Οι εφαρμογές επεξεργασίας δεδομένων του πραγματικού κόσμου απαιτούν συμπαγή υπολογιστικά συστήματα χαμηλής καθυστέρησης και χαμηλής ισχύος. Με υπολογιστικές δυνατότητες με γνώμονα τα συμβάντα, οι συμπληρωματικές υβριδικές νευρομορφικές αρχιτεκτονικές υβριδικού οξειδίου μετάλλου-οξειδίου-ημιαγωγού παρέχουν μια ιδανική βάση υλικού για τέτοιες εργασίες. Για να δείξουμε το πλήρες δυναμικό τέτοιων συστημάτων, προτείνουμε και επιδεικνύουμε πειραματικά μια ολοκληρωμένη λύση επεξεργασίας αισθητήρων για εφαρμογές εντοπισμού αντικειμένων πραγματικού κόσμου. Αντλώντας έμπνευση από τη νευροανατομία της κουκουβάγιας του αχυρώνα, έχουμε αναπτύξει ένα βιοεμπνευσμένο σύστημα εντοπισμού αντικειμένων με γνώμονα τα γεγονότα που συνδυάζει έναν υπερσύγχρονο πιεζοηλεκτρικό μικρομηχανικό μορφοτροπέα με νευρομορφική ωμική μνήμη που βασίζεται σε υπολογιστικά γραφήματα. Δείχνουμε μετρήσεις ενός κατασκευασμένου συστήματος που περιλαμβάνει έναν ανιχνευτή σύμπτωσης με αντίσταση βάσει μνήμης, κύκλωμα γραμμής καθυστέρησης και έναν πλήρως προσαρμόσιμο μορφοτροπέα υπερήχων. Χρησιμοποιούμε αυτά τα πειραματικά αποτελέσματα για τη βαθμονόμηση προσομοιώσεων σε επίπεδο συστήματος. Αυτές οι προσομοιώσεις χρησιμοποιούνται στη συνέχεια για την αξιολόγηση της γωνιακής ανάλυσης και της ενεργειακής απόδοσης του μοντέλου εντοπισμού αντικειμένων. Τα αποτελέσματα δείχνουν ότι η προσέγγισή μας μπορεί να είναι αρκετές τάξεις μεγέθους πιο ενεργειακά αποδοτική από τους μικροελεγκτές που εκτελούν την ίδια εργασία.
Εισερχόμαστε σε μια εποχή πανταχού παρουσίας υπολογιστών όπου ο αριθμός των συσκευών και συστημάτων που αναπτύσσονται αυξάνεται εκθετικά για να μας βοηθήσουν στην καθημερινή μας ζωή. Αυτά τα συστήματα αναμένεται να λειτουργούν συνεχώς, καταναλώνοντας όσο το δυνατόν λιγότερη ενέργεια ενώ μαθαίνουν να ερμηνεύουν τα δεδομένα που συλλέγουν από πολλούς αισθητήρες σε πραγματικό χρόνο και να παράγουν δυαδική έξοδο ως αποτέλεσμα εργασιών ταξινόμησης ή αναγνώρισης. Ένα από τα πιο σημαντικά βήματα που απαιτούνται για την επίτευξη αυτού του στόχου είναι η εξαγωγή χρήσιμων και συμπαγών πληροφοριών από θορυβώδη και συχνά ημιτελή αισθητηριακά δεδομένα. Οι συμβατικές προσεγγίσεις μηχανικής τυπικά δειγματίζουν σήματα αισθητήρων με σταθερό και υψηλό ρυθμό, παράγοντας μεγάλες ποσότητες δεδομένων ακόμη και απουσία χρήσιμων εισόδων. Επιπλέον, αυτές οι μέθοδοι χρησιμοποιούν πολύπλοκες τεχνικές επεξεργασίας ψηφιακού σήματος για την προεπεξεργασία των (συχνά θορυβωδών) δεδομένων εισόδου. Αντίθετα, η βιολογία προσφέρει εναλλακτικές λύσεις για την επεξεργασία θορυβωδών αισθητηριακών δεδομένων χρησιμοποιώντας ενεργειακά αποδοτικές, ασύγχρονες προσεγγίσεις που βασίζονται σε γεγονότα (ακίδες)2,3. Ο νευρομορφικός υπολογισμός εμπνέεται από βιολογικά συστήματα για να μειώσει το υπολογιστικό κόστος όσον αφορά τις απαιτήσεις ενέργειας και μνήμης σε σύγκριση με τις παραδοσιακές μεθόδους επεξεργασίας σήματος4,5,6. Πρόσφατα, έχουν επιδειχθεί καινοτόμα συστήματα βασισμένα στον εγκέφαλο γενικού σκοπού που εφαρμόζουν νευρωνικά δίκτυα ώθησης (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11). Αυτοί οι επεξεργαστές παρέχουν λύσεις χαμηλής ισχύος και χαμηλής καθυστέρησης για μηχανική εκμάθηση και μοντελοποίηση κυκλωμάτων φλοιού. Για να εκμεταλλευτούν πλήρως την ενεργειακή τους απόδοση, αυτοί οι νευρομορφικοί επεξεργαστές πρέπει να συνδέονται απευθείας με αισθητήρες που οδηγούνται από συμβάντα12,13. Ωστόσο, σήμερα υπάρχουν μόνο λίγες συσκευές αφής που παρέχουν άμεσα δεδομένα βάσει συμβάντων. Εξέχοντα παραδείγματα είναι οι δυναμικοί οπτικοί αισθητήρες (DVS) για εφαρμογές όρασης όπως η παρακολούθηση και η ανίχνευση κίνησης14,15,16,17 ο κοχλίας πυριτίου18 και οι νευρομορφικοί ακουστικοί αισθητήρες (NAS)19 για την επεξεργασία ακουστικού σήματος, οι αισθητήρες όσφρησης20 και πολλά παραδείγματα21,22 αφής. . αισθητήρες υφής.
Σε αυτό το άρθρο, παρουσιάζουμε ένα πρόσφατα αναπτυγμένο σύστημα ακουστικής επεξεργασίας που βασίζεται σε συμβάντα και εφαρμόζεται στον εντοπισμό αντικειμένων. Εδώ, για πρώτη φορά, περιγράφουμε ένα σύστημα εντοπισμού αντικειμένων από άκρο σε άκρο που λαμβάνεται συνδέοντας έναν πιεζοηλεκτρικό μικρομηχανικό υπερηχητικό μετατροπέα τελευταίας τεχνολογίας (pMUT) με ένα υπολογιστικό γράφημα που βασίζεται σε νευρομορφική αντίσταση μνήμης (RRAM). Οι αρχιτεκτονικές υπολογιστών στη μνήμη που χρησιμοποιούν RRAM είναι μια πολλά υποσχόμενη λύση για τη μείωση της κατανάλωσης ενέργειας23,24,25,26,27,28,29. Η εγγενής μη μεταβλητότητά τους - που δεν απαιτεί ενεργή κατανάλωση ενέργειας για αποθήκευση ή ενημέρωση πληροφοριών - ταιριάζει απόλυτα με την ασύγχρονη φύση του νευρομορφικού υπολογισμού που βασίζεται σε γεγονότα, με αποτέλεσμα σχεδόν μηδενική κατανάλωση ενέργειας όταν το σύστημα είναι αδρανές. Οι πιεζοηλεκτρικοί μικρομηχανικοί μετατροπείς υπερήχων (pMUTs) είναι φθηνοί, μικροσκοπικοί μετατροπείς υπερήχων με βάση το πυρίτιο, ικανοί να λειτουργούν ως πομποί και δέκτες30,31,32,33,34. Για να επεξεργαστούμε τα σήματα που λαμβάνονται από τους ενσωματωμένους αισθητήρες, αντλήσαμε έμπνευση από τη νευροανατομία της κουκουβάγιας35,36,37. Η κουκουβάγια Tyto alba είναι γνωστή για τις αξιοσημείωτες ικανότητές της στο νυχτερινό κυνήγι χάρη σε ένα πολύ αποτελεσματικό σύστημα ακουστικού εντοπισμού. Για τον υπολογισμό της θέσης του θηράματος, το σύστημα εντοπισμού της κουκουβάγιας κωδικοποιεί την ώρα πτήσης (ToF) όταν τα ηχητικά κύματα από το θήραμα φτάνουν σε καθένα από τα αυτιά ή τους ηχητικούς υποδοχείς της κουκουβάγιας. Δεδομένης της απόστασης μεταξύ των αυτιών, η διαφορά μεταξύ των δύο μετρήσεων ToF (Interaural Time Difference, ITD) καθιστά δυνατό τον αναλυτικό υπολογισμό της θέσης του αζιμουθίου του στόχου. Αν και τα βιολογικά συστήματα δεν είναι κατάλληλα για την επίλυση αλγεβρικών εξισώσεων, μπορούν να λύσουν προβλήματα εντοπισμού πολύ αποτελεσματικά. Το νευρικό σύστημα της κουκουβάγιας αχυρώνα χρησιμοποιεί ένα σύνολο νευρώνων ανιχνευτή σύμπτωσης (CD)35 (δηλαδή, νευρώνες ικανούς να ανιχνεύουν χρονικές συσχετίσεις μεταξύ αιχμών που διαδίδονται προς τα κάτω σε συγκλίνουσες διεγερτικές απολήξεις)38,39 οργανωμένες σε υπολογιστικά γραφήματα για την επίλυση προβλημάτων τοποθέτησης.
Προηγούμενη έρευνα έχει δείξει ότι το συμπληρωματικό υλικό μεταλλικού οξειδίου-ημιαγωγού (CMOS) και το νευρομορφικό υλικό που βασίζεται σε RRAM, εμπνευσμένο από το κατώτερο κολλίδιο ("ακουστικός φλοιός") της κουκουβάγιας είναι μια αποτελεσματική μέθοδος για τον υπολογισμό της θέσης χρησιμοποιώντας ITD13, 40, 41, 42, 43 , 44, 45, 46. Ωστόσο, το Η δυνατότητα πλήρων νευρομορφικών συστημάτων που συνδέουν ακουστικά σημάδια με νευρομορφικά υπολογιστικά γραφήματα δεν έχει ακόμη αποδειχθεί. Το κύριο πρόβλημα είναι η εγγενής μεταβλητότητα των αναλογικών κυκλωμάτων CMOS, η οποία επηρεάζει την ακρίβεια της ανίχνευσης αντιστοίχισης. Πρόσφατα, έχουν επιδειχθεί εναλλακτικές αριθμητικές υλοποιήσεις των εκτιμήσεων ITD47. Σε αυτό το άρθρο, προτείνουμε να χρησιμοποιήσουμε την ικανότητα του RRAM να αλλάζει την τιμή αγωγιμότητας με μη πτητικό τρόπο για να εξουδετερώσει τη μεταβλητότητα στα αναλογικά κυκλώματα. Υλοποιήσαμε ένα πειραματικό σύστημα που αποτελείται από μια μεμβράνη εκπομπής pMUT που λειτουργεί σε συχνότητα 111,9 kHz, δύο μεμβράνες λήψης pMUT (αισθητήρες) που προσομοιώνουν αυτιά κουκουβάγιας και ένα . Χαρακτηρίσαμε πειραματικά το σύστημα ανίχνευσης pMUT και το υπολογιστικό γράφημα ITD που βασίζεται σε RRAM για να δοκιμάσουμε το σύστημα εντοπισμού μας και να αξιολογήσουμε τη γωνιακή του ανάλυση.
Συγκρίνουμε τη μέθοδό μας με μια ψηφιακή υλοποίηση σε έναν μικροελεγκτή που εκτελεί την ίδια εργασία εντοπισμού χρησιμοποιώντας συμβατικές μεθόδους διαμόρφωσης δέσμης ή νευρομορφικές μεθόδους, καθώς και μια διάταξη προγραμματιζόμενης πύλης πεδίου (FPGA) για την εκτίμηση ITD που προτείνεται στην αναφορά. 47. Αυτή η σύγκριση υπογραμμίζει την ανταγωνιστική απόδοση ισχύος του προτεινόμενου αναλογικού νευρομορφικού συστήματος που βασίζεται σε RRAM.
