Uutiset

Reaalimaailman tietojenkäsittelysovellukset vaativat kompakteja, vähän latenssia ja vähän tehoa vaativia tietokonejärjestelmiä. Tapahtumapohjaisilla laskentaominaisuuksilla täydentävät metalli-oksidi-puolijohdehybridi-memristiiviset neuromorfiset arkkitehtuurit tarjoavat ihanteellisen laitteistoperustan tällaisille tehtäville. Tällaisten järjestelmien täyden potentiaalin osoittamiseksi ehdotamme ja esittelemme kokeellisesti kattavaa anturin käsittelyratkaisua todellisiin objektien lokalisointisovelluksiin. Haemme inspiraatiota pöllön neuroanatomiasta, ja olemme kehittäneet bioinspiroidun, tapahtumaohjatun esineiden lokalisointijärjestelmän, joka yhdistää huippuluokan pietsosähköisen mikromekaanisen muuntimen ja laskennallisen kaaviopohjaisen neuromorfisen resistiivisen muistin. Näytämme valmistetun järjestelmän mittaukset, joka sisältää muistiin perustuvan resistiivisen koinsidenssiilmaisimen, viivelinjapiirin ja täysin muokattavissa olevan ultraäänianturin. Käytämme näitä kokeellisia tuloksia simulaatioiden kalibrointiin järjestelmätasolla. Näitä simulaatioita käytetään sitten kohteen lokalisointimallin kulmaresoluution ja energiatehokkuuden arvioimiseen. Tulokset osoittavat, että lähestymistapamme voi olla useita suuruusluokkaa energiatehokkaampi kuin samaa tehtävää suorittavat mikro-ohjaimet.
Elämme kaikkialla läsnä olevan tietojenkäsittelyn aikakautta, jossa käytössä olevien laitteiden ja järjestelmien määrä kasvaa eksponentiaalisesti auttamaan meitä jokapäiväisessä elämässämme. Näiden järjestelmien odotetaan toimivan jatkuvasti, kuluttaen mahdollisimman vähän virtaa samalla, kun ne oppivat tulkitsemaan useilta antureilta keräämänsä tiedot reaaliajassa ja tuottavat binääritulosteita luokittelu- tai tunnistustehtävien seurauksena. Yksi tärkeimmistä tämän tavoitteen saavuttamiseksi tarvittavista vaiheista on hyödyllisen ja kompaktin tiedon poimiminen meluisista ja usein epätäydellisistä aistitiedoista. Perinteiset suunnittelumenetelmät tyypillisesti näyttelevät anturisignaaleja tasaisella ja suurella nopeudella, mikä tuottaa suuria tietomääriä jopa hyödyllisten tulojen puuttuessa. Lisäksi nämä menetelmät käyttävät monimutkaisia ​​digitaalisia signaalinkäsittelytekniikoita (usein kohinaisen) tulodatan esikäsittelyyn. Sen sijaan biologia tarjoaa vaihtoehtoisia ratkaisuja meluisten aistitietojen käsittelyyn käyttämällä energiatehokkaita, asynkronisia, tapahtumalähtöisiä lähestymistapoja (piikkejä)2,3. Neuromorfinen laskenta saa inspiraationsa biologisista järjestelmistä vähentääkseen laskentakustannuksia energia- ja muistivaatimuksissa verrattuna perinteisiin signaalinkäsittelymenetelmiin4,5,6. Äskettäin on esitelty innovatiivisia yleiskäyttöisiä aivopohjaisia ​​järjestelmiä, jotka toteuttavat impulssihermoverkkoja (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11). Nämä prosessorit tarjoavat pienitehoisia, alhaisen latenssin ratkaisuja koneoppimiseen ja aivokuoren piirien mallintamiseen. Jotta nämä neuromorfiset prosessorit voitaisiin hyödyntää täysimääräisesti, ne on liitettävä suoraan tapahtumaohjattuihin antureisiin12,13. Nykyään on kuitenkin vain muutamia kosketuslaitteita, jotka tarjoavat suoraan tapahtumalähtöistä dataa. Näkyviä esimerkkejä ovat dynaamiset visuaaliset anturit (DVS) näkösovelluksiin, kuten seuranta- ja liikkeentunnistukseen14,15,16,17, piisimpukka18 ja neuromorfiset kuuloanturit (NAS)19 kuulosignaalien käsittelyyn, hajuanturit20 ja lukuisat esimerkit21,22 kosketuksesta. . tekstuurianturit.
Tässä artikkelissa esittelemme äskettäin kehitetyn tapahtumaohjatun kuulokäsittelyjärjestelmän, jota sovelletaan objektien lokalisointiin. Tässä ensimmäistä kertaa kuvaamme päästä päähän -järjestelmää kohteen lokalisointiin, joka saadaan yhdistämällä huippuluokan pietsosähköinen mikrokoneistettu ultraäänimuunnin (pMUT) neuromorfiseen resistiiviseen muistiin (RRAM) perustuvaan laskennalliseen kuvaajaan. RRAM-muistia käyttävät muistin sisäiset laskenta-arkkitehtuurit ovat lupaava ratkaisu virrankulutuksen vähentämiseen23,24,25,26,27,28,29. Niiden luontainen haihtumattomuus – ei vaadi aktiivista virrankulutusta tietojen tallentamiseen tai päivittämiseen – sopii täydellisesti neuromorfisen laskennan asynkroniseen, tapahtumalähtöiseen luonteeseen, mikä johtaa lähes olemattomaan virrankulutukseen järjestelmän ollessa käyttämättömänä. Pietsosähköiset mikrokoneistetut ultraäänimuuntimet (pMUT) ovat halpoja, pienikokoisia piipohjaisia ​​ultraäänimuuntimia, jotka pystyvät toimimaan lähettiminä ja vastaanottimina30,31,32,33,34. Käsitelläksemme sisäänrakennettujen antureiden vastaanottamia signaaleja saimme inspiraatiota pöllön neuroanatomiasta35,36,37. Pöllö Tyto alba tunnetaan merkittävistä yömetsästyskyvystään erittäin tehokkaan kuulopaikannusjärjestelmän ansiosta. Pöllön paikannusjärjestelmä koodaa saaliin sijainnin laskemiseksi lentoajan (ToF), jolloin saaliin ääniaallot saavuttavat pöllön jokaisen korvan tai äänireseptorin. Kun otetaan huomioon korvien välinen etäisyys, kahden ToF-mittauksen välinen ero (Interaural Time Difference, ITD) mahdollistaa kohteen atsimuuttipaikan analyyttisen laskemisen. Vaikka biologiset järjestelmät soveltuvat huonosti algebrallisten yhtälöiden ratkaisemiseen, ne voivat ratkaista lokalisointiongelmia erittäin tehokkaasti. Pöllöhermosto käyttää joukkoa sattumanilmaisimen (CD)35 neuroneja (eli neuroneja, jotka pystyvät havaitsemaan ajallisia korrelaatioita piikkien välillä, jotka etenevät alaspäin konvergentteihin kiihotuksiin)38,39, jotka on järjestetty laskennallisiin kaavioihin paikannusongelmien ratkaisemiseksi.
Aiemmat tutkimukset ovat osoittaneet, että komplementaarinen metallioksidipuolijohdelaitteisto (CMOS) ja RRAM-pohjainen neuromorfinen laitteisto, joka on saanut inspiraationsa pöllön alemmasta kollikulusta ("kuulokuoresta"), on tehokas menetelmä sijainnin laskemiseen ITD13, 40, 41, 42, 43 , 44, 45, 46. Kuitenkin potentiaalia täydellinen Neuromorfisia järjestelmiä, jotka yhdistävät kuulomerkkejä neuromorfisiin laskennallisiin kaavioihin, ei ole vielä osoitettu. Suurin ongelma on analogisten CMOS-piirien luontainen vaihtelevuus, joka vaikuttaa osumien havaitsemisen tarkkuuteen. Äskettäin on osoitettu vaihtoehtoisia ITD47-estimaattien numeerisia toteutuksia. Tässä artikkelissa ehdotamme, että käytetään RRAM:n kykyä muuttaa konduktanssiarvoa haihtumattomalla tavalla analogisten piirien vaihtelun estämiseksi. Toteutimme kokeellisen järjestelmän, joka koostui yhdestä 111,9 kHz:n taajuudella toimivasta pMUT-lähettävästä kalvosta, kahdesta pMUT-vastaanottokalvosta (sensorista), jotka simuloivat pöllön korvia, ja yhdestä . Luonnehdimme kokeellisesti pMUT-tunnistusjärjestelmää ja RRAM-pohjaista ITD-laskennan kuvaajaa testataksemme lokalisointijärjestelmäämme ja arvioidaksemme sen kulmaresoluutiota.
Vertaamme menetelmäämme digitaaliseen toteutukseen mikro-ohjaimella, joka suorittaa saman lokalisointitehtävän perinteisillä keilanmuodostus- tai neuromorfisilla menetelmillä, sekä viitteessä ehdotettua kenttäohjelmoitavaa porttitaulukkoa (FPGA) ITD-estimointia varten. 47. Tämä vertailu korostaa ehdotetun RRAM-pohjaisen analogisen neuromorfisen järjestelmän kilpailukykyistä tehotehokkuutta.
