સમાચાર

વાસ્તવિક દુનિયાની ડેટા પ્રોસેસિંગ એપ્લિકેશનને કોમ્પેક્ટ, લો-લેટન્સી, લો-પાવર કમ્પ્યુટિંગ સિસ્ટમની જરૂર છે. ઇવેન્ટ-આધારિત કમ્પ્યુટિંગ ક્ષમતાઓ સાથે, પૂરક મેટલ-ઓક્સાઇડ-સેમિકન્ડક્ટર હાઇબ્રિડ મેમરિસ્ટિવ ન્યુરોમોર્ફિક આર્કિટેક્ચર્સ આવા કાર્યો માટે એક આદર્શ હાર્ડવેર પાયો પૂરો પાડે છે. આવી સિસ્ટમ્સની સંપૂર્ણ ક્ષમતા દર્શાવવા માટે, અમે વાસ્તવિક-વિશ્વ ઑબ્જેક્ટ સ્થાનિકીકરણ એપ્લિકેશન્સ માટે વ્યાપક સેન્સર પ્રોસેસિંગ સોલ્યુશનનો પ્રસ્તાવ અને પ્રાયોગિક રીતે નિદર્શન કરીએ છીએ. બાર્ન ઘુવડ ન્યુરોએનાટોમીમાંથી પ્રેરણા લઈને, અમે એક બાયોઈન્સાયર્ડ, ઘટના-સંચાલિત ઑબ્જેક્ટ સ્થાનિકીકરણ સિસ્ટમ વિકસાવી છે જે અત્યાધુનિક પીઝોઈલેક્ટ્રિક માઇક્રોમિકેનિકલ ટ્રાન્સડ્યુસર ટ્રાન્સડ્યુસરને કોમ્પ્યુટેશનલ ગ્રાફ-આધારિત ન્યુરોમોર્ફિક રેઝિસ્ટિવ મેમરી સાથે જોડે છે. અમે ફેબ્રિકેટેડ સિસ્ટમનું માપ બતાવીએ છીએ જેમાં મેમરી-આધારિત રેઝિસ્ટિવ કોન્સિડન્સ ડિટેક્ટર, વિલંબ લાઇન સર્કિટરી અને સંપૂર્ણપણે કસ્ટમાઇઝ કરી શકાય તેવા અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસરનો સમાવેશ થાય છે. અમે આ પ્રાયોગિક પરિણામોનો ઉપયોગ સિસ્ટમ સ્તરે સિમ્યુલેશનને માપાંકિત કરવા માટે કરીએ છીએ. આ સિમ્યુલેશનનો ઉપયોગ પછી ઑબ્જેક્ટ સ્થાનિકીકરણ મોડેલના કોણીય રીઝોલ્યુશન અને ઊર્જા કાર્યક્ષમતાનું મૂલ્યાંકન કરવા માટે થાય છે. પરિણામો દર્શાવે છે કે અમારો અભિગમ એ જ કાર્ય કરતા માઇક્રોકન્ટ્રોલર કરતાં વધુ ઉર્જા કાર્યક્ષમ તીવ્રતાના ઘણા ઓર્ડર હોઈ શકે છે.
અમે સર્વવ્યાપક કમ્પ્યુટિંગના યુગમાં પ્રવેશી રહ્યા છીએ જ્યાં અમારા રોજિંદા જીવનમાં અમને મદદ કરવા માટે તૈનાત ઉપકરણો અને સિસ્ટમોની સંખ્યા ઝડપથી વધી રહી છે. આ સિસ્ટમો સતત ચાલવાની અપેક્ષા રાખવામાં આવે છે, શક્ય તેટલી ઓછી શક્તિનો વપરાશ કરે છે જ્યારે તેઓ વાસ્તવિક સમયમાં બહુવિધ સેન્સરમાંથી એકત્રિત કરેલા ડેટાનું અર્થઘટન કરવાનું શીખે છે અને વર્ગીકરણ અથવા માન્યતા કાર્યોના પરિણામે બાઈનરી આઉટપુટ ઉત્પન્ન કરે છે. આ ધ્યેય હાંસલ કરવા માટે જરૂરી સૌથી મહત્વપૂર્ણ પગલાં પૈકી એક છે ઘોંઘાટીયા અને ઘણીવાર અપૂર્ણ સંવેદનાત્મક ડેટામાંથી ઉપયોગી અને કોમ્પેક્ટ માહિતી કાઢવા. પરંપરાગત ઇજનેરી અભિગમો સામાન્ય રીતે સેન્સર સિગ્નલને સતત અને ઊંચા દરે સેમ્પલ કરે છે, ઉપયોગી ઇનપુટ્સની ગેરહાજરીમાં પણ મોટા પ્રમાણમાં ડેટા જનરેટ કરે છે. વધુમાં, આ પદ્ધતિઓ (ઘણી વખત ઘોંઘાટીયા) ઇનપુટ ડેટાને પૂર્વ-પ્રક્રિયા કરવા માટે જટિલ ડિજિટલ સિગ્નલ પ્રોસેસિંગ તકનીકોનો ઉપયોગ કરે છે. તેના બદલે, જીવવિજ્ઞાન ઊર્જા-કાર્યક્ષમ, અસુમેળ, ઘટના-સંચાલિત અભિગમો (સ્પાઇક્સ) 2,3 નો ઉપયોગ કરીને ઘોંઘાટીયા સંવેદનાત્મક ડેટાની પ્રક્રિયા માટે વૈકલ્પિક ઉકેલો પ્રદાન કરે છે. ન્યુરોમોર્ફિક કમ્પ્યુટિંગ પરંપરાગત સિગ્નલ પ્રોસેસિંગ પદ્ધતિઓ 4,5,6ની તુલનામાં ઊર્જા અને મેમરીની જરૂરિયાતોના સંદર્ભમાં કોમ્પ્યુટેશનલ ખર્ચ ઘટાડવા માટે જૈવિક પ્રણાલીઓમાંથી પ્રેરણા લે છે. તાજેતરમાં, ઇમ્પલ્સ ન્યુરલ નેટવર્ક્સ (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) ને અમલમાં મૂકતી નવીન સામાન્ય હેતુ મગજ-આધારિત સિસ્ટમ્સનું નિદર્શન કરવામાં આવ્યું છે. આ પ્રોસેસર્સ મશીન લર્નિંગ અને કોર્ટિકલ સર્કિટ મોડેલિંગ માટે ઓછી શક્તિ, ઓછી વિલંબતા ઉકેલો પ્રદાન કરે છે. તેમની ઉર્જા કાર્યક્ષમતાનો સંપૂર્ણ ઉપયોગ કરવા માટે, આ ન્યુરોમોર્ફિક પ્રોસેસર્સ ઘટના-સંચાલિત સેન્સર12,13 સાથે સીધા જોડાયેલા હોવા જોઈએ. જો કે, આજે ફક્ત થોડા ટચ ઉપકરણો છે જે સીધા ઇવેન્ટ-આધારિત ડેટા પ્રદાન કરે છે. ટ્રેકિંગ અને મોશન ડિટેક્શન 14,15,16,17 સિલિકોન કોક્લીઆ18 અને ન્યુરોમોર્ફિક ઓડિટરી સેન્સર્સ (NAS)19 જેવા વિઝન એપ્લીકેશન માટે ડાયનેમિક વિઝ્યુઅલ સેન્સર્સ (DVS) ઓડિટરી સિગ્નલ પ્રોસેસિંગ માટે, ઘ્રાણેન્દ્રિય સેન્સર20 અને 21,21 ન્યુરોમોર્ફિક ઓડિટરી સેન્સર્સ 20 અને 21 ન્યુરોમોર્ફિક ઓડિટરી સેન્સર્સ છે. . ટેક્સચર સેન્સર્સ.
આ પેપરમાં, અમે ઑબ્જેક્ટ લોકલાઇઝેશન પર લાગુ કરાયેલ નવી વિકસિત ઇવેન્ટ-આધારિત ઑડિટરી પ્રોસેસિંગ સિસ્ટમ રજૂ કરીએ છીએ. અહીં, પ્રથમ વખત, અમે ન્યુરોમોર્ફિક રેઝિસ્ટિવ મેમરી (RRAM) પર આધારિત કોમ્પ્યુટેશનલ ગ્રાફ સાથે અત્યાધુનિક પીઝોઇલેક્ટ્રિક માઇક્રોમેચિન અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસર (pMUT) ને કનેક્ટ કરીને મેળવેલી ઑબ્જેક્ટ લોકલાઇઝેશન માટે એન્ડ-ટુ-એન્ડ સિસ્ટમનું વર્ણન કરીએ છીએ. RRAM નો ઉપયોગ કરીને ઇન-મેમરી કમ્પ્યુટીંગ આર્કિટેક્ચરો પાવર વપરાશ ઘટાડવા માટે એક આશાસ્પદ ઉકેલ છે23,24,25,26,27,28,29. તેમની સહજ બિન-અસ્થિરતા-માહિતી સંગ્રહિત કરવા અથવા અપડેટ કરવા માટે સક્રિય પાવર વપરાશની જરૂર નથી-તે ન્યુરોમોર્ફિક કમ્પ્યુટિંગની અસુમેળ, ઘટના-સંચાલિત પ્રકૃતિ સાથે સંપૂર્ણ ફિટ છે, પરિણામે જ્યારે સિસ્ટમ નિષ્ક્રિય હોય ત્યારે લગભગ કોઈ વીજ વપરાશ થતો નથી. પીઝોઇલેક્ટ્રિક માઇક્રોમેચિન અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસર્સ (pMUTs) સસ્તા, લઘુચિત્ર સિલિકોન-આધારિત અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસર્સ છે જે ટ્રાન્સમીટર અને રીસીવર તરીકે કામ કરવા સક્ષમ છે30,31,32,33,34. બિલ્ટ-ઇન સેન્સર દ્વારા પ્રાપ્ત સિગ્નલો પર પ્રક્રિયા કરવા માટે, અમે બાર્ન ઘુવડ ન્યુરોએનાટોમી 35,36,37 થી પ્રેરણા લીધી. કોઠાર ઘુવડ ટાયટો આલ્બા ખૂબ જ કાર્યક્ષમ શ્રાવ્ય સ્થાનિકીકરણ પ્રણાલીને કારણે તેની નોંધપાત્ર રાત્રિ શિકાર ક્ષમતાઓ માટે જાણીતું છે. શિકારના સ્થાનની ગણતરી કરવા માટે, બાર્ન ઘુવડની સ્થાનિકીકરણ પ્રણાલી ફ્લાઇટના સમય (ToF)ને એન્કોડ કરે છે જ્યારે શિકારમાંથી ધ્વનિ તરંગો ઘુવડના દરેક કાન અથવા ધ્વનિ રીસેપ્ટર્સ સુધી પહોંચે છે. કાન વચ્ચેનું અંતર જોતાં, બે ToF માપન વચ્ચેનો તફાવત (Interaural Time Diference, ITD) લક્ષ્યની અઝીમથ સ્થિતિની વિશ્લેષણાત્મક રીતે ગણતરી કરવાનું શક્ય બનાવે છે. જો કે જૈવિક પ્રણાલીઓ બીજગણિતીય સમીકરણોને ઉકેલવા માટે નબળી રીતે અનુકૂળ છે, તેઓ સ્થાનિકીકરણની સમસ્યાઓને ખૂબ જ અસરકારક રીતે હલ કરી શકે છે. કોઠાર ઘુવડ નર્વસ સિસ્ટમ સંયોગ ડિટેક્ટર (CD) 35 ચેતાકોષોના સમૂહનો ઉપયોગ કરે છે (એટલે ​​​​કે, પોઝિશનિંગ સમસ્યાઓ ઉકેલવા માટે કોમ્પ્યુટેશનલ ગ્રાફમાં સંગઠિત 38,39 સ્પાઇક્સ વચ્ચે ટેમ્પોરલ સહસંબંધ શોધવા માટે સક્ષમ ન્યુરોન્સ)
અગાઉના સંશોધનોએ દર્શાવ્યું છે કે કોમ્પ્લીમેન્ટરી મેટલ-ઓક્સાઈડ-સેમિકન્ડક્ટર (CMOS) હાર્ડવેર અને RRAM-આધારિત ન્યુરોમોર્ફિક હાર્ડવેર કોઠારના ઘુવડના હલકી ગુણવત્તાવાળા કોલિક્યુલસ ("ઓડિટરી કોર્ટેક્સ") દ્વારા પ્રેરિત ITD13, 40, 41, નો ઉપયોગ કરીને સ્થિતિની ગણતરી કરવા માટે એક કાર્યક્ષમ પદ્ધતિ છે. 42, 43, 44, 45, 46. જો કે, શ્રાવ્ય સંકેતોને ન્યુરોમોર્ફિક કોમ્પ્યુટેશનલ આલેખ સાથે જોડતી સંપૂર્ણ ન્યુરોમોર્ફિક સિસ્ટમ્સની સંભવિતતા હજુ દર્શાવવાની બાકી છે. મુખ્ય સમસ્યા એનાલોગ CMOS સર્કિટની અંતર્ગત પરિવર્તનશીલતા છે, જે મેચ શોધની ચોકસાઈને અસર કરે છે. તાજેતરમાં, ITD47 અંદાજોના વૈકલ્પિક સંખ્યાત્મક અમલીકરણો દર્શાવવામાં આવ્યા છે. આ પેપરમાં, અમે એનાલોગ સર્કિટ્સમાં પરિવર્તનશીલતાનો સામનો કરવા માટે બિન-અસ્થિર રીતે વાહકતા મૂલ્યને બદલવા માટે RRAM ની ક્ષમતાનો ઉપયોગ કરવાની દરખાસ્ત કરીએ છીએ. અમે 111.9 kHz ની આવર્તન પર કાર્યરત એક pMUT ટ્રાન્સમિટિંગ મેમ્બ્રેન, બે pMUT રિસિવિંગ મેમ્બ્રેન (સેન્સર) સિમ્યુલેટિંગ બાર્ન ઘુવડના કાન અને એક ધરાવતી પ્રાયોગિક સિસ્ટમ અમલમાં મૂકી છે. અમારી સ્થાનિકીકરણ પ્રણાલીને ચકાસવા અને તેના કોણીય રીઝોલ્યુશનનું મૂલ્યાંકન કરવા માટે અમે પ્રાયોગિક રીતે pMUT ડિટેક્શન સિસ્ટમ અને RRAM-આધારિત ITD કોમ્પ્યુટેશનલ ગ્રાફની લાક્ષણિકતા બનાવી છે.
અમે પરંપરાગત બીમફોર્મિંગ અથવા ન્યુરોમોર્ફિક પદ્ધતિઓનો ઉપયોગ કરીને સમાન સ્થાનિકીકરણ કાર્ય કરતા માઇક્રોકન્ટ્રોલર પર ડિજિટલ અમલીકરણ સાથે અમારી પદ્ધતિની સરખામણી કરીએ છીએ, તેમજ સંદર્ભમાં સૂચિત ITD અંદાજ માટે ફીલ્ડ પ્રોગ્રામેબલ ગેટ એરે (FPGA) સાથે કરીએ છીએ. 47. આ સરખામણી સૂચિત RRAM-આધારિત એનાલોગ ન્યુરોમોર્ફિક સિસ્ટમની સ્પર્ધાત્મક શક્તિ કાર્યક્ષમતાને પ્રકાશિત કરે છે.