Ένα από τα πιο εντυπωσιακά παραδείγματα ενός ακριβούς και αποτελεσματικού συστήματος εντοπισμού αντικειμένων μπορεί να βρεθεί στο barn owl35,37,48. Το σούρουπο και την αυγή, η κουκουβάγια του αχυρώνα (Tyto Alba) βασίζεται κυρίως στην παθητική ακρόαση, αναζητώντας ενεργά μικρά θηράματα όπως βολίδες ή ποντίκια. Αυτοί οι ακουστικοί ειδικοί μπορούν να εντοπίσουν τα ακουστικά σήματα από το θήραμα με εκπληκτική ακρίβεια (περίπου 2°)35, όπως φαίνεται στο Σχ. 1α. Οι κουκουβάγιες αχυρώνα συμπεραίνουν τη θέση των πηγών ήχου στο αζιμούθιο (οριζόντιο) επίπεδο από τη διαφορά στον εισερχόμενο χρόνο πτήσης (ITD) από την πηγή ήχου στα δύο αυτιά. Ο υπολογιστικός μηχανισμός ITD προτάθηκε από τον Jeffress49,50, ο οποίος βασίζεται στη νευρική γεωμετρία και απαιτεί δύο βασικά στοιχεία: έναν άξονα, τη νευρική ίνα ενός νευρώνα που λειτουργεί ως γραμμή καθυστέρησης και μια σειρά νευρώνων ανιχνευτών σύμπτωσης οργανωμένων σε ένα υπολογιστικό σύστημα. γράφημα όπως φαίνεται στο Σχήμα 1β. Ο ήχος φτάνει στο αυτί με χρονική καθυστέρηση που εξαρτάται από το αζιμούθιο (ITD). Ο ήχος στη συνέχεια μετατρέπεται σε μοτίβο ακίδας σε κάθε αυτί. Οι άξονες του αριστερού και του δεξιού αυτιού λειτουργούν ως γραμμές καθυστέρησης και συγκλίνουν στους νευρώνες CD. Θεωρητικά, μόνο ένας νευρώνας σε μια συστοιχία ταιριασμένων νευρώνων θα λαμβάνει είσοδο κάθε φορά (όπου η καθυστέρηση ακυρώνεται ακριβώς) και θα πυροδοτείται στο μέγιστο (θα ενεργοποιηθούν και τα γειτονικά κύτταρα, αλλά σε χαμηλότερη συχνότητα). Η ενεργοποίηση ορισμένων νευρώνων κωδικοποιεί τη θέση του στόχου στο διάστημα χωρίς περαιτέρω μετατροπή του ITD σε γωνίες. Αυτή η ιδέα συνοψίζεται στο Σχήμα 1γ: για παράδειγμα, εάν ο ήχος έρχεται από τη δεξιά πλευρά όταν το σήμα εισόδου από το δεξί αυτί διανύει μεγαλύτερη διαδρομή από τη διαδρομή από το αριστερό αυτί, αντισταθμίζοντας τον αριθμό των ITD, για παράδειγμα, όταν ο νευρώνας 2 ταιριάζει. Με άλλα λόγια, κάθε CD ανταποκρίνεται σε ένα συγκεκριμένο ITD (γνωστό και ως βέλτιστη καθυστέρηση) λόγω αξονικής καθυστέρησης. Έτσι, ο εγκέφαλος μετατρέπει τις χρονικές πληροφορίες σε χωρικές πληροφορίες. Ανατομικά στοιχεία για αυτόν τον μηχανισμό έχουν βρεθεί37,51. Οι νευρώνες του μακροπύρηνα κλειδωμένοι σε φάση αποθηκεύουν χρονικές πληροφορίες σχετικά με τους εισερχόμενους ήχους: όπως υποδηλώνει το όνομά τους, πυροδοτούν ορισμένες φάσεις σήματος. Οι νευρώνες ανιχνευτή σύμπτωσης του μοντέλου Jeffress μπορούν να βρεθούν στον στρωτό πυρήνα. Λαμβάνουν πληροφορίες από μακροπυρηνικούς νευρώνες, των οποίων οι άξονες λειτουργούν ως γραμμές καθυστέρησης. Το μέγεθος της καθυστέρησης που παρέχεται από τη γραμμή καθυστέρησης μπορεί να εξηγηθεί από το μήκος του άξονα, καθώς και από ένα άλλο σχέδιο μυελίνωσης που αλλάζει την ταχύτητα αγωγής. Εμπνευσμένοι από το ακουστικό σύστημα της κουκουβάγιας, έχουμε αναπτύξει ένα βιομιμητικό σύστημα εντοπισμού αντικειμένων. Τα δύο αυτιά αντιπροσωπεύονται από δύο δέκτες pMUT. Η πηγή ήχου είναι ο πομπός pMUT που βρίσκεται ανάμεσά τους (Εικ. 1a) και το υπολογιστικό γράφημα σχηματίζεται από ένα πλέγμα κυκλωμάτων CD που βασίζονται σε RRAM (Εικ. 1β, πράσινο), παίζοντας το ρόλο των νευρώνων CD των οποίων οι είσοδοι καθυστερούν. μέσω του κυκλώματος, οι γραμμές καθυστέρησης (μπλε) λειτουργούν σαν άξονες στο βιολογικό αντίστοιχο. Το προτεινόμενο αισθητήριο σύστημα διαφέρει στη συχνότητα λειτουργίας από αυτό της κουκουβάγιας, της οποίας το ακουστικό σύστημα λειτουργεί στην περιοχή 1-8 kHz, αλλά αισθητήρες pMUT που λειτουργούν στα 117 kHz περίπου χρησιμοποιούνται σε αυτήν την εργασία. Η επιλογή ενός μορφοτροπέα υπερήχων εξετάζεται σύμφωνα με τεχνικά κριτήρια και κριτήρια βελτιστοποίησης. Πρώτον, ο περιορισμός του εύρους ζώνης λήψης σε μία μόνο συχνότητα βελτιώνει ιδανικά την ακρίβεια της μέτρησης και απλοποιεί το στάδιο μετά την επεξεργασία. Επιπλέον, η λειτουργία στον υπέρηχο έχει το πλεονέκτημα ότι οι εκπεμπόμενοι παλμοί δεν ακούγονται, επομένως δεν ενοχλούν τους ανθρώπους, αφού το ακουστικό τους εύρος είναι ~20-20 kHz.
η κουκουβάγια του αχυρώνα λαμβάνει ηχητικά κύματα από έναν στόχο, σε αυτήν την περίπτωση κινούμενο θήραμα. Ο χρόνος πτήσης (ToF) του ηχητικού κύματος είναι διαφορετικός για κάθε αυτί (εκτός εάν το θήραμα βρίσκεται ακριβώς μπροστά από την κουκουβάγια). Η διακεκομμένη γραμμή δείχνει τη διαδρομή που ακολουθούν τα ηχητικά κύματα για να φτάσουν στα αυτιά της κουκουβάγιας. Το θήραμα μπορεί να εντοπιστεί με ακρίβεια στο οριζόντιο επίπεδο με βάση τη διαφορά μήκους μεταξύ των δύο ακουστικών μονοπατιών και την αντίστοιχη διαφορά χρόνου μεταξύ ακουστικών (ITD) (αριστερή εικόνα εμπνευσμένη από την αναφορά 74, πνευματικά δικαιώματα 2002, Society for Neuroscience). Στο σύστημά μας, ο πομπός pMUT (σκούρο μπλε) παράγει ηχητικά κύματα που αναπηδούν από τον στόχο. Τα ανακλώμενα υπερηχητικά κύματα λαμβάνονται από δύο δέκτες pMUT (ανοιχτό πράσινο) και επεξεργάζονται από τον νευρομορφικό επεξεργαστή (δεξιά). β Ένα υπολογιστικό μοντέλο ITD (Jeffress) που περιγράφει πώς οι ήχοι που εισέρχονται στα αυτιά της κουκουβάγιας κωδικοποιούνται αρχικά ως αιχμές κλειδώματος φάσης στον μεγάλο πυρήνα (NM) και στη συνέχεια χρησιμοποιώντας ένα γεωμετρικά διατεταγμένο πλέγμα ταιριασμένων ανιχνευτών νευρώνων στον φυλλωτό πυρήνα. Επεξεργασία (Ολλανδία) (αριστερά). Απεικόνιση ενός υπολογιστικού γραφήματος neuroITD που συνδυάζει γραμμές καθυστέρησης και νευρώνες ανιχνευτή σύμπτωσης, το σύστημα βιοαισθητήρα της κουκουβάγιας μπορεί να μοντελοποιηθεί χρησιμοποιώντας νευρομορφικά κυκλώματα που βασίζονται σε RRAM (δεξιά). γ Σχηματικό του κύριου μηχανισμού Jeffress, λόγω της διαφοράς στο ToF, τα δύο αυτιά λαμβάνουν ηχητικά ερεθίσματα σε διαφορετικούς χρόνους και στέλνουν άξονες και από τα δύο άκρα στον ανιχνευτή. Οι άξονες αποτελούν μέρος μιας σειράς νευρώνων ανιχνευτών σύμπτωσης (CD), καθένας από τους οποίους ανταποκρίνεται επιλεκτικά σε ισχυρά χρονικά συσχετισμένες εισόδους. Ως αποτέλεσμα, μόνο τα CD των οποίων οι είσοδοι φτάνουν με τη μικρότερη χρονική διαφορά διεγείρονται στο μέγιστο (η ITD αντισταθμίζεται ακριβώς). Στη συνέχεια, το CD θα κωδικοποιήσει τη γωνιακή θέση του στόχου.
Οι πιεζοηλεκτρικοί μικρομηχανικοί μετατροπείς υπερήχων είναι επεκτάσιμοι μορφοτροπείς υπερήχων που μπορούν να ενσωματωθούν με την προηγμένη τεχνολογία CMOS31,32,33,52 και έχουν χαμηλότερη αρχική τάση και κατανάλωση ενέργειας από τους παραδοσιακούς ογκομετρικούς μετατροπείς53. Στην εργασία μας, η διάμετρος της μεμβράνης είναι 880 μm και η συχνότητα συντονισμού κατανέμεται στην περιοχή 110–117 kHz (Εικ. 2α, βλ. Μέθοδοι για λεπτομέρειες). Σε μια παρτίδα δέκα συσκευών δοκιμής, ο μέσος παράγοντας ποιότητας ήταν περίπου 50 (αναφ. 31). Η τεχνολογία έχει φτάσει σε βιομηχανική ωριμότητα και δεν είναι βιοεμπνευσμένη από μόνη της. Ο συνδυασμός πληροφοριών από διαφορετικά φιλμ pMUT είναι μια πολύ γνωστή τεχνική και οι πληροφορίες γωνίας μπορούν να ληφθούν από τα pMUT χρησιμοποιώντας, για παράδειγμα, τεχνικές διαμόρφωσης δέσμης31,54. Ωστόσο, η επεξεργασία σήματος που απαιτείται για την εξαγωγή των πληροφοριών γωνίας δεν είναι κατάλληλη για μετρήσεις χαμηλής ισχύος. Το προτεινόμενο σύστημα συνδυάζει το κύκλωμα προεπεξεργασίας νευρομορφικών δεδομένων pMUT με ένα νευρομορφικό υπολογιστικό γράφημα βασισμένο σε RRAM, εμπνευσμένο από το μοντέλο Jeffress (Εικόνα 2γ), παρέχοντας μια εναλλακτική ενεργειακά αποδοτική και περιορισμένη σε πόρους λύση υλικού. Πραγματοποιήσαμε ένα πείραμα στο οποίο δύο αισθητήρες pMUT τοποθετήθηκαν σε απόσταση περίπου 10 cm μεταξύ τους για να εκμεταλλευτούν τους διαφορετικούς ήχους ToF που λαμβάνονται από τις δύο μεμβράνες λήψης. Ένα pMUT που λειτουργεί ως πομπός κάθεται μεταξύ των δεκτών. Ο στόχος ήταν μια πλάκα PVC πλάτους 12 cm, που βρισκόταν σε απόσταση D μπροστά από τη συσκευή pMUT (Εικ. 2β). Ο δέκτης καταγράφει τον ήχο που ανακλάται από το αντικείμενο και αντιδρά όσο το δυνατόν περισσότερο κατά τη διέλευση του ηχητικού κύματος. Επαναλάβετε το πείραμα αλλάζοντας τη θέση του αντικειμένου, που καθορίζεται από την απόσταση D και τη γωνία θ. Εμπνευσμένο από έναν σύνδεσμο. 55, προτείνουμε μια νευρομορφική προεπεξεργασία ακατέργαστων σημάτων pMUT για τη μετατροπή των ανακλώμενων κυμάτων σε κορυφές για την εισαγωγή ενός νευρομορφικού υπολογιστικού γραφήματος. Το ToF που αντιστοιχεί στο πλάτος κορυφής εξάγεται από καθένα από τα δύο κανάλια και κωδικοποιείται ως ο ακριβής χρονισμός των μεμονωμένων κορυφών. Στο σχ. Το 2c δείχνει το κύκλωμα που απαιτείται για τη διασύνδεση του αισθητήρα pMUT με ένα υπολογιστικό γράφημα που βασίζεται σε RRAM: για καθέναν από τους δύο δέκτες pMUT, το πρωτογενές σήμα φιλτράρεται με διέλευση ζώνης για να εξομαλυνθεί, να διορθωθεί και στη συνέχεια να περάσει στον ολοκληρωτή με διαρροή σε λειτουργία υπέρβασης. το δυναμικό κατώφλι (Εικ. 2δ) δημιουργεί ένα συμβάν εξόδου (ακίδα) και έναν νευρώνα πυροδότησης (LIF): ο χρόνος ακίδας εξόδου κωδικοποιεί τον ανιχνευμένο χρόνο πτήσης. Το όριο LIF είναι βαθμονομημένο έναντι της απόκρισης pMUT, μειώνοντας έτσι τη μεταβλητότητα pMUT από συσκευή σε συσκευή. Με αυτήν την προσέγγιση, αντί να αποθηκεύουμε ολόκληρο το ηχητικό κύμα στη μνήμη και να το επεξεργαζόμαστε αργότερα, απλώς δημιουργούμε μια κορυφή που αντιστοιχεί στο ToF του ηχητικού κύματος, το οποίο αποτελεί την είσοδο στο υπολογιστικό γράφημα της αντίστασης μνήμης. Οι αιχμές αποστέλλονται απευθείας στις γραμμές καθυστέρησης και παραλληλίζονται με μονάδες ανίχνευσης αντιστοίχισης σε νευρομορφικά γραφήματα υπολογισμού. Επειδή αποστέλλονται στις πύλες των τρανζίστορ, δεν απαιτείται πρόσθετο κύκλωμα ενίσχυσης (βλ. Συμπληρωματικό Σχ. 4 για λεπτομέρειες). Για να αξιολογήσουμε τη γωνιακή ακρίβεια εντοπισμού που παρέχεται από το pMUT και την προτεινόμενη μέθοδο επεξεργασίας σήματος, μετρήσαμε το ITD (δηλαδή, τη διαφορά χρόνου μεταξύ των γεγονότων αιχμής που παράγονται από δύο δέκτες) καθώς η απόσταση και η γωνία του αντικειμένου ποικίλλουν. Η ανάλυση ITD στη συνέχεια μετατράπηκε σε γωνίες (βλ. Μέθοδοι) και σχεδιάστηκε με τη θέση του αντικειμένου: η αβεβαιότητα στο μετρούμενο ITD αυξήθηκε με την απόσταση και τη γωνία προς το αντικείμενο (Εικ. 2e,f). Το κύριο πρόβλημα είναι ο λόγος κορυφής προς θόρυβο (PNR) στην απόκριση pMUT. Όσο πιο μακριά είναι το αντικείμενο, τόσο χαμηλότερο είναι το ακουστικό σήμα, μειώνοντας έτσι το PNR (Εικ. 2f, πράσινη γραμμή). Μια μείωση του PNR οδηγεί σε αύξηση της αβεβαιότητας στην εκτίμηση ITD, με αποτέλεσμα την αύξηση της ακρίβειας εντοπισμού (Εικ. 2f, μπλε γραμμή). Για ένα αντικείμενο σε απόσταση 50 cm από τον πομπό, η γωνιακή ακρίβεια του συστήματος είναι περίπου 10°. Αυτός ο περιορισμός που επιβάλλεται από τα χαρακτηριστικά του αισθητήρα μπορεί να βελτιωθεί. Για παράδειγμα, η πίεση που στέλνει ο πομπός μπορεί να αυξηθεί, αυξάνοντας έτσι την τάση που οδηγεί τη μεμβράνη pMUT. Μια άλλη λύση για την ενίσχυση του μεταδιδόμενου σήματος είναι η σύνδεση πολλαπλών πομπών 56. Αυτές οι λύσεις θα αυξήσουν το εύρος ανίχνευσης σε βάρος του αυξημένου ενεργειακού κόστους. Μπορούν να γίνουν πρόσθετες βελτιώσεις στην πλευρά λήψης. Το επίπεδο θορύβου του δέκτη του pMUT μπορεί να μειωθεί σημαντικά βελτιώνοντας τη σύνδεση μεταξύ του pMUT και του ενισχυτή πρώτου σταδίου, η οποία αυτή τη στιγμή γίνεται με συρμάτινες συνδέσεις και καλώδια RJ45.
