page_head_bg

Uudised

Reaalmaailma andmetöötlusrakendused nõuavad kompaktseid, väikese latentsusajaga ja väikese võimsusega arvutisüsteeme. Sündmuspõhiste andmetöötlusvõimalustega pakuvad täiendavad metalloksiid-pooljuhtide hübriid-memristiivsed neuromorfsed arhitektuurid selliste ülesannete jaoks ideaalse riistvaralise aluse. Selliste süsteemide täieliku potentsiaali demonstreerimiseks pakume välja ja demonstreerime eksperimentaalselt terviklikku andurite töötlemise lahendust reaalsete objektide lokaliseerimise rakenduste jaoks. Hakkama öökulli neuroanatoomiast inspiratsiooni ammutades oleme välja töötanud bioinspireeritud sündmustest juhitud objektide lokaliseerimissüsteemi, mis ühendab tipptasemel piesoelektrilise mikromehaanilise muunduri ja arvutusgraafikupõhise neuromorfse takistusmälu. Näitame valmistatud süsteemi mõõtmisi, mis sisaldavad mälupõhist takistuslikku kokkusattumusdetektorit, viiteliini vooluringi ja täielikult kohandatavat ultraheliandurit. Kasutame neid katsetulemusi simulatsioonide kalibreerimiseks süsteemi tasemel. Neid simulatsioone kasutatakse seejärel objekti lokaliseerimise mudeli nurkeraldusvõime ja energiatõhususe hindamiseks. Tulemused näitavad, et meie lähenemine võib olla mitu suurusjärku energiatõhusam kui sama ülesannet täitvad mikrokontrollerid.
Oleme sisenemas kõikjale leviva andmetöötluse ajastusse, kus kasutusele võetud seadmete ja süsteemide arv kasvab plahvatuslikult, et aidata meid igapäevaelus. Eeldatakse, et need süsteemid töötavad pidevalt, tarbides võimalikult vähe energiat, õppides samal ajal tõlgendama mitmelt andurilt kogutud andmeid reaalajas ja tootma binaarväljundit klassifitseerimis- või tuvastamisülesannete tulemusena. Üks selle eesmärgi saavutamiseks vajalikke olulisi samme on kasuliku ja kompaktse teabe eraldamine mürarikastest ja sageli mittetäielikest sensoorsetest andmetest. Tavapärased insenerimeetodid proovivad tavaliselt andurite signaale konstantsel ja suurel kiirusel, genereerides suuri andmehulki isegi kasulike sisendite puudumisel. Lisaks kasutavad need meetodid (sageli mürarikaste) sisendandmete eeltöötlemiseks keerulisi digitaalse signaalitöötluse tehnikaid. Selle asemel pakub bioloogia alternatiivseid lahendusi mürarikaste sensoorsete andmete töötlemiseks, kasutades energiatõhusaid, asünkroonseid, sündmustepõhiseid lähenemisviise (nagusid)2,3. Neuromorfne andmetöötlus võtab inspiratsiooni bioloogilistest süsteemidest, et vähendada arvutuskulusid energia- ja mälunõuete osas võrreldes traditsiooniliste signaalitöötlusmeetoditega4,5,6. Hiljuti on demonstreeritud uuenduslikke üldotstarbelisi ajupõhiseid süsteeme, mis rakendavad impulssnärvivõrke (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11). Need protsessorid pakuvad väikese võimsusega ja madala latentsusajaga lahendusi masinõppeks ja ajukoore vooluringide modelleerimiseks. Nende energiatõhususe täielikuks ärakasutamiseks peavad need neuromorfsed protsessorid olema otse ühendatud sündmuste juhitud anduritega 12, 13. Tänapäeval on aga ainult mõned puutetundlikud seadmed, mis pakuvad otse sündmustepõhiseid andmeid. Silmapaistvad näited on dünaamilised visuaalsed andurid (DVS) nägemisrakenduste jaoks, nagu jälgimine ja liikumistuvastus14, 15, 16, 17 ränist kohlea18 ja neuromorfsed kuulmisandurid (NAS)19 kuulmissignaali töötlemiseks, haistmisandurid20 ja arvukad puutenäited21,22. . tekstuuriandurid.
Selles artiklis tutvustame äsja välja töötatud sündmustepõhist kuulmistöötlussüsteemi, mida kasutatakse objektide lokaliseerimiseks. Siin kirjeldame esimest korda objektide lokaliseerimise lõpp-punkti süsteemi, mis saadakse moodsa piesoelektrilise mikrotöötlusega ultrahelimuunduri (pMUT) ühendamisel neuromorfsel takistusmälul (RRAM) põhineva arvutusgraafikuga. RRAM-i kasutavad mälusisesed andmetöötlusarhitektuurid on paljulubav lahendus energiatarbimise vähendamiseks23,24,25,26,27,28,29. Nende loomupärane mittevolatiilsus – teabe salvestamiseks või värskendamiseks ei nõua aktiivset energiatarbimist – sobib suurepäraselt neuromorfse andmetöötluse asünkroonse, sündmustepõhise olemusega, mille tulemuseks on energiatarve peaaegu olematu, kui süsteem on jõude. Piesoelektrilised mikrotöötlusega ultrahelimuundurid (pMUT) on odavad miniatuursed ränipõhised ultrahelimuundurid, mis on võimelised toimima saatjate ja vastuvõtjatena30,31,32,33,34. Sisseehitatud andurite poolt vastuvõetud signaalide töötlemiseks ammutasime inspiratsiooni öökulli neuroanatoomiast35,36,37. Soodne öökull Tyto alba on tänu väga tõhusale kuulmislokaliseerimissüsteemile tuntud oma tähelepanuväärsete ööjahtimisvõimete poolest. Saagi asukoha arvutamiseks kodeerib öökulli lokaliseerimissüsteem lennuaja (ToF), mil saaklooma helilained jõuavad öökulli iga kõrva või heliretseptorini. Arvestades kõrvadevahelist kaugust, võimaldab kahe ToF-i mõõtmise erinevus (Interaural Time Difference, ITD) analüütiliselt arvutada sihtmärgi asimuutasendi. Kuigi bioloogilised süsteemid sobivad halvasti algebraliste võrrandite lahendamiseks, suudavad nad lokaliseerimisprobleeme väga tõhusalt lahendada. Öökullide närvisüsteem kasutab positsioneerimisprobleemide lahendamiseks kokkusattumusdetektori (CD)35 neuronite komplekti (st neuroneid, mis on võimelised tuvastama ajalisi korrelatsioone naelu vahel, mis levivad allapoole konvergentsete erutuslõppudeni)38,39.
Varasemad uuringud on näidanud, et üksteist täiendav metalloksiid-pooljuht (CMOS) riistvara ja RRAM-põhine neuromorfne riistvara, mis on inspireeritud öökulli alumisest kolliikust (“kuulmiskoorest”), on tõhus meetod asukoha arvutamiseks ITD13, 40, 41, 42, 43 , 44, 45, 46. Siiski potentsiaali täielik neuromorfseid süsteeme, mis seovad kuulmissignaalid neuromorfsete arvutusgraafikutega, tuleb veel demonstreerida. Peamine probleem on analoogsete CMOS-ahelate omane varieeruvus, mis mõjutab vaste tuvastamise täpsust. Hiljuti on demonstreeritud ITD47 hinnangute alternatiivseid arvulisi rakendusi. Selles artiklis teeme ettepaneku kasutada RRAM-i võimet muuta juhtivuse väärtust mittelenduval viisil, et neutraliseerida analoogahelate varieeruvust. Rakendasime eksperimentaalse süsteemi, mis koosnes ühest pMUT-i edastavast membraanist, mis töötab sagedusel 111, 9 kHz, kahest pMUT-i vastuvõtvast membraanist (andurist), mis simuleerivad öökulli kõrvu, ja ühest . Iseloomustasime eksperimentaalselt pMUT-i tuvastussüsteemi ja RRAM-põhist ITD-arvutusgraafikut, et testida meie lokaliseerimissüsteemi ja hinnata selle nurkeraldusvõimet.
Võrdleme oma meetodit digitaalse teostusega mikrokontrolleris, mis täidab sama lokaliseerimisülesannet, kasutades tavapäraseid kiirkujundamise või neuromorfseid meetodeid, samuti viites pakutud ITD hindamiseks välja programmeeritava värava massiivi (FPGA). 47. See võrdlus toob esile pakutud RRAM-põhise analoog-neuromorfse süsteemi konkurentsivõimelise energiatõhususe.
