სიახლეები

რეალურ სამყაროში მონაცემთა დამუშავების აპლიკაციებს ესაჭიროებათ კომპაქტური, დაბალი ლატენტური, დაბალი სიმძლავრის გამოთვლითი სისტემები. მოვლენებზე ორიენტირებული გამოთვლითი შესაძლებლობებით, დამატებითი ლითონის-ოქსიდი-ნახევარგამტარული ჰიბრიდული მემრისტული ნეირომორფული არქიტექტურები უზრუნველყოფს იდეალურ ტექნიკის საფუძველს ასეთი ამოცანებისთვის. ასეთი სისტემების სრული პოტენციალის საჩვენებლად, ჩვენ ვთავაზობთ და ექსპერიმენტულად ვაჩვენებთ სენსორის დამუშავების ყოვლისმომცველ გადაწყვეტას რეალურ სამყაროში ობიექტების ლოკალიზაციის აპლიკაციებისთვის. ბეღლის ბუს ნეიროანატომიიდან შთაგონებით, ჩვენ შევიმუშავეთ ბიოინსპირირებული, მოვლენებზე ორიენტირებული ობიექტის ლოკალიზაციის სისტემა, რომელიც აერთიანებს უახლესი პიეზოელექტრული მიკრომექანიკური გადამყვანის გადამყვანს გამოთვლით გრაფიკზე დაფუძნებულ ნეირომორფულ რეზისტენტულ მეხსიერებასთან. ჩვენ ვაჩვენებთ შემუშავებული სისტემის გაზომვებს, რომელიც მოიცავს მეხსიერებაზე დაფუძნებულ რეზისტენტულ დამთხვევის დეტექტორს, დაყოვნების ხაზის წრედს და სრულად კონფიგურირებადი ულტრაბგერითი გადამყვანს. ჩვენ ვიყენებთ ამ ექსპერიმენტულ შედეგებს სისტემის დონეზე სიმულაციების დასაკალიბრებლად. ეს სიმულაციები შემდეგ გამოიყენება ობიექტის ლოკალიზაციის მოდელის კუთხური გარჩევადობისა და ენერგოეფექტურობის შესაფასებლად. შედეგები აჩვენებს, რომ ჩვენი მიდგომა შეიძლება იყოს რამდენიმე რიგით ენერგოეფექტური ვიდრე მიკროკონტროლერები, რომლებიც ასრულებენ ერთსა და იმავე ამოცანას.
ჩვენ შევდივართ ყოვლისმომცველი გამოთვლების ეპოქაში, სადაც განლაგებული მოწყობილობებისა და სისტემების რაოდენობა ექსპონენტურად იზრდება, რათა დაგვეხმაროს ჩვენს ყოველდღიურ ცხოვრებაში. მოსალოდნელია, რომ ეს სისტემები მუდმივად მუშაობენ, მოიხმარენ რაც შეიძლება ნაკლებ ენერგიას, ხოლო სწავლობენ მათ მიერ შეგროვებული მონაცემების ინტერპრეტაციას რეალურ დროში და აწარმოებენ ორობით გამომავალს კლასიფიკაციის ან ამოცნობის ამოცანების შედეგად. ამ მიზნის მისაღწევად საჭირო ერთ-ერთი ყველაზე მნიშვნელოვანი ნაბიჯი არის ხმაურიანი და ხშირად არასრული სენსორული მონაცემებიდან სასარგებლო და კომპაქტური ინფორმაციის მოპოვება. ჩვეულებრივი საინჟინრო მიდგომები, როგორც წესი, სენსორული სიგნალების სინჯს მუდმივი და მაღალი სიჩქარით, გამოიმუშავებს დიდი რაოდენობით მონაცემებს, თუნდაც სასარგებლო შეყვანის არარსებობის შემთხვევაში. გარდა ამისა, ეს მეთოდები იყენებს ციფრული სიგნალის დამუშავების კომპლექსურ ტექნიკას წინასწარი (ხშირად ხმაურიანი) შეყვანის მონაცემების დასამუშავებლად. ამის ნაცვლად, ბიოლოგია გთავაზობთ ალტერნატიულ გადაწყვეტილებებს ხმაურიანი სენსორული მონაცემების დასამუშავებლად