Yksi silmiinpistävimmistä esimerkeistä tarkasta ja tehokkaasta kohteen paikannusjärjestelmästä löytyy pyllypöllöstä35,37,48. Hämärässä ja aamunkoitteessa pöllö (Tyto Alba) luottaa ensisijaisesti passiiviseen kuunteluun ja etsii aktiivisesti pieniä saalista, kuten myyriä tai hiiriä. Nämä kuuloasiantuntijat voivat paikantaa kuulosignaalit saaliista hämmästyttävällä tarkkuudella (noin 2°)35, kuten kuvassa 1a. Pöllöt päättelevät äänilähteiden sijainnin atsimuuttitasossa (vaakasuuntaisessa) äänilähteestä kahteen korvaan saapuvan lentoajan (ITD) erosta. ITD:n laskennallista mekanismia ehdotti Jeffress49,50, joka perustuu hermogeometriaan ja vaatii kaksi avainkomponenttia: aksonin, viivelinjana toimivan neuronin hermosäikeen ja joukon yhteensattumailmaisinneuroneja, jotka on järjestetty laskennalliseen järjestelmään. kaavio kuvan 1b mukaisesti. Ääni saavuttaa korvan atsimuutista riippuvalla aikaviiveellä (ITD). Ääni muunnetaan sitten piikkikuvioksi kummassakin korvassa. Vasemman ja oikean korvan aksonit toimivat viivelinjoina ja yhtyvät CD-hermosoluihin. Teoriassa vain yksi neuroni yhteensopivien hermosolujen joukosta vastaanottaa syötteen kerrallaan (missä viive kumoutuu tarkalleen) ja laukaisee maksimaalisesti (naapurisolut myös laukaisevat, mutta pienemmällä taajuudella). Tiettyjen hermosolujen aktivointi koodaa kohteen sijainnin avaruudessa ilman, että ITD muunnetaan edelleen kulmiksi. Tämä käsite on tiivistetty kuvassa 1c: esimerkiksi jos ääni tulee oikealta puolelta, kun tulosignaali oikeasta korvasta kulkee pidemmän reitin kuin vasemmasta korvasta tuleva, mikä kompensoi esimerkiksi ITD:iden määrää, kun neuroni 2 täsmää. Toisin sanoen jokainen CD reagoi tiettyyn ITD:hen (tunnetaan myös nimellä optimaalinen viive) aksoniviiveen vuoksi. Siten aivot muuntaa ajallisen tiedon paikkatiedoksi. Tälle mekanismille on löydetty anatomisia todisteita37,51. Vaihelukitut makronukleushermosolut tallentavat ajallista tietoa tulevista äänistä: nimensä mukaisesti ne laukaisevat tietyissä signaalin vaiheissa. Laminaariytimestä löytyy Jeffress-mallin koincidenssidetektorin neuronit. He saavat tietoa makronukleaarisista neuroneista, joiden aksonit toimivat viivelinjoina. Viiveviivan tarjoama viive voidaan selittää aksonin pituudella sekä toisella myelinaatiokuviolla, joka muuttaa johtumisnopeutta. Pöllön kuulojärjestelmän innoittamana olemme kehittäneet biomimeettisen järjestelmän esineiden paikallistamiseen. Kahta korvaa edustaa kaksi pMUT-vastaanotinta. Äänilähde on niiden välissä sijaitseva pMUT-lähetin (kuva 1a), ja laskennallisen graafin muodostaa RRAM-pohjaisten CD-piirien ruudukko (kuva 1b, vihreä), joka toimii CD-hermosolujen roolissa, joiden sisäänmenot ovat viivästyneitä. piirin läpi viivelinjat (siniset) toimivat kuin aksonit biologisessa vastineessa. Ehdotettu sensorijärjestelmä eroaa toimintataajuudeltaan pöllön, jonka kuulojärjestelmä toimii 1–8 kHz:n alueella, mutta tässä työssä käytetään noin 117 kHz:llä toimivia pMUT-antureita. Ultraäänianturin valintaa harkitaan teknisten ja optimointikriteerien mukaan. Ensinnäkin vastaanottokaistanleveyden rajoittaminen yhdelle taajuudelle parantaa ihannetapauksessa mittaustarkkuutta ja yksinkertaistaa jälkikäsittelyvaihetta. Lisäksi ultraäänitoiminnalla on se etu, että lähetetyt pulssit eivät ole kuultavissa, joten ne eivät häiritse ihmisiä, koska heidän kuuloalueensa on ~20-20 kHz.
pöllö vastaanottaa ääniaaltoja kohteesta, tässä tapauksessa liikkuvasta saaliista. Ääniaallon lentoaika (ToF) on erilainen kullekin korvalle (ellei saalis ole suoraan pöllön edessä). Katkoviiva näyttää polun, jota ääniaallot kulkevat päästäkseen pöllön korviin. Saalista voidaan paikantaa tarkasti vaakatasossa kahden akustisen reitin välisen pituuseron ja vastaavan interauraalisen aikaeron (ITD) perusteella (vasen kuva inspiraationa viite 74, tekijänoikeus 2002, Society for Neuroscience). Järjestelmämme pMUT-lähetin (tummansininen) tuottaa ääniaaltoja, jotka pomppaavat kohteesta. Heijastuneet ultraääniaallot vastaanotetaan kahdella pMUT-vastaanottimella (vaaleanvihreä) ja ne käsitellään neuromorfisella prosessorilla (oikealla). b ITD:n (Jeffress) laskennallinen malli, joka kuvaa kuinka pöllön korviin tulevat äänet koodataan ensin vaihelukittuina piikeinä suuressa ytimessä (NM) ja sitten käytetään geometrisesti järjestettyä ristikkoa sovitetuista ilmaisinhermosoluista lamelliytimessä. Käsittely (Alankomaat) (vasemmalla). Kuva neuroITD:n laskennallisesta graafista, jossa yhdistyvät viiveviivat ja yhteensattumailmaisimen neuronit, pöllön biosensorijärjestelmä voidaan mallintaa käyttämällä RRAM-pohjaisia ​​neuromorfisia piirejä (oikealla). c Kaavio Jeffressin päämekanismista, ToF-eron vuoksi kaksi korvaa vastaanottavat ääniärsykkeitä eri aikoina ja lähettävät aksoneja molemmista päistä ilmaisimeen. Aksonit ovat osa yhteensattumailmaisimen (CD) neuronien sarjaa, joista jokainen reagoi selektiivisesti voimakkaasti aikakorreloituihin tuloihin. Tämän seurauksena vain CD-levyt, joiden tulot saapuvat pienimmällä aikaerolla, ovat maksimaalisia (ITD on täsmälleen kompensoitu). CD-levy koodaa sitten kohteen kulma-asennon.
Pietsosähköiset mikromekaaniset ultraäänianturit ovat skaalautuvia ultraääniantureita, jotka voidaan integroida edistyneeseen CMOS-tekniikkaan31, 32, 33, 52 ja joilla on pienempi alkujännite ja virrankulutus kuin perinteisillä volyymiantureilla53. Työssämme kalvon halkaisija on 880 µm ja resonanssitaajuus jakautuu alueelle 110–117 kHz (kuva 2a, katso lisätietoja kohdasta Menetelmät). Kymmenen testilaitteen erässä keskimääräinen laatutekijä oli noin 50 (viite 31). Tekniikka on saavuttanut teollisen kypsyyden, eikä se ole sinänsä bioinspiroitunut. Tietojen yhdistäminen eri pMUT-filmeistä on hyvin tunnettu tekniikka, ja kulmainformaatiota voidaan saada pMUT:ista käyttämällä esimerkiksi säteenmuodostustekniikoita31,54. Kulmainformaation poimimiseen tarvittava signaalinkäsittely ei kuitenkaan sovellu pienitehoisiin mittauksiin. Ehdotettu järjestelmä yhdistää neuromorfisen datan esikäsittelypiirin pMUT RRAM-pohjaiseen neuromorfiseen laskentakaavioon, joka on inspiroitunut Jeffress-mallista (kuva 2c), mikä tarjoaa vaihtoehtoisen energiatehokkaan ja resurssirajoitteisen laitteistoratkaisun. Teimme kokeen, jossa kaksi pMUT-anturia asetettiin noin 10 cm:n etäisyydelle toisistaan ​​hyödyntämään kahden vastaanottavan kalvon eri ToF-ääniä. Vastaanottimien välissä on yksi lähettimenä toimiva pMUT. Kohde oli 12 cm leveä PVC-levy, joka sijaitsi etäisyydellä D pMUT-laitteen edessä (kuvio 2b). Vastaanotin tallentaa kohteesta heijastuvan äänen ja reagoi mahdollisimman paljon ääniaallon kulun aikana. Toista koe muuttamalla kohteen sijaintia etäisyyden D ja kulman θ perusteella. Inspiroitunut linkistä. 55, ehdotamme pMUT-raakasignaalien neuromorfista esikäsittelyä heijastuneiden aaltojen muuntamiseksi huipuiksi neuromorfisen laskennallisen graafin syöttämiseksi. Huipun amplitudia vastaava ToF erotetaan kummastakin kahdesta kanavasta ja koodataan yksittäisten huippujen tarkaksi ajoitukseksi. Kuvassa Kuva 2c esittää piirit, jotka tarvitaan liittämään pMUT-anturi RRAM-pohjaiseen laskennalliseen kuvaajaan: kummallekin kahdelle pMUT-vastaanottimelle raakasignaali kaistanpäästösuodatetaan tasoittamiseksi, korjaamiseksi ja sitten siirretään vuotavaan integraattoriin ylitystilassa. dynaaminen kynnys (kuva 2d) luo lähtötapahtuman (piikin) ja laukaisun (LIF) neuronin: lähtöpiikkiaika koodaa havaitun lentoajan. LIF-kynnys kalibroidaan pMUT-vastetta vastaan, mikä vähentää pMUT:n vaihtelua laitteesta toiseen. Tällä lähestymistavalla sen sijaan, että tallentaisimme koko ääniaallon muistiin ja käsittelemme sitä myöhemmin, luomme yksinkertaisesti ääniaallon ToF-arvoa vastaavan huipun, joka muodostaa syötteen resistiiviseen muistin laskennalliseen graafiin. Piikit lähetetään suoraan viivelinjoille ja rinnastetaan vastaavuuden havaitsemismoduulien kanssa neuromorfisissa laskentakaavioissa. Koska ne lähetetään transistorien porteille, lisävahvistuspiiriä ei tarvita (katso lisäkuva 4 saadaksesi lisätietoja). Arvioidaksemme pMUT:n ja ehdotetun signaalinkäsittelymenetelmän tarjoamaa lokalisointikulmatarkkuutta, mittasimme ITD:n (eli kahden vastaanottimen synnyttämien huipputapahtumien välisen aikaeron), koska kohteen etäisyys ja kulma vaihtelivat. ITD-analyysi muutettiin sitten kulmiksi (katso menetelmät) ja piirrettiin kohteen sijaintia vastaan: mitatun ITD:n epävarmuus lisääntyi etäisyyden ja kulman myötä kohteeseen (kuvat 2e, f). Suurin ongelma on pMUT-vasteen huippu-kohinasuhde (PNR). Mitä kauempana kohde, sitä matalampi akustinen signaali, mikä vähentää PNR:ää (kuva 2f, vihreä viiva). PNR:n lasku lisää ITD-estimaatin epävarmuutta, mikä johtaa lokalisoinnin tarkkuuden lisääntymiseen (kuva 2f, sininen viiva). Lähettimestä 50 cm:n etäisyydellä olevan kohteen kohdalla järjestelmän kulmatarkkuus on noin 10°. Tätä anturin ominaisuuksien määräämää rajoitusta voidaan parantaa. Esimerkiksi emitterin lähettämää painetta voidaan lisätä, mikä lisää pMUT-kalvoa ohjaavaa jännitettä. Toinen ratkaisu lähetetyn signaalin vahvistamiseksi on yhdistää useita lähettimiä 56. Nämä ratkaisut lisäävät ilmaisualuetta kohonneiden energiakustannusten kustannuksella. Vastaanottopuolella voidaan tehdä lisäparannuksia. pMUT:n vastaanottimen kohinatasoa voidaan vähentää merkittävästi parantamalla pMUT:n ja ensimmäisen asteen vahvistimen välistä yhteyttä, mikä tällä hetkellä tehdään johtoliitännöillä ja RJ45-kaapeleilla.