Üks markantsemaid näiteid täpsest ja tõhusast objektide lokaliseerimissüsteemist on leitav sookurgist35,37,48. Õhtuhämaruses ja koidikul toetub sookakk (Tyto Alba) peamiselt passiivsele kuulamisele, otsides aktiivselt üles väikesi saakloomi, nagu hiired või hiired. Need kuulmiseksperdid suudavad saagilt saadavaid kuulmissignaale hämmastava täpsusega (umbes 2°)35 lokaliseerida, nagu on näidatud joonisel 1a. Öökullid järeldavad heliallikate asukohta asimuut- (horisontaalses) tasapinnas heliallikast kahe kõrvani siseneva lennuaja (ITD) erinevuse põhjal. ITD arvutusmehhanismi pakkus välja Jeffress49,50, mis tugineb närvigeomeetriale ja nõuab kahte põhikomponenti: aksonit, neuroni närvikiudu, mis toimib viivitusjoonena, ja arvutussüsteemiks organiseeritud kokkusattumusdetektori neuronite massiivi. graafik, nagu on näidatud joonisel 1b. Heli jõuab kõrva asimuudist sõltuva viivitusega (ITD). Seejärel muudetakse heli kummaski kõrvas naelakujuliseks. Vasaku ja parema kõrva aksonid toimivad viivitusjoontena ja koonduvad CD neuronitele. Teoreetiliselt saab sisendit korraga ainult üks neuron sobitatud neuronite massiivist (kus viivitus kaob täpselt) ja süttib maksimaalselt (ka naaberrakud süttivad, kuid madalama sagedusega). Teatud neuronite aktiveerimine kodeerib sihtmärgi positsiooni ruumis ilma ITD-d täiendavalt nurkadeks muutmata. See kontseptsioon on kokku võetud joonisel 1c: näiteks kui heli tuleb paremalt küljelt, kui sisendsignaal paremast kõrvast läbib pikema tee kui vasakust kõrvast, kompenseerides näiteks ITD-de arvu, kui neuron 2 sobib. Teisisõnu, iga CD reageerib aksonaalse viivituse tõttu teatud ITD-le (tuntud ka kui optimaalne viivitus). Seega muudab aju ajalise informatsiooni ruumiliseks informatsiooniks. Selle mehhanismi kohta on leitud anatoomilisi tõendeid37,51. Faasilukuga makrotuuma neuronid salvestavad ajalist teavet sissetulevate helide kohta: nagu nende nimigi ütleb, süttivad nad teatud signaalifaasidel. Laminaarsest tuumast võib leida Jeffressi mudeli kokkusattumusdetektori neuroneid. Nad saavad teavet makrotuuma neuronitelt, mille aksonid toimivad viivitusjoontena. Viivitusjoone poolt pakutavat viivitust saab seletada aksoni pikkusega, aga ka muu müeliniseerumismustriga, mis muudab juhtivuse kiirust. Öökulli kuulmissüsteemist inspireerituna oleme välja töötanud biomimeetilise süsteemi objektide lokaliseerimiseks. Neid kahte kõrva esindavad kaks pMUT-vastuvõtjat. Heliallikaks on nende vahel paiknev pMUT-saatja (joonis 1a) ja arvutusgraafiku moodustab RRAM-põhiste CD-ahelate võrk (joonis 1b, roheline), mis mängib CD-neuronite rolli, mille sisendid on viivitatud. ahela kaudu toimivad viivitusjooned (sinine) bioloogilises vastaspooles nagu aksonid. Kavandatav sensoorne süsteem erineb töösageduselt öökulli omast, kelle kuulmissüsteem töötab vahemikus 1–8 kHz, kuid selles töös kasutatakse pMUT andureid, mis töötavad umbes 117 kHz. Ultraheli muunduri valikul lähtutakse tehnilistest ja optimeerimiskriteeriumidest. Esiteks parandab vastuvõtu ribalaiuse piiramine ühe sagedusega ideaaljuhul mõõtmise täpsust ja lihtsustab järeltöötlusetappi. Lisaks on ultrahelis töötamise eeliseks see, et väljastatavad impulsid ei ole kuuldavad, seega ei häiri inimesi, kuna nende kuulmisulatus on ~20-20 kHz.
sookakk saab helilaineid sihtmärgilt, antud juhul liikuvalt saagilt. Helilaine lennuaeg (ToF) on iga kõrva puhul erinev (välja arvatud juhul, kui saak on öökulli ees). Punktiirjoon näitab teed, mida mööda helilained öökulli kõrvuni jõuavad. Saagi saab täpselt lokaliseerida horisontaaltasapinnal, võttes aluseks kahe akustilise tee pikkuse erinevuse ja vastava interauraalse ajaerinevuse (ITD) (vasakpoolne pilt on inspireeritud viitest 74, autoriõigus 2002, Society for Neuroscience). Meie süsteemis genereerib pMUT saatja (tumesinine) helilaineid, mis põrkavad sihtmärgist eemale. Peegeldunud ultrahelilaineid võtavad vastu kaks pMUT-vastuvõtjat (helerohelised) ja neid töötleb neuromorfne protsessor (paremal). b ITD (Jeffressi) arvutusmudel, mis kirjeldab, kuidas öökulli kõrvadesse sisenevad helid kodeeritakse esmalt faasilukuga naelu suures tuumas (NM) ja seejärel kasutatakse lamelltuumas sobivate detektorneuronite geomeetriliselt paigutatud võrku. Töötlemine (Holland) (vasakul). Viitejooni ja kokkusattumusdetektori neuroneid ühendava neuroITD arvutusgraafiku illustratsioon, öökulli biosensori süsteemi saab modelleerida RRAM-põhiste neuromorfsete ahelate abil (paremal). c Peamise Jeffressi mehhanismi skeem, ToF erinevuse tõttu saavad kaks kõrva helistiimuleid erinevatel aegadel ja saadavad mõlemast otsast aksoneid detektorisse. Aksonid on osa kokkulangevusdetektori (CD) neuronite seeriast, millest igaüks reageerib selektiivselt tugevalt ajakorrelatsiooniga sisenditele. Selle tulemusena on maksimaalselt ergastatud ainult CD-d, mille sisendid saabuvad väikseima ajavahega (ITD on täpselt kompenseeritud). Seejärel kodeerib CD sihtmärgi nurgaasendi.
Piesoelektrilised mikromehaanilised ultrahelimuundurid on skaleeritavad ultraheliandurid, mida saab integreerida täiustatud CMOS-tehnoloogiaga31, 32, 33, 52 ja mille algpinge ja energiatarve on madalam kui traditsioonilistel mahuanduritel53. Meie töös on membraani läbimõõt 880 µm ja resonantssagedus on jaotunud vahemikus 110–117 kHz (joonis 2a, vt täpsemalt meetodid). Kümnest katseseadmest koosnevas partiis oli keskmine kvaliteeditegur umbes 50 (viide 31). Tehnoloogia on saavutanud tööstusliku küpsuse ja ei ole iseenesest bioinspireeritud. Erinevate pMUT-filmide teabe kombineerimine on hästi tuntud tehnika ja nurgateavet saab pMUT-idest, kasutades näiteks valgusvihu moodustamise tehnikaid31,54. Nurgateabe eraldamiseks vajalik signaalitöötlus ei sobi aga väikese võimsusega mõõtmiseks. Kavandatav süsteem ühendab neuromorfse andmete eeltöötluse ahela pMUT RRAM-põhise neuromorfse arvutusgraafikuga, mis on inspireeritud Jeffressi mudelist (joonis 2c), pakkudes alternatiivset energiatõhusat ja ressurssidega piiratud riistvaralahendust. Tegime katse, milles kaks pMUT-andurit paigutati üksteisest umbes 10 cm kaugusele, et kasutada ära kahe vastuvõtumembraani poolt vastuvõetud erinevaid ToF-helisid. Vastuvõtjate vahel asub üks saatjana toimiv pMUT. Sihtmärk oli 12 cm laiune PVC-plaat, mis asus pMUT-seadme ees kaugusel D (joonis 2b). Vastuvõtja salvestab objektilt peegelduva heli ja reageerib helilaine läbimise ajal nii palju kui võimalik. Korrake katset, muutes objekti asukohta, mis määratakse kauguse D ja nurga θ järgi. Inspireeritud lingist. Nagu on näidatud joonisel 55, pakume välja pMUT toorsignaalide neuromorfse eeltöötluse, et teisendada peegeldunud lained piikideks, et sisestada neuromorfne arvutusgraafik. Piigi amplituudile vastav ToF ekstraheeritakse mõlemast kahest kanalist ja kodeeritakse üksikute piikide täpse ajastusena. Joonisel fig. Joonisel 2c on näidatud vooluring, mis on vajalik pMUT-anduri liidestamiseks RRAM-põhise arvutusgraafikuga: mõlema pMUT-vastuvõtja puhul filtreeritakse toorsignaal ribapääsfiltri abil, et siluda, parandada ja seejärel edastada lekkivale integraatorile ületamisrežiimis. dünaamiline lävi (joonis 2d) loob väljundsündmuse (spike) ja vallanduva (LIF) neuroni: väljundi tippaeg kodeerib tuvastatud lennuaja. LIF-i lävi on kalibreeritud pMUT-vastuse suhtes, vähendades seeläbi pMUT-i varieeruvust seadmeti. Selle lähenemisviisi korral genereerime kogu helilaine mällu salvestamise ja hiljem töötlemise asemel lihtsalt helilaine ToF-ile vastava piigi, mis moodustab takistusliku mälu arvutusgraafiku sisendi. Naelud saadetakse otse viivitusjoontele ja paralleelselt neuromorfsete arvutusgraafikute vaste tuvastamise moodulitega. Kuna need saadetakse transistoride väravatesse, pole täiendavat võimenduslülitust vaja (üksikasju vt lisajoonis 4). PMUT-i pakutava lokaliseerimise nurga täpsuse ja pakutud signaalitöötlusmeetodi hindamiseks mõõtsime ITD-d (st kahe vastuvõtja genereeritud tippsündmuste vahelise aja erinevust), kuna objekti kaugus ja nurk varieerusid. ITD analüüs teisendati seejärel nurkadeks (vt meetodid) ja joonistati objekti asukoha suhtes: mõõdetud ITD mõõtemääramatus suurenes kauguse ja nurga suurenedes objekti suhtes (joonis 2e, f). Peamine probleem on pMUT-i vastuse piigi ja müra suhe (PNR). Mida kaugemal on objekt, seda madalam on akustiline signaal, mis vähendab PNR-i (joonis 2f, roheline joon). Broneeringuinfo vähenemine toob kaasa ITD hinnangu ebakindluse suurenemise, mille tulemuseks on lokaliseerimise täpsuse suurenemine (joonis 2f, sinine joon). Saatjast 50 cm kaugusel asuva objekti puhul on süsteemi nurga täpsus ligikaudu 10°. Seda anduri omadustest tulenevat piirangut saab parandada. Näiteks saab emitteri saadetud rõhku suurendada, suurendades seeläbi pMUT membraani juhtivat pinget. Teine lahendus edastatava signaali võimendamiseks on mitme saatja 56 ühendamine. Need lahendused suurendavad tuvastusulatust suurenenud energiakulude arvelt. Vastuvõtu poolel saab teha täiendavaid parandusi. pMUT-i vastuvõtja mürapõrandat saab oluliselt vähendada, parandades pMUT-i ja esimese astme võimendi vahelist ühendust, mida praegu tehakse juhtmeühenduste ja RJ45 kaablitega.