સચોટ અને કાર્યક્ષમ ઑબ્જેક્ટ સ્થાનિકીકરણ પ્રણાલીના સૌથી આકર્ષક ઉદાહરણો પૈકીનું એક બાર્ન ઘુવડ 35,37,48 માં શોધી શકાય છે. સાંજના સમયે અને પરોઢિયે, કોઠાર ઘુવડ (ટાયટો આલ્બા) મુખ્યત્વે નિષ્ક્રિય સાંભળવા પર આધાર રાખે છે, સક્રિયપણે નાના શિકાર જેમ કે પોલાણ અથવા ઉંદરને શોધે છે. આ શ્રાવ્ય નિષ્ણાતો આશ્ચર્યજનક ચોકસાઈ (લગભગ 2°)35 સાથે શિકારમાંથી શ્રાવ્ય સંકેતોનું સ્થાનીકરણ કરી શકે છે, જેમ કે ફિગ. 1a માં બતાવ્યા પ્રમાણે. કોઠાર ઘુવડ અઝીમથ (આડા) પ્લેનમાં ધ્વનિ સ્ત્રોતનું સ્થાન ધ્વનિ સ્ત્રોતથી બે કાન સુધીના ફ્લાઇટના ઇનકમિંગ ટાઇમ (ITD) ના તફાવત પરથી કાઢે છે. ITD કોમ્પ્યુટેશનલ મિકેનિઝમ Jeffress49,50 દ્વારા પ્રસ્તાવિત કરવામાં આવ્યું હતું જે ન્યુરલ ભૂમિતિ પર આધાર રાખે છે અને તેને બે મુખ્ય ઘટકોની જરૂર છે: એક ચેતાક્ષ, વિલંબ રેખા તરીકે કામ કરતા ચેતાકોષના ચેતા તંતુ, અને કોમ્પ્યુટેશનલ સિસ્ટમમાં ગોઠવાયેલા સંયોગ ડિટેક્ટર ન્યુરોન્સની શ્રેણી. આકૃતિ 1b માં બતાવ્યા પ્રમાણે આલેખ. અઝીમથ ડિપેન્ડન્ટ ટાઈમ ડિલે (ITD) સાથે અવાજ કાન સુધી પહોંચે છે. પછી અવાજ દરેક કાનમાં સ્પાઇક પેટર્નમાં રૂપાંતરિત થાય છે. ડાબા અને જમણા કાનના ચેતાક્ષો વિલંબ રેખાઓ તરીકે કામ કરે છે અને CD ચેતાકોષો પર એકરૂપ થાય છે. સૈદ્ધાંતિક રીતે, મેળ ખાતા ચેતાકોષોની શ્રેણીમાં માત્ર એક ચેતાકોષ એક સમયે ઇનપુટ પ્રાપ્ત કરશે (જ્યાં વિલંબ બરાબર રદ થાય છે) અને મહત્તમ રીતે ફાયર થશે (પડોશી કોષો પણ ફાયર થશે, પરંતુ ઓછી આવર્તન પર). ચોક્કસ ચેતાકોષોને સક્રિય કરવાથી ITD ને ખૂણામાં રૂપાંતરિત કર્યા વિના અવકાશમાં લક્ષ્યની સ્થિતિને એન્કોડ કરવામાં આવે છે. આ વિભાવનાનો સારાંશ આકૃતિ 1c માં આપવામાં આવ્યો છે: ઉદાહરણ તરીકે, જો અવાજ જમણી બાજુથી આવતો હોય જ્યારે જમણા કાનમાંથી ઇનપુટ સિગ્નલ ડાબા કાનના પાથ કરતાં લાંબો રસ્તો પ્રવાસ કરે છે, ITD ની સંખ્યાને વળતર આપે છે, ઉદાહરણ તરીકે, જ્યારે ન્યુરોન 2 મેચ થાય છે. બીજા શબ્દોમાં કહીએ તો, ચેતાક્ષીય વિલંબને કારણે દરેક સીડી ચોક્કસ આઇટીડી (જેને શ્રેષ્ઠ વિલંબ તરીકે પણ ઓળખાય છે) પ્રતિભાવ આપે છે. આમ, મગજ ટેમ્પોરલ માહિતીને અવકાશી માહિતીમાં રૂપાંતરિત કરે છે. આ મિકેનિઝમ માટે એનાટોમિકલ પુરાવા મળી આવ્યા છે 37,51. તબક્કા-લૉક કરેલ મેક્રોન્યુક્લિયસ ચેતાકોષો આવનારા અવાજો વિશે અસ્થાયી માહિતી સંગ્રહિત કરે છે: તેમના નામ પ્રમાણે, તેઓ ચોક્કસ સિગ્નલ તબક્કાઓ પર ફાયર કરે છે. જેફ્રેસ મોડેલના સંયોગ શોધનાર ચેતાકોષો લેમિનાર કોરમાં મળી શકે છે. તેઓ મેક્રોન્યુક્લિયર ચેતાકોષો પાસેથી માહિતી મેળવે છે, જેના ચેતાક્ષ વિલંબ રેખાઓ તરીકે કાર્ય કરે છે. વિલંબ રેખા દ્વારા પ્રદાન કરવામાં આવેલ વિલંબની માત્રાને ચેતાક્ષની લંબાઈ દ્વારા તેમજ અન્ય માયલિનેશન પેટર્ન દ્વારા સમજાવી શકાય છે જે વહન વેગમાં ફેરફાર કરે છે. બાર્ન ઘુવડની શ્રવણ પ્રણાલીથી પ્રેરિત, અમે વસ્તુઓને સ્થાનીકૃત કરવા માટે બાયોમિમેટિક સિસ્ટમ વિકસાવી છે. બે કાન બે pMUT રીસીવરો દ્વારા રજૂ થાય છે. ધ્વનિ સ્ત્રોત એ તેમની વચ્ચે સ્થિત pMUT ટ્રાન્સમીટર છે (ફિગ. 1a), અને કોમ્પ્યુટેશનલ ગ્રાફ RRAM-આધારિત CD સર્કિટ (ફિગ. 1b, લીલો) ના ગ્રીડ દ્વારા રચાય છે, જે CD ચેતાકોષોની ભૂમિકા ભજવે છે જેના ઇનપુટમાં વિલંબ થાય છે. સર્કિટ દ્વારા, વિલંબ રેખાઓ (વાદળી) જૈવિક પ્રતિરૂપમાં ચેતાક્ષની જેમ કાર્ય કરે છે. પ્રસ્તાવિત સંવેદનાત્મક પ્રણાલી ઘુવડની ઓપરેટિંગ આવર્તનમાં અલગ છે, જેની શ્રાવ્ય પ્રણાલી 1-8 kHz રેન્જમાં કાર્ય કરે છે, પરંતુ લગભગ 117 kHz પર કાર્યરત pMUT સેન્સર્સનો આ કાર્યમાં ઉપયોગ થાય છે. અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસરની પસંદગી તકનીકી અને ઑપ્ટિમાઇઝેશન માપદંડો અનુસાર ગણવામાં આવે છે. પ્રથમ, રીસીવ બેન્ડવિડ્થને સિંગલ ફ્રીક્વન્સી સુધી મર્યાદિત કરવાથી માપનની ચોકસાઈમાં સુધારો થાય છે અને પોસ્ટ-પ્રોસેસિંગ સ્ટેપને સરળ બનાવે છે. વધુમાં, અલ્ટ્રાસાઉન્ડમાં ઓપરેશનનો ફાયદો એ છે કે ઉત્સર્જિત કઠોળ સાંભળી શકાય તેમ નથી, તેથી લોકોને ખલેલ પહોંચાડતા નથી, કારણ કે તેમની શ્રાવ્ય શ્રેણી ~20-20 kHz છે.
કોઠાર ઘુવડ લક્ષ્યમાંથી ધ્વનિ તરંગો મેળવે છે, આ કિસ્સામાં શિકાર ફરે છે. ધ્વનિ તરંગની ઉડાનનો સમય (ToF) દરેક કાન માટે અલગ હોય છે (સિવાય કે શિકાર ઘુવડની સામે સીધો હોય). ડોટેડ લાઇન એ રસ્તો બતાવે છે જે ધ્વનિ તરંગો કોઠારના ઘુવડના કાન સુધી પહોંચવા માટે લે છે. શિકારને બે એકોસ્ટિક પાથ વચ્ચેની લંબાઈના તફાવત અને અનુરૂપ ઇન્ટરઓરલ ટાઈમ ડિફરન્સ (ITD) (રેફ. 74, કૉપિરાઇટ 2002, સોસાયટી ફોર ન્યુરોસાયન્સ દ્વારા પ્રેરિત ડાબી છબી)ના આધારે આડી પ્લેનમાં ચોક્કસ રીતે સ્થાનીકૃત કરી શકાય છે. અમારી સિસ્ટમમાં, pMUT ટ્રાન્સમીટર (ઘેરો વાદળી) ધ્વનિ તરંગો ઉત્પન્ન કરે છે જે લક્ષ્યથી ઉછળે છે. પ્રતિબિંબિત અલ્ટ્રાસાઉન્ડ તરંગો બે pMUT રીસીવરો (હળવા લીલા) દ્વારા પ્રાપ્ત થાય છે અને ન્યુરોમોર્ફિક પ્રોસેસર (જમણે) દ્વારા પ્રક્રિયા કરવામાં આવે છે. b એક ITD (જેફ્રેસ) કોમ્પ્યુટેશનલ મોડલ વર્ણવે છે કે કેવી રીતે કોઠાર ઘુવડના કાનમાં પ્રવેશતા અવાજો પ્રથમ મોટા ન્યુક્લિયસ (NM) માં તબક્કા-લોક્ડ સ્પાઇક્સ તરીકે એન્કોડ કરવામાં આવે છે અને પછી લેમેલર ન્યુક્લિયસમાં મેળ ખાતા ડિટેક્ટર ચેતાકોષોના ભૌમિતિક રીતે ગોઠવાયેલા ગ્રીડનો ઉપયોગ કરે છે. પ્રોસેસિંગ (નેધરલેન્ડ) (ડાબે). વિલંબ રેખાઓ અને સંયોગ શોધનાર ન્યુરોન્સને સંયોજિત કરતા ન્યુરોઆઈટીડી કોમ્પ્યુટેશનલ ગ્રાફનું ચિત્ર, ઘુવડ બાયોસેન્સર સિસ્ટમને RRAM-આધારિત ન્યુરોમોર્ફિક સર્કિટ્સ (જમણે) નો ઉપયોગ કરીને મોડેલ કરી શકાય છે. c મુખ્ય જેફ્રેસ મિકેનિઝમની યોજનાકીય, ToF માં તફાવતને કારણે, બંને કાન અલગ-અલગ સમયે ધ્વનિ ઉત્તેજના મેળવે છે અને બંને છેડેથી ચેતાક્ષને ડિટેક્ટરમાં મોકલે છે. ચેતાક્ષ એ સંયોગ શોધનાર (CD) ચેતાકોષોની શ્રેણીનો ભાગ છે, જેમાંથી પ્રત્યેક સમય-સંબંધિત ઇનપુટ્સને પસંદગીયુક્ત રીતે પ્રતિભાવ આપે છે. પરિણામ સ્વરૂપે, માત્ર સીડીઓ કે જેના ઇનપુટ્સ સૌથી ઓછા સમયના તફાવત સાથે આવે છે તે મહત્તમ ઉત્સાહિત છે (ITD બરાબર વળતર આપવામાં આવે છે). સીડી પછી લક્ષ્યની કોણીય સ્થિતિને એન્કોડ કરશે.
પીઝોઇલેક્ટ્રિક માઇક્રોમિકેનિકલ અલ્ટ્રાસોનિક ટ્રાન્સડ્યુસર્સ સ્કેલેબલ અલ્ટ્રાસોનિક ટ્રાંસડ્યુસર્સ છે જે અદ્યતન CMOS ટેક્નોલોજી સાથે સંકલિત કરી શકાય છે 31,32,33,52 અને પરંપરાગત વોલ્યુમેટ્રિક ટ્રાન્સડ્યુસર્સ 53 કરતાં નીચા પ્રારંભિક વોલ્ટેજ અને પાવર વપરાશ ધરાવે છે. અમારા કાર્યમાં, પટલનો વ્યાસ 880 µm છે, અને રેઝોનન્ટ આવર્તન 110–117 kHz ની રેન્જમાં વિતરિત કરવામાં આવે છે (ફિગ. 2a, વિગતો માટે પદ્ધતિઓ જુઓ). દસ પરીક્ષણ ઉપકરણોની બેચમાં, સરેરાશ ગુણવત્તા પરિબળ લગભગ 50 (સંદર્ભ 31) હતું. ટેક્નોલોજી ઔદ્યોગિક પરિપક્વતા સુધી પહોંચી છે અને તે બાયોઇન્સાયર્ડ નથી. વિવિધ pMUT ફિલ્મોમાંથી માહિતીનું સંયોજન એ જાણીતી ટેકનિક છે અને pMUT માંથી કોણ માહિતી મેળવી શકાય છે, ઉદાહરણ તરીકે, બીમફોર્મિંગ ટેકનિક 31,54. જો કે, એંગલ માહિતી કાઢવા માટે જરૂરી સિગ્નલ પ્રોસેસિંગ ઓછી શક્તિના માપન માટે યોગ્ય નથી. સૂચિત સિસ્ટમ ન્યુરોમોર્ફિક ડેટા પ્રીપ્રોસેસિંગ સર્કિટ pMUT ને જેફ્રેસ મોડલ (આકૃતિ 2c) દ્વારા પ્રેરિત RRAM-આધારિત ન્યુરોમોર્ફિક કમ્પ્યુટિંગ ગ્રાફ સાથે જોડે છે, જે વૈકલ્પિક ઊર્જા-કાર્યક્ષમ અને સંસાધન-સંબંધિત હાર્ડવેર સોલ્યુશન પ્રદાન કરે છે. અમે એક પ્રયોગ કર્યો જેમાં બે પીએમયુટી સેન્સર બે પ્રાપ્ત કરનાર પટલ દ્વારા પ્રાપ્ત થયેલા વિવિધ ToF અવાજોનું શોષણ કરવા માટે આશરે 10 સેમીના અંતરે મૂકવામાં આવ્યા હતા. ટ્રાન્સમીટર તરીકે કામ કરતું એક pMUT રીસીવરો વચ્ચે બેસે છે. લક્ષ્ય PVC પ્લેટ 12 સેમી પહોળી હતી, જે pMUT ઉપકરણ (ફિગ. 2b) ની સામે D ના અંતરે સ્થિત હતી. રીસીવર ઑબ્જેક્ટમાંથી પ્રતિબિંબિત અવાજને રેકોર્ડ કરે છે અને ધ્વનિ તરંગ પસાર થવા દરમિયાન શક્ય તેટલી પ્રતિક્રિયા આપે છે. અંતર D અને કોણ θ દ્વારા નિર્ધારિત પદાર્થની સ્થિતિ બદલીને પ્રયોગનું પુનરાવર્તન કરો. એક લિંક દ્વારા પ્રેરિત. 55, અમે ન્યુરોમોર્ફિક કોમ્પ્યુટેશનલ ગ્રાફને ઇનપુટ કરવા માટે પ્રતિબિંબિત તરંગોને શિખરોમાં રૂપાંતરિત કરવા માટે pMUT કાચા સંકેતોની ન્યુરોમોર્ફિક પ્રી-પ્રોસેસિંગની દરખાસ્ત કરીએ છીએ. ટોચના કંપનવિસ્તારને અનુરૂપ ToF દરેક બે ચેનલોમાંથી કાઢવામાં આવે છે અને વ્યક્તિગત શિખરોના ચોક્કસ સમય તરીકે એન્કોડ કરવામાં આવે છે. અંજીર પર. 2c એ RRAM-આધારિત કોમ્પ્યુટેશનલ ગ્રાફ સાથે pMUT સેન્સરને ઇન્ટરફેસ કરવા માટે જરૂરી સર્કિટરી બતાવે છે: બે pMUT રીસીવરોમાંના દરેક માટે, કાચો સિગ્નલ બેન્ડ-પાસને સરળ બનાવવા, સુધારવા માટે ફિલ્ટર કરવામાં આવે છે અને પછી ઓવરકમિંગ મોડમાં લીકી ઇન્ટિગ્રેટરને પસાર કરવામાં આવે છે. ડાયનેમિક થ્રેશોલ્ડ (ફિગ. 2d) આઉટપુટ ઇવેન્ટ (સ્પાઇક) અને ફાયરિંગ (LIF) ન્યુરોન બનાવે છે: આઉટપુટ સ્પાઇક સમય શોધાયેલ ફ્લાઇટ સમયને એન્કોડ કરે છે. LIF થ્રેશોલ્ડને pMUT પ્રતિસાદ સામે માપાંકિત કરવામાં આવે છે, જેનાથી ઉપકરણથી ઉપકરણ સુધી pMUT વેરીએબિલિટી ઘટાડે છે. આ અભિગમ સાથે, સમગ્ર ધ્વનિ તરંગને મેમરીમાં સંગ્રહિત કરવા અને તેને પછીથી પ્રક્રિયા કરવાને બદલે, અમે ફક્ત ધ્વનિ તરંગના ToF ને અનુરૂપ એક શિખર જનરેટ કરીએ છીએ, જે પ્રતિકારક મેમરી કોમ્પ્યુટેશનલ ગ્રાફમાં ઇનપુટ બનાવે છે. સ્પાઇક્સ સીધા વિલંબ રેખાઓ પર મોકલવામાં આવે છે અને ન્યુરોમોર્ફિક કમ્પ્યુટેશન ગ્રાફમાં મેચ ડિટેક્શન મોડ્યુલો સાથે સમાંતર કરવામાં આવે છે. કારણ કે તેઓ ટ્રાંઝિસ્ટરના દરવાજા પર મોકલવામાં આવે છે, કોઈ વધારાની એમ્પ્લીફિકેશન સર્કિટરીની જરૂર નથી (વિગતો માટે પૂરક ફિગ 4 જુઓ). pMUT અને સૂચિત સિગ્નલ પ્રોસેસિંગ પદ્ધતિ દ્વારા પૂરી પાડવામાં આવેલ સ્થાનિકીકરણ કોણીય સચોટતાનું મૂલ્યાંકન કરવા માટે, અમે ITD (એટલે ​​​​કે, બે રીસીવરો દ્વારા જનરેટ થયેલ પીક ઇવેન્ટ્સ વચ્ચેના સમયનો તફાવત) માપ્યું કારણ કે ઑબ્જેક્ટનું અંતર અને કોણ અલગ છે. ITD વિશ્લેષણ પછી ખૂણામાં રૂપાંતરિત કરવામાં આવ્યું હતું (પદ્ધતિઓ જુઓ) અને ઑબ્જેક્ટની સ્થિતિ સામે કાવતરું કરવામાં આવ્યું હતું: માપવામાં આવેલ ITD માં અનિશ્ચિતતા ઑબ્જેક્ટના અંતર અને કોણ સાથે વધે છે (ફિગ. 2e,f). મુખ્ય સમસ્યા pMUT પ્રતિસાદમાં પીક-ટુ-નોઈઝ રેશિયો (PNR) છે. ઑબ્જેક્ટ જેટલું દૂર હશે, એકોસ્ટિક સિગ્નલ ઓછું થશે, જેનાથી PNR (ફિગ. 2f, ગ્રીન લાઇન) ઘટશે. PNR માં ઘટાડો ITD અંદાજમાં અનિશ્ચિતતામાં વધારો તરફ દોરી જાય છે, પરિણામે સ્થાનિકીકરણની ચોકસાઈમાં વધારો થાય છે (ફિગ. 2f, વાદળી રેખા). ટ્રાન્સમીટરથી 50 સે.મી.ના અંતરે આવેલા પદાર્થ માટે, સિસ્ટમની કોણીય ચોકસાઈ આશરે 10° છે. સેન્સરની લાક્ષણિકતાઓ દ્વારા લાદવામાં આવેલી આ મર્યાદાને સુધારી શકાય છે. ઉદાહરણ તરીકે, ઉત્સર્જક દ્વારા મોકલવામાં આવેલ દબાણ વધારી શકાય છે, જેનાથી પીએમયુટી પટલને ચલાવતા વોલ્ટેજમાં વધારો થાય છે. ટ્રાન્સમિટેડ સિગ્નલને એમ્પ્લીફાય કરવા માટેનો બીજો ઉપાય એ છે કે બહુવિધ ટ્રાન્સમિટર્સને કનેક્ટ કરવું 56. આ સોલ્યુશન્સ વધેલા ઉર્જા ખર્ચના ભોગે શોધ શ્રેણીમાં વધારો કરશે. પ્રાપ્ત બાજુ પર વધારાના સુધારાઓ કરી શકાય છે. pMUT ના રીસીવર અવાજનું માળખું pMUT અને પ્રથમ તબક્કાના એમ્પ્લીફાયર વચ્ચેના જોડાણને સુધારીને નોંધપાત્ર રીતે ઘટાડી શકાય છે, જે હાલમાં વાયર કનેક્શન્સ અને RJ45 કેબલ સાથે કરવામાં આવે છે.