ენერგოეფექტური, ასინქრონული, მოვლენებზე ორიენტირებული მიდგომების (spikes) გამოყენებით. ნეირომორფული გამოთვლა იღებს შთაგონებას ბიოლოგიური სისტემებიდან, რათა შეამციროს გამოთვლითი ხარჯები ენერგიისა და მეხსიერების მოთხოვნების თვალსაზრისით, სიგნალის დამუშავების ტრადიციულ მეთოდებთან შედარებით4,5,6. ახლახან გამოვლინდა ინოვაციური ზოგადი დანიშნულების ტვინზე დაფუძნებული სისტემები, რომლებიც ახორციელებენ იმპულსურ ნერვულ ქსელებს (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11). ეს პროცესორები უზრუნველყოფენ დაბალი სიმძლავრის, დაბალი შეყოვნების გადაწყვეტილებებს მანქანური სწავლისა და კორტიკალური წრედის მოდელირებისთვის. მათი ენერგოეფექტურობის სრულად გამოსაყენებლად, ეს ნეირომორფული პროცესორები პირდაპირ უნდა იყოს დაკავშირებული მოვლენებზე ორიენტირებულ სენსორებთან12,13. თუმცა, დღეს მხოლოდ რამდენიმე სენსორული მოწყობილობაა, რომლებიც პირდაპირ აწვდიან მოვლენებზე დაფუძნებულ მონაცემებს. თვალსაჩინო მაგალითებია დინამიური ვიზუალური სენსორები (DVS) მხედველობის აპლიკაციებისთვის, როგორიცაა თვალყურის დევნება და მოძრაობის გამოვლენა14,15,16,17 სილიციუმის კოხლეა18 და ნეირომორფული სმენის სენსორები (NAS)19 სმენის სიგნალის დამუშავებისთვის, ყნოსვის სენსორები20 და შეხების მრავალი მაგალითი21,22. . ტექსტურის სენსორები.
ამ ნაშრომში წარმოგიდგენთ ახლად შემუშავებულ მოვლენაზე ორიენტირებული აუდიტორიის დამუშავების სისტემას, რომელიც გამოიყენება ობიექტის ლოკალიზაციისთვის. აქ, პირველად, ჩვენ აღვწერთ ობიექტთა ლოკალიზაციის სისტემას, რომელიც მიიღება უახლესი პიეზოელექტრული მიკრომაქინირებული ულტრაბგერითი გადამყვანის (pMUT) მიერთებით გამოთვლით გრაფიკთან, რომელიც დაფუძნებულია ნეირომორფულ რეზისტენტულ მეხსიერებაზე (RRAM). მეხსიერების გამოთვლითი არქიტექტურები RRAM-ის გამოყენებით არის პერსპექტიული გადაწყვეტა ენერგიის მოხმარების შესამცირებლად23,24,25,26,27,28,29. მათი თანდაყოლილი არასტაბილურობა - არ საჭიროებს ენერგიის აქტიურ მოხმარებას ინფორმაციის შესანახად ან განახლებისთვის - სრულყოფილად შეესაბამება ნეირომორფული გამოთვლის ასინქრონულ, მოვლენებზე დაფუძნებულ ბუნებას, რაც იწვევს ენერგიის თითქმის არ მოხმარებას, როდესაც სისტემა უმოქმედოა. პიეზოელექტრული მიკრომაქინირებული ულტრაბგერითი გადამყვანები (pMUTs) არის იაფი, მინიატურული სილიკონზე დაფუძნებული ულტრაბგერითი გადამყვანები, რომლებსაც შეუძლიათ იმოქმედონ როგორც გადამცემები და მიმღებები30,31,32,33,34. ჩაშენებული სენსორების მიერ მიღებული სიგნალების დასამუშავებლად ჩვენ ინსპირაცია მივიღეთ ბეღლის ბუს ნეიროანატომიიდან35,36,37. ბეღელი ბუ Tyto alba ცნობილია ღამის ნადირობის შესანიშნავი შესაძლებლობებით, ძალიან ეფექტური სმენის ლოკალიზაციის