μια εικόνα ενός κρυστάλλου pMUT με έξι μεμβράνες 880 μm ενσωματωμένες σε βήμα 1,5 mm. b Διάγραμμα της ρύθμισης της μέτρησης. Ο στόχος βρίσκεται στη θέση αζιμουθίου θ και στην απόσταση D. Ο πομπός pMUT παράγει ένα σήμα 117,6 kHz που αναπηδά από τον στόχο και φτάνει σε δύο δέκτες pMUT με διαφορετικό χρόνο πτήσης (ToF). Αυτή η διαφορά, που ορίζεται ως η διαφορά χρόνου μεταξύ ακουστικών (ITD), κωδικοποιεί τη θέση ενός αντικειμένου και μπορεί να εκτιμηθεί εκτιμώντας την απόκριση κορυφής των δύο αισθητήρων δέκτη. γ. Οι αισθητήρες pMUT και τα νευρομορφικά υπολογιστικά γραφήματα έχουν κατασκευαστεί και δοκιμαστεί και η νευρομορφική προεπεξεργασία βασίζεται σε προσομοίωση λογισμικού. d Απόκριση της μεμβράνης pMUT κατά τη λήψη ενός σήματος και τον μετασχηματισμό της σε περιοχή ακίδας. e Πειραματική γωνιακή ακρίβεια εντοπισμού ως συνάρτηση της γωνίας του αντικειμένου (Θ) και της απόστασης (D) από το αντικείμενο στόχο. Η μέθοδος εξαγωγής ITD απαιτεί ελάχιστη γωνιακή ανάλυση περίπου 4°C. f Γωνιακή ακρίβεια (μπλε γραμμή) και αντίστοιχος λόγος κορυφής προς θόρυβο (πράσινη γραμμή) ως προς την απόσταση αντικειμένου για Θ = 0.
Η ωμική μνήμη αποθηκεύει πληροφορίες σε μη πτητική αγώγιμη κατάσταση. Η βασική αρχή της μεθόδου είναι ότι η τροποποίηση του υλικού σε ατομικό επίπεδο προκαλεί αλλαγή στην ηλεκτρική του αγωγιμότητα57. Εδώ χρησιμοποιούμε μια ωμική μνήμη που βασίζεται σε οξείδια που αποτελείται από ένα στρώμα 5nm διοξειδίου του αφνίου που βρίσκεται ανάμεσα στα πάνω και κάτω ηλεκτρόδια τιτανίου και νιτριδίου τιτανίου. Η αγωγιμότητα των συσκευών RRAM μπορεί να αλλάξει εφαρμόζοντας μια κυματομορφή ρεύματος/τάσης που δημιουργεί ή σπάει αγώγιμα νήματα κενών κενού οξυγόνου μεταξύ των ηλεκτροδίων. Συνενσωματώσαμε τέτοιες συσκευές58 σε μια τυπική διαδικασία CMOS 130 nm για να δημιουργήσουμε ένα κατασκευασμένο αναδιαμορφώσιμο νευρομορφικό κύκλωμα που υλοποιεί έναν ανιχνευτή σύμπτωσης και ένα κύκλωμα γραμμής καθυστέρησης (Εικ. 3α). Η μη πτητική και αναλογική φύση της συσκευής, σε συνδυασμό με τη φύση του νευρομορφικού κυκλώματος που βασίζεται σε γεγονότα, ελαχιστοποιεί την κατανάλωση ενέργειας. Το κύκλωμα έχει μια λειτουργία άμεσης ενεργοποίησης/απενεργοποίησης: λειτουργεί αμέσως μετά την ενεργοποίηση, επιτρέποντας την πλήρη απενεργοποίηση του ρεύματος όταν το κύκλωμα είναι αδρανές. Τα κύρια δομικά στοιχεία του προτεινόμενου σχήματος φαίνονται στο σχ. 3β. Αποτελείται από N παράλληλες δομές μονού τρανζίστορ (1T1R) που κωδικοποιούν συναπτικά βάρη από τα οποία λαμβάνονται σταθμισμένα ρεύματα, εγχέονται στην κοινή σύναψη ενός ολοκληρωτή διαφορικού ζεύγους (DPI)59 και τέλος εγχέονται στη σύναψη με ολοκλήρωση και διαρροή. ενεργοποιημένος (LIF) νευρώνας 60 (βλ. Μέθοδοι για λεπτομέρειες). Οι υπερτάσεις εισόδου εφαρμόζονται στην πύλη της δομής 1T1R με τη μορφή μιας ακολουθίας παλμών τάσης με διάρκεια της τάξης των εκατοντάδων νανοδευτερόλεπτων. Η ωμική μνήμη μπορεί να τοποθετηθεί σε κατάσταση υψηλής αγωγιμότητας (HCS) εφαρμόζοντας μια εξωτερική θετική αναφορά στο Vtop όταν το Vbottom είναι γειωμένο και να επαναφερθεί σε κατάσταση χαμηλής αγωγιμότητας (LCS) εφαρμόζοντας μια θετική τάση στο Vbottom όταν το Vtop είναι γειωμένο. Η μέση τιμή του HCS μπορεί να ελεγχθεί περιορίζοντας το ρεύμα προγραμματισμού (συμμόρφωση) του SET (ICC) από την τάση πύλης-πηγής του τρανζίστορ σειράς (Εικ. 3γ). Οι λειτουργίες της RRAM στο κύκλωμα είναι διπλές: κατευθύνουν και ζυγίζουν τους παλμούς εισόδου.
Εικόνα ηλεκτρονικού μικροσκοπίου σάρωσης (SEM) μιας μπλε συσκευής HfO2 1T1R RRAM ενσωματωμένης σε τεχνολογία CMOS 130 nm με τρανζίστορ επιλογής (πλάτους 650 nm) σε πράσινο χρώμα. β Βασικά δομικά στοιχεία του προτεινόμενου νευρομορφικού σχήματος. Οι παλμοί τάσης εισόδου (αιχμές) Vin0 και Vin1 καταναλώνουν ρεύμα Iweight, το οποίο είναι ανάλογο με τις καταστάσεις αγωγιμότητας G0 και G1 της δομής 1T1R. Αυτό το ρεύμα εγχέεται στις συνάψεις του DPI και διεγείρει τους νευρώνες LIF. Οι RRAM G0 και G1 είναι εγκατεστημένες σε HCS και LCS αντίστοιχα. c Λειτουργία αθροιστικής πυκνότητας αγωγιμότητας για μια ομάδα συσκευών RRAM 16K ως συνάρτηση της αντιστοίχισης ρεύματος ICC, η οποία ελέγχει αποτελεσματικά το επίπεδο αγωγιμότητας. d Μετρήσεις κυκλώματος στο (α) που δείχνουν ότι το G1 (στο LCS) αποκλείει αποτελεσματικά την είσοδο από το Vin1 (πράσινο), και πράγματι η τάση μεμβράνης του νευρώνα εξόδου ανταποκρίνεται μόνο στην μπλε είσοδο από το Vin0. Το RRAM καθορίζει αποτελεσματικά τις συνδέσεις στο κύκλωμα. e Μέτρηση του κυκλώματος στο (β) που δείχνει την επίδραση της τιμής αγωγιμότητας G0 στην τάση της μεμβράνης Vmem μετά την εφαρμογή ενός παλμού τάσης Vin0. Όσο περισσότερη αγωγιμότητα, τόσο ισχυρότερη είναι η απόκριση: έτσι, η συσκευή RRAM εφαρμόζει στάθμιση σύνδεσης I/O. Έγιναν μετρήσεις στο κύκλωμα και καταδεικνύουν τη διπλή λειτουργία του RRAM, τη δρομολόγηση και τη στάθμιση των παλμών εισόδου.
Πρώτον, δεδομένου ότι υπάρχουν δύο βασικές καταστάσεις αγωγιμότητας (HCS και LCS), τα RRAM μπορούν να μπλοκάρουν ή να χάσουν τους παλμούς εισόδου όταν βρίσκονται σε καταστάσεις LCS ή HCS, αντίστοιχα. Ως αποτέλεσμα, η RRAM καθορίζει αποτελεσματικά τις συνδέσεις στο κύκλωμα. Αυτή είναι η βάση για τη δυνατότητα επαναδιαμόρφωσης της αρχιτεκτονικής. Για να το δείξουμε αυτό, θα περιγράψουμε μια υλοποίηση κατασκευασμένου κυκλώματος του μπλοκ κυκλώματος στο Σχ. 3β. Η RRAM που αντιστοιχεί στο G0 προγραμματίζεται στο HCS και η δεύτερη RRAM G1 προγραμματίζεται στο LCS. Οι παλμοί εισόδου εφαρμόζονται τόσο στο Vin0 όσο και στο Vin1. Τα αποτελέσματα δύο αλληλουχιών παλμών εισόδου αναλύθηκαν στους νευρώνες εξόδου συλλέγοντας την τάση της μεμβράνης του νευρώνα και το σήμα εξόδου χρησιμοποιώντας έναν παλμογράφο. Το πείραμα ήταν επιτυχές όταν μόνο η συσκευή HCS (G0) συνδέθηκε με τον παλμό του νευρώνα για να διεγείρει την τάση της μεμβράνης. Αυτό αποδεικνύεται στο Σχήμα 3δ, όπου η μπλε σειρά παλμών προκαλεί τη συσσώρευση τάσης μεμβράνης στον πυκνωτή μεμβράνης, ενώ η πράσινη σειρά παλμών διατηρεί την τάση της μεμβράνης σταθερή.
Η δεύτερη σημαντική λειτουργία του RRAM είναι η υλοποίηση των βαρών σύνδεσης. Χρησιμοποιώντας την αναλογική ρύθμιση αγωγιμότητας της RRAM, οι συνδέσεις I/O μπορούν να σταθμιστούν ανάλογα. Στο δεύτερο πείραμα, η συσκευή G0 προγραμματίστηκε σε διαφορετικά επίπεδα HCS και ο παλμός εισόδου εφαρμόστηκε στην είσοδο Vin0. Ο παλμός εισόδου αντλεί ένα ρεύμα (Iweight) από τη συσκευή, το οποίο είναι ανάλογο με την αγωγιμότητα και την αντίστοιχη πτώση δυναμικού Vtop − Vbot. Αυτό το σταθμισμένο ρεύμα στη συνέχεια εγχέεται στις συνάψεις DPI και στους νευρώνες εξόδου LIF. Η τάση μεμβράνης των νευρώνων εξόδου καταγράφηκε χρησιμοποιώντας έναν παλμογράφο και εμφανίστηκε στο Σχ. 3δ. Η κορυφή της τάσης της μεμβράνης του νευρώνα σε απόκριση σε έναν μόνο παλμό εισόδου είναι ανάλογη με την αγωγιμότητα της ωμικής μνήμης, αποδεικνύοντας ότι το RRAM μπορεί να χρησιμοποιηθεί ως προγραμματιζόμενο στοιχείο συναπτικού βάρους. Αυτές οι δύο προκαταρκτικές δοκιμές δείχνουν ότι η προτεινόμενη νευρομορφική πλατφόρμα που βασίζεται σε RRAM είναι σε θέση να εφαρμόσει τα βασικά στοιχεία του βασικού μηχανισμού Jeffress, δηλαδή τη γραμμή καθυστέρησης και το κύκλωμα ανιχνευτή σύμπτωσης. Η πλατφόρμα του κυκλώματος κατασκευάζεται με στοίβαξη διαδοχικών μπλοκ δίπλα-δίπλα, όπως τα μπλοκ στο σχήμα 3β, και συνδέοντας τις πύλες τους σε μια κοινή γραμμή εισόδου. Σχεδιάσαμε, κατασκευάσαμε και δοκιμάσαμε μια νευρομορφική πλατφόρμα που αποτελείται από δύο νευρώνες εξόδου που λαμβάνουν δύο εισόδους (Εικ. 4α). Το διάγραμμα κυκλώματος φαίνεται στο Σχήμα 4β. Ο ανώτερος πίνακας 2 × 2 RRAM επιτρέπει στους παλμούς εισόδου να κατευθύνονται σε δύο νευρώνες εξόδου, ενώ ο κάτω πίνακας 2 × 2 επιτρέπει επαναλαμβανόμενες συνδέσεις δύο νευρώνων (N0, N1). Δείχνουμε ότι αυτή η πλατφόρμα μπορεί να χρησιμοποιηθεί με διαμόρφωση γραμμής καθυστέρησης και δύο διαφορετικές λειτουργίες ανιχνευτή σύμπτωσης, όπως φαίνεται από πειραματικές μετρήσεις στο Σχ. 4γ-ε.