pilt pMUT kristallist kuue 880 µm membraaniga, mis on integreeritud 1,5 mm sammuga. b Mõõtmise seadistuse skeem. Sihtmärk asub asimuutasendis θ ja kaugusel D. pMUT-saatja genereerib 117,6 kHz signaali, mis põrkub sihtmärgist eemale ja jõuab kahe erineva lennuajaga (ToF) pMUT-vastuvõtjani. See erinevus, mis on defineeritud kui inter-aural time different (ITD), kodeerib objekti asukoha ja seda saab hinnata kahe vastuvõtja anduri tippreaktsiooni hinnangul. c Eeltöötluse etappide skeem pMUT toorsignaali teisendamiseks piigijadadeks (st neuromorfse arvutusgraafiku sisend). PMUT andurid ja neuromorfsed arvutusgraafikud on valmistatud ja testitud ning neuromorfne eeltöötlus põhineb tarkvara simulatsioonil. d pMUT membraani vastus signaali vastuvõtmisel ja selle muundumine spike domeeniks. e Eksperimentaalse lokaliseerimise nurga täpsus sõltuvalt objekti nurgast (Θ) ja kaugusest (D) sihtobjektist. ITD ekstraheerimismeetod nõuab minimaalset nurkeraldusvõimet ligikaudu 4 °C. f Nurga täpsus (sinine joon) ja vastav tipu ja müra suhe (roheline joon) objekti kauguse suhtes, kui Θ = 0.
Resistiivne mälu salvestab teavet mittelenduvas juhtivas olekus. Meetodi põhiprintsiip on, et materjali modifitseerimine aatomitasandil põhjustab muutuse selle elektrijuhtivuses57. Siin kasutame oksiidipõhist takistusmälu, mis koosneb 5 nm hafniumdioksiidi kihist, mis on asetatud ülemise ja alumise titaan- ja titaannitriidi elektroodide vahele. RRAM-seadmete juhtivust saab muuta, rakendades voolu/pinge lainekuju, mis loob või purustab elektroodide vahel hapniku vabade kohtade juhtivaid filamente. Integreerisime sellised seadmed58 standardsesse 130 nm CMOS-protsessi, et luua ümberkonfigureeritav neuromorfne vooluahel, mis rakendab kokkusattumusdetektorit ja viiteliini vooluringi (joonis 3a). Seadme mittelenduv ja analoogne olemus koos neuromorfse ahela sündmustepõhise olemusega vähendab energiatarbimist. Ahelal on kohese sisse/välja funktsioon: see töötab kohe pärast sisselülitamist, võimaldades toite täielikult välja lülitada, kui vooluahel on tühikäigul. Kavandatava skeemi peamised ehitusplokid on näidatud joonisel fig. 3b. See koosneb N paralleelsest ühe takistiga ühetransistori (1T1R) struktuurist, mis kodeerivad sünaptilisi kaalusid, millest võetakse kaalutud voolud, süstitakse diferentsiaalpaari integraatori (DPI)59 ühisesse sünapsi ja lõpuks süstitakse sünapsi koos integreerimisega ja leke. aktiveeritud (LIF) neuron 60 (üksikasju vt jaotisest Meetodid). Sisendpingeid rakendatakse 1T1R struktuuri väravale pingeimpulsside jada kujul, mille kestus on suurusjärgus sadu nanosekundeid. Takistusmälu saab asetada kõrge juhtivusega olekusse (HCS), rakendades Vtopile välist positiivset viidet, kui Vbottom on maandatud, ja lähtestada madala juhtivusega olekusse (LCS), rakendades Vbottomile positiivse pinge, kui Vtop on maandatud. HCS-i keskmist väärtust saab juhtida, piirates SET-i (ICC) programmeerimisvoolu (vastavust) jadatransistori paisuallika pingega (joonis 3c). RRAM-i funktsioonid ahelas on kahesugused: nad suunavad ja kaaluvad sisendimpulsse.
Skaneeriva elektronmikroskoobi (SEM) kujutis sinisest HfO2 1T1R RRAM-seadmest, mis on integreeritud 130 nm CMOS-tehnoloogiasse ja millel on rohelised selektortransistorid (laiused 650 nm). b Kavandatud neuromorfse skeemi peamised ehitusplokid. Sisendpinge impulsid (piigid) Vin0 ja Vin1 tarbivad voolu Iweight, mis on võrdeline 1T1R struktuuri juhtivusolekutega G0 ja G1. See vool süstitakse DPI sünapsidesse ja ergastab LIF-i neuroneid. RRAM G0 ja G1 on installitud vastavalt HCS-i ja LCS-i. c 16K RRAM-seadmete rühma kumulatiivse juhtivuse tiheduse funktsioon ICC voolu sobitamise funktsioonina, mis juhib tõhusalt juhtivuse taset. d Ahela mõõtmised punktis a, mis näitavad, et G1 (LCS-is) blokeerib tõhusalt Vin1 (roheline) sisendi ja tõepoolest reageerib väljundneuroni membraani pinge ainult Vin0 sinisele sisendile. RRAM määrab tõhusalt ahela ühendused. e Ahela mõõtmine punktis b, mis näitab juhtivuse väärtuse G0 mõju membraani pingele Vmem pärast pingeimpulsi Vin0 rakendamist. Mida suurem on juhtivus, seda tugevam on reaktsioon: seega rakendab RRAM-seade I/O-ühenduse kaalumist. Mõõtmised tehti vooluringis ja demonstreerisid RRAM-i kahekordset funktsiooni, sisendimpulsside marsruutimist ja kaalumist.
Esiteks, kuna on kaks põhilist juhtivuse olekut (HCS ja LCS), võivad RRAM-id blokeerida või vahele jätta sisendimpulsse, kui need on vastavalt LCS või HCS olekus. Selle tulemusena määrab RRAM tõhusalt ahela ühendused. See on arhitektuuri ümberkonfigureerimise aluseks. Selle demonstreerimiseks kirjeldame joonisel fig 3b vooluringiploki valmistatud vooluringi teostust. G0-le vastav RRAM programmeeritakse HCS-i ja teine ​​RRAM G1 programmeeritakse LCS-i. Sisendimpulsse rakendatakse nii Vin0 kui ka Vin1 jaoks. Kahe sisendimpulsside jada mõju analüüsiti väljundneuronites, kogudes ostsilloskoobi abil neuronimembraani pinget ja väljundsignaali. Katse oli edukas, kui neuroni impulsiga ühendati ainult HCS-seade (G0), et stimuleerida membraani pinget. Seda on näidatud joonisel 3d, kus sinine impulssjada põhjustab membraani kondensaatori membraani pinge kogunemist, samas kui roheline impulssjada hoiab membraani pinge konstantsena.
RRAM-i teine ​​oluline funktsioon on ühenduskaalude rakendamine. Kasutades RRAM-i analoogjuhtivuse reguleerimist, saab I/O-ühendusi vastavalt kaaluda. Teises katses programmeeriti G0-seade HCS-i erinevatele tasemetele ja sisendimpulss rakendati VIn0 sisendile. Sisendimpulss tõmbab seadmest voolu (Iweight), mis on võrdeline juhtivuse ja vastava potentsiaalilangusega Vtop − Vbot. See kaalutud vool süstitakse seejärel DPI sünapsidesse ja LIF-i väljundneuronitesse. Väljundneuronite membraani pinge registreeriti ostsilloskoobiga ja kuvati joonisel 3d. Neuronmembraani pinge tipp vastusena ühele sisendimpulsile on võrdeline takistusmälu juhtivusega, mis näitab, et RRAM-i saab kasutada sünaptilise kaalu programmeeritava elemendina. Need kaks esialgset testi näitavad, et kavandatav RRAM-il põhinev neuromorfne platvorm suudab rakendada Jeffressi põhimehhanismi põhielemente, nimelt viivitusjoont ja kokkusattumusdetektori vooluringi. Vooluahela platvorm on ehitatud järjestikuste plokkide, näiteks joonisel fig 3b kujutatud plokkide kõrvuti virnastamisel ja nende väravate ühendamisel ühise sisendliiniga. Me kavandasime, valmistasime ja testisime neuromorfset platvormi, mis koosneb kahest väljundneuronist, mis saavad kaks sisendit (joonis 4a). Elektriskeem on näidatud joonisel 4b. Ülemine 2 × 2 RRAM-maatriks võimaldab suunata sisendimpulsse kahele väljundneuronile, samas kui alumine 2 × 2 maatriks võimaldab kahe neuroni (N0, N1) korduvaid ühendusi. Näitame, et seda platvormi saab kasutada viivitusliini konfiguratsiooni ja kahe erineva kokkusattumusdetektori funktsiooniga, nagu on näidatud eksperimentaalsete mõõtmistega joonisel 4c-e.