სისტემის წყალობით. მტაცებლის ადგილმდებარეობის გამოსათვლელად ბეღლის ბუს ლოკალიზაციის სისტემა შიფრავს ფრენის დროს (ToF), როდესაც მტაცებელი ხმის ტალღები ბუს თითოეულ ყურს ან ხმის რეცეპტორს აღწევს. ყურებს შორის მანძილის გათვალისწინებით, სხვაობა ToF-ის ორ გაზომვას შორის (Interaural Time Difference, ITD) შესაძლებელს ხდის სამიზნის აზიმუტის პოზიციის ანალიტიკურ გამოთვლას. მიუხედავად იმისა, რომ ბიოლოგიური სისტემები ცუდად ერგება ალგებრული განტოლებების ამოხსნას, მათ შეუძლიათ ლოკალიზაციის პრობლემების გადაჭრა ძალიან ეფექტურად. ბეღლის ბუს ნერვული სისტემა იყენებს დამთხვევის დეტექტორის (CD)35 ნეირონების ერთობლიობას (ანუ ნეირონებს, რომლებსაც შეუძლიათ დროებითი კორელაციები აღმოაჩინონ მწვერვალებს შორის, რომლებიც გავრცელდებიან ქვევით კონვერგენტურ აგზნებად დაბოლოებამდე)38,39 გამოთვლით გრაფიკებად ორგანიზებულ პოზიციონირების პრობლემების გადასაჭრელად.
წინა კვლევამ აჩვენა, რომ დამატებითი ლითონის ოქსიდი-ნახევარგამტარული (CMOS) აპარატურა და RRAM-ზე დაფუძნებული ნეირომორფული აპარატურა, რომელიც შთაგონებულია ბეღლის ბუს ქვედა კოლიკულუსით („სმენის ქერქით“) ეფექტური მეთოდია პოზიციის გამოსათვლელად ITD13, 40, 41 გამოყენებით. 42, 43, 44, 45, 46. თუმცა, თ სრული ნეირომორფული სისტემების პოტენციალი, რომელიც აკავშირებს სმენის სიგნალებს ნეირომორფულ გამოთვლით გრაფიკებთან, ჯერ კიდევ არ არის დემონსტრირებული. მთავარი პრობლემა არის ანალოგური CMOS სქემების თანდაყოლილი ცვალებადობა, რაც გავლენას ახდენს მატჩის გამოვლენის სიზუსტეზე. ახლახან აჩვენეს ITD47 შეფასების ალტერნატიული რიცხვითი განხორციელება. ამ ნაშრომში, ჩვენ ვთავაზობთ გამოვიყენოთ RRAM-ის უნარი, შეცვალოს გამტარობის მნიშვნელობა არასტაბილურად, რათა თავიდან აიცილოს ცვალებადობა ანალოგურ სქემებში. ჩვენ განვახორციელეთ ექსპერიმენტული სისტემა, რომელიც შედგება ერთი pMUT გადამცემი მემბრანისგან, რომელიც მუშაობს 111.9 kHz სიხშირეზე, ორი pMUT მიმღები მემბრანების (სენსორები) სიმულაციური ბეღლის ბუს ყურები და ერთი. ჩვენ ექსპერიმენტულად დავახასიათეთ pMUT გამოვლენის სისტემა და RRAM-ზე დაფუძნებული ITD გამოთვლითი გრაფიკი ჩვენი ლოკალიზაციის სისტემის შესამოწმებლად და მისი კუთხური გარჩევადობის შესაფასებლად.
ჩვენ შევადარებთ ჩვენს მეთოდს ციფრულ იმპლემენტაციას მიკროკონტროლერზე, რომელიც ასრულებს იმავე ლოკალიზაციის ამოცანას ჩვეულებრივი სხივის ფორმირების ან ნეირომორფული მეთოდების გამოყენებით, ისევე როგორც საველე პროგრამირებადი კარიბჭის მასივის (FPGA) ITD შეფასებისთვის, რომელიც შემოთავაზებულია მითითებაში. 47. ეს შედარება ხაზს უსვამს შემოთავაზებული RRAM-ზე დაფუძნებული ანალოგური ნეირომორფული სისტემის კონკურენტულ ენერგოეფექტურობას.
