে ক্ষণস্থায়ী পরিবাহিতা ওঠানামা হয় (পরিপূরক তথ্য)। সিনাপটিক ওজনগুলিকে মডেল করা হচ্ছে নিউরোমরফিক সার্কিটের প্রয়োজনীয়তা অনুসারে সামঞ্জস্য বা ক্যালিব্রেট করা হয়। ক্রমাঙ্কন পদ্ধতিটি অতিরিক্ত অ্যালগরিদমগুলিতে সংক্ষিপ্ত করা হয়েছে [1, 2] যা নিউরোমরফিক প্ল্যাটফর্মের দুটি মৌলিক বৈশিষ্ট্য, বিলম্ব লাইন এবং দিকনির্দেশনা সংবেদনশীল সিডির উপর ফোকাস করে। একটি বিলম্ব লাইন সহ একটি সার্কিটের জন্য, লক্ষ্য আচরণ হল একটি বিলম্ব Δt সহ একটি আউটপুট পালস প্রদান করা। প্রকৃত সার্কিট বিলম্ব লক্ষ্য মানের চেয়ে কম হলে, G3 এর সিনাপটিক ওজন হ্রাস করা উচিত (G3 পুনরায় সেট করা উচিত এবং তারপরে একটি নিম্ন ম্যাচিং বর্তমান Icc তে সেট করা উচিত)। বিপরীতভাবে, যদি প্রকৃত বিলম্ব লক্ষ্য মানের থেকে বেশি হয়, তাহলে G3 এর পরিবাহিতা অবশ্যই বাড়াতে হবে (G3 প্রথমে রিসেট করতে হবে এবং তারপর একটি উচ্চ Icc মান সেট করতে হবে)। এই প্রক্রিয়াটি পুনরাবৃত্তি করা হয় যতক্ষণ না সার্কিট দ্বারা উৎপন্ন বিলম্ব লক্ষ্য মানের সাথে মেলে এবং ক্রমাঙ্কন প্রক্রিয়া বন্ধ করার জন্য একটি সহনশীলতা সেট করা হয়। অরিয়েন্টেশন-অসংবেদনশীল সিডিগুলির জন্য, দুটি RRAM ডিভাইস, G1 এবং G3, ক্রমাঙ্কন প্রক্রিয়ার সাথে জড়িত। এই সার্কিটে দুটি ইনপুট রয়েছে, Vin0 এবং Vin1, dt দ্বারা বিলম্বিত। সার্কিট শুধুমাত্র মিল পরিসীমা [0,dtCD] নীচে বিলম্ব প্রতিক্রিয়া. যদি কোন আউটপুট পিক না থাকে, কিন্তু ইনপুট পিক কাছাকাছি থাকে, তাহলে উভয় RRAM ডিভাইসকে বুস্ট করা উচিত যাতে নিউরনকে থ্রেশহোল্ডে পৌঁছাতে সাহায্য করা যায়। বিপরীতভাবে, যদি সার্কিটটি dtCD এর লক্ষ্য পরিসীমা অতিক্রম করে এমন বিলম্বে সাড়া দেয়, তবে পরিবাহিতা অবশ্যই হ্রাস করতে হবে। সঠিক আচরণ না পাওয়া পর্যন্ত প্রক্রিয়াটি পুনরাবৃত্তি করুন। কমপ্লায়েন্স কারেন্ট রেফ-এ বিল্ট-ইন অ্যানালগ সার্কিট দ্বারা মড্যুলেট করা যেতে পারে। 72.73। এই অন্তর্নির্মিত সার্কিটের সাহায্যে, এই ধরনের পদ্ধতিগুলি পর্যায়ক্রমে সিস্টেমটি ক্যালিব্রেট করতে বা অন্য অ্যাপ্লিকেশনের জন্য পুনরায় ব্যবহার করা যেতে পারে।
আমরা একটি স্ট্যান্ডার্ড 32-বিট মাইক্রোকন্ট্রোলার 68-এ আমাদের নিউরোমর্ফিক সিগন্যাল প্রসেসিং পদ্ধতির শক্তি খরচ মূল্যায়ন করি। এই মূল্যায়নে, আমরা একটি pMUT ট্রান্সমিটার এবং দুটি pMUT রিসিভার সহ এই কাগজের মতো একই সেটআপের সাথে অপারেশন অনুমান করি। এই পদ্ধতিতে একটি ব্যান্ডপাস ফিল্টার ব্যবহার করা হয়, তারপরে একটি খাম নিষ্কাশন পদক্ষেপ (টিগার-কাইজার) এবং অবশেষে ফ্লাইটের