Kuva pMUT-kiteestä, jossa on kuusi 880 µm:n kalvoa integroituna 1,5 mm:n jakovälillä. b Mittausasetusten kaavio. Kohde sijaitsee atsimuuttiasennossa θ ja etäisyydellä D. pMUT-lähetin tuottaa 117,6 kHz:n signaalin, joka pomppii kohteesta ja saavuttaa kaksi pMUT-vastaanotinta, joilla on erilainen lentoaika (ToF). Tämä ero, joka määritellään inter-aural time different (ITD), koodaa kohteen sijainnin, ja se voidaan arvioida arvioimalla kahden vastaanottimen anturin huippuvaste. c Kaavio esikäsittelyvaiheista raaka-pMUT-signaalin muuntamiseksi piikkisekvensseiksi (eli syötteeksi neuromorfiseen laskentakaavioon). pMUT-anturit ja neuromorfiset laskennalliset graafit on valmistettu ja testattu, ja neuromorfinen esikäsittely perustuu ohjelmistosimulaatioon. d pMUT-kalvon vaste signaalin vastaanoton jälkeen ja sen muuntaminen piikkidomeeniksi. e Kokeellisen lokalisoinnin kulmatarkkuus kohteen kulman (Θ) ja etäisyyden (D) funktiona kohdeobjektiin. ITD-uuttomenetelmä vaatii vähintään noin 4°C:n kulmaresoluution. f Kulman tarkkuus (sininen viiva) ja vastaava huippu-kohinasuhde (vihreä viiva) kohteen etäisyyteen nähden, kun Θ = 0.
Resistiivinen muisti tallentaa tietoa haihtumattomassa johtavassa tilassa. Menetelmän perusperiaate on, että materiaalin modifikaatio atomitasolla aiheuttaa muutoksen sen sähkönjohtavuudessa57. Tässä käytämme oksidipohjaista resistiivistä muistia, joka koostuu 5 nm:n hafniumdioksidikerroksesta, joka on kerrostettu ylä- ja alaosan titaani- ja titaaninitridielektrodien välissä. RRAM-laitteiden johtavuutta voidaan muuttaa käyttämällä virran/jännitteen aaltomuotoa, joka luo tai katkaisee johtavia filamentteja happivaansseista elektrodien väliin. Integroimme tällaiset laitteet58 tavalliseen 130 nm:n CMOS-prosessiin luodaksemme uudelleen konfiguroitavan neuromorfisen piirin, joka toteuttaa koinsidenssiilmaisimen ja viivelinjapiirin (kuva 3a). Laitteen haihtumaton ja analoginen luonne yhdistettynä neuromorfisen piirin tapahtumalähtöiseen luonteeseen minimoi virrankulutuksen. Piirissä on välitön päälle/pois-toiminto: se toimii heti päälle kytkemisen jälkeen, jolloin virta katkeaa kokonaan, kun piiri on tyhjäkäynnillä. Ehdotetun järjestelmän päärakennusosat on esitetty kuvassa. 3b. Se koostuu N rinnakkaista yksivastus-yksitransistorirakennetta (1T1R), jotka koodaavat synaptisia painoja, joista otetaan painotetut virrat, ruiskutetaan differentiaalipariintegraattorin (DPI)59 yhteiseen synapsiin ja lopuksi injektoidaan synapsiin integroinnin ja vuoto. aktivoitu (LIF) neuroni 60 (katso lisätietoja kohdasta Menetelmät). Tulopiikit kohdistetaan 1T1R-rakenteen hilaan jännitepulssien sarjan muodossa, jonka kesto on satojen nanosekuntien luokkaa. Resistiivinen muisti voidaan asettaa korkean johtavuuden tilaan (HCS) käyttämällä ulkoista positiivista referenssiä Vtop:iin, kun Vbottom on maadoitettu, ja palauttaa matalan johtavuuden tilaan (LCS) kohdistamalla positiivinen jännite Vbottomiin, kun Vtop on maadoitettu. HCS:n keskiarvoa voidaan ohjata rajoittamalla SET:n (ICC) ohjelmointivirtaa (yhteensopivuus) sarjatransistorin hilalähdejännitteellä (kuva 3c). RRAM:n toiminnot piirissä ovat kaksijakoiset: ne ohjaavat ja painottavat tulopulsseja.
Pyyhkäisyelektronimikroskoopin (SEM) kuva sinisestä HfO2 1T1R RRAM -laitteesta, joka on integroitu 130 nm:n CMOS-tekniikkaan ja jossa on valitsintransistorit (leveys 650 nm) vihreällä. b Ehdotetun neuromorfisen skeeman perusrakennuspalikoita. Tulojännitepulssit (huiput) Vin0 ja Vin1 kuluttavat virtaa Iweight, joka on verrannollinen 1T1R-rakenteen johtavuustiloihin G0 ja G1. Tämä virta ruiskutetaan DPI-synapseihin ja kiihottaa LIF-hermosoluja. RRAM G0 ja G1 asennetaan vastaavasti HCS:ään ja LCS:ään. c Kumulatiivisen konduktanssitiheyden funktio 16K RRAM-laitteiden ryhmälle ICC-virransovituksen funktiona, joka ohjaa tehokkaasti johtavuustasoa. d Piirimittaukset kohdassa (a), jotka osoittavat, että G1 (LCS:ssä) estää tehokkaasti tulon Vin1:stä (vihreä), ja todellakin lähtöhermosolun kalvojännite vastaa vain Vin0:n siniseen tuloon. RRAM määrittää tehokkaasti piirin liitännät. e Piirin mittaus kohdassa (b), joka osoittaa konduktanssiarvon G0 vaikutuksen kalvojännitteeseen Vmem jännitepulssin Vin0 syöttämisen jälkeen. Mitä enemmän konduktanssia, sitä voimakkaampi vaste: näin ollen RRAM-laite toteuttaa I/O-yhteyksien painotuksen. Mittaukset tehtiin piirissä, ja ne osoittavat RRAM:n kaksoistoiminnon, tulopulssien reitityksen ja painotuksen.
Ensinnäkin, koska on olemassa kaksi perusjohtavuustilaa (HCS ja LCS), RRAM-muistit voivat estää tai jättää väliin tulopulsseja, kun ne ovat LCS- tai HCS-tilassa, vastaavasti. Tämän seurauksena RRAM määrittää tehokkaasti kytkennät piirissä. Tämä on perusta arkkitehtuurin uudelleenmäärittämiselle. Tämän havainnollistamiseksi kuvataan kuviossa 3b piirilohkon valmistettu piiritoteutus. G0:ta vastaava RRAM ohjelmoidaan HCS:ään ja toinen RRAM G1 ohjelmoidaan LCS:ään. Tulopulsseja käytetään sekä Vin0:ssa että Vin1:ssä. Kahden syöttöpulssisekvenssin vaikutuksia analysoitiin lähtöhermosoluissa keräämällä hermosolujen kalvon jännite ja lähtösignaali oskilloskoopilla. Koe onnistui, kun vain HCS-laite (G0) yhdistettiin hermosolun pulssiin stimuloimaan kalvojännitystä. Tämä on havainnollistettu kuvassa 3d, jossa sininen pulssijono aiheuttaa kalvojännitteen muodostumisen kalvokondensaattoriin, kun taas vihreä pulssijono pitää kalvojännitteen vakiona.
RRAM:n toinen tärkeä tehtävä on yhteyspainojen toteuttaminen. RRAM:n analogisen konduktanssisäädön avulla I/O-liitännät voidaan painottaa vastaavasti. Toisessa kokeessa G0-laite ohjelmoitiin HCS:n eri tasoille ja tulopulssi syötettiin VIn0-tuloon. Tulopulssi ottaa laitteesta virran (Iweight), joka on verrannollinen konduktanssiin ja vastaavaan potentiaalin pudotukseen Vtop − Vbot. Tämä painotettu virta ruiskutetaan sitten DPI-synapseihin ja LIF-lähtöhermosoluihin. Lähtöhermosolujen kalvojännite tallennettiin oskilloskooppia käyttäen ja esitettiin kuvassa 3d. Hermosolukalvon jännitehuippu vasteena yhdelle tulopulssille on verrannollinen resistiivisen muistin johtavuuteen, mikä osoittaa, että RRAM:ia voidaan käyttää synaptisen painon ohjelmoitavana elementtinä. Nämä kaksi alustavaa testiä osoittavat, että ehdotettu RRAM-pohjainen neuromorfinen alusta pystyy toteuttamaan Jeffress-perusmekanismin peruselementit, nimittäin viivelinjan ja koinsidenssiilmaisinpiirin. Piirialusta rakennetaan pinoamalla peräkkäiset lohkot vierekkäin, kuten kuvan 3b lohkot, ja yhdistämällä niiden portit yhteiseen tulolinjaan. Suunnittelimme, valmistimme ja testasimme neuromorfisen alustan, joka koostuu kahdesta lähtöhermosolusta, jotka saavat kaksi tuloa (kuva 4a). Piirikaavio on esitetty kuvassa 4b. Ylempi 2 × 2 RRAM-matriisi mahdollistaa tulopulssien ohjaamisen kahdelle lähtöhermosolulle, kun taas alempi 2 × 2 -matriisi mahdollistaa kahden hermosolun (N0, N1) toistuvan kytkennän. Osoitamme, että tätä alustaa voidaan käyttää viivelinjakonfiguraatiolla ja kahdella eri koinsidenssiilmaisintoiminnolla, kuten kokeelliset mittaukset osoittavat kuvissa 4c-e.