Vooluskeem, mille moodustavad kaks väljundneuronit N0 ja N1, mis saavad kaks sisendit 0 ja 1. Massiivi neli ülemist seadet määravad sünaptilised ühendused sisendist väljundisse ja neli alumist rakku määravad korduvad ühendused neuronite vahel. Värvilised RRAM-id tähistavad paremal asuvas HCS-is konfigureeritud seadmeid: HCS-i seadmed võimaldavad ühendusi ja esindavad kaalu, samas kui LCS-i seadmed blokeerivad sisendimpulsse ja keelavad ühendused väljunditega. b Skeemi (a) skeem kaheksa RRAM-mooduliga, mis on esile tõstetud sinisega. c Viivitusjooned moodustatakse lihtsalt DPI sünapside ja LIF neuronite dünaamikat kasutades. Roheline RRAM on seatud piisavalt kõrgele juhtivusele, et pärast sisendviivitust Δt saaks väljundis esile kutsuda tõrke. d Skemaatiline illustratsioon ajast sõltuvate signaalide suunatundlikust CD tuvastamisest. Väljundneuron 1, N1, vallandub sisenditel 0 ja 1 väikese viivitusega. e Suunatundlik CD-ahel, ahel, mis tuvastab, kui sisend 1 läheneb sisendile 0 ja saabub pärast sisendit 0. Skeemi väljundit tähistab neuron 1 (N1).
Viivitusjoon (joonis 4c) kasutab lihtsalt DPI sünapside ja LIF-i neuronite dünaamilist käitumist, et reprodutseerida sisendpiiki Vin1-st Vout1-le, viivitades Tdel-i. Ainult Vin1 ja Vout1 ühendatud G3 RRAM on programmeeritud HCS-is, ülejäänud RRAM-id on programmeeritud LCS-is. Seade G3 programmeeriti 92,6 µs-ks tagamaks, et iga sisendimpulss suurendab väljundneuroni membraanipinget piisavalt, et jõuda läviväärtuseni ja tekitada viivitusega väljundimpulss. Viivitus Tdel määratakse sünaptiliste ja neuraalsete ajakonstandite abil. Kokkusattumusdetektorid tuvastavad ajaliselt korreleeritud, kuid ruumiliselt jaotatud sisendsignaalide esinemise. Suunatundlik CD tugineb üksikutele sisenditele, mis lähenevad ühisele väljundneuronile (joonis 4d). Kaks RRAM-i, mis ühendavad Vin0 ja Vin1 vastavalt Vout1, G2 ja G4, on programmeeritud suure juhtivuse jaoks. Naelu samaaegne saabumine Vin0 ja Vin1 suurendab N1 neuronimembraani pinget üle läve, mis on vajalik väljundi tipu genereerimiseks. Kui kaks sisendit on ajas teineteisest liiga kaugel, võib esimese sisendi poolt kogutud membraanipinge laengul olla aega aeglustada, takistades membraanipotentsiaalil N1 jõudmist läviväärtuseni. G1 ja G2 on programmeeritud ligikaudu 65 µs-ks, mis tagab, et üksainus sisendtõus ei suurenda membraani pinget piisavalt, et tekitada väljundpinget. Ruumis ja ajas jaotatud sündmuste kokkusattumuste tuvastamine on põhiline toiming, mida kasutatakse paljudes tuvastusülesannetes, nagu optilise voolu põhine takistuste vältimine ja heliallika lokaliseerimine. Seega on suunatundlike ja mittetundlike CD-de arvutamine visuaalsete ja heli lokaliseerimissüsteemide ehitamise põhiline ehitusplokk. Nagu näitavad ajakonstantide omadused (vt täiendav joonis 2), rakendab kavandatav skeem sobivat nelja suurusjärgu ajaskaala vahemikku. Seega suudab see üheaegselt vastata visuaalsete ja helisüsteemide nõuetele. Suunatundlik CD on vooluahel, mis on tundlik impulsside saabumise ruumilise järjekorra suhtes: paremalt vasakule ja vastupidi. See on põhiline ehitusplokk Drosophila visuaalse süsteemi liikumistuvastuse põhivõrgus, mida kasutatakse liikumissuundade arvutamiseks ja kokkupõrgete tuvastamiseks62. Suunatundliku CD saavutamiseks tuleb kaks sisendit suunata kahele erinevale neuronile (N0, N1) ja luua nende vahel suunaühendus (joonis 4e). Kui esimene sisend on vastu võetud, reageerib NO, suurendades oma membraani pinget üle läviväärtuse ja saates välja tõusu. See väljundsündmus omakorda käivitab N1 tänu rohelisega esile tõstetud suunaühendusele. Kui saabub sisendsündmus Vin1 ja aktiveerib N1, kui selle membraani pinge on endiselt kõrge, genereerib N1 väljundsündmuse, mis näitab, et kahe sisendi vahel on leitud sobivus. Suunatud ühendused võimaldavad N1-l väljastada väljundit ainult siis, kui sisend 1 tuleb pärast sisendit 0. G0, G3 ja G7 on programmeeritud vastavalt 73,5 µS, 67,3 µS ja 40,2 µS, tagades, et üks piisk sisendil Vin0 põhjustab viivituse väljundi teravik, samas kui N1 membraani potentsiaal saavutab läve ainult siis, kui mõlemad sisendid purunevad saabuvad sünkroonis. .
Varieeruvus on modelleeritud neuromorfsete süsteemide ebatäiuslikkuse allikas 63, 64, 65. See põhjustab neuronite ja sünapside heterogeenset käitumist. Selliste puuduste näideteks on 30% (keskmine standardhälve) varieeruvus sisendvõimenduses, ajakonstandis ja tulekindlas perioodis, kui nimetada vaid mõnda (vt meetodid). See probleem on veelgi teravam, kui mitu närviahelat on omavahel ühendatud, näiteks kahest neuronist koosnev orientatsioonitundlik CD. Korralikuks tööks peaksid kahe neuroni võimendus- ja kahanemisaja konstandid olema võimalikult sarnased. Näiteks võib sisendvõimenduse suur erinevus põhjustada ühe neuroni ülereageerimise sisendimpulsile, samal ajal kui teine ​​neuron vaevu reageerib. Joonisel fig. Joonis 5a näitab, et juhuslikult valitud neuronid reageerivad samale sisendimpulsile erinevalt. See neuraalne varieeruvus on oluline näiteks suunatundlike CD-de funktsioonide puhul. Joonisel fig. 5b, c on neuroni 1 sisendvõimendus palju suurem kui neuronil 0. Seega vajab neuron 0 läveni jõudmiseks kolme sisendimpulssi (1 asemel) ja neuron 1 vajab ootuspäraselt kahte sisendsündmust. Tippajast sõltuva biomimeetilise plastilisuse (STDP) rakendamine on võimalik viis leevendada ebatäpsete ja aeglaste närvi- ja sünaptiliste ahelate mõju süsteemi jõudlusele43. Siin teeme ettepaneku kasutada takistusmälu plastilist käitumist vahendina, mis mõjutab närvisisendi tõhustamist ja vähendab neuromorfsete ahelate varieeruvuse mõju. Nagu on näidatud joonisel fig. Nagu on näidatud joonisel fig 4e, moduleerisid RRAM-i sünaptilise massiga seotud juhtivuse tasemed tõhusalt vastavat närvimembraani pingereaktsiooni. Kasutame iteratiivset RRAM-i programmeerimisstrateegiat. Antud sisendi jaoks programmeeritakse sünaptiliste kaalude juhtivuse väärtused ümber, kuni saadakse ahela sihtkäitumine (vt meetodid).
a Üheksa juhuslikult valitud üksiku neuroni samale sisendimpulsile reageerimise eksperimentaalsed mõõtmised. Vastus on populatsioonide lõikes erinev, mõjutades sisendvõimendit ja ajakonstanti. b Eksperimentaalsed mõõtmised neuronite mõju kohta neuronite varieeruvusele, mis mõjutavad suunatundlikku CD-d. Kaks suunatundlikku CD väljundneuronit reageerivad neuronitevahelise varieeruvuse tõttu sisendstiimulitele erinevalt. Neuronil 0 on väiksem sisendvõimendus kui neuronil 1, seega kulub väljundi tipu loomiseks kolm sisendimpulssi (1 asemel). Ootuspäraselt jõuab neuron 1 läveni kahe sisendsündmusega. Kui sisend 1 saabub Δt = 50 µs pärast neuroni 0 süttimist, jääb CD vaikima, kuna Δt on suurem kui neuroni 1 ajakonstant (umbes 22 µs). c vähendatakse Δt = 20 µs võrra, nii et sisend 1 saavutab haripunkti siis, kui neuron 1 süttib endiselt kõrgel tasemel, mille tulemuseks on kahe sisendsündmuse samaaegne tuvastamine.