1.5 mm પિચ પર સંકલિત છ 880 µm પટલ સાથે pMUT સ્ફટિકની છબી. b માપવાના સેટઅપનો ડાયાગ્રામ. લક્ષ્ય એઝિમુથ પોઝિશન θ અને D અંતર પર સ્થિત છે. pMUT ટ્રાન્સમીટર 117.6 kHz સિગ્નલ જનરેટ કરે છે જે લક્ષ્યથી બાઉન્સ થાય છે અને અલગ-અલગ સમય-ઓફ-ફ્લાઇટ (ToF) સાથે બે pMUT રીસીવર સુધી પહોંચે છે. આ તફાવત, ઇન્ટર-ઓરલ ટાઇમ ડિફરન્સ (ITD) તરીકે વ્યાખ્યાયિત, ઑબ્જેક્ટની સ્થિતિને એન્કોડ કરે છે અને બે રીસીવર સેન્સર્સના પીક રિસ્પોન્સનો અંદાજ લગાવીને તેનો અંદાજ લગાવી શકાય છે. c કાચા pMUT સિગ્નલને સ્પાઇક સિક્વન્સમાં રૂપાંતરિત કરવા માટે પૂર્વ-પ્રોસેસિંગ પગલાંની યોજનાકીય (એટલે ​​​​કે ન્યુરોમોર્ફિક ગણતરી ગ્રાફમાં ઇનપુટ). pMUT સેન્સર્સ અને ન્યુરોમોર્ફિક કોમ્પ્યુટેશનલ ગ્રાફ બનાવટી અને પરીક્ષણ કરવામાં આવ્યા છે, અને ન્યુરોમોર્ફિક પ્રી-પ્રોસેસિંગ સોફ્ટવેર સિમ્યુલેશન પર આધારિત છે. d સિગ્નલની પ્રાપ્તિ પર pMUT પટલનો પ્રતિસાદ અને સ્પાઇક ડોમેનમાં તેનું રૂપાંતર. e પ્રાયોગિક સ્થાનિકીકરણ કોણીય ચોકસાઈ ઑબ્જેક્ટ એન્ગલ (Θ) અને લક્ષ્ય ઑબ્જેક્ટના અંતર (D) ના કાર્ય તરીકે. ITD નિષ્કર્ષણ પદ્ધતિ માટે આશરે 4°C ના ન્યૂનતમ કોણીય રીઝોલ્યુશનની જરૂર છે. f કોણીય ચોકસાઈ (વાદળી રેખા) અને અનુરૂપ પીક-ટુ-અવાજ ગુણોત્તર (લીલી રેખા) વિરુદ્ધ Θ = 0 માટે ઑબ્જેક્ટ અંતર.
પ્રતિરોધક મેમરી માહિતીને બિન-અસ્થિર વાહક સ્થિતિમાં સંગ્રહિત કરે છે. પદ્ધતિનો મૂળભૂત સિદ્ધાંત એ છે કે અણુ સ્તરે સામગ્રીમાં ફેરફાર તેના વિદ્યુત વાહકતા57 માં ફેરફારનું કારણ બને છે. અહીં આપણે ટોપ અને બોટમ ટાઇટેનિયમ અને ટાઇટેનિયમ નાઇટ્રાઇડ ઇલેક્ટ્રોડ્સ વચ્ચે સેન્ડવીચ કરેલા હેફનિયમ ડાયોક્સાઇડના 5nm સ્તરનો સમાવેશ કરતી ઓક્સાઇડ-આધારિત પ્રતિકારક મેમરીનો ઉપયોગ કરીએ છીએ. RRAM ઉપકરણોની વાહકતા વર્તમાન/વોલ્ટેજ વેવફોર્મ લાગુ કરીને બદલી શકાય છે જે ઇલેક્ટ્રોડ્સ વચ્ચે ઓક્સિજન ખાલી જગ્યાઓના વાહક તંતુઓ બનાવે છે અથવા તોડે છે. અમે આવા ઉપકરણો 58 ને પ્રમાણભૂત 130 nm CMOS પ્રક્રિયામાં સહ-સંકલિત કર્યા છે જે એક સંયોગ શોધનાર અને વિલંબ રેખા સર્કિટ (ફિગ. 3a) ને અમલમાં મૂકતા ફેબ્રિકેટેડ પુનઃરૂપરેખાંકિત ન્યુરોમોર્ફિક સર્કિટ બનાવવા માટે છે. ઉપકરણની બિન-અસ્થિર અને એનાલોગ પ્રકૃતિ, ન્યુરોમોર્ફિક સર્કિટની ઘટના-સંચાલિત પ્રકૃતિ સાથે જોડાયેલી, પાવર વપરાશને ઘટાડે છે. સર્કિટમાં ત્વરિત ચાલુ/બંધ કાર્ય છે: તે ચાલુ થયા પછી તરત જ કાર્ય કરે છે, જ્યારે સર્કિટ નિષ્ક્રિય હોય ત્યારે પાવરને સંપૂર્ણપણે બંધ કરવાની મંજૂરી આપે છે. સૂચિત યોજનાના મુખ્ય બિલ્ડિંગ બ્લોક્સ ફિગમાં બતાવવામાં આવ્યા છે. 3 બી. તેમાં N સમાંતર સિંગલ-રેઝિસ્ટર સિંગલ-ટ્રાન્ઝિસ્ટર (1T1R) સ્ટ્રક્ચર્સનો સમાવેશ થાય છે જે સિનેપ્ટિક વજનને એન્કોડ કરે છે જેમાંથી ભારિત કરંટ લેવામાં આવે છે, ડિફરન્શિયલ પેર ઇન્ટિગ્રેટર (DPI)59 ના સામાન્ય સિનેપ્સમાં ઇન્જેક્ટ કરવામાં આવે છે અને અંતે એકીકરણ સાથે સિનેપ્સમાં ઇન્જેક્ટ કરવામાં આવે છે અને લિકેજ સક્રિય (LIF) ન્યુરોન 60 (વિગતો માટે પદ્ધતિઓ જુઓ). ઇનપુટ સર્જેસ સેંકડો નેનોસેકન્ડના ક્રમમાં અવધિ સાથે વોલ્ટેજ સ્પંદનોના ક્રમના રૂપમાં 1T1R બંધારણના ગેટ પર લાગુ થાય છે. જ્યારે Vbotટોમ ગ્રાઉન્ડ થાય ત્યારે Vtop પર બાહ્ય હકારાત્મક સંદર્ભ લાગુ કરીને પ્રતિકારક મેમરીને ઉચ્ચ વાહક સ્થિતિમાં (HCS) મૂકી શકાય છે, અને Vtop ગ્રાઉન્ડ થાય ત્યારે Vbottom પર હકારાત્મક વોલ્ટેજ લાગુ કરીને નીચા વાહક સ્થિતિ (LCS) પર ફરીથી સેટ કરી શકાય છે. HCS નું સરેરાશ મૂલ્ય શ્રેણી ટ્રાન્ઝિસ્ટર (ફિગ. 3c) ના ગેટ-સોર્સ વોલ્ટેજ દ્વારા SET (ICC) ના પ્રોગ્રામિંગ વર્તમાન (પાલન) ને મર્યાદિત કરીને નિયંત્રિત કરી શકાય છે. સર્કિટમાં RRAM ના કાર્યો બે ગણા છે: તેઓ ઇનપુટ કઠોળને ડાયરેક્ટ કરે છે અને તેનું વજન કરે છે.
લીલા રંગમાં પસંદગીકાર ટ્રાન્ઝિસ્ટર (650 nm પહોળા) સાથે 130 nm CMOS તકનીકમાં સંકલિત વાદળી HfO2 1T1R RRAM ઉપકરણની સ્કેનિંગ ઇલેક્ટ્રોન માઇક્રોસ્કોપ (SEM) છબી. b સૂચિત ન્યુરોમોર્ફિક સ્કીમાના મૂળભૂત બિલ્ડીંગ બ્લોક્સ. ઇનપુટ વોલ્ટેજ કઠોળ (શિખરો) Vin0 અને Vin1 વર્તમાન Iweightનો ઉપયોગ કરે છે, જે 1T1R બંધારણના G0 અને G1 વહન રાજ્યોના પ્રમાણસર છે. આ પ્રવાહ DPI સિનેપ્સમાં ઇન્જેક્ટ કરવામાં આવે છે અને LIF ચેતાકોષોને ઉત્તેજિત કરે છે. RRAM G0 અને G1 અનુક્રમે HCS અને LCS માં સ્થાપિત થયેલ છે. c ICC વર્તમાન મેચિંગના કાર્ય તરીકે 16K RRAM ઉપકરણોના જૂથ માટે સંચિત વાહકતા ઘનતાનું કાર્ય, જે વહન સ્તરને અસરકારક રીતે નિયંત્રિત કરે છે. d (a) માં સર્કિટ માપન દર્શાવે છે કે G1 (LCS માં) અસરકારક રીતે Vin1 (લીલા) ના ઇનપુટને અવરોધે છે, અને ખરેખર આઉટપુટ ચેતાકોષનું પટલ વોલ્ટેજ ફક્ત Vin0 ના વાદળી ઇનપુટને પ્રતિસાદ આપે છે. RRAM અસરકારક રીતે સર્કિટમાં જોડાણો નક્કી કરે છે. e (b) માં સર્કિટનું માપન, વોલ્ટેજ પલ્સ Vin0 લાગુ કર્યા પછી મેમ્બ્રેન વોલ્ટેજ Vmem પર વાહકતા મૂલ્ય G0 ની અસર દર્શાવે છે. વધુ વાહકતા, પ્રતિસાદ વધુ મજબૂત: આમ, RRAM ઉપકરણ I/O કનેક્શન વેઇટીંગ લાગુ કરે છે. સર્કિટ પર માપન કરવામાં આવ્યું હતું અને RRAM, રૂટીંગ અને ઇનપુટ કઠોળના વજનનું દ્વિ કાર્ય દર્શાવે છે.
પ્રથમ, બે મૂળભૂત વહન અવસ્થાઓ (એચસીએસ અને એલસીએસ) હોવાથી, જ્યારે આરઆરએએમ અનુક્રમે એલસીએસ અથવા એચસીએસ સ્ટેટ્સમાં હોય ત્યારે ઇનપુટ પલ્સ બ્લોક અથવા ચૂકી શકે છે. પરિણામે, RRAM અસરકારક રીતે સર્કિટમાં જોડાણો નક્કી કરે છે. આર્કિટેક્ચરને પુનઃરૂપરેખાંકિત કરવામાં સક્ષમ હોવાનો આ આધાર છે. આને દર્શાવવા માટે, અમે ફિગ. 3b માં સર્કિટ બ્લોકના ફેબ્રિકેટેડ સર્કિટ અમલીકરણનું વર્ણન કરીશું. G0 ને અનુરૂપ RRAM HCS માં પ્રોગ્રામ કરેલ છે, અને બીજા RRAM G1 ને LCS માં પ્રોગ્રામ કરેલ છે. ઇનપુટ કઠોળ Vin0 અને Vin1 બંને પર લાગુ થાય છે. ઓસિલોસ્કોપનો ઉપયોગ કરીને ન્યુરોન મેમ્બ્રેન વોલ્ટેજ અને આઉટપુટ સિગ્નલ એકત્ર કરીને આઉટપુટ ચેતાકોષોમાં ઇનપુટ પલ્સનાં બે સિક્વન્સની અસરોનું વિશ્લેષણ કરવામાં આવ્યું હતું. પ્રયોગ સફળ થયો જ્યારે માત્ર HCS ઉપકરણ (G0) પટલના તાણને ઉત્તેજીત કરવા માટે ચેતાકોષની નાડી સાથે જોડાયેલું હતું. આ આકૃતિ 3d માં દર્શાવવામાં આવ્યું છે, જ્યાં વાદળી પલ્સ ટ્રેન મેમ્બ્રેન કેપેસિટર પર મેમ્બ્રેન વોલ્ટેજ બનાવવાનું કારણ બને છે, જ્યારે લીલી પલ્સ ટ્રેન મેમ્બ્રેન વોલ્ટેજને સ્થિર રાખે છે.
RRAM નું બીજું મહત્વનું કાર્ય જોડાણ વજનનું અમલીકરણ છે. RRAM ના એનાલોગ વાહકતા ગોઠવણનો ઉપયોગ કરીને, I/O કનેક્શનને તે મુજબ વજન આપી શકાય છે. બીજા પ્રયોગમાં, G0 ઉપકરણને HCS ના વિવિધ સ્તરો પર પ્રોગ્રામ કરવામાં આવ્યું હતું, અને VIn0 ઇનપુટ પર ઇનપુટ પલ્સ લાગુ કરવામાં આવી હતી. ઇનપુટ પલ્સ ઉપકરણમાંથી વર્તમાન (આઇવેટ) ખેંચે છે, જે વાહકતા અને અનુરૂપ સંભવિત ડ્રોપ Vtop − Vbot ના પ્રમાણસર છે. આ ભારિત પ્રવાહ પછી DPI સિનેપ્સ અને LIF આઉટપુટ ચેતાકોષોમાં ઇન્જેક્ટ કરવામાં આવે છે. ઓસિલોસ્કોપનો ઉપયોગ કરીને આઉટપુટ ન્યુરોન્સનું મેમ્બ્રેન વોલ્ટેજ રેકોર્ડ કરવામાં આવ્યું હતું અને ફિગ. 3d માં દર્શાવવામાં આવ્યું હતું. સિંગલ ઇનપુટ પલ્સના પ્રતિભાવમાં ન્યુરોન મેમ્બ્રેનનું વોલ્ટેજ પીક પ્રતિકારક મેમરીના વાહકતા માટે પ્રમાણસર છે, જે દર્શાવે છે કે RRAM નો ઉપયોગ સિનેપ્ટિક વજનના પ્રોગ્રામેબલ તત્વ તરીકે થઈ શકે છે. આ બે પ્રારંભિક પરીક્ષણો દર્શાવે છે કે સૂચિત RRAM-આધારિત ન્યુરોમોર્ફિક પ્લેટફોર્મ મૂળભૂત જેફ્રેસ મિકેનિઝમના મૂળભૂત તત્વો, એટલે કે વિલંબ રેખા અને સંયોગ ડિટેક્ટર સર્કિટને અમલમાં મૂકવા સક્ષમ છે. આકૃતિ 3b માં બ્લોક્સ જેવા ક્રમિક બ્લોક્સને એક સાથે સ્ટેક કરીને અને તેમના દરવાજાઓને સામાન્ય ઇનપુટ લાઇન સાથે જોડીને સર્કિટ પ્લેટફોર્મ બનાવવામાં આવે છે. અમે બે ઇનપુટ (ફિગ. 4a) પ્રાપ્ત કરતા બે આઉટપુટ ચેતાકોષો ધરાવતા ન્યુરોમોર્ફિક પ્લેટફોર્મને ડિઝાઇન, બનાવટી અને પરીક્ષણ કર્યું છે. સર્કિટ ડાયાગ્રામ આકૃતિ 4b માં દર્શાવેલ છે. ઉપલા 2 × 2 RRAM મેટ્રિક્સ ઇનપુટ પલ્સને બે આઉટપુટ ચેતાકોષો તરફ નિર્દેશિત કરવાની મંજૂરી આપે છે, જ્યારે નીચલું 2 × 2 મેટ્રિક્સ બે ચેતાકોષો (N0, N1) ના પુનરાવર્તિત જોડાણને મંજૂરી આપે છે. અમે દર્શાવીએ છીએ કે આ પ્લેટફોર્મનો ઉપયોગ વિલંબ રેખા રૂપરેખાંકન અને બે અલગ-અલગ સંયોગ શોધક કાર્યો સાથે કરી શકાય છે, જેમ કે ફિગ. 4c-e માં પ્રાયોગિક માપન દ્વારા દર્શાવવામાં આવ્યું છે.