Διάγραμμα κυκλώματος που σχηματίζεται από δύο νευρώνες εξόδου N0 και N1 που λαμβάνουν δύο εισόδους 0 και 1. Οι τέσσερις κορυφαίες συσκευές της συστοιχίας ορίζουν συναπτικές συνδέσεις από είσοδο σε έξοδο και τα κάτω τέσσερα κελιά ορίζουν επαναλαμβανόμενες συνδέσεις μεταξύ νευρώνων. Οι έγχρωμες RRAM αντιπροσωπεύουν τις συσκευές που έχουν διαμορφωθεί στο HCS στα δεξιά: οι συσκευές στο HCS επιτρέπουν συνδέσεις και αντιπροσωπεύουν βάρη, ενώ οι συσκευές στο LCS μπλοκάρουν τους παλμούς εισόδου και απενεργοποιούν τις συνδέσεις στις εξόδους. b Διάγραμμα κυκλώματος (α) με οκτώ μονάδες RRAM επισημασμένες με μπλε χρώμα. γ Οι γραμμές καθυστέρησης σχηματίζονται χρησιμοποιώντας απλώς τη δυναμική των συνάψεων DPI και των νευρώνων LIF. Η πράσινη RRAM έχει ρυθμιστεί σε αγωγιμότητα αρκετά υψηλή ώστε να μπορεί να προκαλέσει σφάλμα στην έξοδο μετά την καθυστέρηση εισόδου Δt. d Σχηματική απεικόνιση της ανίχνευσης CD που δεν είναι ευαίσθητη στην κατεύθυνση των σημάτων που εξαρτώνται από το χρόνο. Ο νευρώνας εξόδου 1, N1, ενεργοποιείται στις εισόδους 0 και 1 με μικρή καθυστέρηση. e Κύκλωμα CD ευαίσθητο στην κατεύθυνση, ένα κύκλωμα που ανιχνεύει πότε η είσοδος 1 πλησιάζει την είσοδο 0 και φτάνει μετά την είσοδο 0. Η έξοδος του κυκλώματος αντιπροσωπεύεται από τον νευρώνα 1 (N1).
Η γραμμή καθυστέρησης (Εικόνα 4γ) χρησιμοποιεί απλώς τη δυναμική συμπεριφορά των συνάψεων DPI και των νευρώνων LIF για να αναπαράγει την ακίδα εισόδου από το Vin1 στο Vout1 καθυστερώντας το Tdel. Μόνο η G3 RRAM που είναι συνδεδεμένη σε Vin1 και Vout1 είναι προγραμματισμένη σε HCS, οι υπόλοιπες RRAM προγραμματίζονται σε LCS. Η συσκευή G3 προγραμματίστηκε για 92,6 μs για να διασφαλιστεί ότι κάθε παλμός εισόδου αυξάνει την τάση μεμβράνης του νευρώνα εξόδου επαρκώς ώστε να φτάσει το κατώφλι και να δημιουργήσει έναν καθυστερημένο παλμό εξόδου. Η καθυστέρηση Tdel καθορίζεται από τις συναπτικές και νευρικές σταθερές χρόνου. Οι ανιχνευτές σύμπτωσης ανιχνεύουν την εμφάνιση χρονικά συσχετισμένων αλλά χωρικά κατανεμημένων σημάτων εισόδου. Το CD που δεν είναι ευαίσθητο στην κατεύθυνση βασίζεται σε μεμονωμένες εισόδους που συγκλίνουν σε έναν κοινό νευρώνα εξόδου (Εικόνα 4δ). Οι δύο RRAM που συνδέουν τα Vin0 και Vin1 με τα Vout1, G2 και G4 αντίστοιχα είναι προγραμματισμένα για υψηλή αγωγιμότητα. Η ταυτόχρονη άφιξη αιχμών σε Vin0 και Vin1 αυξάνει την τάση της μεμβράνης του νευρώνα N1 πάνω από το όριο που απαιτείται για τη δημιουργία της ακίδας εξόδου. Εάν οι δύο είσοδοι απέχουν πολύ χρονικά μεταξύ τους, το φορτίο στην τάση της μεμβράνης που συσσωρεύεται από την πρώτη είσοδο μπορεί να έχει χρόνο να αποσυντεθεί, εμποδίζοντας το δυναμικό της μεμβράνης N1 να φτάσει την τιμή κατωφλίου. Τα G1 και G2 είναι προγραμματισμένα για περίπου 65 µs, γεγονός που διασφαλίζει ότι ένα κύμα εισόδου δεν αυξάνει την τάση της μεμβράνης αρκετά ώστε να προκαλέσει κύμα εξόδου. Η ανίχνευση σύμπτωσης μεταξύ γεγονότων που κατανέμονται στο χώρο και το χρόνο είναι μια θεμελιώδης λειτουργία που χρησιμοποιείται σε ένα ευρύ φάσμα εργασιών ανίχνευσης, όπως η αποφυγή εμποδίων με βάση την οπτική ροή και ο εντοπισμός της πηγής ήχου. Έτσι, ο υπολογισμός των ευαίσθητων στην κατεύθυνση και των μη ευαίσθητων CD είναι ένα θεμελιώδες δομικό στοιχείο για την κατασκευή συστημάτων εντοπισμού οπτικού και ήχου. Όπως φαίνεται από τα χαρακτηριστικά των σταθερών χρόνου (βλ. Συμπληρωματικό Σχ. 2), το προτεινόμενο κύκλωμα υλοποιεί ένα κατάλληλο εύρος χρονικών κλιμάκων τεσσάρων τάξεων μεγέθους. Έτσι, μπορεί να ανταποκριθεί ταυτόχρονα στις απαιτήσεις οπτικών και ηχητικών συστημάτων. Το ευαίσθητο στην κατεύθυνση CD είναι ένα κύκλωμα που είναι ευαίσθητο στη χωρική σειρά άφιξης των παλμών: από δεξιά προς τα αριστερά και αντίστροφα. Είναι ένα θεμελιώδες δομικό στοιχείο στο βασικό δίκτυο ανίχνευσης κίνησης του οπτικού συστήματος Drosophila, που χρησιμοποιείται για τον υπολογισμό των κατευθύνσεων κίνησης και την ανίχνευση συγκρούσεων62. Για να επιτευχθεί ένα ευαίσθητο στην κατεύθυνση CD, δύο είσοδοι πρέπει να κατευθυνθούν σε δύο διαφορετικούς νευρώνες (N0, N1) και να δημιουργηθεί μια κατευθυντική σύνδεση μεταξύ τους (Εικ. 4e). Όταν λαμβάνεται η πρώτη είσοδος, το ΝΟ αντιδρά αυξάνοντας την τάση στη μεμβράνη του πάνω από την τιμή κατωφλίου και εκπέμποντας ένα κύμα. Αυτό το συμβάν εξόδου, με τη σειρά του, ενεργοποιεί το N1 χάρη στην κατευθυντική σύνδεση που επισημαίνεται με πράσινο. Εάν ένα συμβάν εισόδου Vin1 φτάσει και ενεργοποιήσει το N1 ενώ η τάση της μεμβράνης του είναι ακόμα υψηλή, το N1 δημιουργεί ένα συμβάν εξόδου που υποδεικνύει ότι βρέθηκε αντιστοίχιση μεταξύ των δύο εισόδων. Οι κατευθυντικές συνδέσεις επιτρέπουν στο N1 να εκπέμπει έξοδο μόνο εάν η είσοδος 1 έρχεται μετά την είσοδο 0. Τα G0, G3 και G7 είναι προγραμματισμένα στα 73,5 μS, 67,3 μS και 40,2 μS, αντίστοιχα, διασφαλίζοντας ότι μια μόνο ακίδα στην είσοδο Vin0 προκαλεί καθυστέρηση ακίδα εξόδου, ενώ το δυναμικό μεμβράνης του N1 φτάνει στο κατώφλι μόνο όταν εκρήγνυνται και οι δύο εισόδου φτάνουν σε συγχρονισμό. .
Η μεταβλητότητα είναι πηγή ατέλειας σε μοντελοποιημένα νευρομορφικά συστήματα63,64,65. Αυτό οδηγεί σε ετερογενή συμπεριφορά νευρώνων και συνάψεων. Παραδείγματα τέτοιων μειονεκτημάτων περιλαμβάνουν 30% (μέση τυπική απόκλιση) μεταβλητότητα στο κέρδος εισόδου, χρονική σταθερά και περίοδο ανθεκτικότητας, για να αναφέρουμε μόνο μερικά (βλ. Μέθοδοι). Αυτό το πρόβλημα είναι ακόμη πιο έντονο όταν συνδέονται πολλαπλά νευρικά κυκλώματα μεταξύ τους, όπως ένα CD ευαίσθητο στον προσανατολισμό που αποτελείται από δύο νευρώνες. Για να λειτουργήσει σωστά, οι σταθερές χρόνου κέρδους και αποσύνθεσης των δύο νευρώνων θα πρέπει να είναι όσο το δυνατόν παρόμοιες. Για παράδειγμα, μια μεγάλη διαφορά στο κέρδος εισόδου μπορεί να προκαλέσει υπερβολική αντίδραση ενός νευρώνα σε έναν παλμό εισόδου, ενώ ο άλλος νευρώνας μόλις και μετά βίας αποκρίνεται. Στο σχ. Το Σχήμα 5α δείχνει ότι οι τυχαία επιλεγμένοι νευρώνες αποκρίνονται διαφορετικά στον ίδιο παλμό εισόδου. Αυτή η νευρική μεταβλητότητα σχετίζεται, για παράδειγμα, με τη λειτουργία των ευαίσθητων στην κατεύθυνση CD. Στο σχήμα που φαίνεται στο σχ. 5b, c, το κέρδος εισόδου του νευρώνα 1 είναι πολύ υψηλότερο από αυτό του νευρώνα 0. Έτσι, ο νευρώνας 0 απαιτεί τρεις παλμούς εισόδου (αντί για 1) για να φτάσει στο κατώφλι και ο νευρώνας 1, όπως αναμένεται, χρειάζεται δύο συμβάντα εισόδου. Η εφαρμογή της βιομιμητικής πλαστικότητας που εξαρτάται από το χρόνο ακίδας (STDP) είναι ένας πιθανός τρόπος για να μετριαστεί ο αντίκτυπος των ανακριβών και αργών νευρικών και συναπτικών κυκλωμάτων στην απόδοση του συστήματος43. Εδώ προτείνουμε να χρησιμοποιήσουμε την πλαστική συμπεριφορά της ωμικής μνήμης ως μέσο επηρεασμού της ενίσχυσης της νευρικής εισόδου και μείωσης των επιπτώσεων της μεταβλητότητας στα νευρομορφικά κυκλώματα. Όπως φαίνεται στο σχ. 4e, τα επίπεδα αγωγιμότητας που σχετίζονται με τη συναπτική μάζα RRAM ρυθμίζουν αποτελεσματικά την αντίστοιχη απόκριση τάσης της νευρικής μεμβράνης. Χρησιμοποιούμε μια επαναληπτική στρατηγική προγραμματισμού RRAM. Για μια δεδομένη είσοδο, οι τιμές αγωγιμότητας των συναπτικών βαρών επαναπρογραμματίζονται μέχρι να επιτευχθεί η συμπεριφορά στόχος του κυκλώματος (βλ. Μέθοδοι).
a Πειραματικές μετρήσεις της απόκρισης εννέα τυχαία επιλεγμένων μεμονωμένων νευρώνων στον ίδιο παλμό εισόδου. Η απόκριση ποικίλλει μεταξύ των πληθυσμών, επηρεάζοντας το κέρδος εισόδου και τη σταθερά χρόνου. β Πειραματικές μετρήσεις της επίδρασης των νευρώνων στη μεταβλητότητα των νευρώνων που επηρεάζουν το ευαίσθητο στην κατεύθυνση CD. Οι δύο νευρώνες εξόδου CD που είναι ευαίσθητοι στην κατεύθυνση ανταποκρίνονται διαφορετικά στα ερεθίσματα εισόδου λόγω της μεταβλητότητας από νευρώνα σε νευρώνα. Ο νευρώνας 0 έχει μικρότερο κέρδος εισόδου από τον νευρώνα 1, επομένως χρειάζονται τρεις παλμοί εισόδου (αντί για 1) για να δημιουργηθεί μια ακίδα εξόδου. Όπως αναμενόταν, ο νευρώνας 1 φτάνει στο κατώφλι με δύο συμβάντα εισόδου. Εάν η είσοδος 1 φτάσει Δt = 50 µs μετά την ενεργοποίηση του νευρώνα 0, το CD παραμένει σιωπηλό επειδή το Δt είναι μεγαλύτερο από τη σταθερά χρόνου του νευρώνα 1 (περίπου 22 μs). Το c μειώνεται κατά Δt = 20 μs, έτσι ώστε η είσοδος 1 να κορυφώνεται όταν η πυροδότηση του νευρώνα 1 είναι ακόμα υψηλή, με αποτέλεσμα την ταυτόχρονη ανίχνευση δύο γεγονότων εισόδου.