Piirikaavio, joka muodostuu kahdesta lähtöhermosolusta N0 ja N1, jotka saavat kaksi tuloa 0 ja 1. Matriisin neljä ylintä laitetta määrittävät synaptiset yhteydet tulosta lähtöön ja neljä alinta solua määrittelevät toistuvia yhteyksiä hermosolujen välillä. Värilliset RRAM-muistit edustavat oikealla HCS:ssä konfiguroituja laitteita: HCS:n laitteet sallivat kytkennät ja edustavat painoja, kun taas LCS:n laitteet estävät tulopulssit ja estävät kytkennän lähtöihin. b Piirikaavio (a), jossa kahdeksan RRAM-moduulia on korostettu sinisellä. c Viiveviivat muodostetaan yksinkertaisesti käyttämällä DPI-synapsien ja LIF-neuronien dynamiikkaa. Vihreä RRAM on asetettu konduktanssiksi riittävän korkeaksi, jotta se voi aiheuttaa häiriön lähdössä tuloviiveen Δt jälkeen. d Kaaviokuva ajasta riippuvaisten signaalien suunnasta riippumattomasta CD-tunnistuksesta. Lähtöhermosolu 1, N1, laukeaa tuloissa 0 ja 1 lyhyellä viiveellä. e Suuntaherkkä CD-piiri, piiri, joka havaitsee kun tulo 1 lähestyy tuloa 0 ja saapuu tulon 0 jälkeen. Piirin lähtöä edustaa neuroni 1 (N1).
Viiveviiva (kuvio 4c) käyttää yksinkertaisesti DPI-synapsien ja LIF-neuronien dynaamista käyttäytymistä toistaakseen syöttöpiikin Vin1:stä Vout1:een viivyttämällä Tdel:tä. Vain Vin1:een ja Vout1:een liitetty G3 RRAM on ohjelmoitu HCS:ssä, loput RRAM:it ohjelmoidaan LCS:ssä. G3-laite ohjelmoitiin 92,6 µs:ksi sen varmistamiseksi, että jokainen tulopulssi lisää lähtöhermosolun kalvojännitettä riittävästi saavuttaakseen kynnyksen ja tuottaakseen viivästetyn lähtöpulssin. Viive Tdel määräytyy synaptisten ja hermoaikavakioiden perusteella. Coincidence-ilmaisimet havaitsevat ajallisesti korreloitujen mutta spatiaalisesti jakautuneiden tulosignaalien esiintymisen. Suunta-herkkä CD luottaa yksittäisiin tuloihin, jotka konvergoivat yhteiseen lähtöhermosoluon (kuva 4d). Kaksi RRAM-muistia, jotka yhdistävät Vin0:n ja Vin1:n Vout1:een, G2:een ja G4:ään, on ohjelmoitu korkeaa johtavuutta varten. Piikien samanaikainen saapuminen Vin0: lle ja Vin1:lle nostaa N1-hermosolukalvon jännitettä yli kynnyksen, joka vaaditaan lähtöpiikin muodostamiseen. Jos kaksi tuloa ovat liian kaukana toisistaan ​​ajallisesti, ensimmäisen tulon keräämän kalvojännitteen varauksella voi olla aikaa vaimentua, mikä estää kalvopotentiaalia N1 saavuttamasta kynnysarvoa. G1 ja G2 on ohjelmoitu noin 65 µs:ksi, mikä varmistaa, että yksittäinen tulopiikki ei lisää kalvojännitettä tarpeeksi aiheuttamaan lähtöpiikin. Avaruudessa ja ajassa jakautuneiden tapahtumien sattuman havaitseminen on perustoiminto, jota käytetään monenlaisissa havainnointitehtävissä, kuten optiseen virtaukseen perustuvassa esteen välttämisessä ja äänilähteiden paikallistamisessa. Näin ollen suuntaherkkien ja epäherkkien CD-levyjen laskeminen on perustavanlaatuinen rakennuspalikka visuaalisen ja äänen lokalisointijärjestelmien rakentamisessa. Kuten aikavakioiden ominaisuudet osoittavat (katso täydentävä kuva 2), ehdotettu piiri toteuttaa sopivan neljän suuruusluokan aika-asteikon. Siten se voi samanaikaisesti täyttää visuaalisten ja äänijärjestelmien vaatimukset. Suuntaherkkä CD on piiri, joka on herkkä pulssien saapumisjärjestykseen: oikealta vasemmalle ja päinvastoin. Se on perusrakennuspalikka Drosophilan visuaalisen järjestelmän perusliikkeentunnistusverkossa, jota käytetään liikesuuntien laskemiseen ja törmäysten havaitsemiseen62. Suuntaherkän CD:n saavuttamiseksi on ohjattava kaksi tuloa kahteen eri neuroniin (N0, N1) ja muodostettava niiden välille suuntayhteys (kuva 4e). Kun ensimmäinen tulo vastaanotetaan, NO reagoi nostamalla kalvon yli olevaa jännitettä kynnysarvon yläpuolelle ja lähettämällä ylijännitesyötön. Tämä lähtötapahtuma puolestaan ​​laukaisee N1:n vihreällä korostetun suuntayhteyden ansiosta. Jos tulotapahtuma Vin1 saapuu ja aktivoi N1:n sen kalvojännitteen ollessa vielä korkea, N1 generoi lähtötapahtuman, joka osoittaa, että näiden kahden tulon välillä on löydetty yhteensopivuus. Suuntakytkennät sallivat N1:n lähettää lähtöä vain, jos tulo 1 tulee tulon 0 jälkeen. G0, G3 ja G7 on ohjelmoitu arvoon 73,5 µS, 67,3 µS ja 40,2 µS, mikä varmistaa, että yksittäinen piikki tulossa Vin0 aiheuttaa viiveen. lähtöpiikki, kun taas N1:n kalvopotentiaali saavuttaa kynnyksen vasta, kun molemmat tulopurskeet saapuvat synkronoidusti. .
Vaihtelevuus on mallinnettujen neuromorfisten järjestelmien epätäydellisyyden lähde63, 64, 65. Tämä johtaa neuronien ja synapsien heterogeeniseen käyttäytymiseen. Esimerkkejä tällaisista haitoista ovat 30 % (keskimääräinen standardipoikkeama) vaihtelu tulovahvistuksessa, aikavakiossa ja tulenkestävässä jaksossa, vain muutamia mainitakseni (katso menetelmät). Tämä ongelma on vielä selvempi, kun useita hermopiirejä on kytketty yhteen, kuten suuntaherkkä CD, joka koostuu kahdesta neuronista. Toimiakseen oikein, kahden hermosolun vahvistus- ja vaimenemisaikavakioiden tulee olla mahdollisimman samanlaisia. Esimerkiksi suuri ero tulovahvistuksessa voi saada yhden hermosolun ylireagoimaan tulopulssiin, kun taas toinen hermosolu on tuskin reagoivaan. Kuvassa Kuva 5a osoittaa, että satunnaisesti valitut neuronit reagoivat eri tavalla samaan tulopulssiin. Tämä hermovaihtelu on relevanttia esimerkiksi suuntaherkkien CD-levyjen toiminnan kannalta. Kuvan kaaviossa 5b, c, hermosolun 1 tulovahvistus on paljon suurempi kuin neuronin 0. Siten hermosolu 0 vaatii kolme tulopulssia (1 sijasta) kynnyksen saavuttamiseksi, ja neuroni 1 tarvitsee odotetusti kaksi tulotapahtumaa. Piikkien ajasta riippuvan biomimeettisen plastisuuden (STDP) toteuttaminen on mahdollinen tapa lieventää epätarkkojen ja hitaiden hermo- ja synaptisten piirien vaikutusta järjestelmän suorituskykyyn43. Tässä ehdotamme resistiivisen muistin plastisen käyttäytymisen käyttöä keinona vaikuttaa hermotulon tehostamiseen ja vähentää neuromorfisten piirien vaihtelun vaikutuksia. Kuten kuvasta näkyy. Kuviossa 4e RRAM-synaptiseen massaan liittyvät konduktanssitasot moduloivat tehokkaasti vastaavaa hermokalvon jännitevastetta. Käytämme iteratiivista RRAM-ohjelmointistrategiaa. Tietylle tulolle synaptisten painojen konduktanssiarvot ohjelmoidaan uudelleen, kunnes piirin tavoitekäyttäytyminen saavutetaan (katso menetelmät).
a Kokeellinen mittaus yhdeksän satunnaisesti valitun yksittäisen hermosolun vasteesta samaan tulopulssiin. Vaste vaihtelee populaatioittain, mikä vaikuttaa tulon vahvistukseen ja aikavakioon. b Kokeellinen mittaus hermosolujen vaikutuksesta suuntaherkkään CD:hen vaikuttavien hermosolujen vaihteluun. Kaksi suuntaherkkää CD-lähtöhermostoa reagoivat eri tavalla tuloärsykkeisiin hermosolujen välisen vaihtelun vuoksi. Neuronilla 0 on pienempi tulovahvistus kuin neuronilla 1, joten lähtöpiikin luomiseen tarvitaan kolme tulopulssia (1 sijasta). Kuten odotettiin, neuroni 1 saavuttaa kynnyksen kahdella syöttötapahtumalla. Jos tulo 1 saapuu Δt = 50 µs neuronin 0 laukeamisen jälkeen, CD pysyy äänettömänä, koska Δt on suurempi kuin hermosolun 1 aikavakio (noin 22 µs). c pienennetään Δt = 20 µs, joten tulo 1 saavuttaa huippunsa, kun hermosolun 1 laukeaminen on edelleen korkea, mikä johtaa kahden syötetapahtuman samanaikaiseen havaitsemiseen.