બે આઉટપુટ ચેતાકોષો N0 અને N1 દ્વારા રચાયેલ સર્કિટ ડાયાગ્રામ બે ઇનપુટ 0 અને 1 પ્રાપ્ત કરે છે. એરેના ટોચના ચાર ઉપકરણો ઇનપુટથી આઉટપુટ સુધીના સિનેપ્ટિક જોડાણોને વ્યાખ્યાયિત કરે છે, અને નીચેના ચાર કોષો ચેતાકોષો વચ્ચેના પુનરાવર્તિત જોડાણોને વ્યાખ્યાયિત કરે છે. રંગીન RRAMs HCS માં જમણી બાજુએ ગોઠવેલા ઉપકરણોનું પ્રતિનિધિત્વ કરે છે: HCS માંના ઉપકરણો કનેક્શનને મંજૂરી આપે છે અને વજનનું પ્રતિનિધિત્વ કરે છે, જ્યારે LCS માંના ઉપકરણો ઇનપુટ પલ્સ અવરોધિત કરે છે અને આઉટપુટ સાથેના જોડાણોને અક્ષમ કરે છે. b વાદળી રંગમાં પ્રકાશિત આઠ RRAM મોડ્યુલો સાથે સર્કિટ (a) નું ડાયાગ્રામ. c વિલંબ રેખાઓ ફક્ત DPI સિનેપ્સ અને LIF ચેતાકોષોની ગતિશીલતાનો ઉપયોગ કરીને રચાય છે. ગ્રીન આરઆરએએમ ઇનપુટ વિલંબ Δt પછી આઉટપુટમાં ખામીને પ્રેરિત કરવા સક્ષમ થવા માટે પૂરતા પ્રમાણમાં ઉચ્ચ વાહકતા પર સેટ છે. d સમય આધારિત સંકેતોની દિશા-સંવેદનશીલ સીડી શોધનું યોજનાકીય ચિત્ર. આઉટપુટ ન્યુરોન 1, N1, ઇનપુટ્સ 0 અને 1 પર ટૂંકા વિલંબ સાથે ફાયર થાય છે. e ડાયરેક્શન સેન્સિટિવ સીડી સર્કિટ, એક સર્કિટ કે જે શોધી કાઢે છે કે જ્યારે ઇનપુટ 1 ઇનપુટ 0 સુધી પહોંચે છે અને ઇનપુટ 0 પછી આવે છે. સર્કિટનું આઉટપુટ ન્યુરોન 1 (N1) દ્વારા દર્શાવવામાં આવે છે.
વિલંબ રેખા (આકૃતિ 4c) Tdel વિલંબ કરીને Vin1 થી Vout1 સુધીના ઇનપુટ સ્પાઇકને પુનઃઉત્પાદિત કરવા માટે DPI સિનેપ્સ અને LIF ચેતાકોષોના ગતિશીલ વર્તનનો ઉપયોગ કરે છે. ફક્ત Vin1 અને Vout1 સાથે જોડાયેલ G3 RRAM HCS માં પ્રોગ્રામ કરેલ છે, બાકીના RRAMs LCS માં પ્રોગ્રામ કરેલ છે. દરેક ઇનપુટ પલ્સ થ્રેશોલ્ડ સુધી પહોંચવા અને વિલંબિત આઉટપુટ પલ્સ જનરેટ કરવા માટે આઉટપુટ ચેતાકોષના મેમ્બ્રેન વોલ્ટેજને પૂરતા પ્રમાણમાં વધે છે તેની ખાતરી કરવા માટે G3 ઉપકરણને 92.6 µs માટે પ્રોગ્રામ કરવામાં આવ્યું હતું. વિલંબ Tdel સિનેપ્ટિક અને ન્યુરલ સમય સ્થિરાંકો દ્વારા નક્કી કરવામાં આવે છે. સંયોગ ડિટેક્ટર્સ અસ્થાયી રૂપે સહસંબંધિત પરંતુ અવકાશી રીતે વિતરિત ઇનપુટ સિગ્નલોની ઘટનાને શોધી કાઢે છે. દિશા-સંવેદનશીલ સીડી સામાન્ય આઉટપુટ ચેતાકોષ (આકૃતિ 4d) માં કન્વર્જ થતા વ્યક્તિગત ઇનપુટ્સ પર આધાર રાખે છે. Vin0 અને Vin1 ને Vout1, G2 અને G4 ને જોડતા બે RRAM અનુક્રમે ઉચ્ચ વહન માટે પ્રોગ્રામ કરેલ છે. Vin0 અને Vin1 પર સ્પાઇક્સનું એક સાથે આગમન આઉટપુટ સ્પાઇક જનરેટ કરવા માટે જરૂરી થ્રેશોલ્ડની ઉપર N1 ન્યુરોન મેમ્બ્રેનનું વોલ્ટેજ વધારે છે. જો બે ઇનપુટ સમયસર ખૂબ દૂર હોય, તો પ્રથમ ઇનપુટ દ્વારા સંચિત પટલ વોલ્ટેજ પરના ચાર્જમાં ક્ષીણ થવાનો સમય હોઈ શકે છે, જે પટલ સંભવિત N1 ને થ્રેશોલ્ડ મૂલ્ય સુધી પહોંચતા અટકાવે છે. G1 અને G2 લગભગ 65 µs માટે પ્રોગ્રામ કરેલ છે, જે સુનિશ્ચિત કરે છે કે એકલ ઇનપુટ વધારો આઉટપુટ ઉછાળો લાવવા માટે મેમ્બ્રેન વોલ્ટેજમાં પૂરતો વધારો કરતું નથી. અવકાશ અને સમયમાં વિતરિત ઘટનાઓ વચ્ચે સંયોગ શોધ એ એક મૂળભૂત કામગીરી છે જેનો ઉપયોગ સંવેદના કાર્યોની વિશાળ શ્રેણીમાં થાય છે જેમ કે ઓપ્ટિકલ ફ્લો આધારિત અવરોધ ટાળવા અને ધ્વનિ સ્ત્રોત સ્થાનિકીકરણ. આમ, કમ્પ્યુટિંગ દિશા-સંવેદનશીલ અને અસંવેદનશીલ સીડી એ દ્રશ્ય અને શ્રાવ્ય સ્થાનિકીકરણ પ્રણાલીના નિર્માણ માટે મૂળભૂત બિલ્ડીંગ બ્લોક છે. સમયના સ્થિરાંકોની લાક્ષણિકતાઓ દ્વારા દર્શાવ્યા મુજબ (જુઓ પૂરક ફિગ. 2), સૂચિત સર્કિટ તીવ્રતા સમયના ભીંગડાના ચાર ઓર્ડરની યોગ્ય શ્રેણી લાગુ કરે છે. આમ, તે એકસાથે વિઝ્યુઅલ અને સાઉન્ડ સિસ્ટમની જરૂરિયાતોને પૂર્ણ કરી શકે છે. ડાયરેક્શનલ સેન્સિટિવ સીડી એ એક સર્કિટ છે જે કઠોળના આગમનના અવકાશી ક્રમ પ્રત્યે સંવેદનશીલ છે: જમણેથી ડાબે અને ઊલટું. તે ડ્રોસોફિલા વિઝ્યુઅલ સિસ્ટમના મૂળભૂત ગતિ શોધ નેટવર્કમાં એક મૂળભૂત બિલ્ડીંગ બ્લોક છે, જેનો ઉપયોગ ગતિ દિશાઓની ગણતરી કરવા અને અથડામણને શોધવા માટે થાય છે62. દિશા-સંવેદનશીલ સીડી હાંસલ કરવા માટે, બે ઇનપુટ્સ બે અલગ-અલગ ન્યુરોન્સ (N0, N1) તરફ નિર્દેશિત હોવા જોઈએ અને તેમની વચ્ચે દિશાત્મક જોડાણ સ્થાપિત કરવું આવશ્યક છે (ફિગ. 4e). જ્યારે પ્રથમ ઇનપુટ પ્રાપ્ત થાય છે, ત્યારે NO તેના પટલમાં થ્રેશોલ્ડ મૂલ્યની ઉપર વોલ્ટેજ વધારીને અને ઉછાળો મોકલીને પ્રતિક્રિયા આપે છે. આ આઉટપુટ ઇવેન્ટ, બદલામાં, લીલા રંગમાં પ્રકાશિત દિશાત્મક જોડાણને કારણે N1 ફાયર કરે છે. જો કોઈ ઇનપુટ ઇવેન્ટ Vin1 આવે છે અને N1 ને શક્તિ આપે છે જ્યારે તેનું મેમ્બ્રેન વોલ્ટેજ હજુ પણ ઊંચું હોય, તો N1 એક આઉટપુટ ઇવેન્ટ જનરેટ કરે છે જે દર્શાવે છે કે બે ઇનપુટ્સ વચ્ચે મેચ જોવા મળી છે. ડાયરેક્શનલ કનેક્શન્સ N1 ને આઉટપુટ 0 પછી ઇનપુટ 1 આવે તો જ આઉટપુટને ઉત્સર્જન કરવાની મંજૂરી આપે છે. G0, G3 અને G7 અનુક્રમે 73.5 µS, 67.3 µS અને 40.2 µS પર પ્રોગ્રામ કરેલ છે, તે સુનિશ્ચિત કરે છે કે ઇનપુટ Vin0 પર એક જ સ્પાઇક વિલંબનું કારણ બને છે. આઉટપુટ સ્પાઇક, જ્યારે N1 ની મેમ્બ્રેન સંભવિત માત્ર થ્રેશોલ્ડ સુધી પહોંચે છે જ્યારે બંને ઇનપુટ વિસ્ફોટો સુમેળમાં આવે છે. .
પરિવર્તનશીલતા એ મોડેલ કરેલ ન્યુરોમોર્ફિક સિસ્ટમમાં અપૂર્ણતાનો સ્ત્રોત છે63,64,65. આ ચેતાકોષો અને ચેતોપાગમના વિજાતીય વર્તન તરફ દોરી જાય છે. આવા ગેરફાયદાના ઉદાહરણોમાં ઇનપુટ ગેઇનમાં 30% (સરેરાશ પ્રમાણભૂત વિચલન) પરિવર્તનશીલતા, સમય સ્થિરતા અને પ્રત્યાવર્તન અવધિનો સમાવેશ થાય છે, પરંતુ થોડાક (પદ્ધતિઓ જુઓ). જ્યારે બહુવિધ ન્યુરલ સર્કિટ એકસાથે જોડાયેલા હોય ત્યારે આ સમસ્યા વધુ સ્પષ્ટ થાય છે, જેમ કે ઓરિએન્ટેશન-સેન્સિટિવ સીડી જેમાં બે ન્યુરોન્સ હોય છે. યોગ્ય રીતે કામ કરવા માટે, બે ચેતાકોષોના લાભ અને ક્ષીણ સમયની સ્થિરાંકો શક્ય તેટલી સમાન હોવી જોઈએ. ઉદાહરણ તરીકે, ઇનપુટ ગેઇનમાં મોટો તફાવત એક ચેતાકોષને ઇનપુટ પલ્સ પર વધુ પડતી પ્રતિક્રિયા આપવાનું કારણ બની શકે છે જ્યારે અન્ય ચેતાકોષ ભાગ્યે જ પ્રતિભાવશીલ હોય છે. અંજીર પર. આકૃતિ 5a દર્શાવે છે કે અવ્યવસ્થિત રીતે પસંદ કરેલ ચેતાકોષો સમાન ઇનપુટ પલ્સને અલગ રીતે પ્રતિભાવ આપે છે. આ ન્યુરલ વેરિએબિલિટી સુસંગત છે, ઉદાહરણ તરીકે, દિશા-સંવેદનશીલ સીડીના કાર્ય માટે. ફિગ માં બતાવેલ યોજનામાં. 5b, c, ન્યુરોન 1 નો ઇનપુટ ગેઇન ન્યુરોન 0 કરતા ઘણો વધારે છે. આમ, ન્યુરોન 0 ને થ્રેશોલ્ડ સુધી પહોંચવા માટે ત્રણ ઇનપુટ પલ્સ (1 ને બદલે) ની જરૂર છે, અને ન્યુરોન 1, અપેક્ષા મુજબ, બે ઇનપુટ ઇવેન્ટ્સની જરૂર છે. સ્પાઇક ટાઇમ-આધારિત બાયોમિમેટિક પ્લાસ્ટિસિટી (STDP) ને અમલમાં મૂકવું એ સિસ્ટમની કામગીરી43 પર અચોક્કસ અને સુસ્ત ન્યુરલ અને સિનેપ્ટિક સર્કિટની અસરને ઘટાડવાનો સંભવિત માર્ગ છે. અહીં અમે ન્યુરલ ઇનપુટના ઉન્નતીકરણને પ્રભાવિત કરવા અને ન્યુરોમોર્ફિક સર્કિટ્સમાં પરિવર્તનશીલતાની અસરોને ઘટાડવાના સાધન તરીકે પ્રતિકારક મેમરીના પ્લાસ્ટિક વર્તનનો ઉપયોગ કરવાનો પ્રસ્તાવ આપીએ છીએ. ફિગ માં બતાવ્યા પ્રમાણે. 4e, RRAM સિનેપ્ટિક માસ સાથે સંકળાયેલ વાહકતા સ્તરો અનુરૂપ ન્યુરલ મેમ્બ્રેન વોલ્ટેજ પ્રતિભાવને અસરકારક રીતે મોડ્યુલેટ કરે છે. અમે પુનરાવર્તિત RRAM પ્રોગ્રામિંગ વ્યૂહરચનાનો ઉપયોગ કરીએ છીએ. આપેલ ઇનપુટ માટે, સર્કિટની લક્ષ્ય વર્તણૂક પ્રાપ્ત ન થાય ત્યાં સુધી સિનેપ્ટિક વજનના વહન મૂલ્યો ફરીથી પ્રોગ્રામ કરવામાં આવે છે (પદ્ધતિઓ જુઓ).
સમાન ઇનપુટ પલ્સ માટે નવ રેન્ડમલી પસંદ કરેલ વ્યક્તિગત ચેતાકોષોના પ્રતિભાવનું પ્રાયોગિક માપ. પ્રતિભાવ વસ્તીમાં બદલાય છે, જે ઇનપુટ ગેઇન અને સમય સ્થિરતાને અસર કરે છે. b દિશા-સંવેદનશીલ સીડીને અસર કરતા ચેતાકોષોની પરિવર્તનશીલતા પર ન્યુરોન્સના પ્રભાવના પ્રાયોગિક માપન. બે દિશા-સંવેદનશીલ CD આઉટપુટ ચેતાકોષો ચેતાકોષથી ચેતાકોષની પરિવર્તનશીલતાને કારણે ઇનપુટ ઉત્તેજનાને અલગ રીતે પ્રતિભાવ આપે છે. ન્યુરોન 0 માં ન્યુરોન 1 કરતા ઓછો ઇનપુટ ગેઇન છે, તેથી તે આઉટપુટ સ્પાઇક બનાવવા માટે ત્રણ ઇનપુટ પલ્સ (1ને બદલે) લે છે. અપેક્ષા મુજબ, ન્યુરોન 1 બે ઇનપુટ ઇવેન્ટ્સ સાથે થ્રેશોલ્ડ સુધી પહોંચે છે. જો ન્યુરોન 0 ફાયર થયા પછી ઇનપુટ 1 Δt = 50 µs આવે છે, તો CD શાંત રહે છે કારણ કે Δt એ ન્યુરોન 1 (લગભગ 22 µs) ના સમય સ્થિરતા કરતા વધારે છે. c Δt = 20 µs દ્વારા ઘટાડવામાં આવે છે, જેથી જ્યારે ન્યુરોન 1નું ફાયરિંગ હજુ પણ વધુ હોય ત્યારે ઇનપુટ 1 શિખરો કરે છે, પરિણામે બે ઇનપુટ ઘટનાઓની એક સાથે શોધ થાય છે.