সময় বের করতে সিগন্যালে একটি থ্রেশহোল্ডিং অপারেশন প্রয়োগ করা হয়। আইটিডির গণনা এবং সনাক্তকরণ কোণে এর রূপান্তর মূল্যায়নে বাদ দেওয়া হয়েছে। আমরা 18টি ফ্লোটিং পয়েন্ট অপারেশনের প্রয়োজন একটি 4র্থ অর্ডার অসীম ইমপালস রেসপন্স ফিল্টার ব্যবহার করে একটি ব্যান্ড পাস ফিল্টার বাস্তবায়ন বিবেচনা করি। খাম নিষ্কাশন আরও তিনটি ফ্লোটিং পয়েন্ট অপারেশন ব্যবহার করে, এবং শেষ অপারেশনটি থ্রেশহোল্ড সেট করতে ব্যবহৃত হয়। সিগন্যালটি প্রিপ্রসেস করার জন্য মোট 22টি ফ্লোটিং পয়েন্ট অপারেশন প্রয়োজন। ট্রান্সমিটেড সিগন্যাল হল 111.9 kHz সাইন ওয়েভফর্মের একটি সংক্ষিপ্ত বিস্ফোরণ যা প্রতি 10 ms পরপর উৎপন্ন হয় যার ফলে 100 Hz এর পজিশনিং অপারেটিং ফ্রিকোয়েন্সি হয়। আমরা Nyquist মেনে চলার জন্য 250 kHz এর একটি স্যাম্পলিং রেট ব্যবহার করেছি এবং 1 মিটারের পরিসর ক্যাপচার করার জন্য প্রতিটি পরিমাপের জন্য একটি 6 ms উইন্ডো ব্যবহার করেছি৷ উল্লেখ্য যে 6 মিলিসেকেন্ড হল 1 মিটার দূরে অবস্থিত একটি বস্তুর ফ্লাইট সময়। এটি 0.5 MSPS এ A/D রূপান্তরের জন্য 180 µW এর পাওয়ার খরচ প্রদান করে। সিগন্যাল প্রিপ্রসেসিং হল 6.60 MIPS (নির্দেশ প্রতি সেকেন্ড), 0.75 mW উৎপন্ন করে। যাইহোক, যখন অ্যালগরিদম চলছে না তখন মাইক্রোকন্ট্রোলার একটি কম পাওয়ার মোড 69 এ স্যুইচ করতে পারে। এই মোডটি 10.8 μW এর একটি স্ট্যাটিক পাওয়ার খরচ এবং 113 μs এর জেগে ওঠার সময় প্রদান করে। 84 MHz এর একটি ঘড়ি ফ্রিকোয়েন্সি দেওয়া, মাইক্রোকন্ট্রোলার নিউরোমর্ফিক অ্যালগরিদমের সমস্ত ক্রিয়াকলাপ 10 ms এর মধ্যে সম্পন্ন করে এবং অ্যালগরিদম 6.3% এর একটি শুল্ক চক্র গণনা করে, এইভাবে একটি কম পাওয়ার মোড ব্যবহার করে। ফলে শক্তি অপচয় হল 244.7 μW। নোট করুন যে আমরা ToF থেকে ITD আউটপুট এবং সনাক্তকরণ কোণে রূপান্তর বাদ দিই, এইভাবে মাইক্রোকন্ট্রোলারের শক্তি খরচকে অবমূল্যায়ন করে। এটি প্রস্তাবিত সিস্টেমের শক্তি দক্ষতার জন্য অতিরিক্ত মান প্রদান করে। একটি অতিরিক্ত তুলনা শর্ত হিসাবে, আমরা রেফারেন্সে প্রস্তাবিত ক্লাসিক্যাল বিমফর্মিং পদ্ধতির শক্তি খরচ মূল্যায়ন করি। 31.54 যখন 1.8V সরবরাহ ভোল্টেজে একই মাইক্রোকন্ট্রোলার68 এ এমবেড করা হয়। পাঁচটি সমানভাবে ব্যবধানযুক্ত পিএমইউটি ঝিল্লি বিমফর্মিংয়ের জন্য ডেটা অর্জন করতে ব্যবহৃত হয়। প্রক্রিয়াকরণের জন্য, বিমফর্মিং পদ্ধতিটি বিলম্বের সমষ্টি। এটি কেবল লেনগুলিতে বিলম্ব প্রয়োগ করে যা এক লেন এবং রেফারেন্স লেনের মধ্যে আগমনের সময়ের প্রত্যাশিত পার্থক্যের সাথে মিলে যায়। যদি