Τα δύο στοιχεία που χρησιμοποιούνται στη στήλη υπολογισμού ITD είναι η γραμμή καθυστέρησης και το CD που δεν είναι ευαίσθητο στην κατεύθυνση. Και τα δύο κυκλώματα απαιτούν ακριβή βαθμονόμηση για να εξασφαλίσουν καλή απόδοση τοποθέτησης αντικειμένων. Η γραμμή καθυστέρησης πρέπει να παρέχει μια ακριβώς καθυστερημένη έκδοση της κορυφής εισόδου (Εικ. 6a) και το CD πρέπει να ενεργοποιείται μόνο όταν η είσοδος εμπίπτει εντός του εύρους ανίχνευσης στόχου. Για τη γραμμή καθυστέρησης, τα συναπτικά βάρη των συνδέσεων εισόδου (G3 στο Σχ. 4α) επαναπρογραμματίστηκαν μέχρι να επιτευχθεί η καθυστέρηση στόχος. Ορίστε μια ανοχή γύρω από την καθυστέρηση στόχου για να σταματήσετε το πρόγραμμα: όσο μικρότερη είναι η ανοχή, τόσο πιο δύσκολο είναι να ορίσετε με επιτυχία τη γραμμή καθυστέρησης. Στο σχ. Το Σχήμα 6β δείχνει τα αποτελέσματα της διαδικασίας βαθμονόμησης της γραμμής καθυστέρησης: φαίνεται ότι το προτεινόμενο σχήμα μπορεί να παρέχει ακριβώς όλες τις καθυστερήσεις που απαιτούνται στο σχέδιο σχεδιασμού (από 10 έως 300 μs). Ο μέγιστος αριθμός επαναλήψεων βαθμονόμησης επηρεάζει την ποιότητα της διαδικασίας βαθμονόμησης: 200 επαναλήψεις μπορούν να μειώσουν το σφάλμα σε λιγότερο από 5%. Μία επανάληψη βαθμονόμησης αντιστοιχεί σε λειτουργία ρύθμισης/επαναφοράς μιας κυψέλης RRAM. Η διαδικασία συντονισμού είναι επίσης κρίσιμη για τη βελτίωση της ακρίβειας της ανίχνευσης συμβάντων άμεσου κλεισίματος της μονάδας CD. Χρειάστηκαν δέκα επαναλήψεις βαθμονόμησης για να επιτευχθεί ένας πραγματικός θετικός ρυθμός (δηλαδή, το ποσοστό συμβάντων που προσδιορίστηκε σωστά ως σχετικό) πάνω από 95% (μπλε γραμμή στο Σχήμα 6γ). Ωστόσο, η διαδικασία συντονισμού δεν επηρέασε τα ψευδώς θετικά συμβάντα (δηλαδή, τη συχνότητα των γεγονότων που λανθασμένα προσδιορίστηκαν ως σχετικά). Μια άλλη μέθοδος που παρατηρείται σε βιολογικά συστήματα για την υπέρβαση των χρονικών περιορισμών των ταχέως ενεργοποιούμενων μονοπατιών είναι ο πλεονασμός (δηλαδή, πολλά αντίγραφα του ίδιου αντικειμένου χρησιμοποιούνται για την εκτέλεση μιας δεδομένης λειτουργίας). Εμπνευσμένοι από τη βιολογία66, τοποθετήσαμε πολλά κυκλώματα CD σε κάθε μονάδα CD μεταξύ των δύο γραμμών καθυστέρησης για να μειώσουμε τον αντίκτυπο των ψευδώς θετικών. Όπως φαίνεται στο σχ. 6c (πράσινη γραμμή), η τοποθέτηση τριών στοιχείων CD σε κάθε μονάδα CD μπορεί να μειώσει το ποσοστό ψευδών συναγερμών σε λιγότερο από 10–2.
Επίδραση της μεταβλητότητας των νευρώνων σε κυκλώματα γραμμής καθυστέρησης. b Τα κυκλώματα γραμμής καθυστέρησης μπορούν να κλιμακωθούν σε μεγάλες καθυστερήσεις ρυθμίζοντας τις σταθερές χρόνου των αντίστοιχων νευρώνων LIF και των συνάψεων DPI σε μεγάλες τιμές. Η αύξηση του αριθμού των επαναλήψεων της διαδικασίας βαθμονόμησης RRAM κατέστησε δυνατή τη σημαντική βελτίωση της ακρίβειας της καθυστέρησης στόχου: 200 επαναλήψεις μείωσαν το σφάλμα σε λιγότερο από 5%. Μία επανάληψη αντιστοιχεί σε μια λειτουργία SET/RESET σε ένα κελί RRAM. Κάθε μονάδα CD στο μοντέλο c Jeffress μπορεί να υλοποιηθεί χρησιμοποιώντας N παράλληλα στοιχεία CD για μεγαλύτερη ευελιξία σε σχέση με αστοχίες συστήματος. d Περισσότερες επαναλήψεις βαθμονόμησης RRAM αυξάνουν τον πραγματικό θετικό ρυθμό (μπλε γραμμή), ενώ ο ψευδής θετικός ρυθμός είναι ανεξάρτητος από τον αριθμό των επαναλήψεων (πράσινη γραμμή). Η παράλληλη τοποθέτηση περισσότερων στοιχείων CD αποφεύγει τον ψευδή εντοπισμό αντιστοιχιών μονάδων CD.
Τώρα αξιολογούμε την απόδοση και την κατανάλωση ενέργειας του ολοκληρωμένου συστήματος εντοπισμού αντικειμένων από άκρο σε άκρο που φαίνεται στο Σχήμα 2 χρησιμοποιώντας μετρήσεις των ακουστικών ιδιοτήτων του αισθητήρα pMUT, του CD και των κυκλωμάτων γραμμής καθυστέρησης που συνθέτουν το νευρομορφικό υπολογιστικό γράφημα. Μοντέλο Jeffress (Εικ. 1α). Όσο για το νευρομορφικό υπολογιστικό γράφημα, όσο μεγαλύτερος είναι ο αριθμός των μονάδων CD, τόσο καλύτερη είναι η γωνιακή ανάλυση, αλλά και τόσο μεγαλύτερη είναι η ενέργεια του συστήματος (Εικ. 7α). Ένας συμβιβασμός μπορεί να επιτευχθεί συγκρίνοντας την ακρίβεια μεμονωμένων στοιχείων (αισθητήρες pMUT, νευρώνες και συναπτικά κυκλώματα) με την ακρίβεια ολόκληρου του συστήματος. Η ανάλυση της γραμμής καθυστέρησης περιορίζεται από τις σταθερές χρόνου των προσομοιωμένων συνάψεων και νευρώνων, οι οποίες στο σχήμα μας υπερβαίνουν τα 10 µs, που αντιστοιχεί σε γωνιακή ανάλυση 4° (βλ. Μέθοδοι). Πιο προηγμένοι κόμβοι με τεχνολογία CMOS θα επιτρέψουν το σχεδιασμό νευρικών και συναπτικών κυκλωμάτων με χαμηλότερες σταθερές χρόνου, με αποτέλεσμα μεγαλύτερη ακρίβεια των στοιχείων της γραμμής καθυστέρησης. Ωστόσο, στο σύστημά μας, η ακρίβεια περιορίζεται από το σφάλμα pMUT στην εκτίμηση της γωνιακής θέσης, δηλαδή 10° (μπλε οριζόντια γραμμή στο Σχ. 7α). Καθορίσαμε τον αριθμό των μονάδων CD σε 40, που αντιστοιχεί σε γωνιακή ανάλυση περίπου 4°, δηλαδή, τη γωνιακή ακρίβεια του υπολογιστικού γραφήματος (ανοιχτό μπλε οριζόντια γραμμή στο Σχ. 7α). Σε επίπεδο συστήματος, αυτό δίνει ανάλυση 4° και ακρίβεια 10° για αντικείμενα που βρίσκονται 50 cm μπροστά από το σύστημα αισθητήρων. Αυτή η τιμή είναι συγκρίσιμη με τα νευρομορφικά συστήματα εντοπισμού ήχου που αναφέρονται στην αναφ. 67. Μια σύγκριση του προτεινόμενου συστήματος με την τελευταία λέξη της τεχνολογίας μπορεί να βρεθεί στον Συμπληρωματικό Πίνακα 1. Η προσθήκη επιπλέον pMUT, η αύξηση του επιπέδου ακουστικού σήματος και η μείωση του ηλεκτρονικού θορύβου είναι πιθανοί τρόποι για περαιτέρω βελτίωση της ακρίβειας εντοπισμού. ) υπολογίζεται σε 9,7. nz. 55. Δεδομένων 40 μονάδων CD στο υπολογιστικό γράφημα, η προσομοίωση SPICE υπολόγισε την ενέργεια ανά λειτουργία (δηλαδή, ενέργεια τοποθέτησης αντικειμένου) σε 21,6 nJ. Το νευρομορφικό σύστημα ενεργοποιείται μόνο όταν φτάσει ένα συμβάν εισόδου, δηλαδή όταν ένα ακουστικό κύμα φτάσει σε οποιονδήποτε δέκτη pMUT και ξεπεράσει το κατώφλι ανίχνευσης, διαφορετικά παραμένει ανενεργό. Αυτό αποφεύγει την περιττή κατανάλωση ρεύματος όταν δεν υπάρχει σήμα εισόδου. Λαμβάνοντας υπόψη μια συχνότητα λειτουργιών εντοπισμού 100 Hz και μια περίοδο ενεργοποίησης 300 µs ανά λειτουργία (το μέγιστο δυνατό ITD), η κατανάλωση ενέργειας του νευρομορφικού υπολογιστικού γραφήματος είναι 61,7 nW. Με τη νευρομορφική προεπεξεργασία που εφαρμόζεται σε κάθε δέκτη pMUT, η κατανάλωση ενέργειας ολόκληρου του συστήματος φτάνει τα 81,6 nW. Για να κατανοήσουμε την ενεργειακή απόδοση της προτεινόμενης νευρομορφικής προσέγγισης σε σύγκριση με το συμβατικό υλικό, συγκρίναμε αυτόν τον αριθμό με την ενέργεια που απαιτείται για την εκτέλεση της ίδιας εργασίας σε έναν σύγχρονο μικροελεγκτή χαμηλής ισχύος χρησιμοποιώντας είτε νευρομορφική είτε συμβατική ικανότητα διαμόρφωσης δέσμης68. Η νευρομορφική προσέγγιση εξετάζει ένα στάδιο μετατροπέα αναλογικού σε ψηφιακό (ADC), ακολουθούμενο από ένα φίλτρο διέλευσης ζώνης και ένα στάδιο εξαγωγής φακέλου (μέθοδος Teeger-Kaiser). Τέλος, εκτελείται μια λειτουργία κατωφλίου για την εξαγωγή του ToF. Έχουμε παραλείψει τον υπολογισμό του ITD με βάση το ToF και τη μετατροπή σε εκτιμώμενη γωνιακή θέση, καθώς αυτό συμβαίνει μία φορά για κάθε μέτρηση (βλ. Μέθοδοι). Υποθέτοντας ρυθμό δειγματοληψίας 250 kHz και στα δύο κανάλια (δέκτες pMUT), 18 λειτουργίες φίλτρου διέλευσης ζώνης, 3 λειτουργίες εξαγωγής φακέλου και 1 λειτουργία κατωφλίου ανά δείγμα, η συνολική κατανάλωση ισχύος υπολογίζεται στα 245 μικροβάτ. Αυτό χρησιμοποιεί τη λειτουργία χαμηλής κατανάλωσης του μικροελεγκτή69, η οποία ενεργοποιείται όταν οι αλγόριθμοι δεν εκτελούνται, γεγονός που μειώνει την κατανάλωση ενέργειας στα 10,8 μW. Η κατανάλωση ισχύος της λύσης επεξεργασίας σήματος διαμόρφωσης δέσμης που προτείνεται στην αναφορά. 31, με 5 δέκτες pMUT και 11 δέσμες ομοιόμορφα κατανεμημένες στο επίπεδο αζιμουθίου [-50°, +50°], είναι 11,71 mW (δείτε την ενότητα Μέθοδοι για λεπτομέρειες). Επιπλέον, αναφέρουμε την κατανάλωση ενέργειας ενός κωδικοποιητή διαφοράς χρόνου (TDE) που βασίζεται σε FPGA47 και υπολογίζεται σε 1,5 mW ως αντικατάσταση του μοντέλου Jeffress για εντοπισμό αντικειμένων. Με βάση αυτές τις εκτιμήσεις, η προτεινόμενη νευρομορφική προσέγγιση μειώνει την κατανάλωση ενέργειας κατά πέντε τάξεις μεγέθους σε σύγκριση με έναν μικροελεγκτή που χρησιμοποιεί κλασικές τεχνικές διαμόρφωσης δέσμης για λειτουργίες εντοπισμού αντικειμένων. Η υιοθέτηση μιας νευρομορφικής προσέγγισης για την επεξεργασία σήματος σε έναν κλασικό μικροελεγκτή μειώνει την κατανάλωση ενέργειας κατά περίπου δύο τάξεις μεγέθους. Η αποτελεσματικότητα του προτεινόμενου συστήματος μπορεί να εξηγηθεί από τον συνδυασμό ενός ασύγχρονου αναλογικού κυκλώματος αντίστασης-μνήμης ικανού να εκτελεί υπολογισμούς στη μνήμη και την έλλειψη μετατροπής αναλογικού σε ψηφιακό που απαιτείται για την αντίληψη των σημάτων.
a Γωνιακή ανάλυση (μπλε) και κατανάλωση ενέργειας (πράσινο) της λειτουργίας εντοπισμού ανάλογα με τον αριθμό των μονάδων CD. Η σκούρα μπλε οριζόντια γραμμή αντιπροσωπεύει τη γωνιακή ακρίβεια του PMUT και η γαλάζια οριζόντια γραμμή αντιπροσωπεύει τη γωνιακή ακρίβεια του νευρομορφικού υπολογιστικού γραφήματος. β Κατανάλωση ισχύος του προτεινόμενου συστήματος και σύγκριση με τις δύο συζητημένες υλοποιήσεις μικροελεγκτή και ψηφιακή υλοποίηση του κωδικοποιητή διαφοράς χρόνου (TDE)47 FPGA.