ITD ગણતરી કૉલમમાં ઉપયોગમાં લેવાતા બે ઘટકો છે વિલંબ રેખા અને દિશા અસંવેદનશીલ સીડી. સારી ઑબ્જેક્ટ પોઝિશનિંગ કામગીરીની ખાતરી કરવા માટે બંને સર્કિટને ચોક્કસ માપાંકનની જરૂર છે. વિલંબ રેખાએ ઇનપુટ પીક (ફિગ. 6a) નું ચોક્કસ વિલંબિત સંસ્કરણ આપવું આવશ્યક છે, અને જ્યારે ઇનપુટ લક્ષ્ય શોધ શ્રેણીમાં આવે ત્યારે જ સીડી સક્રિય થવી જોઈએ. વિલંબ લાઇન માટે, ઇનપુટ કનેક્શન્સ (ફિગ. 4a માં G3) ના સિનેપ્ટિક વજન લક્ષ્ય વિલંબ પ્રાપ્ત થાય ત્યાં સુધી ફરીથી પ્રોગ્રામ કરવામાં આવ્યા હતા. પ્રોગ્રામને રોકવા માટે લક્ષ્ય વિલંબની આસપાસ એક સહિષ્ણુતા સેટ કરો: સહનશીલતા જેટલી નાની છે, વિલંબની રેખા સફળતાપૂર્વક સેટ કરવી વધુ મુશ્કેલ છે. અંજીર પર. આકૃતિ 6b વિલંબ રેખા કેલિબ્રેશન પ્રક્રિયાના પરિણામો દર્શાવે છે: તે જોઈ શકાય છે કે સૂચિત યોજના ડિઝાઇન યોજનામાં જરૂરી તમામ વિલંબને બરાબર પ્રદાન કરી શકે છે (10 થી 300 μs સુધી). માપાંકન પુનરાવર્તનની મહત્તમ સંખ્યા કેલિબ્રેશન પ્રક્રિયાની ગુણવત્તાને અસર કરે છે: 200 પુનરાવર્તનો ભૂલને 5% કરતા ઓછા સુધી ઘટાડી શકે છે. એક કેલિબ્રેશન પુનરાવૃત્તિ RRAM સેલના સેટ/રીસેટ કામગીરીને અનુરૂપ છે. ટ્યુનિંગ પ્રક્રિયા સીડી મોડ્યુલ ઇન્સ્ટન્ટ ક્લોઝ ઇવેન્ટ ડિટેક્શનની ચોકસાઈને સુધારવા માટે પણ મહત્વપૂર્ણ છે. 95% (આકૃતિ 6c માં વાદળી રેખા) થી ઉપરનો સાચો હકારાત્મક દર (એટલે ​​​​કે, સંબંધિત તરીકે યોગ્ય રીતે ઓળખાયેલ ઘટનાઓનો દર) હાંસલ કરવા માટે દસ માપાંકન પુનરાવર્તનોનો સમય લીધો. જો કે, ટ્યુનિંગ પ્રક્રિયા ખોટી હકારાત્મક ઘટનાઓને અસર કરતી નથી (એટલે ​​​​કે, ઘટનાઓની આવર્તન કે જે ભૂલથી સંબંધિત તરીકે ઓળખવામાં આવી હતી). જૈવિક પ્રણાલીઓમાં ઝડપથી સક્રિય થતા માર્ગોના સમયની મર્યાદાઓને દૂર કરવા માટેની બીજી પદ્ધતિ રિડન્ડન્સી છે (એટલે ​​​​કે, આપેલ કાર્ય કરવા માટે સમાન પદાર્થની ઘણી નકલોનો ઉપયોગ કરવામાં આવે છે). બાયોલોજી 66 થી પ્રેરિત થઈને, અમે દરેક સીડી મોડ્યુલમાં બે વિલંબની રેખાઓ વચ્ચે ઘણી સીડી સર્કિટ મૂકી છે જેથી ખોટા હકારાત્મકની અસર ઓછી થઈ શકે. ફિગ માં બતાવ્યા પ્રમાણે. 6c (ગ્રીન લાઇન), દરેક સીડી મોડ્યુલમાં ત્રણ સીડી તત્વો મૂકવાથી ખોટા એલાર્મ રેટને 10-2 કરતા ઓછો કરી શકાય છે.
વિલંબ રેખા સર્કિટ પર ચેતાકોષીય પરિવર્તનશીલતાની અસર. b વિલંબ રેખા સર્કિટને અનુરૂપ LIF ચેતાકોષો અને DPI સિનેપ્સના સમય સ્થિરાંકોને મોટા મૂલ્યો પર સેટ કરીને મોટા વિલંબ સુધી માપી શકાય છે. RRAM કેલિબ્રેશન પ્રક્રિયાના પુનરાવર્તનોની સંખ્યામાં વધારો કરવાથી લક્ષ્ય વિલંબની ચોકસાઈમાં નોંધપાત્ર સુધારો કરવાનું શક્ય બન્યું: 200 પુનરાવર્તનોએ ભૂલને 5% કરતા ઓછી કરી. એક પુનરાવર્તન RRAM સેલ પર SET/RESET ઑપરેશનને અનુરૂપ છે. c Jeffress મોડેલમાં દરેક CD મોડ્યુલને N સમાંતર CD તત્વોનો ઉપયોગ કરીને સિસ્ટમની નિષ્ફળતાના સંદર્ભમાં વધુ સુગમતા માટે અમલમાં મૂકી શકાય છે. d વધુ RRAM કેલિબ્રેશન પુનરાવૃત્તિઓ સાચા હકારાત્મક દર (વાદળી રેખા) માં વધારો કરે છે, જ્યારે ખોટા હકારાત્મક દર પુનરાવૃત્તિઓની સંખ્યા (લીલી રેખા) થી સ્વતંત્ર છે. વધુ CD તત્વોને સમાંતરમાં મૂકવાથી CD મોડ્યુલ મેચોની ખોટી તપાસ ટાળે છે.
હવે અમે pMUT સેન્સર, CD, અને ન્યુરોમોર્ફિક કમ્પ્યુટિંગ ગ્રાફ બનાવે છે તે વિલંબ રેખા સર્કિટના એકોસ્ટિક ગુણધર્મોના માપનો ઉપયોગ કરીને આકૃતિ 2 માં બતાવેલ એન્ડ-ટુ-એન્ડ ઇન્ટિગ્રેટેડ ઑબ્જેક્ટ સ્થાનિકીકરણ સિસ્ટમના પ્રદર્શન અને પાવર વપરાશનું મૂલ્યાંકન કરીએ છીએ. જેફ્રેસ મોડેલ (ફિગ. 1a). ન્યુરોમોર્ફિક કમ્પ્યુટીંગ ગ્રાફ માટે, સીડી મોડ્યુલોની સંખ્યા જેટલી વધારે છે, કોણીય રીઝોલ્યુશન વધુ સારું છે, પરંતુ સિસ્ટમની ઉર્જા પણ વધારે છે (ફિગ. 7a). સમગ્ર સિસ્ટમની ચોકસાઈ સાથે વ્યક્તિગત ઘટકો (pMUT સેન્સર્સ, ન્યુરોન્સ અને સિનેપ્ટિક સર્કિટ) ની ચોકસાઈની સરખામણી કરીને સમાધાન કરી શકાય છે. વિલંબ રેખાનું રિઝોલ્યુશન સિમ્યુલેટેડ સિનેપ્સ અને ન્યુરોન્સના સમય સ્થિરાંકો દ્વારા મર્યાદિત છે, જે અમારી યોજનામાં 10 µs કરતાં વધી જાય છે, જે 4° ના કોણીય રીઝોલ્યુશનને અનુરૂપ છે (પદ્ધતિઓ જુઓ). CMOS ટેક્નોલૉજી સાથેના વધુ અદ્યતન નોડ્સ ઓછા સમયના સ્થિરાંકો સાથે ન્યુરલ અને સિનેપ્ટિક સર્કિટની ડિઝાઇનને મંજૂરી આપશે, જેના પરિણામે વિલંબ રેખા તત્વોની ઉચ્ચ ચોકસાઈ થશે. જો કે, અમારી સિસ્ટમમાં, કોણીય સ્થિતિ, એટલે કે 10° (ફિગ. 7a માં વાદળી આડી રેખા) અંદાજવામાં ભૂલ pMUT દ્વારા ચોકસાઈ મર્યાદિત છે. અમે CD મોડ્યુલોની સંખ્યા 40 પર નિશ્ચિત કરી છે, જે લગભગ 4°ના કોણીય રીઝોલ્યુશનને અનુરૂપ છે, એટલે કે, કોમ્પ્યુટેશનલ ગ્રાફની કોણીય સચોટતા (ફિગ. 7a માં આછો વાદળી આડી રેખા). સિસ્ટમ સ્તરે, આ સેન્સર સિસ્ટમની સામે 50 સેમી સ્થિત ઑબ્જેક્ટ્સ માટે 4°નું રિઝોલ્યુશન અને 10°ની ચોકસાઈ આપે છે. આ મૂલ્ય સંદર્ભમાં નોંધાયેલ ન્યુરોમોર્ફિક ધ્વનિ સ્થાનિકીકરણ સિસ્ટમો સાથે તુલનાત્મક છે. 67. અદ્યતન સ્થિતિ સાથે પ્રસ્તાવિત પ્રણાલીની તુલના પૂરક કોષ્ટક 1 માં મળી શકે છે. વધારાના pMUTs ઉમેરવા, એકોસ્ટિક સિગ્નલ સ્તર વધારવું અને ઇલેક્ટ્રોનિક અવાજ ઘટાડવો એ સ્થાનિકીકરણની ચોકસાઈને વધુ બહેતર બનાવવાની શક્ય રીતો છે. ) 9.7 હોવાનો અંદાજ છે. nz 55. કોમ્પ્યુટેશનલ ગ્રાફ પર 40 CD એકમો જોતાં, SPICE સિમ્યુલેશન એ ઓપરેશન દીઠ ઊર્જા (એટલે ​​​​કે, ઑબ્જેક્ટ પોઝિશનિંગ ઊર્જા) 21.6 nJ હોવાનો અંદાજ મૂક્યો છે. ન્યુરોમોર્ફિક સિસ્ટમ ફક્ત ત્યારે જ સક્રિય થાય છે જ્યારે ઇનપુટ ઇવેન્ટ આવે છે, એટલે કે જ્યારે એકોસ્ટિક તરંગ કોઈપણ pMUT રીસીવર સુધી પહોંચે છે અને તપાસ થ્રેશોલ્ડને ઓળંગે છે, અન્યથા તે નિષ્ક્રિય રહે છે. જ્યારે ઇનપુટ સિગ્નલ ન હોય ત્યારે આ બિનજરૂરી પાવર વપરાશને ટાળે છે. 100 Hz ની સ્થાનિકીકરણ કામગીરીની આવર્તન અને ઓપરેશન દીઠ 300 µs (મહત્તમ શક્ય ITD) ના સક્રિયકરણ સમયગાળાને ધ્યાનમાં લેતા, ન્યુરોમોર્ફિક કમ્પ્યુટિંગ ગ્રાફનો પાવર વપરાશ 61.7 nW છે. દરેક પીએમયુટી રીસીવર પર લાગુ ન્યુરોમોર્ફિક પ્રી-પ્રોસેસિંગ સાથે, સમગ્ર સિસ્ટમનો પાવર વપરાશ 81.6 nW સુધી પહોંચે છે. પરંપરાગત હાર્ડવેરની તુલનામાં સૂચિત ન્યુરોમોર્ફિક અભિગમની ઉર્જા કાર્યક્ષમતાને સમજવા માટે, અમે ન્યુરોમોર્ફિક અથવા પરંપરાગત બીમફોર્મિંગ68 કૌશલ્યનો ઉપયોગ કરીને આધુનિક ઓછી શક્તિવાળા માઇક્રોકન્ટ્રોલર પર સમાન કાર્ય કરવા માટે જરૂરી ઊર્જા સાથે આ સંખ્યાની તુલના કરી છે. ન્યુરોમોર્ફિક અભિગમ એનાલોગ-ટુ-ડિજિટલ કન્વર્ટર (ADC) સ્ટેજને ધ્યાનમાં લે છે, ત્યારબાદ બેન્ડ-પાસ ફિલ્ટર અને એન્વેલોપ એક્સટ્રેક્શન સ્ટેજ (ટીગર-કાઈઝર પદ્ધતિ) છે. અંતે, ToF કાઢવા માટે થ્રેશોલ્ડ ઓપરેશન કરવામાં આવે છે. અમે ToF પર આધારિત ITD ની ગણતરી અને અંદાજિત કોણીય સ્થિતિમાં રૂપાંતરણને છોડી દીધું છે કારણ કે આ દરેક માપ માટે એકવાર થાય છે (પદ્ધતિઓ જુઓ). બંને ચેનલો (pMUT રીસીવરો), 18 બેન્ડ પાસ ફિલ્ટર ઓપરેશન્સ, 3 એન્વેલોપ એક્સટ્રેક્શન ઓપરેશન્સ અને 1 થ્રેશોલ્ડ ઓપરેશન્સ પર 250 kHz નો સેમ્પલિંગ રેટ ધારી રહ્યા છીએ, કુલ પાવર વપરાશ 245 માઇક્રોવોટ હોવાનો અંદાજ છે. આ માઇક્રોકન્ટ્રોલરના લો-પાવર મોડ69નો ઉપયોગ કરે છે, જે એલ્ગોરિધમ્સ એક્ઝિક્યુટ ન થાય ત્યારે ચાલુ થાય છે, જે પાવર વપરાશને 10.8 µW સુધી ઘટાડે છે. સંદર્ભમાં સૂચિત બીમફોર્મિંગ સિગ્નલ પ્રોસેસિંગ સોલ્યુશનનો પાવર વપરાશ. 31, 5 pMUT રીસીવરો અને 11 બીમ એઝીમુથ પ્લેન [-50°, +50°] માં સમાનરૂપે વિતરિત સાથે, 11.71 mW છે (વિગતો માટે પદ્ધતિઓ વિભાગ જુઓ). વધુમાં, અમે FPGA47-આધારિત ટાઈમ ડિફરન્સ એન્કોડર (TDE) ના પાવર વપરાશની જાણ કરીએ છીએ જે ઑબ્જેક્ટ સ્થાનિકીકરણ માટે જેફ્રેસ મોડલના રિપ્લેસમેન્ટ તરીકે 1.5 mW છે. આ અંદાજોના આધારે, સૂચિત ન્યુરોમોર્ફિક અભિગમ ઑબ્જેક્ટ સ્થાનિકીકરણ કામગીરી માટે ક્લાસિકલ બીમફોર્મિંગ તકનીકોનો ઉપયોગ કરીને માઇક્રોકન્ટ્રોલરની તુલનામાં તીવ્રતાના પાંચ ઓર્ડર દ્વારા પાવર વપરાશ ઘટાડે છે. ક્લાસિક માઇક્રોકન્ટ્રોલર પર સિગ્નલ પ્રોસેસિંગ માટે ન્યુરોમોર્ફિક અભિગમ અપનાવવાથી પાવર વપરાશમાં લગભગ બે ઓર્ડરની તીવ્રતા ઓછી થાય છે. સૂચિત સિસ્ટમની અસરકારકતા મેમરીમાં ગણતરીઓ કરવા સક્ષમ અસુમેળ પ્રતિરોધક-મેમરી એનાલોગ સર્કિટના સંયોજન દ્વારા અને સિગ્નલોને સમજવા માટે જરૂરી એનાલોગ-ટુ-ડિજિટલ રૂપાંતરણના અભાવ દ્વારા સમજાવી શકાય છે.
સીડી મોડ્યુલોની સંખ્યાના આધારે સ્થાનિકીકરણ કામગીરીનું કોણીય રીઝોલ્યુશન (વાદળી) અને પાવર વપરાશ (લીલો) ઘેરો વાદળી આડી પટ્ટી PMUT ની કોણીય સચોટતા દર્શાવે છે અને આછો વાદળી આડી પટ્ટી ન્યુરોમોર્ફિક કોમ્પ્યુટેશનલ ગ્રાફની કોણીય ચોકસાઈ દર્શાવે છે. b સૂચિત સિસ્ટમનો પાવર વપરાશ અને બે ચર્ચા કરેલ માઇક્રોકન્ટ્રોલર અમલીકરણો અને ટાઇમ ડિફરન્સ એન્કોડર (TDE)47 FPGA ના ડિજિટલ અમલીકરણ સાથે સરખામણી.