ITD arvutusveerus kasutatud kaks elementi on viivitusjoon ja suunatu CD. Mõlemad ahelad vajavad täpset kalibreerimist, et tagada objektide hea positsioneerimine. Viivitusliin peab edastama täpselt viivitatud versiooni sisendi tipust (joonis 6a) ja CD peab olema aktiveeritud ainult siis, kui sisend jääb sihttuvastusvahemikku. Viivitusliini jaoks programmeeriti sisendühenduste sünaptilised kaalud (G3 joonisel 4a) ümber, kuni saavutati sihtviivitus. Programmi peatamiseks määrake tolerants sihtviivituse ümber: mida väiksem on tolerants, seda keerulisem on viivitusjoont edukalt seadistada. Joonisel fig. Joonisel 6b on näidatud viiteliini kalibreerimisprotsessi tulemused: on näha, et pakutud skeem suudab täpselt tagada kõik projekteerimisskeemis nõutavad viivitused (10 kuni 300 μs). Kalibreerimisiteratsioonide maksimaalne arv mõjutab kalibreerimisprotsessi kvaliteeti: 200 iteratsiooni võib vea vähendada alla 5%. Üks kalibreerimisiteratsioon vastab RRAM-i lahtri seadistus-/lähtestamistoimingule. Häälestusprotsess on kriitiline ka CD-mooduli sulgemisjuhtumite kohese tuvastamise täpsuse parandamiseks. Kulus kümme kalibreerimisiteratsiooni, et saavutada tõeline positiivne määr (st õigesti tuvastatud sündmuste määr) üle 95% (sinine joon joonisel 6c). Kuid häälestusprotsess ei mõjutanud valepositiivseid sündmusi (st ekslikult asjakohastena tuvastatud sündmuste sagedust). Teine bioloogilistes süsteemides täheldatud meetod kiiresti aktiveeruvate radade ajapiirangute ületamiseks on koondamine (see tähendab, et antud funktsiooni täitmiseks kasutatakse palju sama objekti koopiaid). Bioloogiast66 inspireerituna paigutasime igasse CD-moodulisse mitu CD-ahelat kahe viivitusliini vahele, et vähendada valepositiivsete tulemuste mõju. Nagu on näidatud joonisel fig. 6c (roheline joon), võib kolme CD elemendi paigutamine igasse CD-moodulisse vähendada valehäire määra alla 10–2.
a Neuronaalse varieeruvuse mõju viivitusliinide ahelatele. b Viiteliinide ahelaid saab skaleerida suurte viivitusteni, seadistades vastavate LIF neuronite ja DPI sünapside ajakonstandid suurtele väärtustele. RRAM-i kalibreerimisprotseduuri iteratsioonide arvu suurendamine võimaldas oluliselt parandada sihtviivituse täpsust: 200 iteratsiooni vähendas viga alla 5%. Üks iteratsioon vastab SET/RESET toimingule RRAM-i lahtris. Iga c Jeffressi mudeli CD-moodulit saab rakendada N paralleelset CD-elementi, et tagada süsteemitõrgete korral suurem paindlikkus. d Rohkem RRAM-i kalibreerimisiteratsioone suurendab tõelist positiivset määra (sinine joon), samas kui valepositiivne määr ei sõltu iteratsioonide arvust (roheline joon). Rohkemate CD-elementide paralleelne paigutamine väldib CD-mooduli vastete valetuvastust.
Nüüd hindame joonisel 2 näidatud täieliku integreeritud objektide lokaliseerimissüsteemi jõudlust ja energiatarbimist, kasutades neuromorfse arvutusgraafiku moodustavate pMUT-anduri, CD- ja viivitusahelate akustiliste omaduste mõõtmist. Jeffressi mudel (joonis 1a). Mis puudutab neuromorfset arvutusgraafikut, siis mida suurem on CD-moodulite arv, seda parem on nurkeraldusvõime, aga ka suurem on süsteemi energia (joonis 7a). Kompromissi saab saavutada, kui võrrelda üksikute komponentide (pMUT andurid, neuronid ja sünaptilised ahelad) täpsust kogu süsteemi täpsusega. Viitejoone eraldusvõimet piiravad simuleeritud sünapside ja neuronite ajakonstandid, mis meie skeemis ületavad 10 µs, mis vastab nurga eraldusvõimele 4° (vt meetodid). CMOS-tehnoloogiaga täiustatud sõlmed võimaldavad kujundada madalama ajakonstandiga närvi- ja sünaptilisi ahelaid, mille tulemuseks on viiteliini elementide suurem täpsus. Kuid meie süsteemis piirab täpsust nurgaasendi hindamise viga pMUT ehk 10° (sinine horisontaaljoon joonisel 7a). Kinnitasime CD-moodulite arvuks 40, mis vastab umbes 4° nurkresolutsioonile, st arvutusgraafiku nurga täpsusele (helesinine horisontaaljoon joonisel 7a). Süsteemi tasandil annab see andurisüsteemist 50 cm ees asuvate objektide puhul eraldusvõime 4° ja täpsuseks 10°. See väärtus on võrreldav viites kirjeldatud neuromorfsete heli lokaliseerimissüsteemidega. 67. Kavandatava süsteemi võrdlus tehnika tasemega on toodud täiendavas tabelis 1. Täiendavate pMUT-ide lisamine, akustilise signaali taseme tõstmine ja elektroonilise müra vähendamine on võimalikud viisid lokaliseerimise täpsuse edasiseks parandamiseks. ) on hinnanguliselt 9,7. nz. 55. Arvestades 40 CD ühikut arvutusgraafikul, hindas SPICE simulatsiooni energia operatsiooni kohta (st objekti positsioneerimise energia) 21,6 nJ. Neuromorfne süsteem aktiveerub ainult siis, kui saabub sisendsündmus, st kui akustiline laine jõuab suvalise pMUT-vastuvõtjani ja ületab tuvastusläve, vastasel juhul jääb see passiivseks. See väldib tarbetut energiatarbimist sisendsignaali puudumisel. Arvestades lokaliseerimisoperatsioonide sagedust 100 Hz ja aktiveerimisperioodi 300 µs operatsiooni kohta (maksimaalne võimalik ITD), on neuromorfse arvutusgraafiku energiatarve 61,7 nW. Igale pMUT-vastuvõtjale rakendatud neuromorfse eeltöötlusega jõuab kogu süsteemi energiatarve 81,6 nW-ni. Kavandatud neuromorfse lähenemisviisi energiatõhususe mõistmiseks võrreldes tavapärase riistvaraga võrdlesime seda arvu energiaga, mis on vajalik sama ülesande täitmiseks kaasaegses väikese võimsusega mikrokontrolleris, kasutades kas neuromorfset või tavapärast kiiret kujundamist68. Neuromorfne lähenemisviis hõlmab analoog-digitaalmuunduri (ADC) etappi, millele järgneb ribapääsfilter ja ümbrise ekstraheerimise etapp (Teeger-Kaiseri meetod). Lõpuks tehakse ToF eraldamiseks läveoperatsioon. Oleme välja jätnud ToF-il põhineva ITD arvutamise ja hinnangulise nurgapositsiooni teisendamise, kuna see toimub iga mõõtmise puhul üks kord (vt meetodid). Eeldades, et mõlema kanali (pMUT-vastuvõtjad) diskreetimissagedus on 250 kHz, 18 ribapääsfiltri toimingut, 3 ümbrise eraldamise toimingut ja 1 läveoperatsioon proovi kohta, on kogu energiatarve hinnanguliselt 245 mikrovatti. See kasutab mikrokontrolleri vähese energiatarbega režiimi69, mis lülitub sisse, kui algoritmid ei tööta, mis vähendab energiatarbimist 10,8 µW-ni. Viites pakutud kiirmoodustava signaalitöötluslahenduse energiatarve. 31, 5 pMUT vastuvõtja ja 11 kiirega, mis on ühtlaselt jaotatud asimuuttasapinnal [-50°, +50°], on 11,71 mW (üksikasju vt jaotisest Meetodid). Lisaks esitame FPGA47-põhise Time Difference Encoderi (TDE) energiatarbimise hinnanguliselt 1,5 mW, mis asendab Jeffressi mudelit objektide lokaliseerimiseks. Nende hinnangute põhjal vähendab pakutud neuromorfne lähenemine energiatarbimist viie suurusjärgu võrra võrreldes mikrokontrolleriga, mis kasutab klassikalisi kiirekujundamise tehnikaid objektide lokaliseerimiseks. Neuromorfse lähenemisviisi kasutuselevõtt signaali töötlemisel klassikalises mikrokontrolleris vähendab energiatarbimist umbes kahe suurusjärgu võrra. Kavandatava süsteemi tõhusust saab seletada asünkroonse takistusmälu analooglülituse kombinatsiooniga, mis suudab teha mälusiseseid arvutusi, ja signaalide tajumiseks vajaliku analoog-digitaalmuunduse puudumisega.
a Lokaliseerimistoimingu nurkeraldusvõime (sinine) ja energiatarve (roheline) sõltuvalt CD-moodulite arvust. Tumesinine horisontaalne riba tähistab PMUT-i nurga täpsust ja helesinine horisontaalne riba tähistab neuromorfse arvutusgraafiku nurga täpsust. b Kavandatava süsteemi energiatarve ja võrdlus kahe käsitletud mikrokontrolleri teostusega ja Time Difference Encoder (TDE)47 FPGA digitaalse teostusega.