Για να ελαχιστοποιήσουμε την κατανάλωση ενέργειας του συστήματος εντοπισμού στόχου, συλλάβαμε, σχεδιάσαμε και εφαρμόσαμε ένα αποτελεσματικό νευρομορφικό κύκλωμα βασισμένο σε γεγονότα RRAM που επεξεργάζεται τις πληροφορίες σήματος που παράγονται από τους ενσωματωμένους αισθητήρες για να υπολογίσει τη θέση του αντικειμένου στόχου σε πραγματικό χρόνο. φορά. . Ενώ οι παραδοσιακές μέθοδοι επεξεργασίας δειγματίζουν συνεχώς ανιχνευμένα σήματα και εκτελούν υπολογισμούς για την εξαγωγή χρήσιμων πληροφοριών, η προτεινόμενη νευρομορφική λύση εκτελεί υπολογισμούς ασύγχρονα καθώς φτάνουν χρήσιμες πληροφορίες, μεγιστοποιώντας την απόδοση ισχύος του συστήματος κατά πέντε τάξεις μεγέθους. Επιπλέον, επισημαίνουμε την ευελιξία των νευρομορφικών κυκλωμάτων που βασίζονται σε RRAM. Η ικανότητα του RRAM να αλλάζει την αγωγιμότητα με μη πτητικό τρόπο (πλαστικότητα) αντισταθμίζει την εγγενή μεταβλητότητα των συναπτικών και νευρικών κυκλωμάτων του αναλογικού DPI εξαιρετικά χαμηλής ισχύος. Αυτό καθιστά αυτό το κύκλωμα που βασίζεται σε RRAM ευέλικτο και ισχυρό. Στόχος μας δεν είναι να εξαγάγουμε σύνθετες λειτουργίες ή μοτίβα από σήματα, αλλά να εντοπίζουμε αντικείμενα σε πραγματικό χρόνο. Το σύστημά μας μπορεί επίσης να συμπιέσει αποτελεσματικά το σήμα και τελικά να το στείλει σε περαιτέρω στάδια επεξεργασίας για τη λήψη πιο περίπλοκων αποφάσεων όταν χρειάζεται. Στο πλαίσιο των εφαρμογών εντοπισμού, το στάδιο της νευρομορφικής προεπεξεργασίας μπορεί να παρέχει πληροφορίες σχετικά με τη θέση των αντικειμένων. Αυτές οι πληροφορίες μπορούν να χρησιμοποιηθούν, για παράδειγμα, για ανίχνευση κίνησης ή αναγνώριση χειρονομιών. Τονίζουμε τη σημασία του συνδυασμού αισθητήρων εξαιρετικά χαμηλής ισχύος, όπως τα pMUT, με ηλεκτρονικά εξαιρετικά χαμηλής ισχύος. Για αυτό, οι νευρομορφικές προσεγγίσεις ήταν καθοριστικές καθώς μας οδήγησαν να αναπτύξουμε νέες εφαρμογές κυκλωμάτων βιολογικά εμπνευσμένων υπολογιστικών μεθόδων όπως το μοντέλο Jeffress. Στο πλαίσιο των εφαρμογών σύντηξης αισθητήρων, το σύστημά μας μπορεί να συνδυαστεί με πολλούς διαφορετικούς αισθητήρες που βασίζονται σε συμβάντα για τη λήψη ακριβέστερων πληροφοριών. Αν και οι κουκουβάγιες είναι εξαιρετικές στο να βρίσκουν θήραμα στο σκοτάδι, έχουν εξαιρετική όραση και πραγματοποιούν συνδυαστική ακουστική και οπτική αναζήτηση πριν πιάσουν θήραμα70. Όταν ένας συγκεκριμένος ακουστικός νευρώνας πυροδοτείται, η κουκουβάγια λαμβάνει τις πληροφορίες που χρειάζεται για να καθορίσει προς ποια κατεύθυνση θα ξεκινήσει η οπτική αναζήτησή της, εστιάζοντας έτσι την προσοχή της σε ένα μικρό μέρος της οπτικής σκηνής. Ένας συνδυασμός οπτικών αισθητήρων (κάμερα DVS) και ενός προτεινόμενου αισθητήρα ακρόασης (με βάση το pMUT) θα πρέπει να διερευνηθεί για την ανάπτυξη μελλοντικών αυτόνομων παραγόντων.
Ο αισθητήρας pMUT βρίσκεται σε ένα PCB με δύο δέκτες σε απόσταση περίπου 10 cm μεταξύ τους και ο πομπός βρίσκεται ανάμεσα στους δέκτες. Σε αυτήν την εργασία, κάθε μεμβράνη είναι μια αιωρούμενη δίμορφη δομή που αποτελείται από δύο στρώματα πιεζοηλεκτρικού νιτριδίου του αργιλίου (AlN) πάχους 800 nm, τοποθετημένα μεταξύ τριών στρωμάτων μολυβδαινίου (Mo) πάχους 200 nm και επικαλυμμένα με ένα στρώμα πάχους 200 nm. το επάνω παθητικό στρώμα SiN όπως περιγράφεται στην αναφορά. 71. Το εσωτερικό και το εξωτερικό ηλεκτρόδιο εφαρμόζονται στο κάτω και πάνω στρώμα του μολυβδαινίου, ενώ το μεσαίο ηλεκτρόδιο μολυβδαινίου είναι χωρίς σχέδιο και χρησιμοποιείται ως γείωση, με αποτέλεσμα μια μεμβράνη με τέσσερα ζεύγη ηλεκτροδίων.
Αυτή η αρχιτεκτονική επιτρέπει τη χρήση μιας κοινής παραμόρφωσης μεμβράνης, με αποτέλεσμα βελτιωμένη ευαισθησία μετάδοσης και λήψης. Ένα τέτοιο pMUT τυπικά παρουσιάζει ευαισθησία διέγερσης 700 nm/V ως εκπομπός, παρέχοντας επιφανειακή πίεση 270 Pa/V. Ως δέκτης, ένα φιλμ pMUT εμφανίζει ευαισθησία βραχυκυκλώματος 15 nA/Pa, η οποία σχετίζεται άμεσα με τον πιεζοηλεκτρικό συντελεστή του AlN. Η τεχνική μεταβλητότητα της τάσης στο στρώμα AlN οδηγεί σε μια αλλαγή στη συχνότητα συντονισμού, η οποία μπορεί να αντισταθμιστεί με την εφαρμογή μιας πόλωσης DC στο pMUT. Η ευαισθησία DC μετρήθηκε στα 0,5 kHz/V. Για ακουστικό χαρακτηρισμό, χρησιμοποιείται ένα μικρόφωνο μπροστά από το pMUT.
Για να μετρήσουμε τον παλμό ηχούς, τοποθετήσαμε μια ορθογώνια πλάκα με εμβαδόν περίπου 50 cm2 μπροστά από το pMUT για να αντανακλά τα εκπεμπόμενα ηχητικά κύματα. Τόσο η απόσταση μεταξύ των πλακών όσο και η γωνία σε σχέση με το επίπεδο pMUT ελέγχονται χρησιμοποιώντας ειδικούς συγκρατητές. Μια πηγή τάσης Tectronix CPX400DP πολώνει τρεις μεμβράνες pMUT, συντονίζοντας τη συχνότητα συντονισμού στα 111,9 kHz31, ενώ οι πομποί οδηγούνται από μια γεννήτρια παλμών Tectronix AFG 3102 συντονισμένη στη συχνότητα συντονισμού (111,9 kHz duty.0) και έναν κύκλο duty.0. Τα ρεύματα που διαβάζονται από τις τέσσερις θύρες εξόδου κάθε δέκτη pMUT μετατρέπονται σε τάσεις χρησιμοποιώντας μια ειδική αρχιτεκτονική διαφορικού ρεύματος και τάσης και τα προκύπτοντα σήματα ψηφιοποιούνται από το σύστημα λήψης δεδομένων Spektrum. Το όριο ανίχνευσης χαρακτηρίστηκε από λήψη σήματος pMUT υπό διαφορετικές συνθήκες: μετακινήσαμε τον ανακλαστήρα σε διαφορετικές αποστάσεις [30, 40, 50, 60, 80, 100] cm και αλλάξαμε τη γωνία στήριξης pMUT ([0, 20, 40] o ) Το σχήμα 2β δείχνει τη χρονική ανάλυση ανίχνευσης ITD ανάλογα με την αντίστοιχη γωνιακή θέση σε μοίρες.
Αυτό το άρθρο χρησιμοποιεί δύο διαφορετικά κυκλώματα RRAM εκτός ραφιού. Η πρώτη είναι μια συστοιχία 16.384 (16.000) συσκευών (128 × 128 συσκευές) σε διαμόρφωση 1T1R με ένα τρανζίστορ και μία αντίσταση. Το δεύτερο τσιπ είναι η νευρομορφική πλατφόρμα που φαίνεται στο Σχ. 4α. Η κυψέλη RRAM αποτελείται από ένα φιλμ HfO2 πάχους 5 nm ενσωματωμένο σε μια στοίβα TiN/HfO2/Ti/TiN. Η στοίβα RRAM είναι ενσωματωμένη στο back-of-line (BEOL) της τυπικής διαδικασίας CMOS 130nm. Τα νευρομορφικά κυκλώματα που βασίζονται σε RRAM παρουσιάζουν μια πρόκληση σχεδιασμού για όλα τα αναλογικά ηλεκτρονικά συστήματα στα οποία οι συσκευές RRAM συνυπάρχουν με την παραδοσιακή τεχνολογία CMOS. Ειδικότερα, η κατάσταση αγωγιμότητας της συσκευής RRAM πρέπει να διαβάζεται και να χρησιμοποιείται ως μεταβλητή συνάρτησης για το σύστημα. Για το σκοπό αυτό, σχεδιάστηκε, κατασκευάστηκε και δοκιμάστηκε ένα κύκλωμα που διαβάζει το ρεύμα από τη συσκευή όταν λαμβάνεται ένας παλμός εισόδου και χρησιμοποιεί αυτό το ρεύμα για να σταθμίσει την απόκριση μιας σύναψης ολοκληρωτή διαφορικού ζεύγους (DPI). Αυτό το κύκλωμα φαίνεται στο Σχήμα 3α, το οποίο αντιπροσωπεύει τα βασικά δομικά στοιχεία της νευρομορφικής πλατφόρμας στο Σχήμα 4α. Ένας παλμός εισόδου ενεργοποιεί την πύλη της συσκευής 1T1R, επάγοντας ένα ρεύμα μέσω του RRAM ανάλογο με την αγωγιμότητα G της συσκευής (Iweight = G(Vtop – Vx)). Η είσοδος αναστροφής του κυκλώματος λειτουργικού ενισχυτή (op-amp) έχει σταθερή τάση πόλωσης DC Vtop. Η αρνητική ανάδραση του op-amp θα παρέχει Vx = Vtop παρέχοντας ίσο ρεύμα από το M1. Το τρέχον Iweight που ανακτάται από τη συσκευή εγχέεται στη σύναψη DPI. Ένα ισχυρότερο ρεύμα θα έχει ως αποτέλεσμα μεγαλύτερη αποπόλωση, έτσι η αγωγιμότητα RRAM εφαρμόζει αποτελεσματικά τα συναπτικά βάρη. Αυτό το εκθετικό συναπτικό ρεύμα εγχέεται μέσω του πυκνωτή μεμβράνης των νευρώνων Leaky Integration and Excitation (LIF), όπου ενσωματώνεται ως τάση. Εάν η τάση κατωφλίου της μεμβράνης (η τάση μεταγωγής του μετατροπέα) ξεπεραστεί, το τμήμα εξόδου του νευρώνα ενεργοποιείται, παράγοντας μια ακίδα εξόδου. Αυτός ο παλμός επιστρέφει και μετατρέπει τον πυκνωτή της μεμβράνης του νευρώνα στη γείωση, προκαλώντας την εκφόρτισή του. Αυτό το κύκλωμα συμπληρώνεται στη συνέχεια με έναν διαστολέα παλμού (δεν φαίνεται στο Σχ. 3α), ο οποίος διαμορφώνει τον παλμό εξόδου του νευρώνα LIF στο πλάτος του παλμού στόχου. Οι πολυπλέκτης είναι επίσης ενσωματωμένοι σε κάθε γραμμή, επιτρέποντας την εφαρμογή τάσης στο επάνω και στο κάτω ηλεκτρόδιο της συσκευής RRAM.