લક્ષ્ય સ્થાનિકીકરણ પ્રણાલીના વીજ વપરાશને ઘટાડવા માટે, અમે એક કાર્યક્ષમ, ઘટના-સંચાલિત RRAM-આધારિત ન્યુરોમોર્ફિક સર્કિટની કલ્પના કરી, ડિઝાઇન કરી અને અમલમાં મૂક્યું જે લક્ષ્ય ઑબ્જેક્ટની વાસ્તવિક સ્થિતિની ગણતરી કરવા માટે બિલ્ટ-ઇન સેન્સર્સ દ્વારા જનરેટ કરાયેલ સિગ્નલ માહિતી પર પ્રક્રિયા કરે છે. સમય . જ્યારે પરંપરાગત પ્રક્રિયા પદ્ધતિઓ સતત શોધાયેલ સિગ્નલોના નમૂના લે છે અને ઉપયોગી માહિતી મેળવવા માટે ગણતરીઓ કરે છે, ત્યારે સૂચિત ન્યુરોમોર્ફિક સોલ્યુશન ઉપયોગી માહિતી આવતાંની સાથે અસુમેળ રીતે ગણતરીઓ કરે છે, જે સિસ્ટમની શક્તિ કાર્યક્ષમતાને પાંચ ઓર્ડર દ્વારા મહત્તમ કરે છે. વધુમાં, અમે RRAM-આધારિત ન્યુરોમોર્ફિક સર્કિટ્સની લવચીકતાને પ્રકાશિત કરીએ છીએ. બિન-અસ્થિર રીતે (પ્લાસ્ટિસિટી) વાહકતા બદલવાની RRAM ની ક્ષમતા અલ્ટ્રા-લો પાવર એનાલોગ DPI ના સિનેપ્ટિક અને ન્યુરલ સર્કિટની અંતર્ગત પરિવર્તનશીલતાને વળતર આપે છે. આ આ RRAM-આધારિત સર્કિટને બહુમુખી અને શક્તિશાળી બનાવે છે. અમારો ધ્યેય સિગ્નલોમાંથી જટિલ કાર્યો અથવા પેટર્ન કાઢવાનો નથી, પરંતુ વાસ્તવિક સમયમાં ઑબ્જેક્ટનું સ્થાનીકરણ કરવાનો છે. અમારી સિસ્ટમ સિગ્નલને અસરકારક રીતે સંકુચિત પણ કરી શકે છે અને જરૂર પડ્યે વધુ જટિલ નિર્ણયો લેવા માટે તેને આગળની પ્રક્રિયામાં મોકલી શકે છે. સ્થાનિકીકરણ એપ્લિકેશનના સંદર્ભમાં, અમારું ન્યુરોમોર્ફિક પ્રીપ્રોસેસિંગ પગલું ઑબ્જેક્ટના સ્થાન વિશે માહિતી પ્રદાન કરી શકે છે. આ માહિતીનો ઉપયોગ કરી શકાય છે, ઉદાહરણ તરીકે, ગતિ શોધ અથવા હાવભાવ ઓળખ માટે. અમે અલ્ટ્રા લો પાવર સેન્સર્સ જેમ કે pMUTs ને અલ્ટ્રા લો પાવર ઇલેક્ટ્રોનિક્સ સાથે જોડવાના મહત્વ પર ભાર મુકીએ છીએ. આ માટે, ન્યુરોમોર્ફિક અભિગમો ચાવીરૂપ રહ્યા છે કારણ કે તેઓ અમને જૈવિક રીતે પ્રેરિત કોમ્પ્યુટેશનલ પદ્ધતિઓ જેમ કે જેફ્રેસ મોડેલના નવા સર્કિટ અમલીકરણ વિકસાવવા તરફ દોરી ગયા છે. સેન્સર ફ્યુઝન એપ્લિકેશનના સંદર્ભમાં, વધુ સચોટ માહિતી મેળવવા માટે અમારી સિસ્ટમને વિવિધ ઇવેન્ટ-આધારિત સેન્સર સાથે જોડી શકાય છે. ઘુવડ અંધારામાં શિકાર શોધવામાં ઉત્તમ હોવા છતાં, તેમની પાસે ઉત્તમ દૃષ્ટિ છે અને શિકાર 70ને પકડતા પહેલા તેઓ સંયુક્ત શ્રાવ્ય અને દ્રશ્ય શોધ કરે છે. જ્યારે કોઈ ચોક્કસ ઑડિટરી ન્યુરોન ફાયર કરે છે, ત્યારે ઘુવડને તેની દ્રશ્ય શોધ કઈ દિશામાં શરૂ કરવી તે નિર્ધારિત કરવા માટે જરૂરી માહિતી પ્રાપ્ત થાય છે, આમ દ્રશ્ય દ્રશ્યના નાના ભાગ પર તેનું ધ્યાન કેન્દ્રિત કરે છે. ભવિષ્યના સ્વાયત્ત એજન્ટોના વિકાસ માટે વિઝ્યુઅલ સેન્સર (DVS કૅમેરા) અને સૂચિત લિસનિંગ સેન્સર (pMUT પર આધારિત)નું સંયોજન શોધવું જોઈએ.
પીએમયુટી સેન્સર પીસીબી પર બે રીસીવરો સાથે આશરે 10 સેમીના અંતરે સ્થિત છે, અને ટ્રાન્સમીટર રીસીવરો વચ્ચે સ્થિત છે. આ કાર્યમાં, દરેક પટલ એ સસ્પેન્ડેડ બાયમોર્ફ માળખું છે જેમાં પીઝોઇલેક્ટ્રિક એલ્યુમિનિયમ નાઇટ્રાઇડ (AlN) 800 nm જાડા મોલિબડેનમ (Mo) 200 nm જાડાના ત્રણ સ્તરો વચ્ચે સેન્ડવિચ કરેલ અને 200 nm જાડા સ્તર સાથે કોટેડ બે સ્તરોનો સમાવેશ થાય છે. સંદર્ભમાં વર્ણવ્યા પ્રમાણે ટોચનું પાસિવેટીંગ SiN સ્તર. 71. આંતરિક અને બાહ્ય ઇલેક્ટ્રોડ મોલિબડેનમના તળિયે અને ઉપરના સ્તરો પર લાગુ થાય છે, જ્યારે મધ્ય મોલિબડેનમ ઇલેક્ટ્રોડ પેટર્ન વિનાનું હોય છે અને તેનો ઉપયોગ જમીન તરીકે થાય છે, પરિણામે ઇલેક્ટ્રોડની ચાર જોડી સાથે પટલ બને છે.
આ આર્કિટેક્ચર સામાન્ય પટલના વિરૂપતાનો ઉપયોગ કરવાની મંજૂરી આપે છે, જેના પરિણામે પ્રસારણ અને પ્રાપ્તિ સંવેદનશીલતામાં સુધારો થાય છે. આવા pMUT સામાન્ય રીતે ઉત્સર્જક તરીકે 700 nm/V ની ઉત્તેજના સંવેદનશીલતા દર્શાવે છે, જે 270 Pa/V નું સપાટીનું દબાણ પૂરું પાડે છે. રીસીવર તરીકે, એક pMUT ફિલ્મ 15 nA/Pa ની શોર્ટ સર્કિટ સંવેદનશીલતા દર્શાવે છે, જે AlN ના પીઝોઈલેક્ટ્રીક ગુણાંક સાથે સીધો સંબંધ ધરાવે છે. AlN સ્તરમાં વોલ્ટેજની તકનીકી પરિવર્તનશીલતા રેઝોનન્ટ ફ્રીક્વન્સીમાં ફેરફાર તરફ દોરી જાય છે, જેને pMUT પર DC પૂર્વગ્રહ લાગુ કરીને વળતર આપી શકાય છે. DC સંવેદનશીલતા 0.5 kHz/V પર માપવામાં આવી હતી. એકોસ્ટિક પાત્રાલેખન માટે, pMUT ની સામે માઇક્રોફોનનો ઉપયોગ થાય છે.
ઇકો પલ્સ માપવા માટે, અમે ઉત્સર્જિત ધ્વનિ તરંગોને પ્રતિબિંબિત કરવા માટે pMUT ની સામે લગભગ 50 cm2 વિસ્તાર સાથે લંબચોરસ પ્લેટ મૂકી. પ્લેટો વચ્ચેનું અંતર અને pMUT પ્લેન સંબંધિત કોણ બંને ખાસ ધારકોનો ઉપયોગ કરીને નિયંત્રિત થાય છે. ટેક્ટ્રોનિક્સ CPX400DP વોલ્ટેજ સ્ત્રોત ત્રણ pMUT પટલને પૂર્વગ્રહ કરે છે, રેઝોનન્ટ ફ્રીક્વન્સીને 111.9 kHz31 પર ટ્યુન કરે છે, જ્યારે ટ્રાન્સમિટર્સ ટેક્ટ્રોનિક્સ AFG 3102 પલ્સ જનરેટર દ્વારા રેઝોનન્ટ ફ્રિક્વન્સી (111.9 kHze) અને 111.9 kHzty. દરેક પીએમયુટી રીસીવરના ચાર આઉટપુટ પોર્ટમાંથી વાંચવામાં આવતા પ્રવાહોને વિશિષ્ટ વિભેદક વર્તમાન અને વોલ્ટેજ આર્કિટેક્ચરનો ઉપયોગ કરીને વોલ્ટેજમાં રૂપાંતરિત કરવામાં આવે છે અને પરિણામી સિગ્નલોને સ્પેકટ્રમ ડેટા એક્વિઝિશન સિસ્ટમ દ્વારા ડિજિટાઇઝ કરવામાં આવે છે. તપાસની મર્યાદા વિવિધ પરિસ્થિતિઓમાં pMUT સિગ્નલ સંપાદન દ્વારા વર્ગીકૃત કરવામાં આવી હતી: અમે પરાવર્તકને અલગ-અલગ અંતર [30, 40, 50, 60, 80, 100] સેમી પર ખસેડ્યું અને pMUT સપોર્ટ એંગલ ([0, 20, 40] o બદલ્યો. ) આકૃતિ 2b ડિગ્રીમાં અનુરૂપ કોણીય સ્થિતિના આધારે ટેમ્પોરલ ITD શોધ રીઝોલ્યુશન બતાવે છે.
આ લેખ બે અલગ-અલગ ઑફ-ધ-શેલ્ફ RRAM સર્કિટનો ઉપયોગ કરે છે. પ્રથમ એક ટ્રાન્ઝિસ્ટર અને એક રેઝિસ્ટર સાથે 1T1R રૂપરેખાંકનમાં 16,384 (16,000) ઉપકરણો (128 × 128 ઉપકરણો) ની એરે છે. બીજી ચિપ એ ફિગ. 4a માં બતાવેલ ન્યુરોમોર્ફિક પ્લેટફોર્મ છે. RRAM સેલમાં TiN/HfO2/Ti/TiN સ્ટેકમાં જડિત 5 nm જાડા HfO2 ફિલ્મનો સમાવેશ થાય છે. RRAM સ્ટેક પ્રમાણભૂત 130nm CMOS પ્રક્રિયાના બેક-ઓફ-લાઇન (BEOL) માં સંકલિત છે. આરઆરએએમ-આધારિત ન્યુરોમોર્ફિક સર્કિટ ઓલ-એનાલોગ ઇલેક્ટ્રોનિક સિસ્ટમ્સ માટે ડિઝાઇન પડકાર રજૂ કરે છે જેમાં આરઆરએએમ ઉપકરણો પરંપરાગત CMOS તકનીક સાથે સહઅસ્તિત્વ ધરાવે છે. ખાસ કરીને, RRAM ઉપકરણની વહન સ્થિતિ સિસ્ટમ માટે ફંક્શન વેરીએબલ તરીકે વાંચવી અને ઉપયોગમાં લેવી આવશ્યક છે. આ માટે, એક સર્કિટ ડિઝાઇન, બનાવટી અને પરીક્ષણ કરવામાં આવ્યું હતું જે જ્યારે ઇનપુટ પલ્સ પ્રાપ્ત થાય છે ત્યારે ઉપકરણમાંથી વર્તમાનને વાંચે છે અને આ પ્રવાહનો ઉપયોગ વિભેદક જોડી ઇન્ટિગ્રેટર (DPI) સિનેપ્સના પ્રતિભાવને વજન આપવા માટે કરે છે. આ સર્કિટ આકૃતિ 3a માં બતાવવામાં આવ્યું છે, જે આકૃતિ 4a માં ન્યુરોમોર્ફિક પ્લેટફોર્મના મૂળભૂત બિલ્ડીંગ બ્લોક્સનું પ્રતિનિધિત્વ કરે છે. ઇનપુટ પલ્સ 1T1R ઉપકરણના ગેટને સક્રિય કરે છે, ઉપકરણના વાહકતા G (Iweight = G(Vtop – Vx)) ના પ્રમાણસર RRAM દ્વારા પ્રવાહ પ્રેરિત કરે છે. ઓપરેશનલ એમ્પ્લીફાયર (ઓપ-એમ્પ) સર્કિટના ઇનવર્ટિંગ ઇનપુટમાં સતત ડીસી બાયસ વોલ્ટેજ Vtop હોય છે. op-amp નો નકારાત્મક પ્રતિસાદ M1 થી સમાન પ્રવાહ પ્રદાન કરીને Vx = Vtop આપશે. ઉપકરણમાંથી પુનઃપ્રાપ્ત કરાયેલ વર્તમાન Iweight DPI સિનેપ્સમાં ઇન્જેક્ટ કરવામાં આવે છે. મજબૂત પ્રવાહ વધુ વિધ્રુવીકરણમાં પરિણમશે, તેથી RRAM વાહકતા સિનેપ્ટિક વજનને અસરકારક રીતે લાગુ કરે છે. આ ઘાતાંકીય સિનેપ્ટિક પ્રવાહને લીકી ઇન્ટિગ્રેશન એન્ડ એક્સિટેશન (LIF) ચેતાકોષોના મેમ્બ્રેન કેપેસિટર દ્વારા ઇન્જેક્ટ કરવામાં આવે છે, જ્યાં તે વોલ્ટેજ તરીકે સંકલિત થાય છે. જો પટલના થ્રેશોલ્ડ વોલ્ટેજ (ઇન્વર્ટરનું સ્વિચિંગ વોલ્ટેજ) દૂર થાય છે, તો ચેતાકોષનો આઉટપુટ ભાગ સક્રિય થાય છે, આઉટપુટ સ્પાઇક ઉત્પન્ન કરે છે. આ પલ્સ પાછી આવે છે અને ચેતાકોષના પટલના કેપેસિટરને જમીન પર શન્ટ કરે છે, જેના કારણે તે ડિસ્ચાર્જ થાય છે. આ સર્કિટને પછી પલ્સ એક્સ્પાન્ડર (ફિગ. 3a માં બતાવેલ નથી) સાથે પૂરક બનાવવામાં આવે છે, જે LIF ચેતાકોષના આઉટપુટ પલ્સને લક્ષ્ય પલ્સ પહોળાઈમાં આકાર આપે છે. મલ્ટિપ્લેક્સર્સ પણ દરેક લાઇનમાં બનેલ છે, જે RRAM ઉપકરણના ઉપરના અને નીચેના ઇલેક્ટ્રોડ પર વોલ્ટેજ લાગુ કરવાની મંજૂરી આપે છે.
વિદ્યુત પરીક્ષણમાં એનાલોગ સર્કિટના ગતિશીલ વર્તણૂકનું વિશ્લેષણ અને રેકોર્ડિંગ તેમજ પ્રોગ્રામિંગ અને RRAM ઉપકરણોને વાંચવાનો સમાવેશ થાય છે. બંને પગલાઓ માટે વિશિષ્ટ સાધનોની જરૂર છે, જે બધા એક જ સમયે સેન્સર બોર્ડ સાથે જોડાયેલા છે. ન્યુરોમોર્ફિક સર્કિટમાં RRAM ઉપકરણોની ઍક્સેસ મલ્ટિપ્લેક્સર (MUX) દ્વારા બાહ્ય સાધનોથી હાથ ધરવામાં આવે છે. MUX 1T1R સેલને બાકીની સર્કિટરીથી અલગ કરે છે જેની સાથે તે સંબંધિત છે, ઉપકરણને વાંચવા અને/અથવા પ્રોગ્રામ કરવાની મંજૂરી આપે છે. RRAM ઉપકરણોને પ્રોગ્રામ કરવા અને વાંચવા માટે, Keithley 4200 SCS મશીનનો ઉપયોગ Arduino માઇક્રોકન્ટ્રોલર સાથે કરવામાં આવે છે: પ્રથમ ચોક્કસ પલ્સ જનરેશન અને વર્તમાન વાંચન માટે, અને બીજું મેમરી એરેમાં વ્યક્તિગત 1T1R તત્વોની ઝડપી ઍક્સેસ માટે. પ્રથમ ઓપરેશન RRAM ઉપકરણ બનાવવાનું છે. કોષો એક પછી એક પસંદ કરવામાં આવે છે અને ઉપર અને નીચે ઇલેક્ટ્રોડ વચ્ચે હકારાત્મક વોલ્ટેજ લાગુ કરવામાં આવે છે. આ કિસ્સામાં, સિલેક્ટર ટ્રાન્ઝિસ્ટરને અનુરૂપ ગેટ વોલ્ટેજના સપ્લાયને કારણે વર્તમાન દસ માઇક્રોએમ્પીયર્સના ક્રમ સુધી મર્યાદિત છે. ત્યારબાદ RRAM સેલ અનુક્રમે RESET અને SET ઑપરેશનનો ઉપયોગ કરીને નીચી વાહક સ્થિતિ (LCS) અને ઉચ્ચ વાહક સ્થિતિ (HCS) વચ્ચે ચક્ર કરી શકે છે. SET ઓપરેશન 1 μs ની અવધિ સાથે લંબચોરસ વોલ્ટેજ પલ્સ અને ઉપલા ઇલેક્ટ્રોડમાં 2.0-2.5 V ના પીક વોલ્ટેજ અને 0.9-1.3 V ના પીક વોલ્ટેજ સાથે સમાન આકારની સિંક પલ્સ લાગુ કરીને હાથ ધરવામાં આવે છે. પસંદગીકાર ટ્રાન્ઝિસ્ટરનો દરવાજો. આ મૂલ્યો RRAM વાહકતાને 20-150 µs અંતરાલો પર મોડ્યુલેટ કરવાની મંજૂરી આપે છે. RESET માટે, જ્યારે ગેટ વોલ્ટેજ 2.5-3.0 V ની રેન્જમાં હોય ત્યારે 1 µs પહોળું, 3 V પીક પલ્સ સેલના નીચેના ઇલેક્ટ્રોડ (બીટ લાઇન) પર લાગુ કરવામાં આવે છે. એનાલોગ સર્કિટના ઇનપુટ્સ અને આઉટપુટ ગતિશીલ સંકેતો છે. . ઇનપુટ માટે, અમે બે HP 8110 પલ્સ જનરેટરને Tektronix AFG3011 સિગ્નલ જનરેટર સાથે ઇન્ટરલીવ કર્યા છે. ઇનપુટ પલ્સ 1 µs ની પહોળાઈ અને 50 ns ની ઉદય/પતન ધાર ધરાવે છે. એનાલોગ ગ્લિચ આધારિત સર્કિટ્સમાં આ પ્રકારની પલ્સ એક લાક્ષણિક ભૂલ હોવાનું માનવામાં આવે છે. આઉટપુટ સિગ્નલની વાત કરીએ તો, આઉટપુટ સિગ્નલ ટેલિડાઈન લેક્રોય 1 ગીગાહર્ટ્ઝ ઓસિલોસ્કોપનો ઉપયોગ કરીને રેકોર્ડ કરવામાં આવ્યો હતો. ઓસિલોસ્કોપની સંપાદન ઝડપ સર્કિટ ડેટાના વિશ્લેષણ અને સંપાદનમાં મર્યાદિત પરિબળ નથી તેવું સાબિત થયું છે.