Sihtkoha lokaliseerimissüsteemi energiatarbimise minimeerimiseks töötasime välja, kavandasime ja rakendasime tõhusa, sündmustepõhise RRAM-põhise neuromorfse vooluringi, mis töötleb sisseehitatud andurite genereeritud signaaliteavet, et arvutada sihtobjekti asukoht tegelikus. aega. . Kui traditsioonilised töötlemismeetodid proovivad pidevalt tuvastatud signaale ja teostavad arvutusi kasuliku teabe hankimiseks, siis pakutud neuromorfne lahendus teostab arvutusi asünkroonselt, kui kasulik teave saabub, maksimeerides süsteemi energiatõhusust viie suurusjärgu võrra. Lisaks tõstame esile RRAM-põhiste neuromorfsete ahelate paindlikkuse. RRAM-i võime muuta juhtivust mittelenduval viisil (plastilisus) kompenseerib ülimadala võimsusega analoog-DPI sünaptiliste ja närviahelate loomupärase varieeruvuse. See muudab selle RRAM-põhise vooluringi mitmekülgseks ja võimsaks. Meie eesmärk ei ole signaalidest keerukate funktsioonide või mustrite väljavõtmine, vaid objektide lokaliseerimine reaalajas. Meie süsteem suudab ka signaali tõhusalt tihendada ja lõpuks saata selle edasistesse töötlemisetappidesse, et vajaduse korral teha keerukamaid otsuseid. Lokaliseerimisrakenduste kontekstis võib meie neuromorfne eeltöötlusetapp anda teavet objektide asukoha kohta. Seda teavet saab kasutada näiteks liikumise tuvastamiseks või liigutuste tuvastamiseks. Rõhutame ülimadala võimsusega andurite (nt pMUT-id) kombineerimise tähtsust ülimadala võimsusega elektroonikaga. Selleks on neuromorfsed lähenemisviisid olnud võtmetähtsusega, kuna need on viinud meid bioloogiliselt inspireeritud arvutusmeetodite, näiteks Jeffressi mudeli uute vooluahelate rakenduste väljatöötamiseni. Andurite fusioonirakenduste kontekstis saab meie süsteemi täpsema teabe saamiseks kombineerida mitme erineva sündmusepõhise anduriga. Kuigi öökullid oskavad pimedas saakloomi suurepäraselt leida, on neil suurepärane nägemine ning nad sooritavad enne saagi püüdmist kombineeritud kuulmis- ja visuaalse otsingu70. Kui konkreetne kuulmisneuron vallandub, saab öökull teavet, mida ta vajab, et teha kindlaks, millises suunas visuaalset otsingut alustada, keskendudes seega oma tähelepanu väikesele osale visuaalsest stseenist. Tulevaste autonoomsete ainete väljatöötamiseks tuleks uurida visuaalsete andurite (DVS-kaamera) ja pakutud kuulamisanduri (pMUT-i alusel) kombinatsiooni.
pMUT-andur asub PCB-l, mille kaks vastuvõtjat on üksteisest ligikaudu 10 cm kaugusel, ja saatja asub vastuvõtjate vahel. Selles töös on iga membraan riputatud bimorfne struktuur, mis koosneb kahest 800 nm paksusest piesoelektrilise alumiiniumnitriidi (AlN) kihist, mis on asetatud kolme 200 nm paksuse molübdeeni (Mo) kihi vahele ja kaetud 200 nm paksuse kihiga. ülemine passiveeriv SiN kiht, nagu on kirjeldatud viites. 71. Sisemine ja välimine elektrood kantakse molübdeeni alumisele ja ülemisele kihile, keskmine molübdeenelektrood on aga mustrita ja seda kasutatakse maandusena, mille tulemuseks on nelja paari elektroodidega membraan.
See arhitektuur võimaldab kasutada tavalist membraani deformatsiooni, mille tulemuseks on parem edastamise ja vastuvõtu tundlikkus. Sellise pMUT-i kui emitteri ergastustundlikkus on tavaliselt 700 nm/V, mis tagab pinnarõhu 270 Pa/V. Vastuvõtjana on ühe pMUT-kile lühise tundlikkus 15 nA / Pa, mis on otseselt seotud AlN piesoelektrilise koefitsiendiga. Pinge tehniline varieeruvus AlN kihis toob kaasa resonantssageduse muutuse, mida saab kompenseerida pMUT-ile alalispinge rakendamisega. Alalisvoolu tundlikkust mõõdeti 0,5 kHz/V juures. Akustilise iseloomustuse jaoks kasutatakse pMUTi ees mikrofoni.
Kajaimpulsi mõõtmiseks asetasime pMUT-i ette ristkülikukujulise plaadi, mille pindala oli umbes 50 cm2, et peegeldada väljastatud helilaineid. Nii plaatide vahelist kaugust kui ka nurka pMUT tasapinna suhtes juhitakse spetsiaalsete hoidikute abil. Tectronix CPX400DP pingeallikas nihestab kolme pMUT membraani, häälestades resonantssageduse 111,9 kHz-le31, samas kui saatjaid juhib Tectronix AFG 3102 impulssgeneraator, mis on häälestatud resonantssagedusele (111,9 kHz) ja töötsükkel 0,01. Iga pMUT vastuvõtja neljast väljundpordist loetud voolud teisendatakse spetsiaalse diferentsiaalvoolu ja pingearhitektuuri abil pingeteks ning saadud signaalid digiteeritakse Spektrum andmehõivesüsteemiga. Tuvastamispiiri iseloomustas pMUT signaali omandamine erinevates tingimustes: nihutasime reflektori erinevatele kaugustele [30, 40, 50, 60, 80, 100] cm ja muutsime pMUT tuginurka ([0, 20, 40] o ) Joonisel 2b on näidatud ajaline ITD tuvastamise eraldusvõime sõltuvalt vastavast nurgaasendist kraadides.
See artikkel kasutab kahte erinevat valmis RRAM-i ahelat. Esimene on 16 384 (16 000) seadmest koosnev massiiv (128 × 128 seadet) 1T1R konfiguratsioonis ühe transistori ja ühe takistiga. Teine kiip on joonisel fig 4a näidatud neuromorfne platvorm. RRAM-element koosneb 5 nm paksusest HfO2-kilest, mis on põimitud TiN/HfO2/Ti/TiN-virna. RRAM-i virn on integreeritud standardse 130 nm CMOS-protsessi tagaküljele (BEOL). RRAM-põhised neuromorfsed ahelad kujutavad endast disaini väljakutset analoogelektroonikasüsteemide jaoks, milles RRAM-seadmed eksisteerivad koos traditsioonilise CMOS-tehnoloogiaga. Eelkõige tuleb lugeda ja kasutada süsteemi funktsioonimuutujana RRAM-seadme juhtivuse olekut. Sel eesmärgil kavandati, valmistati ja testiti vooluahel, mis loeb sisendimpulsi vastuvõtmisel seadmest voolu ja kasutab seda voolu diferentsiaalpaari integraatori (DPI) sünapsi reaktsiooni kaalumiseks. See vooluahel on näidatud joonisel fig 3a, mis kujutab joonisel 4a kujutatud neuromorfse platvormi põhilisi ehitusplokke. Sisendimpulss aktiveerib 1T1R seadme värava, indutseerides RRAM-i kaudu voolu, mis on võrdeline seadme juhtivusega G (Iweight = G(Vtop – Vx)). Operatsioonivõimendi (operatsioonivõimendi) ahela inverteerival sisendil on konstantne alalisvoolu eelpinge Vtop. Operatsioonivõimendi negatiivne tagasiside tagab Vx = Vtop, pakkudes võrdset voolu M1-st. Seadmest ammutatud praegune Ikaal süstitakse DPI sünapsi. Tugevam vool toob kaasa suurema depolarisatsiooni, nii et RRAM-i juhtivus rakendab tõhusalt sünaptilisi kaalusid. See eksponentsiaalne sünaptiline vool süstitakse läbi Leaky Integration and Excitation (LIF) neuronite membraankondensaatori, kus see integreeritakse pingena. Kui membraani lävipinge (inverteri lülituspinge) ületatakse, aktiveeritakse neuroni väljundosa, mis tekitab väljundi piigi. See impulss naaseb ja šunteerib neuroni membraankondensaatori maandusele, põhjustades selle tühjenemise. Seda vooluahelat täiendatakse seejärel impulsi laiendajaga (pole näidatud joonisel 3a), mis kujundab LIF-neuroni väljundimpulsi soovitud impulsi laiusele. Igasse liini on sisse ehitatud ka multiplekserid, mis võimaldavad pinget rakendada RRAM-seadme ülemisele ja alumisele elektroodile.