সংকেতগুলি পর্যায়ক্রমে থাকে তবে এই সংকেতগুলির যোগফল একটি সময় পরিবর্তনের পরে উচ্চ শক্তি থাকবে। যদি তারা পর্যায়ের বাইরে থাকে, ধ্বংসাত্মক হস্তক্ষেপ তাদের যোগফলের শক্তিকে সীমিত করবে। একটি সম্পর্কে ডুমুর উপর. 31, নমুনার একটি পূর্ণসংখ্যা দ্বারা ডেটা স্থানান্তর করার জন্য 2 MHz এর একটি নমুনা হার নির্বাচন করা হয়েছে। একটি আরও বিনয়ী পদ্ধতি হল 250 kHz এর একটি মোটা নমুনা হার বজায় রাখা এবং ভগ্নাংশের বিলম্ব সংশ্লেষ করতে একটি ফিনিট ইমপালস রেসপন্স (এফআইআর) ফিল্টার ব্যবহার করা। আমরা ধরে নেব যে বিমফর্মিং অ্যালগরিদমের জটিলতা প্রধানত সময় পরিবর্তনের দ্বারা নির্ধারিত হয়, যেহেতু প্রতিটি চ্যানেল প্রতিটি দিকে 16 টি ট্যাপ সহ একটি এফআইআর ফিল্টার দিয়ে জড়িত। এই ক্রিয়াকলাপের জন্য প্রয়োজনীয় এমআইপিএসের সংখ্যা গণনা করতে, আমরা 1 মিটার, 5টি চ্যানেল, 11টি বিমফর্মিং দিকনির্দেশ (10° ধাপে পরিসীমা +/- 50°) ক্যাপচার করার জন্য প্রতি পরিমাপ 6ms এর একটি উইন্ডো বিবেচনা করি। প্রতি সেকেন্ডে 75 পরিমাপ মাইক্রোকন্ট্রোলারকে সর্বোচ্চ 100 MIPS-এ ঠেলে দিয়েছে। লিঙ্ক। 68, অনবোর্ড এডিসি অবদান যোগ করার পর 11.71 মেগাওয়াটের মোট বিদ্যুতের অপচয়ের জন্য 11.26 মেগাওয়াট শক্তির অপচয় হয়।
এই গবেষণার ফলাফল সমর্থনকারী ডেটা যুক্তিসঙ্গত অনুরোধের ভিত্তিতে সংশ্লিষ্ট লেখক, এফএম থেকে পাওয়া যায়।
Indiveri, G. & Sandamirskaya, Y. নিউরোমর্ফিক এজেন্টে সংকেত প্রক্রিয়াকরণের জন্য স্থান এবং সময়ের গুরুত্ব: পরিবেশের সাথে যোগাযোগকারী স্বায়ত্তশাসিত এজেন্ট স্বল্প-শক্তির বিকাশের চ্যালেঞ্জ। Indiveri, G. & Sandamirskaya, Y. নিউরোমর্ফিক এজেন্টে সংকেত প্রক্রিয়াকরণের জন্য স্থান এবং সময়ের গুরুত্ব: পরিবেশের সাথে যোগাযোগকারী স্বায়ত্তশাসিত এজেন্ট স্বল্প-শক্তির বিকাশের চ্যালেঞ্জ।Indiveri G. এবং Sandamirskaya Y. নিউরোমরফিক এজেন্টে সংকেত প্রক্রিয়াকরণের জন্য স্থান এবং সময়ের গুরুত্ব: পরিবেশের সাথে মিথস্ক্রিয়া করে স্বল্প-শক্তির স্বায়ত্তশাসিত এজেন্ট বিকাশের চ্যালেঞ্জ। ইন্দিভেরি, জি এবং স্যান্ডামিরস্কায়া, ওয়াই।空间和时间对于神经形态代理中信号处理的重要性：开发与环境交互的低功耗,自主代理的挑战. ইন্দিভেরি, জি এবং স্যান্ডামিরস্কায়া, ওয়াই।Indiveri G. এবং Sandamirskaya Y. নিউরোমরফিক এজেন্টে সংকেত প্রক্রিয়াকরণের জন্য স্থান এবং সময়ের গুরুত্ব: পরিবেশের সাথে মিথস্ক্রিয়া করে স্বল্প-শক্তির স্বায়ত্তশাসিত এজেন্ট বিকাশের চ্যালেঞ্জ।IEEE সংকেত প্রক্রিয়াকরণ. জার্নাল 36, 16–28 (2019)।