ობიექტის ლოკალიზაციის ზუსტი და ეფექტური სისტემის ერთ-ერთი ყველაზე ნათელი მაგალითია ბეღელში owl35,37,48. შებინდებისას და გამთენიისას, ბეღლის ბუ (Tyto Alba) ძირითადად ეყრდნობა პასიურ მოსმენას, აქტიურად ეძებს პატარა მსხვერპლს, როგორიცაა ვოლტები ან თაგვები. ამ სმენის ექსპერტებს შეუძლიათ გასაოცარი სიზუსტით (დაახლოებით 2°)35 მტაცებლის სმენითი სიგნალების ლოკალიზება, როგორც ნაჩვენებია ნახ. 1a. ბეღლის ბუები ასიმუტში (ჰორიზონტალურ) სიბრტყეში ხმის წყაროების მდებარეობას ადგენენ ხმის წყაროდან ორ ყურამდე ფრენის შემომავალი დროის სხვაობიდან (ITD). ITD გამოთვლითი მექანიზმი შემოთავაზებულია Jeffress49,50-ის მიერ, რომელიც ეყრდნობა ნერვულ გეომეტრიას და მოითხოვს ორ ძირითად კომპონენტს: აქსონს, ნეირონის ნერვული ბოჭკოს, რომელიც მოქმედებს როგორც შეფერხების ხაზი და დამთხვევის დეტექტორის ნეირონების მასივი, რომლებიც ორგანიზებულია გამოთვლით სისტემაში. გრაფიკი, როგორც ნაჩვენებია სურათზე 1b. ხმა ყურამდე აღწევს აზიმუთზე დამოკიდებული დროის დაყოვნებით (ITD). შემდეგ ხმა გარდაიქმნება სპიკის ნიმუშად თითოეულ ყურში. მარცხენა და მარჯვენა ყურის აქსონები მოქმედებენ როგორც დაყოვნების ხაზები და ერწყმის CD ნეირონებს. თეორიულად, შესატყვისი ნეირონების მასივიდან მხოლოდ ერთი ნეირონი მიიღებს შეყვანას ერთდროულად (სადაც დაყოვნება სრულდება ზუსტად) და მაქსიმალურად იმუშავებს (მეზობელი უჯრედებიც იმუშავებენ, მაგრამ უფრო დაბალი სიხშირით). გარკვეული ნეირონების გააქტიურება შიფრავს სამიზნის პოზიციას სივრცეში, ITD-ის შემდგომი გადაქცევის გარეშე. ეს კონცეფცია შეჯამებულია სურათზე 1c: მაგალითად, თუ ხმა მოდის მარჯვენა მხრიდან, როდესაც მარჯვენა ყურიდან შემავალი სიგნალი გადის უფრო დიდ გზას, ვიდრე მარცხენა ყურიდან, ანაზღაურებს ITD-ების რაოდენობას, მაგალითად, როდესაც ნეირონი 2 ემთხვევა. სხვა სიტყვებით რომ ვთქვათ, თითოეული CD რეაგირებს გარკვეულ ITD-ზე (ასევე ცნობილია როგორც ოპტიმალური დაყოვნება) აქსონალური დაყოვნების გამო. ამრიგად, ტვინი გარდაქმნის დროებით ინფორმაციას სივრცულ ინფორმაციად. ნაპოვნია ამ მექანიზმის ანატომიური მტკიცებულება37,51. ფაზაში ჩაკეტილი მაკრონუკლეუსის ნეირონები ინახავს დროებით ინფორმაციას შემომავალი ბგერების შესახებ: როგორც მათი სახელი გულისხმობს, ისინი ასხივებენ გარკვეულ სიგნალის ფაზებს. ჯეფრესის მოდელის დამთხვევის დეტექტორი ნეირონები გვხვდება ლამინარულ ბირთვში. ისინი იღებენ ინფორმაციას მაკრობირთვული ნეირონებისგან, რომელთა აქსონები მოქმედებენ როგორც