ITD-laskentasarakkeessa käytetyt kaksi elementtiä ovat viiveviiva ja suunta-herkkä CD. Molemmat piirit vaativat tarkan kalibroinnin hyvän kohteen sijainnin varmistamiseksi. Viivelinjan tulee toimittaa täsmällisesti viivästetty versio tulohuipusta (kuva 6a), ja CD-levyn tulee olla aktivoitu vain, kun tulo on tavoitetunnistusalueella. Viivelinjaa varten tuloliitäntöjen synaptiset painot (G3 kuvassa 4a) ohjelmoitiin uudelleen, kunnes tavoiteviive saavutettiin. Aseta toleranssi tavoiteviiveen ympärille ohjelman pysäyttämiseksi: mitä pienempi toleranssi on, sitä vaikeampaa on viiveviivan asettaminen onnistuneesti. Kuvassa Kuvassa 6b on esitetty viivelinjan kalibrointiprosessin tulokset: voidaan nähdä, että ehdotettu menetelmä pystyy tarjoamaan tarkalleen kaikki suunnittelukaaviossa vaaditut viiveet (10 - 300 μs). Kalibrointiiteraatioiden enimmäismäärä vaikuttaa kalibrointiprosessin laatuun: 200 iteraatiota voi vähentää virheen alle 5 %:iin. Yksi kalibrointiiteraatio vastaa RRAM-solun asetus/resetointitoimintoa. Viritysprosessi on myös kriittinen CD-moduulin välittömän sulkeutumistapahtuman tunnistuksen tarkkuuden parantamiseksi. Kesti kymmenen kalibrointi iteraatiota saavuttaakseen todellisen positiivisen taajuuden (eli oikein osuviksi tunnistettujen tapahtumien määrä) yli 95 % (sininen viiva kuvassa 6c). Viritysprosessi ei kuitenkaan vaikuttanut vääriin positiivisiin tapahtumiin (eli virheellisesti merkityksellisiksi tunnistettujen tapahtumien esiintymistiheyteen). Toinen biologisissa järjestelmissä havaittu menetelmä nopeasti aktivoituvien reittien aikarajoitusten voittamiseksi on redundanssi (eli useita kopioita samasta objektista käytetään tietyn toiminnon suorittamiseen). Biologian66 inspiroimana asetimme jokaiseen CD-moduuliin useita CD-piirejä kahden viivelinjan väliin vähentääksemme väärien positiivisten vaikutusten vaikutusta. Kuten kuvasta näkyy. 6c (vihreä viiva), kolmen CD-elementin sijoittaminen kuhunkin CD-moduuliin voi vähentää väärien hälytysten määrää alle 10–2.
a Hermosolujen vaihtelun vaikutus viivelinjapiireihin. b Viivelinjapiirit voidaan skaalata suuriin viiveisiin asettamalla vastaavien LIF-neuronien ja DPI-synapsien aikavakiot suuriksi arvoiksi. RRAM-kalibrointimenettelyn iteraatioiden määrän lisääminen mahdollisti merkittävästi tavoiteviiveen tarkkuuden parantamisen: 200 iteraatiota pienensi virheen alle 5 %:iin. Yksi iteraatio vastaa SET/RESET-toimintoa RRAM-solussa. Jokainen c Jeffress-mallin CD-moduuli voidaan toteuttaa käyttämällä N rinnakkaista CD-elementtiä, mikä lisää joustavuutta järjestelmävikojen suhteen. d Enemmän RRAM-kalibrointi iteraatioita lisää todellista positiivista määrää (sininen viiva), kun taas väärä positiivinen taajuus on riippumaton iteraatioiden määrästä (vihreä viiva). Asettamalla useampia CD-elementtejä rinnakkain vältetään CD-moduulien väärien havaitseminen.
Arvioimme nyt kuviossa 2 esitetyn päästä-päähän integroidun objektipaikannusjärjestelmän suorituskykyä ja virrankulutusta käyttämällä pMUT-anturin, CD- ja viivelinjapiirien akustisten ominaisuuksien mittauksia, jotka muodostavat neuromorfisen laskentakaavion. Jeffress-malli (kuva 1a). Mitä tulee neuromorfiseen laskentakaavioon, mitä enemmän CD-moduuleja on, sitä parempi on kulmaresoluutio, mutta myös sitä suurempi järjestelmän energia (kuva 7a). Kompromissi voidaan saavuttaa vertaamalla yksittäisten komponenttien (pMUT-anturit, neuronit ja synaptiset piirit) tarkkuutta koko järjestelmän tarkkuuteen. Viiveviivan resoluutiota rajoittavat simuloitujen synapsien ja neuronien aikavakiot, jotka kaaviossamme ylittävät 10 µs, mikä vastaa 4°:n kulmaresoluutiota (katso menetelmät). Edistyneemmät solmut CMOS-tekniikalla mahdollistavat hermo- ja synaptisten piirien suunnittelun pienemmillä aikavakioilla, mikä johtaa viivelinjaelementtien tarkkuuteen. Kuitenkin järjestelmässämme tarkkuutta rajoittaa virhe pMUT kulma-asennon arvioinnissa, eli 10° (sininen vaakaviiva kuvassa 7a). Vahvistimme CD-moduulien lukumääräksi 40, mikä vastaa noin 4°:n kulmaresoluutiota eli laskennallisen käyrän kulmatarkkuutta (vaaleansininen vaakaviiva kuvassa 7a). Järjestelmätasolla tämä antaa 4°:n resoluution ja 10°:n tarkkuuden kohteille, jotka sijaitsevat 50 cm anturijärjestelmän edessä. Tämä arvo on verrattavissa viitteessä raportoituihin neuromorfisiin äänen lokalisointijärjestelmiin. 67. Ehdotetun järjestelmän vertailu tekniikan tason kanssa löytyy täydentävästä taulukosta 1. Ylimääräisten pMUT:ien lisääminen, akustisen signaalin tason lisääminen ja elektronisen kohinan vähentäminen ovat mahdollisia tapoja parantaa lokalisoinnin tarkkuutta edelleen. ) on arviolta 9.7. nz. 55. Kun laskennallisessa kuvaajassa on annettu 40 CD-yksikköä, SPICE-simulaatio arvioi energiaksi operaatiota kohden (eli kohteen paikannusenergiaksi) 21,6 nJ:ksi. Neuromorfinen järjestelmä aktivoituu vain, kun tulotapahtuma saapuu, eli kun akustinen aalto saavuttaa minkä tahansa pMUT-vastaanottimen ja ylittää havaintokynnyksen, muuten se pysyy passiivisena. Tämä välttää tarpeettoman virrankulutuksen, kun tulosignaalia ei ole. Ottaen huomioon lokalisointitoimintojen taajuuden 100 Hz ja aktivointijakson 300 µs operaatiota kohden (maksimi mahdollinen ITD), neuromorfisen laskentakaavion tehonkulutus on 61,7 nW. Kun jokaiseen pMUT-vastaanottimeen sovelletaan neuromorfista esikäsittelyä, koko järjestelmän tehonkulutus on 81,6 nW. Ymmärtääksemme ehdotetun neuromorfisen lähestymistavan energiatehokkuutta verrattuna perinteiseen laitteistoon, vertasimme tätä lukua energiaan, joka tarvitaan saman tehtävän suorittamiseen nykyaikaisella pienitehoisella mikro-ohjaimella käyttämällä joko neuromorfista tai tavanomaista säteenmuodostusta68. Neuromorfisessa lähestymistavassa tarkastellaan analogia-digitaalimuunnin (ADC) -vaihetta, jota seuraa kaistanpäästösuodatin ja verhokäyrän erotusvaihe (Teeger-Kaiser-menetelmä). Lopuksi suoritetaan kynnystoiminto ToF:n purkamiseksi. Olemme jättäneet pois ToF:ään perustuvan ITD:n laskennan ja muuntamisen arvioituun kulma-asentoon, koska tämä tapahtuu kerran jokaisessa mittauksessa (katso menetelmät). Olettaen, että näytteenottotaajuus on 250 kHz molemmilla kanavilla (pMUT-vastaanottimet), 18 kaistanpäästösuodatintoimintoa, 3 verhokäyränpoistotoimintoa ja 1 kynnystoiminto näytettä kohti, kokonaistehonkulutuksen arvioidaan olevan 245 mikrowattia. Tämä käyttää mikro-ohjaimen virransäästötilaa69, joka kytkeytyy päälle, kun algoritmit eivät toimi, mikä vähentää virrankulutusta 10,8 µW:iin. Viitteessä ehdotetun keilanmuodostussignaalinkäsittelyratkaisun tehonkulutus. 31, jossa on 5 pMUT-vastaanotinta ja 11 sädettä, jotka on jaettu tasaisesti atsimuuttitasoon [-50°, +50°], on 11,71 mW (katso lisätietoja kohdasta Menetelmät). Lisäksi raportoimme FPGA47-pohjaisen Time Difference Encoderin (TDE) virrankulutuksen, jonka arvioidaan olevan 1,5 mW, joka korvaa objektin lokalisoinnin Jeffress-mallin. Näihin arvioihin perustuen ehdotettu neuromorfinen lähestymistapa vähentää virrankulutusta viidellä suuruusluokalla verrattuna mikro-ohjaimeen, joka käyttää klassisia säteenmuodostustekniikoita objektien lokalisointitoimintoihin. Neuromorfisen lähestymistavan ottaminen käyttöön signaalinkäsittelyssä klassisessa mikro-ohjaimessa vähentää virrankulutusta noin kahdella suuruusluokalla. Ehdotetun järjestelmän tehokkuus voidaan selittää asynkronisen resistiivisen muistin analogisen piirin yhdistelmällä, joka pystyy suorittamaan muistilaskelmia, ja signaalien havaitsemiseen vaadittavan analogia-digitaalimuunnoksen puutteella.
a Lokalisoinnin kulmaresoluutio (sininen) ja virrankulutus (vihreä) CD-moduulien lukumäärän mukaan. Tummansininen vaakapalkki edustaa PMUT:n kulmatarkkuutta ja vaaleansininen vaakapalkki edustaa neuromorfisen laskennallisen graafin kulmatarkkuutta. b Ehdotetun järjestelmän virrankulutus ja vertailu kahteen keskusteltuun mikrokontrolleritoteutukseen ja Time Difference Encoder (TDE)47 FPGA:n digitaaliseen toteutukseen.