থর্প, এসজে পিক আগমনের সময়: একটি দক্ষ নিউরাল নেটওয়ার্ক কোডিং স্কিম। Eckmiller, R., Hartmann, G. & Hauske, G. (eds)-এ। Eckmiller, R., Hartmann, G. & Hauske, G. (eds)-এ।Eckmiller, R., Hartmann, G. এবং Hauske, G. (eds.)-এ।একমিলারে, আর., হার্টম্যান, জি. এবং হাউসকে, জি. (এডিস।)। নিউরাল সিস্টেম এবং কম্পিউটারে সমান্তরাল প্রক্রিয়াকরণ 91-94 (উত্তর-হল্যান্ড এলসেভিয়ার, 1990)।
লেভি, ডব্লিউবি এবং ক্যালভার্ট, ভিজি কমিউনিকেশন হিউম্যান কর্টেক্সে গণনার তুলনায় 35 গুণ বেশি শক্তি খরচ করে, কিন্তু সিন্যাপস সংখ্যার পূর্বাভাস দিতে উভয় খরচই প্রয়োজন। লেভি, ডব্লিউবি এবং ক্যালভার্ট, ভিজি কমিউনিকেশন হিউম্যান কর্টেক্সে গণনার তুলনায় 35 গুণ বেশি শক্তি খরচ করে, কিন্তু সিন্যাপস সংখ্যার পূর্বাভাস দিতে উভয় খরচই প্রয়োজন।লেভি, ডব্লিউবি এবং ক্যালভার্ট, ডব্লিউজি কমিউনিকেশন হিউম্যান কর্টেক্সে গণনার তুলনায় 35 গুণ বেশি শক্তি খরচ করে, কিন্তু সিন্যাপসের সংখ্যা অনুমান করার জন্য উভয় খরচই প্রয়োজন। লেভি, ডব্লিউবি ও কালভার্ট, ভিজি কমিউনিকেশন লেভি, ডব্লিউবি এবং কালভার্ট, ভিজি কমিউনিকেশনলেভি, ডব্লিউবি এবং ক্যালভার্ট, ডব্লিউজি কমিউনিকেশন হিউম্যান কর্টেক্সে গণনার তুলনায় 35 গুণ বেশি শক্তি খরচ করে, কিন্তু উভয় খরচেই সিন্যাপসের সংখ্যার পূর্বাভাস প্রয়োজন।প্রক্রিয়া ন্যাশনাল একাডেমি অফ সায়েন্স। বিজ্ঞান US 118, https://doi.org/10.1073/pnas.2008173118 (2021)।
ডালগাটি, টি., ভায়ানেলো, ই., ডি সালভো, বি. এবং কাসাস, জে. পোকা-অনুপ্রাণিত নিউরোমরফিক কম্পিউটিং। ডালগাটি, টি., ভায়ানেলো, ই., ডি সালভো, বি. এবং কাসাস, জে. পোকা-অনুপ্রাণিত নিউরোমরফিক কম্পিউটিং।ডালগাতি, টি., ভায়ানেলো, ই., ডিসালভো, বি এবং কাসাস, জে. পোকা-অনুপ্রাণিত নিউরোমরফিক কম্পিউটিং।ডালগাটি টি., ভায়ানেলো ই., ডিসালভো বি. এবং ক্যাসাস জে. পোকা-অনুপ্রাণিত নিউরোমরফিক কম্পিউটিং। কারেন্ট। মতামত. পোকা বিজ্ঞান। 30, 59–66 (2018)।
রয়, কে., জয়সওয়াল, এ. ও পান্ডা, পি. নিউরোমর্ফিক কম্পিউটিং সহ স্পাইক-ভিত্তিক মেশিন বুদ্ধিমত্তার দিকে। রয়, কে., জয়সওয়াল, এ. ও পান্ডা, পি. নিউরোমর্ফিক কম্পিউটিং সহ স্পাইক-ভিত্তিক মেশিন বুদ্ধিমত্তার দিকে। রয়, কে., জয়সওয়াল, এ. ও পান্ডা, পি. নিউরোমর্ফিক কম্পিউটিং সহ স্পাইক-ভিত্তিক মেশিন ইন্টেলিজেন্সের দিকে।রয় কে, জয়সওয়াল এ, এবং পান্ডা পি। নিউরোমরফিক কম্পিউটিং ব্যবহার করে পালস-ভিত্তিক কৃত্রিম বুদ্ধিমত্তা। প্রকৃতি 575, 607–617 (2019)।