ન્યુરોન્સ અને સિનેપ્સના વર્તનનું અનુકરણ કરવા માટે એનાલોગ ઇલેક્ટ્રોનિક્સની ગતિશીલતાનો ઉપયોગ કરવો એ કોમ્પ્યુટેશનલ કાર્યક્ષમતામાં સુધારો કરવા માટે એક ભવ્ય અને કાર્યક્ષમ ઉકેલ છે. આ કોમ્પ્યુટેશનલ અંડરલેનો ગેરલાભ એ છે કે તે સ્કીમથી સ્કીમમાં બદલાશે. અમે ન્યુરોન્સ અને સિનેપ્ટિક સર્કિટ્સ (પૂરક ફિગ. 2a,b) ની પરિવર્તનશીલતાનું પ્રમાણ નક્કી કર્યું. પરિવર્તનશીલતાના તમામ અભિવ્યક્તિઓમાંથી, સમયના સ્થિરાંકો અને ઇનપુટ ગેઇન સાથે સંકળાયેલા તે સિસ્ટમ સ્તર પર સૌથી વધુ અસર કરે છે. LIF ચેતાકોષ અને DPI સિનેપ્સનો સમય સ્થિરતા RC સર્કિટ દ્વારા નક્કી કરવામાં આવે છે, જ્યાં R નું મૂલ્ય ટ્રાંઝિસ્ટરના ગેટ (ચેતાકોષ માટે Vlk અને સિનેપ્સ માટે Vtau) પર લાગુ પૂર્વગ્રહ વોલ્ટેજ દ્વારા નિયંત્રિત થાય છે, જે નક્કી કરે છે. લિકેજ દર. ઇનપુટ ગેઇન એ ઇનપુટ પલ્સ દ્વારા ઉત્તેજિત સિનેપ્ટિક અને ન્યુરોનલ મેમ્બ્રેન કેપેસિટર્સ દ્વારા પહોંચેલા પીક વોલ્ટેજ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે. ઇનપુટ ગેઇન બીજા બાયસ ટ્રાંઝિસ્ટર દ્વારા નિયંત્રિત થાય છે જે ઇનપુટ વર્તમાનને મોડ્યુલેટ કરે છે. ST માઈક્રોઈલેક્ટ્રોનિક્સની 130nm પ્રક્રિયા પર માપાંકિત કરાયેલ મોન્ટે કાર્લો સિમ્યુલેશન કેટલાક ઈનપુટ ગેઈન અને સમયના સતત આંકડા એકત્રિત કરવા માટે કરવામાં આવ્યું હતું. પરિણામો પૂરક આકૃતિ 2 માં રજૂ કરવામાં આવ્યા છે, જ્યાં ઇનપુટ ગેઇન અને સમય સ્થિરતાને લીકેજ દરને નિયંત્રિત કરતા પૂર્વગ્રહ વોલ્ટેજના કાર્ય તરીકે પરિમાણિત કરવામાં આવે છે. લીલા માર્કર્સ સરેરાશથી સતત સમયના પ્રમાણભૂત વિચલનનું પ્રમાણ નક્કી કરે છે. ન્યુરોન્સ અને સિનેપ્ટિક સર્કિટ બંને 10-5-10-2 s ની રેન્જમાં સમયના સ્થિરાંકોની વિશાળ શ્રેણીને વ્યક્ત કરવામાં સક્ષમ હતા, જેમ કે પૂરક ફિગ. સ્કીમમાં બતાવ્યા પ્રમાણે. ન્યુરોનલ અને સિનેપ્સ વેરિએબિલિટીનું ઇનપુટ એમ્પ્લીફિકેશન (પૂરક ફિગ. 2e,d) અનુક્રમે આશરે 8% અને 3% હતું. આવી ઉણપને સાહિત્યમાં સારી રીતે દસ્તાવેજીકૃત કરવામાં આવી છે: LIF63 ચેતાકોષોની વસ્તી વચ્ચે મેળ ખાતી ન હોવાનું મૂલ્યાંકન કરવા માટે DYNAP ચિપ્સના એરે પર વિવિધ માપન કરવામાં આવ્યા હતા. બ્રેઈનસ્કેલ મિશ્ર સિગ્નલ ચિપમાં સિનેપ્સ માપવામાં આવ્યા હતા અને તેમની અસંગતતાઓનું વિશ્લેષણ કરવામાં આવ્યું હતું, અને સિસ્ટમ-સ્તરની વિવિધતાની અસરને ઘટાડવા માટે કેલિબ્રેશન પ્રક્રિયાની દરખાસ્ત કરવામાં આવી હતી64.
ન્યુરોમોર્ફિક સર્કિટ્સમાં આરઆરએએમનું કાર્ય બે ગણું છે: આર્કિટેક્ચર વ્યાખ્યા (આઉટપુટમાં રૂટીંગ ઇનપુટ્સ) અને સિનેપ્ટિક વજનનું અમલીકરણ. મોડલ કરેલ ન્યુરોમોર્ફિક સર્કિટ્સની પરિવર્તનશીલતાની સમસ્યાને ઉકેલવા માટે પછીની મિલકતનો ઉપયોગ કરી શકાય છે. અમે એક સરળ માપાંકન પ્રક્રિયા વિકસાવી છે જેમાં RRAM ઉપકરણને ફરીથી પ્રોગ્રામ કરવાનું સામેલ છે જ્યાં સુધી સર્કિટનું વિશ્લેષણ કરવામાં આવે છે તે ચોક્કસ આવશ્યકતાઓને પૂર્ણ કરે છે. આપેલ ઇનપુટ માટે, આઉટપુટનું નિરીક્ષણ કરવામાં આવે છે અને જ્યાં સુધી લક્ષ્ય વર્તણૂક પ્રાપ્ત ન થાય ત્યાં સુધી RRAM ને ફરીથી પ્રોગ્રામ કરવામાં આવે છે. ક્ષણિક વાહકતા વધઘટ (પૂરક માહિતી) માં પરિણમે RRAM છૂટછાટની સમસ્યાને ઉકેલવા માટે પ્રોગ્રામિંગ કામગીરી વચ્ચે 5 સેકંડનો રાહ જોવાનો સમય રજૂ કરવામાં આવ્યો હતો. ન્યુરોમોર્ફિક સર્કિટની આવશ્યકતાઓ અનુસાર સિનેપ્ટિક વજન ગોઠવવામાં આવે છે અથવા માપાંકિત કરવામાં આવે છે. કેલિબ્રેશન પ્રક્રિયાને વધારાના અલ્ગોરિધમ્સમાં સારાંશ આપવામાં આવે છે [1, 2] જે ન્યુરોમોર્ફિક પ્લેટફોર્મ, વિલંબ રેખાઓ અને દિશાસંવેદનશીલ સીડીની બે મૂળભૂત સુવિધાઓ પર ધ્યાન કેન્દ્રિત કરે છે. વિલંબ રેખા સાથેના સર્કિટ માટે, લક્ષ્ય વર્તણૂક એ વિલંબ Δt સાથે આઉટપુટ પલ્સ પ્રદાન કરવાનું છે. જો વાસ્તવિક સર્કિટ વિલંબ લક્ષ્ય મૂલ્ય કરતાં ઓછો હોય, તો G3 નું સિનેપ્ટિક વજન ઘટાડવું જોઈએ (G3 રીસેટ કરવું જોઈએ અને પછી ઓછા મેળ ખાતા વર્તમાન Icc પર સેટ કરવું જોઈએ). તેનાથી વિપરીત, જો વાસ્તવિક વિલંબ લક્ષ્ય મૂલ્ય કરતાં વધારે હોય, તો G3 નું વહન વધારવું આવશ્યક છે (G3 પ્રથમ રીસેટ કરવું જોઈએ અને પછી ઉચ્ચ Icc મૂલ્ય પર સેટ કરવું જોઈએ). આ પ્રક્રિયાને ત્યાં સુધી પુનરાવર્તિત કરવામાં આવે છે જ્યાં સુધી સર્કિટ દ્વારા ઉત્પન્ન થયેલ વિલંબ લક્ષ્ય મૂલ્ય સાથે મેળ ન ખાય અને કેલિબ્રેશન પ્રક્રિયાને રોકવા માટે એક સહનશીલતા સેટ ન થાય. ઓરિએન્ટેશન-અસંવેદનશીલ સીડી માટે, બે RRAM ઉપકરણો, G1 અને G3, કેલિબ્રેશન પ્રક્રિયામાં સામેલ છે. આ સર્કિટમાં બે ઇનપુટ છે, Vin0 અને Vin1, તા. સર્કિટ માત્ર મેચિંગ શ્રેણી [0,dtCD] ની નીચે વિલંબનો પ્રતિસાદ આપવો જોઈએ. જો ત્યાં કોઈ આઉટપુટ પીક ન હોય, પરંતુ ઇનપુટ પીક નજીક હોય, તો ચેતાકોષને થ્રેશોલ્ડ સુધી પહોંચવામાં મદદ કરવા માટે બંને RRAM ઉપકરણોને પ્રોત્સાહન આપવું જોઈએ. તેનાથી વિપરિત, જો સર્કિટ dtCD ની લક્ષ્ય શ્રેણી કરતાં વધુ વિલંબને પ્રતિસાદ આપે છે, તો વાહકતા ઘટાડવી આવશ્યક છે. જ્યાં સુધી યોગ્ય વર્તન પ્રાપ્ત ન થાય ત્યાં સુધી પ્રક્રિયાને પુનરાવર્તિત કરો. અનુપાલન વર્તમાન રેફમાં બિલ્ટ-ઇન એનાલોગ સર્કિટ દ્વારા મોડ્યુલેટ કરી શકાય છે. 72.73. આ બિલ્ટ-ઇન સર્કિટ સાથે, સિસ્ટમને માપાંકિત કરવા અથવા અન્ય એપ્લિકેશન માટે તેનો પુનઃઉપયોગ કરવા માટે સમયાંતરે આવી પ્રક્રિયાઓ કરી શકાય છે.
અમે પ્રમાણભૂત 32-બીટ માઇક્રોકન્ટ્રોલર68 પર અમારા ન્યુરોમોર્ફિક સિગ્નલ પ્રોસેસિંગ અભિગમના પાવર વપરાશનું મૂલ્યાંકન કરીએ છીએ. આ મૂલ્યાંકનમાં, અમે એક pMUT ટ્રાન્સમીટર અને બે pMUT રીસીવર સાથે, આ પેપરની જેમ જ સેટઅપ સાથે ઑપરેશન ધારીએ છીએ. આ પદ્ધતિ બેન્ડપાસ ફિલ્ટરનો ઉપયોગ કરે છે, ત્યારબાદ એન્વેલોપ એક્સટ્રક્શન સ્ટેપ (ટીગર-કાઈઝર) અને અંતે ફ્લાઇટનો સમય કાઢવા માટે સિગ્નલ પર થ્રેશોલ્ડિંગ ઑપરેશન લાગુ કરવામાં આવે છે. ITD ની ગણતરી અને તેનું ડિટેક્શન એંગલ્સમાં રૂપાંતર મૂલ્યાંકનમાં અવગણવામાં આવ્યું છે. અમે 18 ફ્લોટિંગ પોઈન્ટ ઑપરેશનની આવશ્યકતા ધરાવતા 4થા ઑર્ડર અનંત ઇમ્પલ્સ રિસ્પોન્સ ફિલ્ટરનો ઉપયોગ કરીને બૅન્ડ પાસ ફિલ્ટર અમલીકરણને ધ્યાનમાં લઈએ છીએ. પરબિડીયું નિષ્કર્ષણ ત્રણ વધુ ફ્લોટિંગ પોઈન્ટ કામગીરીનો ઉપયોગ કરે છે, અને છેલ્લી કામગીરીનો ઉપયોગ થ્રેશોલ્ડ સેટ કરવા માટે થાય છે. સિગ્નલને પ્રીપ્રોસેસ કરવા માટે કુલ 22 ફ્લોટિંગ પોઈન્ટ ઓપરેશન્સ જરૂરી છે. પ્રસારિત સિગ્નલ એ 111.9 kHz સાઈન વેવફોર્મનો ટૂંકો વિસ્ફોટ છે જે દર 10 msએ જનરેટ થાય છે જે 100 Hz ની પોઝિશનિંગ ઓપરેટિંગ ફ્રીક્વન્સીમાં પરિણમે છે. અમે Nyquist નું પાલન કરવા માટે 250 kHz નો સેમ્પલિંગ રેટ અને 1 મીટરની રેન્જ મેળવવા માટે દરેક માપ માટે 6 ms વિન્ડોનો ઉપયોગ કર્યો. નોંધ કરો કે 6 મિલીસેકન્ડ એ 1 મીટર દૂરની વસ્તુની ઉડાનનો સમય છે. આ 0.5 MSPS પર A/D રૂપાંતરણ માટે 180 µW નો પાવર વપરાશ પૂરો પાડે છે. સિગ્નલ પ્રીપ્રોસેસિંગ 6.60 MIPS (સૂચનો પ્રતિ સેકન્ડ) છે, જે 0.75 mW જનરેટ કરે છે. જો કે, જ્યારે અલ્ગોરિધમ ચાલતું ન હોય ત્યારે માઇક્રોકન્ટ્રોલર લો પાવર મોડ 69 પર સ્વિચ કરી શકે છે. આ મોડ 10.8 μW નો સ્થિર પાવર વપરાશ અને 113 μs નો જાગવાનો સમય પૂરો પાડે છે. 84 મેગાહર્ટઝની ઘડિયાળની આવર્તનને જોતાં, માઇક્રોકન્ટ્રોલર ન્યુરોમોર્ફિક અલ્ગોરિધમના તમામ ઓપરેશન્સને 10 એમએસની અંદર પૂર્ણ કરે છે, અને અલ્ગોરિધમ 6.3% ની ફરજ ચક્રની ગણતરી કરે છે, આમ ઓછા પાવર મોડનો ઉપયોગ કરે છે. પરિણામી પાવર ડિસીપેશન 244.7 μW છે. નોંધ કરો કે અમે ToF માંથી ITD આઉટપુટ અને ડિટેક્શન એંગલમાં રૂપાંતરણને બાદ કરીએ છીએ, આમ માઇક્રોકન્ટ્રોલરના પાવર વપરાશને ઓછો અંદાજ આપીએ છીએ. આ સૂચિત સિસ્ટમની ઊર્જા કાર્યક્ષમતા માટે વધારાનું મૂલ્ય પૂરું પાડે છે. વધારાની સરખામણીની સ્થિતિ તરીકે, અમે સંદર્ભમાં સૂચિત શાસ્ત્રીય બીમફોર્મિંગ પદ્ધતિઓના પાવર વપરાશનું મૂલ્યાંકન કરીએ છીએ. 31.54 જ્યારે 1.8V સપ્લાય વોલ્ટેજ પર સમાન માઇક્રોકન્ટ્રોલર68 માં એમ્બેડ કરવામાં આવે છે. બીમફોર્મિંગ માટે ડેટા મેળવવા માટે પાંચ સમાન અંતરે pMUT પટલનો ઉપયોગ કરવામાં આવે છે. પ્રોસેસિંગ માટે જ, બીમફોર્મિંગ પદ્ધતિનો ઉપયોગ કરવામાં આવે છે તે વિલંબનો સરવાળો છે. તેમાં ફક્ત લેન પર વિલંબ લાગુ કરવાનો સમાવેશ થાય છે જે એક લેન અને સંદર્ભ લેન વચ્ચેના આગમન સમયમાં અપેક્ષિત તફાવતને અનુરૂપ છે. જો સિગ્નલો તબક્કામાં હોય, તો આ સિગ્નલોના સરવાળામાં સમયની પાળી પછી ઊંચી ઉર્જા હશે. જો તેઓ તબક્કાની બહાર હોય, તો વિનાશક હસ્તક્ષેપ તેમની રકમની ઊર્જાને મર્યાદિત કરશે. સંબંધમાં. અંજીર પર. 31, નમૂનાઓની પૂર્ણાંક સંખ્યા દ્વારા ડેટાને ટાઇમ શિફ્ટ કરવા માટે 2 MHz નો સેમ્પલિંગ રેટ પસંદ કરવામાં આવ્યો છે. 250 kHz ના બરછટ નમૂના દરને જાળવી રાખવા અને અપૂર્ણાંક વિલંબને સંશ્લેષણ કરવા માટે ફિનાઇટ ઇમ્પલ્સ રિસ્પોન્સ (FIR) ફિલ્ટરનો ઉપયોગ કરવાનો વધુ નમ્ર અભિગમ છે. અમે ધારીશું કે બીમફોર્મિંગ એલ્ગોરિધમની જટિલતા મુખ્યત્વે સમયની શિફ્ટ દ્વારા નક્કી કરવામાં આવે છે, કારણ કે દરેક ચેનલ દરેક દિશામાં 16 નળ સાથે FIR ફિલ્ટર સાથે સંકળાયેલી હોય છે. આ કામગીરી માટે જરૂરી MIPS ની સંખ્યાની ગણતરી કરવા માટે, અમે 1 મીટરની શ્રેણી, 5 ચેનલો, 11 બીમફોર્મિંગ દિશાઓ (10° પગલાંમાં +/- 50° શ્રેણી) મેળવવા માટે પ્રતિ માપ 6ms ની વિન્ડોને ધ્યાનમાં લઈએ છીએ. પ્રતિ સેકન્ડ 75 માપે માઇક્રોકન્ટ્રોલરને તેના મહત્તમ 100 MIPS સુધી ધકેલી દીધું. લિંક. 68, ઓનબોર્ડ એડીસી ફાળો ઉમેર્યા પછી કુલ 11.71 મેગાવોટના પાવર ડિસીપેશન માટે 11.26 mW નું પાવર ડિસિપેશન થાય છે.