Minimoidaksemme kohdepaikannusjärjestelmän virrankulutusta suunnittelimme, suunnittelimme ja toteutimme tehokkaan, tapahtumaohjatun RRAM-pohjaisen neuromorfisen piirin, joka käsittelee sisäänrakennettujen antureiden tuottamaa signaaliinformaatiota laskeakseen kohdeobjektin sijainnin todellisuudessa. aika. . Vaikka perinteiset prosessointimenetelmät jatkuvasti näyttelevät havaittuja signaaleja ja suorittavat laskelmia hyödyllisen tiedon poimimiseksi, ehdotettu neuromorfinen ratkaisu suorittaa laskelmia asynkronisesti hyödyllisen tiedon saapuessa ja maksimoi järjestelmän tehokkuuden viidellä suuruusluokalla. Lisäksi korostamme RRAM-pohjaisten neuromorfisten piirien joustavuutta. RRAM:n kyky muuttaa konduktanssia haihtumattomalla tavalla (plastisuus) kompensoi erittäin pienitehoisten analogisten DPI:n synaptisten ja hermopiirien luontaista vaihtelua. Tämä tekee tästä RRAM-pohjaisesta piiristä monipuolisen ja tehokkaan. Tavoitteenamme ei ole poimia monimutkaisia ​​toimintoja tai kuvioita signaaleista, vaan paikantaa kohteita reaaliajassa. Järjestelmämme voi myös tehokkaasti pakata signaalin ja lopulta lähettää sen jatkokäsittelyvaiheisiin tehdäkseen tarvittaessa monimutkaisempia päätöksiä. Lokalisointisovellusten yhteydessä neuromorfinen esikäsittelyvaiheemme voi tarjota tietoa objektien sijainnista. Näitä tietoja voidaan käyttää esimerkiksi liikkeentunnistukseen tai eleiden tunnistamiseen. Korostamme erittäin pienitehoisten antureiden, kuten pMUT:ien, yhdistämisen tärkeyttä erittäin pienitehoiseen elektroniikkaan. Tässä neuromorfiset lähestymistavat ovat olleet avainasemassa, koska ne ovat johtaneet meidät kehittämään uusia piiritoteutuksia biologisesti inspiroituneille laskentamenetelmille, kuten Jeffress-mallille. Anturifuusiosovellusten yhteydessä järjestelmämme voidaan yhdistää useisiin erilaisiin tapahtumapohjaisiin sensoreihin tarkemman tiedon saamiseksi. Vaikka pöllöt ovat erinomaisia ​​saaliin löytämisessä pimeässä, niillä on erinomainen näkö ja ne suorittavat yhdistetyn kuulo- ja visuaalisen haun ennen saaliin saamista70. Kun tietty kuulohermosolu laukeaa, pöllö saa tiedot, joita se tarvitsee määrittääkseen, mihin suuntaan aloittaa visuaalisen etsintänsä, ja siten keskittää huomionsa pieneen osaan visuaalista kohtausta. Visuaalisten sensorien (DVS-kamera) ja ehdotetun kuunteluanturin (perustuu pMUT:iin) yhdistelmää tulisi tutkia tulevaisuuden autonomisten tekijöiden kehittämiseksi.
pMUT-anturi sijaitsee piirilevyllä, jossa on kaksi vastaanotinta noin 10 cm:n päässä toisistaan, ja lähetin on vastaanottimien välissä. Tässä työssä jokainen kalvo on suspendoitu bimorfinen rakenne, joka koostuu kahdesta 800 nm paksuisesta pietsosähköisestä alumiininitridikerroksesta (AlN), jotka on kerrostettu kolmen molybdeeni (Mo) 200 nm paksuisen kerroksen välissä ja päällystetty 200 nm paksulla kerroksella. ylimmän passivoivan SiN-kerroksen viitteessä kuvatulla tavalla. 71. Sisä- ja ulompi elektrodi asetetaan molybdeenin pohja- ja yläkerrokseen, kun taas keskimmäinen molybdeenielektrodi on kuvioimaton ja sitä käytetään maadoituksena, jolloin tuloksena on kalvo, jossa on neljä elektrodiparia.
Tämä arkkitehtuuri mahdollistaa yhteisen kalvon muodonmuutoksen käytön, mikä johtaa parantuneeseen lähetys- ja vastaanottoherkkyyteen. Tällaisen pMUT:n viritysherkkyys emitterina on tyypillisesti 700 nm/V, mikä tarjoaa 270 Pa/V pintapaineen. Vastaanottimena yhden pMUT-kalvon oikosulkuherkkyys on 15 nA/Pa, mikä liittyy suoraan AlN:n pietsosähköiseen kertoimeen. AlN-kerroksen jännitteen tekninen vaihtelevuus johtaa resonanssitaajuuden muutokseen, jota voidaan kompensoida kohdistamalla DC-bias pMUT:iin. DC-herkkyys mitattiin 0,5 kHz/V. Akustiseen karakterisointiin pMUT:n edessä käytetään mikrofonia.
Kaikupulssin mittaamiseksi asetimme pMUT:n eteen suorakaiteen muotoisen levyn, jonka pinta-ala oli noin 50 cm2, heijastamaan lähetettyjä ääniaaltoja. Sekä levyjen välistä etäisyyttä että kulmaa pMUT-tasoon nähden ohjataan erityisillä pidikkeillä. Tectronix CPX400DP -jännitelähde esijännittää kolmea pMUT-kalvoa virittäen resonanssitaajuuden 111,9 kHz:ksi31, kun taas lähettimiä ohjaa Tectronix AFG 3102 -pulssigeneraattori, joka on viritetty resonanssitaajuudelle (111,9 kHz) ja käyttöjakso 0,01. Jokaisen pMUT-vastaanottimen neljästä lähtöportista luetut virrat muunnetaan jännitteiksi käyttämällä erityistä differentiaalivirta- ja jännitearkkitehtuuria, ja tuloksena saadut signaalit digitoidaan Spektrum-tiedonkeruujärjestelmällä. Havaitsemisrajaa luonnehdittiin pMUT-signaalin hankinnalla eri olosuhteissa: siirsimme heijastinta eri etäisyyksille [30, 40, 50, 60, 80, 100] cm ja muutimme pMUT-tukikulmaa ([0, 20, 40] o ) Kuvassa 2b on esitetty ajallinen ITD-ilmaisuresoluutio riippuen vastaavasta kulmapaikasta asteina.
Tämä artikkeli käyttää kahta erilaista valmista RRAM-piiriä. Ensimmäinen on joukko 16 384 (16 000) laitetta (128 × 128 laitetta) 1T1R-konfiguraatiossa, jossa on yksi transistori ja yksi vastus. Toinen siru on kuviossa 4a esitetty neuromorfinen alusta. RRAM-kenno koostuu 5 nm paksusta HfO2-kalvosta, joka on upotettu TiN/HfO2/Ti/TiN-pinoon. RRAM-pino on integroitu tavallisen 130 nm:n CMOS-prosessin back-of-line-järjestelmään (BEOL). RRAM-pohjaiset neuromorfiset piirit ovat suunnitteluhaaste täysin analogisille elektronisille järjestelmille, joissa RRAM-laitteet toimivat rinnakkain perinteisen CMOS-tekniikan kanssa. Erityisesti RRAM-laitteen johtavuustila on luettava ja käytettävä järjestelmän funktiomuuttujana. Tätä tarkoitusta varten suunniteltiin, valmistettiin ja testattiin piiri, joka lukee virran laitteesta, kun tulopulssi vastaanotetaan, ja käyttää tätä virtaa painottamaan differentiaalipariintegraattorin (DPI) synapsin vastetta. Tämä piiri on esitetty kuvassa 3a, joka edustaa kuvan 4a neuromorfisen alustan perusrakennuspalikoita. Tulopulssi aktivoi 1T1R-laitteen portin ja indusoi RRAM:n kautta virran, joka on verrannollinen laitteen konduktanssiin G (Iweight = G(Vtop – Vx)). Operaatiovahvistinpiirin (operaatiovahvistin) invertoivassa sisääntulossa on vakio DC-esijännite Vtop. Operaatiovahvistimen negatiivinen takaisinkytkentä tuottaa Vx = Vtopin antamalla yhtä suuren virran M1:stä. Laitteesta haettu nykyinen Iweight injektoidaan DPI-synapsiin. Vahvempi virta johtaa enemmän depolarisaatioon, joten RRAM-konduktanssi toteuttaa tehokkaasti synaptisia painoja. Tämä eksponentiaalinen synaptinen virta injektoidaan Leaky Integration and Excitation (LIF) -neuronien kalvokondensaattorin läpi, jossa se integroituu jännitteeksi. Jos kalvon kynnysjännite (invertterin kytkentäjännite) ylitetään, hermosolun lähtöosa aktivoituu, jolloin syntyy lähtöpiikin. Tämä pulssi palaa ja ohittaa neuronin kalvokondensaattorin maahan, jolloin se purkautuu. Tätä piiriä täydennetään sitten pulssin laajentimella (ei esitetty kuvassa 3a), joka muokkaa LIF-hermosolun lähtöpulssin tavoitepulssin leveydelle. Jokaiseen linjaan on myös rakennettu multiplekserit, jotka mahdollistavat jännitteen syöttämisen RRAM-laitteen ylä- ja alaelektrodeihin.