ইন্দিভেরি, জি. ও লিউ, এস.-সি. ইন্দিভেরি, জি. ও লিউ, এস.-সি.ইন্দিভেরি, জি. এবং লিউ, এস.-কে. ইন্দিভেরি, জি. ও লিউ, এস.-সি. ইন্দিভেরি, জি. ও লিউ, এস.-সি.ইন্দিভেরি, জি. এবং লিউ, এস.-কে.নিউরোমরফিক সিস্টেমে মেমরি এবং তথ্য প্রক্রিয়াকরণ। প্রক্রিয়া IEEE 103, 1379–1397 (2015)।
আকোপিয়ান এফ. এট আল। Truenorth: একটি 65 mW 1 মিলিয়ন নিউরন প্রোগ্রামেবল সিনাপটিক চিপের জন্য ডিজাইন এবং টুলকিট। IEEE লেনদেন। ইন্টিগ্রেটেড সার্কিট সিস্টেমের কম্পিউটার ডিজাইন। 34, 1537-1557 (2015)।
স্কিমেল, জে. এট আল। লাইভ ডেমো: প্লেট স্কেলে BrainScaleS নিউরোমরফিক সিস্টেমের স্কেল ডাউন সংস্করণ। 2012 IEEE ইন্টারন্যাশনাল সিম্পোজিয়াম অন সার্কিট অ্যান্ড সিস্টেমস (ISCAS), (IEEE ed.) 702–702 (2012)।
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ডাইনামিক নিউরোমরফিক অ্যাসিঙ্ক্রোনাস প্রসেসর (DYNAPs) এর জন্য ভিন্নধর্মী মেমরি স্ট্রাকচার সহ একটি মাপযোগ্য মাল্টিকোর আর্কিটেকচার। Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ডাইনামিক নিউরোমরফিক অ্যাসিঙ্ক্রোনাস প্রসেসর (DYNAPs) এর জন্য ভিন্নধর্মী মেমরি স্ট্রাকচার সহ একটি মাপযোগ্য মাল্টিকোর আর্কিটেকচার।মোরাদি এস., কিয়াও এন., স্টেফানিনি এফ. এবং ইন্দিভিরি জি. ডায়নামিক নিউরোমরফিক অ্যাসিঙ্ক্রোনাস প্রসেসরের (ডিওয়াইএনএপি) জন্য ভিন্নধর্মী মেমরি স্ট্রাকচার সহ একটি স্কেলযোগ্য মাল্টিকোর আর্কিটেকচার। মোরাদি, এস., কিয়াও, এন., স্টেফানিনি, এফ. এবং ইন্দিভেরি, জি. 一种可扩展的多核架构，具有用于动态神用于动态神经形态异歙(YPNA)异步)的异构内存结构. মোরাদি, এস., কিয়াও, এন., স্টেফানিনি, এফ. এবং ইন্দিভেরি, জি. এক ধরনের প্রসারণযোগ্য মাল্টি-কোর আর্কিটেকচার, যা ডায়নামিক নিউরাল প্রসেসিং (DYNAP) এর জন্য একটি অনন্য মেমরি কাঠামো সহ।মোরাদি এস., কিয়াও এন., স্টেফানিনি এফ. এবং ইন্দিভিরি জি. ডায়নামিক নিউরোমরফিক অ্যাসিঙ্ক্রোনাস প্রসেসরের (ডিওয়াইএনএপি) জন্য ভিন্নধর্মী মেমরি স্ট্রাকচার সহ একটি স্কেলযোগ্য মাল্টিকোর আর্কিটেকচার।বায়োমেডিকাল বিজ্ঞানের উপর IEEE লেনদেন। বৈদ্যুতিক সিস্টেম। 12, 106–122 (2018)।
ডেভিস, এম. এট আল। Loihi: এমবেডেড লার্নিং সহ একটি নিউরোমরফিক মাল্টি-কোর প্রসেসর। IEEE মাইক্রো 38, 82–99 (2018)।
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker প্রকল্প। Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker প্রকল্প।Ferber SB, Galluppi F., Temple S. এবং Plana LA SpiNNaker প্রকল্প।Ferber SB, Galluppi F., Temple S. এবং Plana LA SpiNNaker প্রকল্প। প্রক্রিয়া IEEE 102, 652–665 (2014)।