આ અભ્યાસના પરિણામોને સમર્થન આપતો ડેટા સંબંધિત લેખક, એફએમ પાસેથી વાજબી વિનંતી પર ઉપલબ્ધ છે.
ઇન્દિવેરી, જી. અને સાંદામિરસ્કાયા, વાય. ન્યુરોમોર્ફિક એજન્ટ્સમાં સિગ્નલ પ્રોસેસિંગ માટે જગ્યા અને સમયનું મહત્વ: પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરતા ઓછી શક્તિ, સ્વાયત્ત એજન્ટો વિકસાવવાનો પડકાર. ઇન્દિવેરી, જી. અને સાંદામિરસ્કાયા, વાય. ન્યુરોમોર્ફિક એજન્ટ્સમાં સિગ્નલ પ્રોસેસિંગ માટે જગ્યા અને સમયનું મહત્વ: પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરતા ઓછી શક્તિ, સ્વાયત્ત એજન્ટો વિકસાવવાનો પડકાર.ઇન્દિવેરી જી. અને સાંદામિરસ્કાયા વાય. ન્યુરોમોર્ફિક એજન્ટ્સમાં સિગ્નલ પ્રોસેસિંગ માટે જગ્યા અને સમયનું મહત્વ: પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરતા ઓછી શક્તિવાળા સ્વાયત્ત એજન્ટો વિકસાવવાનો પડકાર. ઈન્દિવેરી, જી. અને સાન્ડામિરસ્કાયા, વાય. 空间和时间对于神经形态代理中信号处理的重要性：开发与环与要号处理的重要性：开发与与环主代理的挑战. ઇન્દિવેરી, જી. અને સાંદામિરસ્કાયા, વાય.ઇન્દિવેરી જી. અને સાંદામિરસ્કાયા વાય. ન્યુરોમોર્ફિક એજન્ટ્સમાં સિગ્નલ પ્રોસેસિંગ માટે જગ્યા અને સમયનું મહત્વ: પર્યાવરણ સાથે ક્રિયાપ્રતિક્રિયા કરતા ઓછી શક્તિવાળા સ્વાયત્ત એજન્ટો વિકસાવવાનો પડકાર.IEEE સિગ્નલ પ્રોસેસિંગ. જર્નલ 36, 16–28 (2019).
થોર્પે, એસજે પીક અરાઈવલ ટાઈમ: એન એફિશિયન્ટ ન્યુરલ નેટવર્ક કોડિંગ સ્કીમ. એકમિલર, આર., હાર્ટમેન, જી. અને હૌસ્કે, જી. (ઇડીએસ). એકમિલર, આર., હાર્ટમેન, જી. અને હૌસ્કે, જી. (ઇડીએસ).એકમિલર, આર., હાર્ટમેન, જી. અને હૌસ્કે, જી. (એડીએસ.) માં.એકમિલરમાં, આર., હાર્ટમેન, જી. અને હૌસ્કે, જી. (એડીએસ.). ન્યુરલ સિસ્ટમ્સ અને કમ્પ્યુટર્સમાં સમાંતર પ્રક્રિયા 91-94 (નોર્થ-હોલેન્ડ એલ્સેવિઅર, 1990).
લેવી, ડબલ્યુબી અને કેલ્વર્ટ, વીજી કોમ્યુનિકેશન માનવ કોર્ટેક્સમાં ગણતરી કરતાં 35 ગણી વધુ ઊર્જા વાપરે છે, પરંતુ સિનેપ્સ નંબરની આગાહી કરવા માટે બંને ખર્ચની જરૂર છે. લેવી, ડબલ્યુબી અને કેલ્વર્ટ, વીજી કોમ્યુનિકેશન માનવ કોર્ટેક્સમાં ગણતરી કરતાં 35 ગણી વધુ ઊર્જા વાપરે છે, પરંતુ સિનેપ્સ નંબરની આગાહી કરવા માટે બંને ખર્ચની જરૂર છે.લેવી, ડબલ્યુબી અને કાલવર્ટ, ડબલ્યુજી કોમ્યુનિકેશન માનવીય આચ્છાદનમાં ગણતરી કરતાં 35 ગણી વધુ ઊર્જા વાપરે છે, પરંતુ ચેતોપાગમની સંખ્યાની આગાહી કરવા માટે બંને ખર્ચની જરૂર છે. લેવી, ડબલ્યુબી અને કાલવર્ટ, વીજી કોમ્યુનિકેશન લેવી, WB અને કાલવર્ટ, VG કોમ્યુનિકેશનલેવી, ડબલ્યુબી અને કાલવર્ટ, ડબલ્યુજી કોમ્યુનિકેશન માનવીય આચ્છાદનમાં ગણતરી કરતાં 35 ગણી વધુ ઊર્જા વાપરે છે, પરંતુ બંને ખર્ચ માટે ચેતોપાગમની સંખ્યાની આગાહી કરવી જરૂરી છે.પ્રક્રિયા નેશનલ એકેડમી ઓફ સાયન્સ. વિજ્ઞાન US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
ડાલગાટી, ટી., વિઆનેલો, ઇ., ડી સાલ્વો, બી. અને કાસાસ, જે. જંતુ-પ્રેરિત ન્યુરોમોર્ફિક કમ્પ્યુટિંગ. ડાલગાટી, ટી., વિઆનેલો, ઇ., ડી સાલ્વો, બી. અને કાસાસ, જે. જંતુ-પ્રેરિત ન્યુરોમોર્ફિક કમ્પ્યુટિંગ.દાલગતી, ટી., વિઆનેલો, ઇ., ડીસાલ્વો, બી. અને કાસાસ, જે. જંતુ-પ્રેરિત ન્યુરોમોર્ફિક કમ્પ્યુટિંગ.ડાલગાટી ટી., વિઆનેલો ઇ., ડીસાલ્વો બી. અને કાસાસ જે. જંતુ-પ્રેરિત ન્યુરોમોર્ફિક કમ્પ્યુટિંગ. વર્તમાન. અભિપ્રાય. જંતુ વિજ્ઞાન. 30, 59–66 (2018).
રોય, કે., જયસ્વાલ, એ. અને પાંડા, પી. ન્યુરોમોર્ફિક કમ્પ્યુટિંગ સાથે સ્પાઇક-આધારિત મશીન ઇન્ટેલિજન્સ તરફ. રોય, કે., જયસ્વાલ, એ. અને પાંડા, પી. ન્યુરોમોર્ફિક કમ્પ્યુટિંગ સાથે સ્પાઇક-આધારિત મશીન ઇન્ટેલિજન્સ તરફ. રોય, કે., જયસ્વાલ, એ. અને પાંડા, પી. ન્યુરોમોર્ફિક કમ્પ્યુટિંગ સાથે સ્પાઇક-આધારિત મશીન ઇન્ટેલિજન્સ તરફ.રોય કે, જયસ્વાલ એ, અને પાંડા પી. ન્યુરોમોર્ફિક કમ્પ્યુટિંગનો ઉપયોગ કરીને પલ્સ-આધારિત કૃત્રિમ બુદ્ધિ. પ્રકૃતિ 575, 607–617 (2019).
ઇન્દિવેરી, જી. એન્ડ લિયુ, એસ.-સી. ઇન્દિવેરી, જી. એન્ડ લિયુ, એસ.-સી.ઈન્દિવેરી, જી. અને લિયુ, એસ.-કે. ઇન્દિવેરી, જી. એન્ડ લિયુ, એસ.-સી. ઇન્દિવેરી, જી. એન્ડ લિયુ, એસ.-સી.ઈન્દિવેરી, જી. અને લિયુ, એસ.-કે.ન્યુરોમોર્ફિક સિસ્ટમ્સમાં મેમરી અને માહિતી પ્રક્રિયા. પ્રક્રિયા IEEE 103, 1379–1397 (2015).
Akopyan F. et al. ટ્રુનોર્થ: 65 mW 1 મિલિયન ન્યુરોન પ્રોગ્રામેબલ સિનેપ્ટિક ચિપ માટે ડિઝાઇન અને ટૂલકીટ. IEEE વ્યવહારો. સંકલિત સર્કિટ સિસ્ટમ્સની કમ્પ્યુટર ડિઝાઇન. 34, 1537–1557 (2015).
સ્કીમેલ, જે. એટ અલ. લાઇવ ડેમો: પ્લેટ સ્કેલ પર બ્રેઇનસ્કેલ્સ ન્યુરોમોર્ફિક સિસ્ટમનું સ્કેલ ડાઉન વર્ઝન. 2012 IEEE ઇન્ટરનેશનલ સિમ્પોઝિયમ ઓન સર્કિટ એન્ડ સિસ્ટમ્સ (ISCAS), (IEEE એડ.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ડાયનેમિક ન્યુરોમોર્ફિક અસિંક્રોનસ પ્રોસેસર્સ (DYNAPs) માટે વિજાતીય મેમરી સ્ટ્રક્ચર્સ સાથે સ્કેલેબલ મલ્ટિકોર આર્કિટેક્ચર. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ડાયનેમિક ન્યુરોમોર્ફિક અસિંક્રોનસ પ્રોસેસર્સ (DYNAPs) માટે વિજાતીય મેમરી સ્ટ્રક્ચર્સ સાથે સ્કેલેબલ મલ્ટિકોર આર્કિટેક્ચર.મોરાડી એસ., કિયાઓ એન., સ્ટેફનીની એફ. અને ઇન્દિવીરી જી. ડાયનેમિક ન્યુરોમોર્ફિક અસિંક્રોનસ પ્રોસેસર્સ (ડીવાયએનએપી) માટે વિજાતીય મેમરી સ્ટ્રક્ચર્સ સાથે સ્કેલેબલ મલ્ટિકોર આર્કિટેક્ચર. મોરાડી, એસ.、કિયાઓ, એન., સ્ટેફનીની, એફ. અને ઇન્દિવેરી, જી. 一种可扩展的核架构，具有用于动态神用于动态神用于动态神经形态异歙存结构. મોરાડી, એસ., કિયાઓ, એન., સ્ટેફનીની, એફ. અને ઇન્દિવેરી, જી. ડાયનેમિક ન્યુરલ પ્રોસેસિંગ (DYNAP) માટે અનન્ય મેમરી સ્ટ્રક્ચર સાથે, એક પ્રકારનું વિસ્તરણ કરી શકાય તેવું મલ્ટિ-કોર આર્કિટેક્ચર.મોરાડી એસ., કિયાઓ એન., સ્ટેફનીની એફ. અને ઇન્દિવીરી જી. ડાયનેમિક ન્યુરોમોર્ફિક અસિંક્રોનસ પ્રોસેસર્સ (ડીવાયએનએપી) માટે વિજાતીય મેમરી સ્ટ્રક્ચર્સ સાથે સ્કેલેબલ મલ્ટિકોર આર્કિટેક્ચર.બાયોમેડિકલ વિજ્ઞાન પર IEEE વ્યવહારો. ઇલેક્ટ્રિકલ સિસ્ટમ. 12, 106–122 (2018).
ડેવિસ, એમ. એટ અલ. લોઇહી: એમ્બેડેડ લર્નિંગ સાથે ન્યુરોમોર્ફિક મલ્ટિ-કોર પ્રોસેસર. IEEE માઇક્રો 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker પ્રોજેક્ટ. Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker પ્રોજેક્ટ.Ferber SB, Galluppi F., Temple S. અને Plana LA SpiNNaker પ્રોજેક્ટ.Ferber SB, Galluppi F., Temple S. અને Plana LA SpiNNaker પ્રોજેક્ટ. પ્રક્રિયા IEEE 102, 652–665 (2014).
લિયુ, એસ.-કે. એન્ડ ડેલબ્રક, ટી. ન્યુરોમોર્ફિક સેન્સરી સિસ્ટમ્સ. એન્ડ ડેલબ્રક, ટી. ન્યુરોમોર્ફિક સેન્સરી સિસ્ટમ્સ.અને ડેલબ્રુક ટી. ન્યુરોમોર્ફિક સેન્સરી સિસ્ટમ્સ. અને ડેલબ્રુક, ટી. 神经形态感觉系统. એન્ડ ડેલબ્રુક, ટી.અને ડેલબ્રુક ટી. ન્યુરોમોર્ફિક સેન્સરી સિસ્ટમ.વર્તમાન. અભિપ્રાય. ન્યુરોબાયોલોજી. 20, 288–295 (2010).
ચોપ, ટી. એટ અલ. સંયુક્ત ધ્વનિ સ્ત્રોત સ્થાનિકીકરણ અને અથડામણ ટાળવા માટે ન્યુરોમોર્ફિક સંવેદનાત્મક એકીકરણ. 2019 માં બાયોમેડિકલ સર્કિટ્સ એન્ડ સિસ્ટમ્સ (બાયોસીએએસ), (IEEE એડ.) 1–4 (2019) પર IEEE કોન્ફરન્સમાં.
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. એ સ્પાઇક-આધારિત ન્યુરોમોર્ફિક આર્કિટેક્ચર ઓફ સ્ટીરિયો વિઝન. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. એ સ્પાઇક-આધારિત ન્યુરોમોર્ફિક આર્કિટેક્ચર ઓફ સ્ટીરિયો વિઝન.રિસી એન, આયમર એ, ડોનાટી ઇ, સોલિનાસ એસ, અને ઇન્દિવેરી જી. એ સ્પાઇક-આધારિત ન્યુરોમોર્ફિક સ્ટીરિયોવિઝન આર્કિટેક્ચર. 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.સ્ટીરિયો વિઝન માટે રિસી એન, આઈમર એ, ડોનાટી ઈ, સોલિનાસ એસ અને ઈન્દિવેરી જી. સ્પાઈક-આધારિત ન્યુરોમોર્ફિક આર્કિટેક્ચર.આગળ ન્યુરોરોબોટિક્સ 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ઘટના-આધારિત ન્યુરોમોર્ફિક સ્ટીરિયો વિઝન સિસ્ટમ્સ માટે 3Dperceptionનું એક સ્પાઇકિંગ ન્યુરલ નેટવર્ક મોડેલ. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ઘટના-આધારિત ન્યુરોમોર્ફિક સ્ટીરિયો વિઝન સિસ્ટમ્સ માટે 3Dperceptionનું એક સ્પાઇકિંગ ન્યુરલ નેટવર્ક મોડેલ.Oswald, M., Ieng, S.-H., Benosman, R., અને Indiveri, G. ઇવેન્ટ-આધારિત ન્યુરોમોર્ફિક સ્ટીરિયો વિઝન સિસ્ટમ્સ માટે 3D પલ્સ્ડ ન્યુરલ નેટવર્ક પર્સેપ્શન મોડલ. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型.ઓસ્વાલ્ડ, એમ., ઇંગ, એસ.-એચ., બેનોસમેન, આર., અને ઇન્દિવેરી, જી. ઘટના-આધારિત ન્યુરોમોર્ફિક સ્ટીરિયો વિઝન સિસ્ટમ માટે 3Dperception ન્યુરલ નેટવર્ક મોડલ.વિજ્ઞાન રિપોર્ટ 7, 1–11 (2017).
ડાલગાટી, ટી. એટ અલ. જંતુ-પ્રેરિત મૂળભૂત ગતિ શોધમાં પ્રતિકારક મેમરી અને બર્સ્ટી ન્યુરલ નેટવર્કનો સમાવેશ થાય છે. બાયોનિક બાયોહાઇબ્રિડ સિસ્ટમ. 10928, 115–128 (2018).
ડી'એન્જેલો, જી. એટ અલ. ટેમ્પોરલ ડિફરન્શિયલ કોડિંગનો ઉપયોગ કરીને ઇવેન્ટ-આધારિત તરંગી ગતિ શોધ. આગળ ન્યુરોલોજી. 14, 451 (2020).