Sähkötestaus sisältää analogisten piirien dynaamisen käyttäytymisen analysoinnin ja tallentamisen sekä RRAM-laitteiden ohjelmoinnin ja lukemisen. Molemmat vaiheet vaativat erikoistyökaluja, jotka kaikki on kytketty anturikorttiin samanaikaisesti. Pääsy RRAM-laitteisiin neuromorfisissa piireissä tapahtuu ulkoisista työkaluista multiplekserin (MUX) kautta. MUX erottaa 1T1R-kennon muusta piiristä, johon se kuuluu, jolloin laite voidaan lukea ja/tai ohjelmoida. RRAM-laitteiden ohjelmointiin ja lukemiseen käytetään Keithley 4200 SCS -laitetta yhdessä Arduino-mikrokontrollerin kanssa: ensimmäinen tarkkaan pulssin generointiin ja virran lukemiseen ja toinen muistiryhmän yksittäisten 1T1R-elementtien nopeaan käyttöön. Ensimmäinen toimenpide on RRAM-laitteen muodostaminen. Kennot valitaan yksitellen ja positiivinen jännite syötetään ylä- ja alaelektrodin väliin. Tässä tapauksessa virta on rajoitettu kymmenien mikroampeerien luokkaan johtuen vastaavan hilajännitteen syöttämisestä valitsintransistoriin. RRAM-solu voi sitten vuorotella matalan johtavuuden tilan (LCS) ja korkean johtavuuden tilan (HCS) välillä käyttämällä RESET- ja SET-toimintoja, vastaavasti. SET-toiminto suoritetaan syöttämällä ylempään elektrodiin suorakaiteen muotoinen jännitepulssi, jonka kesto on 1 μs ja huippujännite 2,0-2,5 V, ja samanmuotoista tahdistuspulssia, jonka huippujännite on 0,9-1,3 V. valitsintransistorin portti. Nämä arvot mahdollistavat RRAM-konduktanssin moduloinnin 20-150 µs:n välein. RESETiä varten 1 µs leveä 3 V huippupulssi syötetään kennon alaelektrodille (bittilinjalle), kun hilajännite on alueella 2,5-3,0 V. Analogisten piirien tulot ja lähdöt ovat dynaamisia signaaleja. . Syöttöä varten lomitimme kaksi HP 8110 -pulssigeneraattoria Tektronix AFG3011 -signaaligeneraattoreihin. Tulopulssin leveys on 1 µs ja nousu-/laskeutumisreuna 50 ns. Tämän tyyppisen pulssin oletetaan olevan tyypillinen häiriö analogisissa häiriöihin perustuvissa piireissä. Mitä tulee ulostulosignaaliin, lähtösignaali tallennettiin Teledyne LeCroy 1 GHz oskilloskoopilla. Oskilloskoopin hakunopeus ei ole todistettu rajoittavaksi tekijäksi piiritietojen analysoinnissa ja hankinnassa.
Analogisen elektroniikan dynamiikan käyttäminen neuronien ja synapsien käyttäytymisen simuloimiseen on tyylikäs ja tehokas ratkaisu laskennan tehokkuuden parantamiseen. Tämän laskennallisen alustan haittana on, että se vaihtelee kaaviosta toiseen. Kvantifioimme neuronien ja synaptisten piirien vaihtelun (lisäkuva 2a, b). Kaikista vaihtelevuuden ilmenemismuodoista aikavakioihin ja tulovahvistuksiin liittyvillä on suurin vaikutus järjestelmätasolla. LIF-hermosolun ja DPI-synapsin aikavakio määräytyy RC-piirillä, jossa R:n arvoa ohjataan transistorin hilaan syötetyllä biasjännitteellä (Vlk neuronille ja Vtau synapsille), joka määrittää vuotonopeus. Tulovahvistus määritellään huippujännitteeksi, jonka tulopulssilla stimuloivat synaptiset ja hermosolujen kalvokondensaattorit saavuttavat. Tulovahvistusta ohjaa toinen bias-transistori, joka moduloi tulovirtaa. ST Microelectronicsin 130 nm:n prosessiin kalibroitu Monte Carlo -simulaatio suoritettiin jonkin syöttövahvistuksen ja aikavakion tilastojen keräämiseksi. Tulokset on esitetty lisäkuvassa 2, jossa tulovahvistus ja aikavakio kvantifioidaan vuodon määrää säätelevän esijännitteen funktiona. Vihreät merkit ilmaisevat aikavakion keskihajonnan keskiarvosta. Sekä neuronit että synaptiset piirit pystyivät ilmaisemaan laajan valikoiman aikavakioita alueella 10-5-10-2 sekuntia, kuten on esitetty lisäkuvassa. Hermosolujen ja synapsien vaihtelujen syöttövahvistus (täydentävä kuva 2e, d) oli vastaavasti noin 8 % ja 3 %. Tällainen puute on dokumentoitu hyvin kirjallisuudessa: DYNAP-sirujen ryhmälle suoritettiin erilaisia ​​mittauksia LIF63-neuronipopulaatioiden välisen epäsuhtaisuuden arvioimiseksi. BrainScale-sekoitetun signaalisirun synapsit mitattiin ja niiden epäjohdonmukaisuudet analysoitiin, ja kalibrointimenettelyä ehdotettiin järjestelmätason vaihtelun vaikutuksen vähentämiseksi64.
RRAM:n tehtävä neuromorfisissa piireissä on kaksiosainen: arkkitehtuurin määrittely (sisääntulojen reitittäminen lähtöihin) ja synaptisten painojen toteutus. Jälkimmäistä ominaisuutta voidaan käyttää mallinnettujen neuromorfisten piirien vaihteluongelman ratkaisemiseen. Olemme kehittäneet yksinkertaisen kalibrointimenettelyn, joka sisältää RRAM-laitteen uudelleenohjelmoinnin, kunnes analysoitava piiri täyttää tietyt vaatimukset. Tietyn tulon lähtöä valvotaan ja RRAM ohjelmoidaan uudelleen, kunnes tavoitekäyttäytyminen saavutetaan. Ohjelmointitoimintojen välillä otettiin käyttöön 5 sekunnin odotusaika RRAM-relaksaation ongelman ratkaisemiseksi, mikä johtaa ohimeneviin konduktanssin vaihteluihin (lisätiedot). Synaptisia painoja säädetään tai kalibroidaan mallinnettavan neuromorfisen piirin vaatimusten mukaan. Kalibrointimenettely on tiivistetty lisäalgoritmeihin [1, 2], jotka keskittyvät neuromorfisten alustojen kahteen perusominaisuuteen, viivelinjoihin ja suunta-herkän CD:n. Piirille, jossa on viivelinja, tavoitekäyttäytyminen on tuottaa lähtöpulssi viiveellä Δt. Jos todellinen piirin viive on pienempi kuin tavoitearvo, G3:n synaptista painoa tulee pienentää (G3 on nollattava ja asetettava sitten pienempään sovitusvirtaan Icc). Päinvastoin, jos todellinen viive on suurempi kuin tavoitearvo, G3:n konduktanssia on lisättävä (G3 on ensin nollattava ja asetettava sitten suurempaan Icc-arvoon). Tätä prosessia toistetaan, kunnes piirin luoma viive vastaa tavoitearvoa ja kalibrointiprosessin pysäyttämiseksi asetetaan toleranssi. Suunta-herkän CD-levyn kalibrointiprosessissa on mukana kaksi RRAM-laitetta, G1 ja G3. Tässä piirissä on kaksi tuloa, Vin0 ja Vin1, viivästetty dt:llä. Piirin tulee reagoida vain viiveisiin, jotka ovat alle sovitusalueen [0,dtCD]. Jos lähtöhuippua ei ole, mutta tulohuippu on lähellä, molempia RRAM-laitteita tulee tehostaa, jotta neuroni saavuttaa kynnyksen. Päinvastoin, jos piiri reagoi viiveeseen, joka ylittää dtCD:n tavoitealueen, konduktanssia on vähennettävä. Toista prosessia, kunnes saat oikean toiminnan. Yhteensopivuusvirtaa voidaan moduloida sisäänrakennetulla analogisella piirillä viitenumerossa. 72,73. Tämän sisäänrakennetun piirin avulla tällaisia ​​toimenpiteitä voidaan suorittaa säännöllisesti järjestelmän kalibroimiseksi tai sen käyttämiseksi uudelleen toiseen sovellukseen.
Arvioimme neuromorfisen signaalinkäsittelymenetelmämme virrankulutuksen tavallisella 32-bittisellä mikro-ohjaimella68. Tässä arvioinnissa oletamme toiminnan samalla asetuksella kuin tässä artikkelissa, yhdellä pMUT-lähettimellä ja kahdella pMUT-vastaanottimella. Tämä menetelmä käyttää kaistanpäästösuodatinta, jota seuraa verhokäyrän erotusvaihe (Teeger-Kaiser), ja lopuksi signaaliin sovelletaan kynnystoimintoa lentoajan erottamiseksi. ITD:n laskenta ja sen muuntaminen havaintokulmiksi jätetään arvioinnissa pois. Tarkastellaan kaistanpäästösuodattimen toteutusta, jossa käytetään 4. asteen ääretöntä impulssivastesuodatinta, joka vaatii 18 liukulukuoperaatiota. Kirjekuoren poiminta käyttää kolmea muuta liukulukutoimintoa, ja viimeistä toimintoa käytetään kynnyksen asettamiseen. Signaalin esikäsittelyyn tarvitaan yhteensä 22 liukulukuoperaatiota. Lähetetty signaali on lyhyt 111,9 kHz:n siniaaltomuoto, joka generoidaan 10 ms:n välein, mikä johtaa 100 Hz:n paikannustoimintataajuuteen. Käytimme näytteenottotaajuutta 250 kHz noudattaaksemme Nyquistin vaatimuksia ja 6 ms:n ikkunaa jokaisessa mittauksessa 1 metrin mittausalueen kaappaamiseksi. Huomaa, että 6 millisekuntia on 1 metrin päässä olevan kohteen lentoaika. Tämä tarjoaa 180 µW virrankulutuksen A/D-muunnokselle nopeudella 0,5 MSPS. Signaalin esikäsittely on 6,60 MIPS (käskyä sekunnissa), mikä tuottaa 0,75 mW. Mikro-ohjain voi kuitenkin vaihtaa alhaisen tehon tilaan 69, kun algoritmi ei ole käynnissä. Tämä tila tarjoaa 10,8 μW:n staattisen virrankulutuksen ja 113 μs:n herätysajan. 84 MHz:n kellotaajuudella mikro-ohjain suorittaa kaikki neuromorfisen algoritmin toiminnot 10 ms:n sisällä, ja algoritmi laskee 6,3 %:n toimintasuhteen, jolloin käytetään pienitehoista tilaa. Tuloksena oleva tehohäviö on 244,7 μW. Huomaa, että jätämme ITD-lähdön pois ToF:stä ja muuntamisen tunnistuskulmaksi, mikä aliarvioi mikro-ohjaimen virrankulutuksen. Tämä tarjoaa lisäarvoa ehdotetun järjestelmän energiatehokkuudelle. Lisävertailuehtona arvioimme viitteessä ehdotettujen klassisten säteenmuodostusmenetelmien tehonkulutuksen. 31,54, kun se on upotettu samaan mikro-ohjaimeen68 1,8 V:n syöttöjännitteellä. Viittä tasaisin välein olevaa pMUT-kalvoa käytetään datan keräämiseen säteenmuodostusta varten. Mitä tulee itse käsittelyyn, käytetty säteenmuodostusmenetelmä on viiveen summaus. Se koostuu yksinkertaisesti viiveen soveltamisesta kaistalle, joka vastaa odotettua eroa yhden kaistan ja vertailukaistan välillä saapumisajoissa. Jos signaalit ovat samassa vaiheessa, näiden signaalien summalla on korkea energia aikasiirron jälkeen. Jos ne ovat epävaiheessa, tuhoavat häiriöt rajoittavat niiden summan energiaa. parisuhteessa. Kuvassa Kuviossa 31 2 MHz:n näytteenottotaajuus valitaan siirtämään dataa näytteiden kokonaislukumäärällä. Vaatimattomampi lähestymistapa on säilyttää karkeampi 250 kHz:n näytteenottotaajuus ja käyttää Finite Impulse Response (FIR) -suodatinta murto-osien viiveiden syntetisoimiseen. Oletetaan, että keilanmuodostusalgoritmin monimutkaisuus määräytyy pääasiassa aikasiirtymän mukaan, koska jokainen kanava on konvoloitunut FIR-suodattimella, jossa on 16 väliottoa kumpaankin suuntaan. Tätä toimintoa varten tarvittavan MIPS-määrän laskemiseksi otamme huomioon 6 ms:n ikkunan mittausta kohden 1 metrin, 5 kanavan ja 11 säteenmuodostussuunnan kaappaamiseen (alue +/- 50° 10° askelin). 75 mittausta sekunnissa nosti mikro-ohjaimen maksimissaan 100 MIPS:ään. Linkki. 68, jolloin tehohäviö on 11,26 mW, jolloin kokonaistehohäviö on 11,71 mW, kun on lisätty sisäänrakennettu ADC-osuus.