লিউ, এস-কে। এবং ডেলব্রুক, টি. নিউরোমরফিক সেন্সরি সিস্টেম। এবং ডেলব্রুক, টি. নিউরোমরফিক সেন্সরি সিস্টেম।এবং Delbrück T. নিউরোমরফিক সেন্সরি সিস্টেম। & Delbruck, T. 神经形态感觉系统. এবং ডেলব্রুক, টি।এবং Delbrück T. নিউরোমরফিক সেন্সরি সিস্টেম।কারেন্ট। মতামত. নিউরোবায়োলজি। 20, 288-295 (2010)।
চোপ, টি. এট আল। সম্মিলিত শব্দ উৎস স্থানীয়করণ এবং সংঘর্ষ এড়ানোর জন্য নিউরোমর্ফিক সংবেদনশীল একীকরণ। 2019 সালে IEEE কনফারেন্স অন বায়োমেডিকাল সার্কিটস অ্যান্ড সিস্টেমস (BioCAS), (IEEE Ed.) 1–4 (2019)।
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. স্টেরিও ভিশনের একটি স্পাইক-ভিত্তিক নিউরোমর্ফিক আর্কিটেকচার। Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. স্টেরিও ভিশনের একটি স্পাইক-ভিত্তিক নিউরোমর্ফিক আর্কিটেকচার।Risi N, Aymar A, Donati E, Solinas S, and Indiveri G. একটি স্পাইক-ভিত্তিক নিউরোমর্ফিক স্টেরিওভিশন আর্কিটেকচার। Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. 一种基于脉冲的立体视觉神经形态结构। Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G.রিসি এন, আইমার এ, ডোনাটি ই, সোলিনাস এস, এবং ইন্দিভেরি জি. স্টেরিও ভিশনের জন্য স্পাইক-ভিত্তিক নিউরোমর্ফিক আর্কিটেকচার।সামনে নিউরোরোবোটিক্স 14, 93 (2020)।
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ইভেন্ট-ভিত্তিক নিউরোমর্ফিক স্টেরিও ভিশন সিস্টেমের জন্য 3Dperception এর একটি স্পাইকিং নিউরাল নেটওয়ার্ক মডেল। Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ইভেন্ট-ভিত্তিক নিউরোমর্ফিক স্টেরিও ভিশন সিস্টেমের জন্য 3Dperception এর একটি স্পাইকিং নিউরাল নেটওয়ার্ক মডেল।Oswald, M., Ieng, S.-H., Benosman, R., এবং Indiveri, G. ইভেন্ট-ভিত্তিক নিউরোমরফিক স্টেরিও ভিশন সিস্টেমের জন্য একটি 3D পালসড নিউরাল নেটওয়ার্ক উপলব্ধি মডেল। Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型.Oswald, M., Ieng, S.-H., Benosman, R., এবং Indiveri, G. স্পিকড 3Dperception নিউরাল নেটওয়ার্ক মডেল একটি ইভেন্ট-ভিত্তিক নিউরোমর্ফিক স্টেরিও ভিশন সিস্টেমের জন্য।বিজ্ঞান রিপোর্ট 7, 1-11 (2017)।
ডালগাটি, টি. এট আল। পোকা-অনুপ্রাণিত মৌলিক গতি সনাক্তকরণের মধ্যে রয়েছে প্রতিরোধী মেমরি এবং ফেটে যাওয়া নিউরাল নেটওয়ার্ক। বায়োনিক বায়োহাইব্রিড সিস্টেম। 10928, 115–128 (2018)।
D'Angelo, G. et al. টেম্পোরাল ডিফারেনশিয়াল কোডিং ব্যবহার করে ইভেন্ট-ভিত্তিক উদ্ভট গতি সনাক্তকরণ। সামনে নিউরোলজি। 14, 451 (2020)।