Elektriline testimine hõlmab analoogahelate dünaamilise käitumise analüüsimist ja salvestamist, samuti RRAM-seadmete programmeerimist ja lugemist. Mõlemad etapid nõuavad spetsiaalseid tööriistu, mis on kõik korraga ühendatud anduriplaadiga. Juurdepääs RRAM-seadmetele neuromorfsetes ahelates toimub väliste tööriistade kaudu multiplekseri (MUX) kaudu. MUX eraldab 1T1R elemendi ülejäänud vooluringist, kuhu see kuulub, võimaldades seadet lugeda ja/või programmeerida. RRAM-seadmete programmeerimiseks ja lugemiseks kasutatakse Keithley 4200 SCS masinat koos Arduino mikrokontrolleriga: esimene täpseks impulsi genereerimiseks ja voolu lugemiseks ning teine ​​mälumassiivi üksikutele 1T1R elementidele kiireks juurdepääsuks. Esimene toiming on RRAM-seadme moodustamine. Rakud valitakse ükshaaval ning ülemise ja alumise elektroodi vahele rakendatakse positiivne pinge. Sel juhul on vool piiratud kümnete mikroamprite suurusjärku, kuna selektortransistorile antakse vastava paisupinge. RRAM-i element saab seejärel tsüklit madala juhtivusega oleku (LCS) ja kõrge juhtivusega oleku (HCS) vahel, kasutades vastavalt RESET ja SET toiminguid. SET-operatsioon viiakse läbi, rakendades ülemisele elektroodile ristkülikukujulist pingeimpulsi pikkusega 1 μs ja tipppinget 2,0–2,5 V ning sarnase kujuga sünkroimpulssi tipppingega 0,9–1,3 V. selektortransistori värav. Need väärtused võimaldavad moduleerida RRAM-i juhtivust 20–150 µs intervalliga. RESET-i jaoks rakendatakse elemendi alumisele elektroodile (bitiliinile) 1 µs laiune 3 V tippimpulss, kui paisupinge on vahemikus 2,5–3,0 V. Analoogahelate sisendid ja väljundid on dünaamilised signaalid. . Sisendiks lõime kaks HP 8110 impulssgeneraatorit Tektronix AFG3011 signaaligeneraatoritega. Sisendimpulsi laius on 1 µs ja tõusu/languse serv 50 ns. Eeldatakse, et seda tüüpi impulsid on tüüpilised tõrked analooghäiretel põhinevates ahelates. Mis puudutab väljundsignaali, siis väljundsignaal salvestati Teledyne LeCroy 1 GHz ostsilloskoobiga. On tõestatud, et ostsilloskoobi kogumiskiirus ei ole piirav tegur vooluahela andmete analüüsimisel ja hankimisel.
Analoogelektroonika dünaamika kasutamine neuronite ja sünapside käitumise simuleerimiseks on elegantne ja tõhus lahendus arvutusliku efektiivsuse parandamiseks. Selle arvutusliku aluskatte puuduseks on see, et see on skeemide lõikes erinev. Kvantifitseerisime neuronite ja sünaptiliste ahelate varieeruvuse (täiendav joonis 2a, b). Kõigist varieeruvuse ilmingutest avaldavad süsteemi tasandil suurimat mõju need, mis on seotud ajakonstantide ja sisendvõimendusega. LIF-neuroni ja DPI sünapsi ajakonstandi määrab RC-ahel, kus R väärtust juhib transistori paisule rakendatud eelpinge (neuroni jaoks Vlk ja sünapsi jaoks Vtau), mis määrab lekke määr. Sisendvõimendus on defineeritud kui tipppinge, mille saavutavad sünaptilised ja neuronaalsed membraanikondensaatorid, mida stimuleerib sisendimpulss. Sisendvõimendust juhib teine ​​nihketransistor, mis moduleerib sisendvoolu. Sisendvõimenduse ja ajakonstandi statistika kogumiseks viidi läbi Monte Carlo simulatsioon, mis oli kalibreeritud ST Microelectronicsi 130 nm protsessiga. Tulemused on esitatud täiendaval joonisel 2, kus sisendvõimendus ja ajakonstant on kvantifitseeritud lekkekiirust reguleeriva eelpinge funktsioonina. Rohelised markerid kvantifitseerivad ajakonstandi standardhälbe keskmisest. Nii neuronid kui ka sünaptilised ahelad suutsid väljendada mitmesuguseid ajakonstante vahemikus 10-5-10-2 s, nagu on näidatud täiendaval joonisel. Neuronaalse ja sünapsi varieeruvuse sisendvõimendus (täiendav joonis 2e, d) oli vastavalt ligikaudu 8% ja 3%. Selline puudus on kirjanduses hästi dokumenteeritud: LIF63 neuronite populatsioonide ebakõla hindamiseks viidi läbi erinevaid mõõtmisi DYNAP-kiipide massiiviga. Mõõdeti BrainScale'i segasignaali kiibi sünapsid ja analüüsiti nende ebakõlasid ning pakuti välja kalibreerimisprotseduur, et vähendada süsteemitaseme varieeruvuse mõju64.
RRAM-i funktsioon neuromorfsetes ahelates on kahekordne: arhitektuuri määratlus (sisendite marsruutimine väljunditeks) ja sünaptiliste kaalude rakendamine. Viimast omadust saab kasutada modelleeritud neuromorfsete ahelate varieeruvuse probleemi lahendamiseks. Oleme välja töötanud lihtsa kalibreerimisprotseduuri, mis hõlmab RRAM-seadme ümberprogrammeerimist, kuni analüüsitav vooluahel vastab teatud nõuetele. Antud sisendi puhul jälgitakse väljundit ja RRAM programmeeritakse ümber, kuni sihtkäitumine on saavutatud. Programmeerimistoimingute vahele võeti 5-sekundiline ooteaeg, et lahendada RRAM-i lõõgastumise probleem, mille tulemuseks on mööduvad juhtivuse kõikumised (täiendav teave). Sünaptilisi kaalusid reguleeritakse või kalibreeritakse vastavalt modelleeritava neuromorfse ahela nõuetele. Kalibreerimisprotseduur on kokku võetud täiendavates algoritmides [1, 2], mis keskenduvad neuromorfsete platvormide kahele põhiomadusele, viivitusjoontele ja suunatundlikule CD-le. Viiteliiniga vooluringi puhul on eesmärk anda väljundimpulss viivitusega Δt. Kui tegelik vooluahela viivitus on sihtväärtusest väiksem, tuleks G3 sünaptilist kaalu vähendada (G3 tuleks lähtestada ja seejärel seadistada madalamale sobivale voolule Icc). Ja vastupidi, kui tegelik viivitus on sihtväärtusest suurem, tuleb G3 juhtivust suurendada (G3 tuleb esmalt lähtestada ja seejärel seada suurem Icc väärtus). Seda protsessi korratakse, kuni vooluahela tekitatud viivitus ühtib sihtväärtusega ja kalibreerimisprotsessi peatamiseks seatakse tolerants. Orientatsioonitundlike CD-de puhul on kalibreerimisprotsessis kaasatud kaks RRAM-seadet, G1 ja G3. Sellel vooluringil on kaks sisendit, Vin0 ja Vin1, viivitatud dt võrra. Ahel peaks reageerima ainult viivitustele, mis jäävad alla sobivusvahemiku [0,dtCD]. Kui väljundi tippu pole, kuid sisendi tipp on lähedal, tuleks mõlemat RRAM-seadet võimendada, et aidata neuronil läveni jõuda. Ja vastupidi, kui vooluahel reageerib viivitamisele, mis ületab dtCD sihtvahemiku, tuleb juhtivust vähendada. Korrake protsessi, kuni saavutate õige käitumise. Vastavusvoolu saab moduleerida sisseehitatud analoogahelaga viites. 72,73. Selle sisseehitatud vooluringiga saab selliseid protseduure perioodiliselt läbi viia, et süsteemi kalibreerida või kasutada seda mõnes muus rakenduses.
Hindame oma neuromorfse signaalitöötluse energiatarbimist standardsel 32-bitisel mikrokontrolleril68. Selles hinnangus eeldame toimimist sama seadistusega nagu käesolevas dokumendis, ühe pMUT-saatja ja kahe pMUT-vastuvõtjaga. See meetod kasutab ribapääsfiltrit, millele järgneb ümbrise eraldamise etapp (Teeger-Kaiser) ja lõpuks rakendatakse signaalile lävimisoperatsiooni, et eraldada lennuaeg. ITD arvutamine ja selle tuvastusnurkadeks teisendamine jäetakse hindamisel välja. Vaatleme ribapääsfiltri rakendamist, kasutades 4. järku lõpmatu impulssreaktsiooni filtrit, mis nõuab 18 ujukomaoperatsiooni. Ümbriku eraldamisel kasutatakse veel kolme ujukoma toimingut ja viimast toimingut kasutatakse läve määramiseks. Signaali eeltöötluseks on vaja kokku 22 ujukomaoperatsiooni. Edastatud signaal on lühike siinuslaine sagedusega 111,9 kHz katkend, mis genereeritakse iga 10 ms järel, mille tulemuseks on positsioneerimise töösagedus 100 Hz. Kasutasime Nyquisti järgimiseks diskreetimissagedust 250 kHz ja 1 meetri vahemiku jäädvustamiseks iga mõõtmise jaoks 6 ms akent. Pange tähele, et 6 millisekundit on 1 meetri kaugusel asuva objekti lennuaeg. See tagab A/D muundamiseks 0,5 MSPS võimsuse 180 µW. Signaali eeltöötlus on 6,60 MIPS (juhiseid sekundis), genereerides 0,75 mW. Mikrokontroller võib aga lülituda väikese energiatarbega režiimile 69, kui algoritm ei tööta. See režiim tagab staatilise energiatarbimise 10,8 μW ja ärkamisaja 113 μs. Arvestades taktsagedust 84 MHz, lõpetab mikrokontroller kõik neuromorfse algoritmi toimingud 10 ms jooksul ja algoritm arvutab töötsükliks 6,3%, kasutades seega väikese energiatarbega režiimi. Saadud võimsuse hajumine on 244,7 μW. Pange tähele, et jätame ITD väljundi ToF-ist välja ja tuvastusnurgaks teisendamise, alahinnates seega mikrokontrolleri energiatarbimist. See annab kavandatava süsteemi energiatõhususele lisaväärtust. Täiendava võrdlustingimusena hindame viites välja pakutud klassikaliste kiiremoodusmeetodite energiatarbimist. 31,54, kui see on manustatud samasse mikrokontrollerisse68 1,8 V toitepingel. Andmete hankimiseks kiirte moodustamiseks kasutatakse viit ühtlaselt paigutatud pMUT membraani. Mis puudutab töötlemist ennast, siis kasutatav kiirkujundamise meetod on viivituse summeerimine. See seisneb lihtsalt sõiduradadele viivitamises, mis vastab eeldatavale erinevusele ühe sõiduraja ja võrdlusraja saabumisaegades. Kui signaalid on faasis, on nende signaalide summal pärast ajanihet suurt energiat. Kui need on faasist väljas, piiravad hävitavad häired nende summa energiat. suhtes. Joonisel fig. 31, valitakse diskreetimissagedus 2 MHz, et nihutada andmeid täisarvu valimite võrra. Tagasihoidlikum lähenemine on säilitada jämedam diskreetimissagedus 250 kHz ja kasutada fraktsioneerivate viivituste sünteesimiseks lõplikku impulssreaktsiooni (FIR) filtrit. Eeldame, et kiire moodustamise algoritmi keerukuse määrab peamiselt ajaline nihe, kuna iga kanal on konvoleeritud FIR-filtriga, millel on 16 kraani igas suunas. Selle toimingu jaoks vajaliku MIPS-i arvu arvutamiseks arvestame 6 ms akent mõõtmise kohta, et jäädvustada vahemikku 1 meeter, 5 kanalit, 11 kiirte kujundamise suunda (vahemik +/- 50° 10° sammuga). 75 mõõtmist sekundis tõstis mikrokontrolleri maksimumini 100 MIPS. Link. 68, mille tulemuseks on võimsuse hajumine 11,26 mW ja koguvõimsuse hajumine 11,71 mW pärast pardal oleva ADC panuse lisamist.