Οι ηλεκτρικές δοκιμές περιλαμβάνουν ανάλυση και καταγραφή της δυναμικής συμπεριφοράς των αναλογικών κυκλωμάτων, καθώς και προγραμματισμό και ανάγνωση συσκευών RRAM. Και τα δύο βήματα απαιτούν ειδικά εργαλεία, τα οποία συνδέονται ταυτόχρονα στην πλακέτα αισθητήρα. Η πρόσβαση σε συσκευές RRAM σε νευρομορφικά κυκλώματα πραγματοποιείται από εξωτερικά εργαλεία μέσω πολυπλέκτη (MUX). Το MUX διαχωρίζει το κελί 1T1R από το υπόλοιπο κύκλωμα στο οποίο ανήκει, επιτρέποντας τη ανάγνωση ή/και τον προγραμματισμό της συσκευής. Για τον προγραμματισμό και την ανάγνωση συσκευών RRAM, χρησιμοποιείται μια μηχανή Keithley 4200 SCS σε συνδυασμό με έναν μικροελεγκτή Arduino: ο πρώτος για ακριβή παραγωγή παλμών και ανάγνωση ρεύματος και ο δεύτερος για γρήγορη πρόσβαση σε μεμονωμένα στοιχεία 1T1R στη συστοιχία μνήμης. Η πρώτη λειτουργία είναι ο σχηματισμός της συσκευής RRAM. Τα κύτταρα επιλέγονται ένα προς ένα και εφαρμόζεται θετική τάση μεταξύ του επάνω και του κάτω ηλεκτροδίου. Σε αυτή την περίπτωση, το ρεύμα περιορίζεται στην τάξη των δεκάδων μικροαμπέρ λόγω της παροχής της αντίστοιχης τάσης πύλης στο τρανζίστορ επιλογέα. Η κυψέλη RRAM μπορεί στη συνέχεια να κάνει κύκλο μεταξύ μιας κατάστασης χαμηλής αγωγιμότητας (LCS) και μιας κατάστασης υψηλής αγωγιμότητας (HCS) χρησιμοποιώντας λειτουργίες RESET και SET, αντίστοιχα. Η λειτουργία SET πραγματοποιείται με την εφαρμογή ενός ορθογώνιου παλμού τάσης με διάρκεια 1 μs και τάσης αιχμής 2,0-2,5 V στο άνω ηλεκτρόδιο και ενός παλμού συγχρονισμού παρόμοιου σχήματος με τάση αιχμής 0,9-1,3 V σε την πύλη του τρανζίστορ επιλογέα. Αυτές οι τιμές επιτρέπουν τη ρύθμιση της αγωγιμότητας RRAM σε διαστήματα 20-150 μs. Για RESET, εφαρμόζεται ένας παλμός κορυφής πλάτους 1 μs, 3 V στο κάτω ηλεκτρόδιο (γραμμή bit) της κυψέλης όταν η τάση πύλης είναι στην περιοχή 2,5-3,0 V. Οι είσοδοι και οι έξοδοι των αναλογικών κυκλωμάτων είναι δυναμικά σήματα . Για είσοδο, συνδέσαμε δύο γεννήτριες παλμών HP 8110 με γεννήτριες σήματος Tektronix AFG3011. Ο παλμός εισόδου έχει πλάτος 1 μs και άκρη ανόδου/πτώσης 50 ns. Αυτός ο τύπος παλμού θεωρείται ότι είναι μια τυπική δυσλειτουργία σε κυκλώματα που βασίζονται σε αναλογικά σφάλματα. Όσον αφορά το σήμα εξόδου, το σήμα εξόδου καταγράφηκε χρησιμοποιώντας έναν παλμογράφο Teledyne LeCroy 1 GHz. Η ταχύτητα λήψης ενός παλμογράφου έχει αποδειχθεί ότι δεν είναι περιοριστικός παράγοντας στην ανάλυση και την απόκτηση δεδομένων κυκλώματος.
Η χρήση της δυναμικής των αναλογικών ηλεκτρονικών για την προσομοίωση της συμπεριφοράς των νευρώνων και των συνάψεων είναι μια κομψή και αποτελεσματική λύση για τη βελτίωση της υπολογιστικής απόδοσης. Το μειονέκτημα αυτού του υπολογιστικού υποστρώματος είναι ότι θα διαφέρει από σχήμα σε σχήμα. Ποσοτικοποιήσαμε τη μεταβλητότητα των νευρώνων και των συναπτικών κυκλωμάτων (Συμπληρωματικό Σχήμα 2a,b). Από όλες τις εκδηλώσεις μεταβλητότητας, αυτές που σχετίζονται με τις χρονικές σταθερές και το κέρδος εισόδου έχουν τον μεγαλύτερο αντίκτυπο σε επίπεδο συστήματος. Η σταθερά χρόνου του νευρώνα LIF και της σύναψης DPI προσδιορίζεται από ένα κύκλωμα RC, όπου η τιμή του R ελέγχεται από μια τάση πόλωσης που εφαρμόζεται στην πύλη του τρανζίστορ (Vlk για τον νευρώνα και Vtau για τη σύναψη), προσδιορίζοντας την ποσοστό διαρροής. Το κέρδος εισόδου ορίζεται ως η μέγιστη τάση που επιτυγχάνεται από τους πυκνωτές της συναπτικής και νευρωνικής μεμβράνης που διεγείρεται από έναν παλμό εισόδου. Το κέρδος εισόδου ελέγχεται από ένα άλλο τρανζίστορ πόλωσης που διαμορφώνει το ρεύμα εισόδου. Πραγματοποιήθηκε μια προσομοίωση Monte Carlo βαθμονομημένη στη διαδικασία 130 nm της ST Microelectronics για τη συλλογή ορισμένων στατιστικών στοιχείων κέρδους εισόδου και χρονικής σταθεράς. Τα αποτελέσματα παρουσιάζονται στο Συμπληρωματικό Σχήμα 2, όπου το κέρδος εισόδου και η σταθερά χρόνου ποσοτικοποιούνται ως συνάρτηση της τάσης πόλωσης που ελέγχει τον ρυθμό διαρροής. Οι πράσινοι δείκτες ποσοτικοποιούν την τυπική απόκλιση της σταθεράς χρόνου από τη μέση τιμή. Τόσο οι νευρώνες όσο και τα συναπτικά κυκλώματα ήταν σε θέση να εκφράσουν ένα ευρύ φάσμα χρονικών σταθερών στην περιοχή των 10-5-10-2 s, όπως φαίνεται στο σχήμα του Συμπληρωματικού Σχήματος. Η ενίσχυση εισόδου (Συμπληρωματικό Σχήμα 2e,d) της μεταβλητότητας των νευρώνων και των συνάψεων ήταν περίπου 8% και 3%, αντίστοιχα. Μια τέτοια ανεπάρκεια είναι καλά τεκμηριωμένη στη βιβλιογραφία: πραγματοποιήθηκαν διάφορες μετρήσεις στη διάταξη των τσιπ DYNAP για την αξιολόγηση της αναντιστοιχίας μεταξύ των πληθυσμών των νευρώνων LIF63. Οι συνάψεις στο τσιπ μικτού σήματος BrainScale μετρήθηκαν και αναλύθηκαν οι ασυνέπειές τους και προτάθηκε μια διαδικασία βαθμονόμησης για τη μείωση της επίδρασης της μεταβλητότητας σε επίπεδο συστήματος64.
Η λειτουργία του RRAM στα νευρομορφικά κυκλώματα είναι διπλή: ορισμός αρχιτεκτονικής (δρομολόγηση εισόδων σε εξόδους) και υλοποίηση συναπτικών βαρών. Η τελευταία ιδιότητα μπορεί να χρησιμοποιηθεί για την επίλυση του προβλήματος της μεταβλητότητας των μοντελοποιημένων νευρομορφικών κυκλωμάτων. Έχουμε αναπτύξει μια απλή διαδικασία βαθμονόμησης που περιλαμβάνει τον επαναπρογραμματισμό της συσκευής RRAM έως ότου το κύκλωμα που αναλύεται πληροί ορισμένες απαιτήσεις. Για μια δεδομένη είσοδο, η έξοδος παρακολουθείται και η RRAM επαναπρογραμματίζεται μέχρι να επιτευχθεί η συμπεριφορά στόχος. Ένας χρόνος αναμονής 5 δευτερολέπτων εισήχθη μεταξύ των λειτουργιών προγραμματισμού για να λυθεί το πρόβλημα της χαλάρωσης RRAM με αποτέλεσμα παροδικές διακυμάνσεις αγωγιμότητας (Συμπληρωματικές πληροφορίες). Τα συναπτικά βάρη προσαρμόζονται ή βαθμονομούνται σύμφωνα με τις απαιτήσεις του νευρομορφικού κυκλώματος που μοντελοποιείται. Η διαδικασία βαθμονόμησης συνοψίζεται σε πρόσθετους αλγόριθμους [1, 2] που επικεντρώνονται σε δύο θεμελιώδη χαρακτηριστικά νευρομορφικών πλατφορμών, τις γραμμές καθυστέρησης και το CD που δεν είναι ευαίσθητο στην κατεύθυνση. Για ένα κύκλωμα με γραμμή καθυστέρησης, η συμπεριφορά στόχος είναι να παρέχει έναν παλμό εξόδου με καθυστέρηση Δt. Εάν η πραγματική καθυστέρηση κυκλώματος είναι μικρότερη από την τιμή στόχο, το συναπτικό βάρος του G3 θα πρέπει να μειωθεί (το G3 θα πρέπει να μηδενιστεί και στη συνέχεια να ρυθμιστεί σε χαμηλότερο αντίστοιχο ρεύμα Icc). Αντίθετα, εάν η πραγματική καθυστέρηση είναι μεγαλύτερη από την τιμή στόχο, η αγωγιμότητα του G3 πρέπει να αυξηθεί (το G3 πρέπει πρώτα να μηδενιστεί και στη συνέχεια να οριστεί σε υψηλότερη τιμή Icc). Αυτή η διαδικασία επαναλαμβάνεται έως ότου η καθυστέρηση που δημιουργείται από το κύκλωμα ταιριάζει με την τιμή στόχο και οριστεί μια ανοχή για να σταματήσει η διαδικασία βαθμονόμησης. Για CD χωρίς προσανατολισμό, δύο συσκευές RRAM, G1 και G3, εμπλέκονται στη διαδικασία βαθμονόμησης. Αυτό το κύκλωμα έχει δύο εισόδους, Vin0 και Vin1, με καθυστέρηση κατά dt. Το κύκλωμα πρέπει να ανταποκρίνεται μόνο σε καθυστερήσεις κάτω από το αντίστοιχο εύρος [0,dtCD]. Εάν δεν υπάρχει κορυφή εξόδου, αλλά η κορυφή εισόδου είναι κοντά, και οι δύο συσκευές RRAM θα πρέπει να ενισχυθούν για να βοηθήσουν τον νευρώνα να φτάσει στο κατώφλι. Αντίθετα, εάν το κύκλωμα ανταποκριθεί σε καθυστέρηση που υπερβαίνει το εύρος στόχου του dtCD, η αγωγιμότητα πρέπει να μειωθεί. Επαναλάβετε τη διαδικασία μέχρι να επιτευχθεί η σωστή συμπεριφορά. Το ρεύμα συμμόρφωσης μπορεί να διαμορφωθεί από το ενσωματωμένο αναλογικό κύκλωμα στην αναφ. 72,73. Με αυτό το ενσωματωμένο κύκλωμα, τέτοιες διαδικασίες μπορούν να εκτελούνται περιοδικά για τη βαθμονόμηση του συστήματος ή την επαναχρησιμοποίησή του για άλλη εφαρμογή.