Tämän tutkimuksen tuloksia tukevat tiedot ovat saatavilla vastaavalta kirjoittajalta, FM:ltä, kohtuullisesta pyynnöstä.
Indiveri, G. & Sandamirskaya, Y. Tilan ja ajan merkitys signaalinkäsittelylle neuromorfisissa aineissa: Haaste kehittää vähätehoisia, autonomisia aineita, jotka ovat vuorovaikutuksessa ympäristön kanssa. Indiveri, G. & Sandamirskaya, Y. Tilan ja ajan merkitys signaalinkäsittelylle neuromorfisissa aineissa: Haaste kehittää vähätehoisia, autonomisia aineita, jotka ovat vuorovaikutuksessa ympäristön kanssa.Indiveri G. ja Sandamirskaya Y. Tilan ja ajan merkitys signaalinkäsittelylle neuromorfisissa tekijöissä: haaste kehittää vähätehoisia autonomisia aineita, jotka ovat vuorovaikutuksessa ympäristön kanssa. 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. ja Sandamirskaya Y. Tilan ja ajan merkitys signaalinkäsittelylle neuromorfisissa tekijöissä: haaste kehittää vähätehoisia autonomisia aineita, jotka ovat vuorovaikutuksessa ympäristön kanssa.IEEE signaalinkäsittely. Journal 36, 16–28 (2019).
Thorpe, SJ Huippu saapumisaika: Tehokas neuroverkon koodausjärjestelmä. julkaisussa Eckmiller, R., Hartmann, G. & Hauske, G. (toim.). julkaisussa Eckmiller, R., Hartmann, G. & Hauske, G. (toim.).julkaisussa Eckmiller, R., Hartmann, G. ja Hauske, G. (toim.).Julkaisussa Eckmiller, R., Hartmann, G. ja Hauske, G. (toim.). Rinnakkaiskäsittely hermojärjestelmissä ja tietokoneissa 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Viestintä kuluttaa 35 kertaa enemmän energiaa kuin laskeminen ihmisen aivokuoressa, mutta molemmat kustannukset ovat tarpeen synapsiluvun ennustamiseen. Levy, WB & Calvert, VG Viestintä kuluttaa 35 kertaa enemmän energiaa kuin laskeminen ihmisen aivokuoressa, mutta molemmat kustannukset ovat tarpeen synapsiluvun ennustamiseen.Levy, WB ja Calvert, WG Viestintä kuluttaa 35 kertaa enemmän energiaa kuin laskenta ihmisen aivokuoressa, mutta molemmat kustannukset tarvitaan synapsien määrän ennustamiseen. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的层计算的35 倍，但这两种成本ヽ需要遰能测炪需要预迕瀍 Levy, WB & Calvert, VG CommunicationLevy, WB ja Calvert, WG Viestintä kuluttaa 35 kertaa enemmän energiaa kuin laskenta ihmisen aivokuoressa, mutta molemmat kustannukset edellyttävät synapsien lukumäärän ennustamista.käsitellä. Kansallinen tiedeakatemia. tiedettä. 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. Insect-inspired neuromorphic computing. Nykyinen. Lausunto. Hyönteistiede. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Kohti piikkipohjaista koneälyä neuromorfisella laskennalla. Roy, K., Jaiswal, A. & Panda, P. Kohti piikkipohjaista koneälyä neuromorfisella laskennalla. Roy, K., Jaiswal, A. & Panda, P. Towards Spike-Based Machine Intelligence with Neuromorphic Computing.Roy K, Jaiswal A ja Panda P. Pulssipohjainen tekoäly käyttäen neuromorfista laskentaa. Nature 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. ja Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. ja Liu, S.-K.Muisti ja tiedonkäsittely neuromorfisissa järjestelmissä. prosessi. IEEE 103, 1379–1397 (2015).
Akopyan F. et ai. Truenorth: Suunnittelu ja työkalusarja 65 mW:n 1 miljoonan neuronin ohjelmoitavalle synaptiselle sirulle. IEEE-tapahtumat. Integroitujen piirijärjestelmien tietokonesuunnittelu. 34, 1537–1557 (2015).
Schemmel, J. et ai. Live-demo: BrainScaleS-neuromorfisen järjestelmän pienennetty versio levymittakaavassa. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE toim.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Skaalautuva moniytiminen arkkitehtuuri heterogeenisillä muistirakenteilla dynaamisille neuromorfisille asynkronisille prosessoreille (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Skaalautuva moniytiminen arkkitehtuuri heterogeenisillä muistirakenteilla dynaamisille neuromorfisille asynkronisille prosessoreille (DYNAP).Moradi S., Qiao N., Stefanini F. ja Indiviri G. Skaalautuva moniytiminen arkkitehtuuri heterogeenisillä muistirakenteilla dynaamisille neuromorfisille asynkronisille prosessoreille (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G.的异构内存结构. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Eräänlainen laajennettavissa oleva moniytiminen arkkitehtuuri, jossa on ainutlaatuinen muistirakenne dynaamista hermokäsittelyä varten (DYNAP).Moradi S., Qiao N., Stefanini F. ja Indiviri G. Skaalautuva moniytiminen arkkitehtuuri heterogeenisillä muistirakenteilla dynaamisille neuromorfisille asynkronisille prosessoreille (DYNAP).IEEE Transactions on biomedical science. sähköjärjestelmä. 12, 106–122 (2018).
Davis, M. et ai. Loihi: Neuromorfinen moniytiminen prosessori, jossa on sulautettu oppiminen. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker-projekti. Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker-projekti.Ferber SB, Galluppi F., Temple S. ja Plana LA SpiNNaker projekti.Ferber SB, Galluppi F., Temple S. ja Plana LA SpiNNaker projekti. käsitellä. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Neuromorfiset aistijärjestelmät. & Delbruck, T. Neuromorfiset aistijärjestelmät.ja Delbrück T. Neuromorfiset sensorijärjestelmät. & Delbruck, T. 神经形态感觉系统. & Delbruck, T.ja Delbrück T. Neuromorfinen sensorijärjestelmä.Nykyinen. Lausunto. Neurobiologia. 20, 288–295 (2010).
Chope, T. et ai. Neuromorfinen sensorinen integraatio yhdistettyyn äänilähteen lokalisointiin ja törmäysten välttämiseen. Vuonna 2019 IEEE Biomedical Circuits and Systems -konferenssissa (BioCAS), (IEEE toim.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Stereonäön piikkipohjainen neuromorfinen arkkitehtuuri. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Stereonäön piikkipohjainen neuromorfinen arkkitehtuuri.Risi N, Aymar A, Donati E, Solinas S ja Indiveri G. Piikkipohjainen neuromorfinen stereovision arkkitehtuuri. 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-pohjainen neuromorfinen arkkitehtuuri stereonäkemiseen.edessä. Neurorobotics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking hermoverkkomalli 3D-perceptionin tapahtumapohjaisille neuromorfisille stereonäköjärjestelmille. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking hermoverkkomalli 3D-perceptionin tapahtumapohjaisille neuromorfisille stereonäköjärjestelmille.Oswald, M., Ieng, S.-H., Benosman, R., ja Indiveri, G. 3D Pulsed Neural Network Perception Model for Event-Based Neuromorphic Stereo Vision Systems. 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 3D-perception Neural Network Model for an Event-Based Neuromorphic Stereo Vision System.tiedettä. Raportti 7, 1–11 (2017).
Dalgaty, T. et ai. Hyönteisten inspiroima perusliiketunnistus sisältää resistiivisen muistin ja purskeiset hermoverkot. Bionic biohybridijärjestelmä. 10928, 115–128 (2018).
D'Angelo, G. et ai. Tapahtumapohjainen eksentrinen liikkeentunnistus käyttämällä temporaalista differentiaalista koodausta. edessä. Neurologia. 14, 451 (2020).