Selle uuringu tulemusi toetavad andmed on mõistliku taotluse korral saadaval vastavalt autorilt FM.
Indiveri, G. & Sandamirskaya, Y. Ruumi ja aja tähtsus signaalitöötluseks neuromorfsetes ainetes: väljakutse töötada välja väikese võimsusega autonoomseid aineid, mis interakteeruvad keskkonnaga. Indiveri, G. & Sandamirskaya, Y. Ruumi ja aja tähtsus signaalitöötluseks neuromorfsetes ainetes: väljakutse töötada välja väikese võimsusega autonoomseid aineid, mis interakteeruvad keskkonnaga.Indiveri G. ja Sandamirskaja Y. Ruumi ja aja tähtsus signaalitöötluseks neuromorfsetes ainetes: väljakutse töötada välja väikese võimsusega autonoomseid aineid, mis interakteeruvad keskkonnaga. Indiveri, G. ja Sandamirskaja, 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. ja Sandamirskaja, Y.Indiveri G. ja Sandamirskaja Y. Ruumi ja aja tähtsus signaalitöötluseks neuromorfsetes ainetes: väljakutse töötada välja väikese võimsusega autonoomseid aineid, mis interakteeruvad keskkonnaga.IEEE signaalitöötlus. Ajakiri 36, 16–28 (2019).
Thorpe, SJ Peak saabumise aeg: tõhus närvivõrgu kodeerimisskeem. Eckmiller, R., Hartmann, G. & Hauske, G. (eds). Eckmiller, R., Hartmann, G. & Hauske, G. (eds).Eckmiller, R., Hartmann, G. ja Hauske, G. (toim.).Väljaandes Eckmiller, R., Hartmann, G. ja Hauske, G. (toim.). Paralleeltöötlus närvisüsteemides ja arvutites 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Kommunikatsioon tarbib 35 korda rohkem energiat kui inimese ajukoores arvutamine, kuid sünapsi arvu ennustamiseks on vaja mõlemat kulu. Levy, WB & Calvert, VG Kommunikatsioon tarbib 35 korda rohkem energiat kui inimese ajukoores arvutamine, kuid sünapsi arvu ennustamiseks on vaja mõlemat kulu.Levy, WB ja Calvert, WG Kommunikatsioon tarbib 35 korda rohkem energiat kui inimese ajukoores arvutamine, kuid sünapside arvu ennustamiseks on vaja mõlemat kulu. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的 35 倍,但这两种成本ヽ需要遰胄测瀪需要预测瀍,但这两种,但这两种成本ヽ需要预测瀪需要预? Levy, WB & Calvert, VG sideLevy, WB ja Calvert, WG Side tarbib 35 korda rohkem energiat kui inimese ajukoores arvutamine, kuid mõlemad kulud nõuavad sünapside arvu ennustamist.protsessi. Riiklik Teaduste Akadeemia. teadus. 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, T., Vianello, E., DeSalvo, B. ja Casas, J. Insect-inspired neuromorphic computing.Dalgati T., Vianello E., DeSalvo B. ja Casas J. Putukatest inspireeritud neuromorfne andmetöötlus. Praegune. Arvamus. Putukate teadus. 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 ja Panda P. Pulsipõhine tehisintellekt neuromorfse andmetöötluse abil. Nature 575, 607–617 (2019).
Indiveri, G. ja Liu, S.-C. Indiveri, G. ja Liu, S.-C.Indiveri, G. ja Liu, S.-K. Indiveri, G. ja Liu, S.-C. Indiveri, G. ja Liu, S.-C.Indiveri, G. ja Liu, S.-K.Mälu ja infotöötlus neuromorfsetes süsteemides. protsessi. IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: 65 mW 1 miljoni neuroniga programmeeritava sünaptilise kiibi disain ja tööriistakomplekt. IEEE tehingud. Integraallülitussüsteemide arvutiprojekteerimine. 34, 1537–1557 (2015).
Schemmel, J. et al. Reaalajas demo: BrainScaleS neuromorfse süsteemi vähendatud versioon plaadi mastaabis. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE toim.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Skaleeritav mitmetuumaline arhitektuur heterogeensete mälustruktuuridega dünaamiliste neuromorfsete asünkroonsete protsessorite (DYNAP) jaoks. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Skaleeritav mitmetuumaline arhitektuur heterogeensete mälustruktuuridega dünaamiliste neuromorfsete asünkroonsete protsessorite (DYNAP) jaoks.Moradi S., Qiao N., Stefanini F. ja Indiviri G. Heterogeensete mälustruktuuridega skaleeritav mitmetuumaline arhitektuur dünaamiliste neuromorfsete asünkroonsete protsessorite (DYNAP) jaoks. Moradi, S., Qiao, N., Stefanini, F. ja Indiveri, G.的异构内存结构. Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Omamoodi laiendatav mitmetuumaline arhitektuur, millel on ainulaadne mälustruktuur dünaamilise närvitöötluse jaoks (DYNAP).Moradi S., Qiao N., Stefanini F. ja Indiviri G. Heterogeensete mälustruktuuridega skaleeritav mitmetuumaline arhitektuur dünaamiliste neuromorfsete asünkroonsete protsessorite (DYNAP) jaoks.IEEE tehingud biomeditsiiniteaduses. elektrisüsteem. 12, 106–122 (2018).
Davis, M. et al. Loihi: Manustatud õppega neuromorfne mitmetuumaline protsessor. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA Projekt SpiNNaker. Furber, SB, Galluppi, F., Temple, S. & Plana, LA Projekt SpiNNaker.Ferber SB, Galluppi F., Temple S. ja Plana LA SpiNNaker projekt.Ferber SB, Galluppi F., Temple S. ja Plana LA SpiNNaker projekt. protsessi. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Neuromorfsed sensoorsed süsteemid. & Delbruck, T. Neuromorfsed sensoorsed süsteemid.ja Delbrück T. Neuromorfsed sensoorsed süsteemid. & Delbruck, T. 神经形态感觉系统. ja Delbruck, T.ja Delbrück T. Neuromorfne sensoorne süsteem.Praegune. Arvamus. Neurobioloogia. 20, 288–295 (2010).
Chope, T. et al. Neuromorfne sensoorne integratsioon kombineeritud heliallika lokaliseerimiseks ja kokkupõrgete vältimiseks. 2019. aastal IEEE biomeditsiiniliste vooluringide ja süsteemide konverentsil (BioCAS), (IEEE toim.) 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 ja Indiveri G. Spike-based neuromorphic stereovision architecture. 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 ja Indiveri G. Spike-põhine neuromorfne arhitektuur stereonägemiseks.ees. Neurorobotics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking neural network model of 3Dperception for event-based neuromorphic stereo vision systems. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking neural network model of 3Dperception for event-based neuromorphic stereo vision systems.Oswald, M., Ieng, S.-H., Benosman, R. ja Indiveri, G. 3D-impulssnärvivõrgu tajumudel sündmustepõhistele neuromorfsetele stereonägemissüsteemidele. Osswald, M., Ieng, S.-H., Benosman, R., Indiveri, G. 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. ja Indiveri, G. Spiked 3Dperception Neural Network Model for an Event-Based Neuromorphic Stereo Vision System.teadus. Aruanne 7, 1–11 (2017).
Dalgaty, T. et al. Putukatest inspireeritud põhiline liikumistuvastus hõlmab takistusmälu ja purskeid närvivõrke. Biooniline biohübriidsüsteem. 10928, 115–128 (2018).
D'Angelo, G. et al. Sündmuspõhine ekstsentriline liikumise tuvastamine ajalise diferentsiaalkodeerimise abil. ees. Neuroloogia. 14, 451 (2020).


Postitusaeg: 17.11.2022