Αξιολογούμε την κατανάλωση ενέργειας της προσέγγισης επεξεργασίας του νευρομορφικού σήματος σε έναν τυπικό μικροελεγκτή 32 bit68. Σε αυτήν την αξιολόγηση, υποθέτουμε ότι λειτουργεί με την ίδια ρύθμιση όπως σε αυτό το άρθρο, με έναν πομπό pMUT και δύο δέκτες pMUT. Αυτή η μέθοδος χρησιμοποιεί ένα φίλτρο διέλευσης ζώνης, ακολουθούμενο από ένα βήμα εξαγωγής φακέλου (Teeger-Kaiser) και, τέλος, εφαρμόζεται μια λειτουργία κατωφλίου στο σήμα για την εξαγωγή του χρόνου πτήσης. Ο υπολογισμός του ITD και η μετατροπή του σε γωνίες ανίχνευσης παραλείπονται στην αξιολόγηση. Θεωρούμε μια εφαρμογή ζωνοπερατού φίλτρου χρησιμοποιώντας ένα φίλτρο άπειρης παλμικής απόκρισης 4ης τάξης που απαιτεί 18 πράξεις κινητής υποδιαστολής. Η εξαγωγή φακέλου χρησιμοποιεί τρεις ακόμη πράξεις κινητής υποδιαστολής και η τελευταία λειτουργία χρησιμοποιείται για τον ορισμό του ορίου. Απαιτούνται συνολικά 22 λειτουργίες κινητής υποδιαστολής για την προεπεξεργασία του σήματος. Το μεταδιδόμενο σήμα είναι μια σύντομη έκρηξη ημιτονοειδούς κυματομορφής 111,9 kHz που παράγεται κάθε 10 ms με αποτέλεσμα μια συχνότητα λειτουργίας εντοπισμού θέσης 100 Hz. Χρησιμοποιήσαμε ρυθμό δειγματοληψίας 250 kHz για συμμόρφωση με το Nyquist και ένα παράθυρο 6 ms για κάθε μέτρηση για να καταγράψουμε μια περιοχή 1 μέτρου. Σημειώστε ότι 6 χιλιοστά του δευτερολέπτου είναι ο χρόνος πτήσης ενός αντικειμένου που απέχει 1 μέτρο. Αυτό παρέχει κατανάλωση ισχύος 180 µW για μετατροπή A/D σε 0,5 MSPS. Η προεπεξεργασία σήματος είναι 6,60 MIPS (εντολές ανά δευτερόλεπτο), παράγοντας 0,75 mW. Ωστόσο, ο μικροελεγκτής μπορεί να μεταβεί σε λειτουργία χαμηλής ισχύος 69 όταν ο αλγόριθμος δεν εκτελείται. Αυτή η λειτουργία παρέχει στατική κατανάλωση ενέργειας 10,8 μW και χρόνο αφύπνισης 113 μs. Με δεδομένη συχνότητα ρολογιού 84 MHz, ο μικροελεγκτής ολοκληρώνει όλες τις λειτουργίες του νευρομορφικού αλγορίθμου εντός 10 ms και ο αλγόριθμος υπολογίζει έναν κύκλο λειτουργίας 6,3%, χρησιμοποιώντας έτσι μια λειτουργία χαμηλής ισχύος. Η προκύπτουσα διασπορά ισχύος είναι 244,7 μW. Σημειώστε ότι παραλείπουμε την έξοδο ITD από το ToF και τη γωνία μετατροπής σε ανίχνευση, υποτιμώντας έτσι την κατανάλωση ενέργειας του μικροελεγκτή. Αυτό παρέχει πρόσθετη αξία για την ενεργειακή απόδοση του προτεινόμενου συστήματος. Ως πρόσθετη συνθήκη σύγκρισης, αξιολογούμε την κατανάλωση ισχύος των κλασικών μεθόδων διαμόρφωσης δέσμης που προτείνονται στην αναφορά. 31,54 όταν είναι ενσωματωμένο στον ίδιο μικροελεγκτή68 σε τάση τροφοδοσίας 1,8V. Πέντε ομοιόμορφα κατανεμημένες μεμβράνες pMUT χρησιμοποιούνται για τη λήψη δεδομένων για τη διαμόρφωση δέσμης. Όσον αφορά την ίδια την επεξεργασία, η μέθοδος διαμόρφωσης δέσμης που χρησιμοποιείται είναι η άθροιση καθυστερήσεων. Συνίσταται απλώς στην εφαρμογή μιας καθυστέρησης στις λωρίδες που αντιστοιχεί στην αναμενόμενη διαφορά στους χρόνους άφιξης μεταξύ μιας λωρίδας και της λωρίδας αναφοράς. Εάν τα σήματα είναι σε φάση, το άθροισμα αυτών των σημάτων θα έχει υψηλή ενέργεια μετά από μια χρονική μετατόπιση. Εάν είναι εκτός φάσης, οι καταστροφικές παρεμβολές θα περιορίσουν την ενέργεια του αθροίσματος τους. σε μια σχέση. Στο σχ. 31, επιλέγεται ρυθμός δειγματοληψίας 2 MHz για χρονική μετατόπιση των δεδομένων κατά έναν ακέραιο αριθμό δειγμάτων. Μια πιο μετριοπαθής προσέγγιση είναι η διατήρηση ενός πιο χονδροειδούς ρυθμού δειγματοληψίας 250 kHz και η χρήση ενός φίλτρου πεπερασμένης παλμικής απόκρισης (FIR) για τη σύνθεση κλασματικών καθυστερήσεων. Θα υποθέσουμε ότι η πολυπλοκότητα του αλγορίθμου διαμόρφωσης δέσμης καθορίζεται κυρίως από τη χρονική μετατόπιση, αφού κάθε κανάλι περιπλέκεται με ένα φίλτρο FIR με 16 αγγίγματα σε κάθε κατεύθυνση. Για να υπολογίσουμε τον αριθμό των MIPS που απαιτούνται για αυτήν τη λειτουργία, λαμβάνουμε υπόψη ένα παράθυρο 6ms ανά μέτρηση για να καταγράψουμε μια περιοχή 1 μέτρο, 5 κανάλια, 11 κατευθύνσεις διαμόρφωσης δέσμης (εύρος +/- 50° σε βήματα 10°). 75 μετρήσεις ανά δευτερόλεπτο ώθησαν τον μικροελεγκτή στο μέγιστο των 100 MIPS. Σύνδεσμος. 68, με αποτέλεσμα μια απαγωγή ισχύος 11,26 mW για συνολική απαγωγή ισχύος 11,71 mW μετά την προσθήκη της συνεισφοράς ADC επί του σκάφους.
Τα δεδομένα που υποστηρίζουν τα αποτελέσματα αυτής της μελέτης είναι διαθέσιμα από τον αντίστοιχο συγγραφέα, FM, κατόπιν εύλογου αιτήματος.
Indiveri, G. & Sandamirskaya, Y. Η σημασία του χώρου και του χρόνου για την επεξεργασία σήματος σε νευρομορφικούς παράγοντες: Η πρόκληση της ανάπτυξης αυτόνομων παραγόντων χαμηλής ισχύος που αλληλεπιδρούν με το περιβάλλον. Indiveri, G. & Sandamirskaya, Y. Η σημασία του χώρου και του χρόνου για την επεξεργασία σήματος σε νευρομορφικούς παράγοντες: Η πρόκληση της ανάπτυξης αυτόνομων παραγόντων χαμηλής ισχύος που αλληλεπιδρούν με το περιβάλλον.Indiveri G. and Sandamirskaya Y. Η σημασία του χώρου και του χρόνου για την επεξεργασία σήματος σε νευρομορφικούς παράγοντες: η πρόκληση της ανάπτυξης αυτόνομων παραγόντων χαμηλής ισχύος που αλληλεπιδρούν με το περιβάλλον. Indiveri, G. & Sandamirskaya, Y.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。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. and Sandamirskaya Y. Η σημασία του χώρου και του χρόνου για την επεξεργασία σήματος σε νευρομορφικούς παράγοντες: η πρόκληση της ανάπτυξης αυτόνομων παραγόντων χαμηλής ισχύος που αλληλεπιδρούν με το περιβάλλον.Επεξεργασία σήματος IEEE. Journal 36, 16–28 (2019).
Thorpe, SJ Peak Arrival Time: An Efficient Neural Network Coding Scheme. στο Eckmiller, R., Hartmann, G. & Hauske, G. (επιμ.). στο Eckmiller, R., Hartmann, G. & Hauske, G. (επιμ.).στο Eckmiller, R., Hartmann, G. and Hauske, G. (επιμ.).Στο Eckmiller, R., Hartmann, G., and Hauske, G. (επιμ.). Παράλληλη επεξεργασία σε νευρωνικά συστήματα και υπολογιστές 91–94 (North-Holland Elsevier, 1990).
Το Levy, WB & Calvert, VG Communication καταναλώνει 35 φορές περισσότερη ενέργεια από τον υπολογισμό στον ανθρώπινο φλοιό, αλλά και τα δύο κόστη απαιτούνται για την πρόβλεψη του αριθμού των συνάψεων. Το Levy, WB & Calvert, VG Communication καταναλώνει 35 φορές περισσότερη ενέργεια από τον υπολογισμό στον ανθρώπινο φλοιό, αλλά και τα δύο κόστη απαιτούνται για την πρόβλεψη του αριθμού των συνάψεων.Οι Levy, WB και Calvert, WG Communication καταναλώνουν 35 φορές περισσότερη ενέργεια από τον υπολογισμό στον ανθρώπινο φλοιό, αλλά και τα δύο κόστη απαιτούνται για την πρόβλεψη του αριθμού των συνάψεων. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的35 倍,但这两种成本都需要预 Levy, WB & Calvert, VG CommunicationΟι Levy, WB και Calvert, WG Communication καταναλώνουν 35 φορές περισσότερη ενέργεια από τον υπολογισμό στον ανθρώπινο φλοιό, αλλά και τα δύο κόστη απαιτούν την πρόβλεψη του αριθμού των συνάψεων.διαδικασία. Εθνική Ακαδημία Επιστημών. η επιστήμη. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing.Dalgati, Τ., Vianello, Ε., DeSalvo, Β. and Casas, J. Νευρομορφική υπολογιστική έμπνευση από έντομα.Dalgati T., Vianello E., DeSalvo B. and Casas J. Insect-inspired neuromorphic computing. Ρεύμα. Γνώμη. Επιστήμη των εντόμων. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Towards spike-based machine intelligence with neuromorphic computing. Roy, K., Jaiswal, A. & Panda, P. Towards spike-based machine intelligence with neuromorphic computing. Roy, K., Jaiswal, A. & Panda, P. Towards Spike-Based Machine Intelligence with Neuromorphic Computing.Roy K, Jaiswal A και Panda P. Παλμική τεχνητή νοημοσύνη με χρήση νευρομορφικών υπολογιστών. Nature 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. and Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. and Liu, S.-K.Επεξεργασία μνήμης και πληροφοριών σε νευρομορφικά συστήματα. διαδικασία. IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: Σχεδιασμός και εργαλειοθήκη για ένα προγραμματιζόμενο συναπτικό τσιπ 65 mW 1 εκατομμυρίου νευρώνων. συναλλαγές IEEE. Μηχανογραφικός σχεδιασμός συστημάτων ολοκληρωμένων κυκλωμάτων. 34, 1537–1557 (2015).
Schemmel, J. et al. Ζωντανή επίδειξη: μειωμένη έκδοση του νευρομορφικού συστήματος BrainScaleS σε κλίμακα πλακών. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Μια κλιμακούμενη αρχιτεκτονική πολλαπλών πυρήνων με ετερογενείς δομές μνήμης για δυναμικούς νευρομορφικούς ασύγχρονους επεξεργαστές (DYNAPs). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Μια κλιμακούμενη αρχιτεκτονική πολλαπλών πυρήνων με ετερογενείς δομές μνήμης για δυναμικούς νευρομορφικούς ασύγχρονους επεξεργαστές (DYNAPs).Moradi S., Qiao N., Stefanini F. and Indiviri G. Μια κλιμακούμενη αρχιτεκτονική πολλαπλών πυρήνων με ετερογενείς δομές μνήμης για δυναμικούς νευρομορφικούς ασύγχρονους επεξεργαστές (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G.一种可扩展的多核架构,具有用于动态神经形态异步处理器(DYNAP) 的异昆圉 Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Ένα είδος επεκτάσιμης αρχιτεκτονικής πολλαπλών πυρήνων, με μοναδική δομή μνήμης για δυναμική νευρωνική επεξεργασία (DYNAP).Moradi S., Qiao N., Stefanini F. and Indiviri G. Μια κλιμακούμενη αρχιτεκτονική πολλαπλών πυρήνων με ετερογενείς δομές μνήμης για δυναμικούς νευρομορφικούς ασύγχρονους επεξεργαστές (DYNAP).IEEE Transactions on Biomedical Science. ηλεκτρικό σύστημα. 12, 106–122 (2018).
Davis, Μ. et αϊ. Loihi: Ένας νευρομορφικός πολυπύρηνος επεξεργαστής με ενσωματωμένη μάθηση. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker project. Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker project.Ferber SB, Galluppi F., Temple S. and Plana LA SpiNNaker project.Ferber SB, Galluppi F., Temple S. and Plana LA SpiNNaker project. διαδικασία. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, Τ. Νευρομορφικά αισθητήρια συστήματα. & Delbruck, Τ. Νευρομορφικά αισθητήρια συστήματα.and Delbrück T. Νευρομορφικά αισθητήρια συστήματα. & Delbruck, T. 神经形态感觉系统. & Ντελμπρούκ, Τ.and Delbrück T. Νευρομορφικό αισθητήριο σύστημα.Ρεύμα. Γνώμη. Νευροβιολογία. 20, 288–295 (2010).
Chope, Τ. et αϊ. Νευρομορφική αισθητηριακή ολοκλήρωση για συνδυασμένο εντοπισμό πηγής ήχου και αποφυγή σύγκρουσης. Το 2019 στο IEEE Conference on Biomedical Circuits and Systems (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A spike-based neuromorphic architecture of stereo vision. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A spike-based neuromorphic architecture of stereo vision.Risi N, Aymar A, Donati E, Solinas S, and Indiveri G. Μια αρχιτεκτονική νευρομορφικής στερεοόρασης που βασίζεται σε ακίδες. 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.Risi N, Aimar A, Donati E, Solinas S και Indiveri G. Νευρομορφική αρχιτεκτονική βασισμένη σε Spike για στερεοφωνική όραση.εμπρός. Neurorobotics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Ένα μοντέλο νευρωνικών δικτύων spiking of 3Dperception for neuromorphic stereo vision systems based on event. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Ένα μοντέλο νευρωνικών δικτύων spiking of 3Dperception for neuromorphic stereo vision systems based on event.Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. A 3D Pulsed Neural Network Perception Model for Event-Based Neuromorphic Stereo Vision Systems. 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 脉冲神神经形态立体视觉系统的3Dperception 脉冲眻 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., and Indiveri, G. Spiked 3Dperception Neural Network Model for an Event-Based Neuromorphic Stereo Vision System.η επιστήμη. Έκθεση 7, 1–11 (2017).
Dalgaty, Τ. et αϊ. Η βασική ανίχνευση κίνησης εμπνευσμένη από έντομα περιλαμβάνει μνήμη αντίστασης και σπασμένα νευρωνικά δίκτυα. Βιονικό βιοϋβριδικό σύστημα. 10928, 115–128 (2018).
D'Angelo, G. et al. Ανίχνευση έκκεντρης κίνησης με βάση συμβάντα με χρήση χρονικής διαφορικής κωδικοποίησης. εμπρός. Νευρολογία. 14, 451 (2020).
Ώρα δημοσίευσης: Νοε-17-2022