დაყოვნების ხაზები. დაყოვნების ხაზით მოწოდებული დაყოვნების ოდენობა შეიძლება აიხსნას აქსონის სიგრძით, ისევე როგორც სხვა მიელინიზაციის ნიმუშით, რომელიც ცვლის გამტარობის სიჩქარეს. ბეღლის ბუს სმენის სისტემით შთაგონებული, ჩვენ შევიმუშავეთ ობიექტების ლოკალიზაციის ბიომიმეტური სისტემა. ორი ყური წარმოდგენილია ორი pMUT მიმღებით. ხმის წყარო არის pMUT გადამცემი, რომელიც მდებარეობს მათ შორის (ნახ. 1a), ხოლო გამოთვლითი გრაფიკი იქმნება RRAM-ზე დაფუძნებული CD სქემების ბადით (ნახ. 1b, მწვანე), რომელიც ასრულებს CD ნეირონების როლს, რომელთა შეყვანაც დაგვიანებულია. მიკროსქემის მეშვეობით, დაყოვნების ხაზები (ლურჯი) მოქმედებს როგორც აქსონები ბიოლოგიურ კოლეგაში. შემოთავაზებული სენსორული სისტემა ოპერაციული სიხშირით განსხვავდება ბუს სიხშირისგან, რომლის სმენის სისტემა მუშაობს 1-8 kHz დიაპაზონში, მაგრამ pMUT სენსორები, რომლებიც მუშაობენ დაახლოებით 117 kHz-ზე, გამოიყენება ამ სამუშაოში. ულტრაბგერითი გადამყვანის შერჩევა განიხილება ტექნიკური და ოპტიმიზაციის კრიტერიუმების მიხედვით. პირველი, მიღების გამტარუნარიანობის შეზღუდვა ერთ სიხშირეზე იდეალურად აუმჯობესებს გაზომვის სიზუსტეს და ამარტივებს დამუშავების შემდგომ საფეხურს. გარდა ამისა, ულტრაბგერით ოპერაციას აქვს ის უპირატესობა, რომ გამოსხივებული იმპულსები არ ისმის, ამიტომ არ აწუხებს ადამიანებს, რადგან მათი სმენის დიაპაზონი არის ~20-20 kHz.
ბეღლის ბუ იღებს ხმის ტალღებს სამიზნედან, ამ შემთხვევაში მოძრავი მტაცებლისგან. ხმის ტალღის ფრენის დრო (ToF) განსხვავებულია თითოეული ყურისთვის (თუ მტაცებელი უშუალოდ ბუს წინ არ არის). წერტილოვანი ხაზი გვიჩვენებს გზას, რომელსაც ბგერითი ტალღები ბეღლის ბუს ყურებამდე მისასვლელად. მტაცებელი შეიძლება ზუსტად იყოს ლოკალიზებული ჰორიზონტალურ სიბრტყეში, ორ აკუსტიკური ბილიკს შორის სიგრძის სხვაობისა და შესაბამისი ინტერაურალური დროის სხვაობის (ITD) საფუძველზე (მარცხენა სურათი შთაგონებულია ref. 74, საავტორო უფლება 2002, Society for Neuroscience). ჩვენს სისტემაში pMUT გადამცემი (მუქი ლურჯი) წარმოქმნის ხმის ტალღებს, რომლებიც ახდენენ მიზანს. ასახული ულტრაბგერითი ტალღები მიიღება ორი pMUT მიმღებით (ღია მწვანე) და მუშავდება ნეირომორფული პროცესორის მიერ (მარჯვნივ). b ITD (ჯეფრესის) გამოთვლითი მოდელი, რომელიც აღწერს, თუ როგორ შემოდის ხმები ბეღლის ბუს ყურებში, ჯერ დაშიფრულია, როგორც ფაზაში ჩაკეტილი მწვერვალები დიდ ბირთვში (NM) და შემდეგ გამოიყენება ლამელარული ბირთვის შესაბამისი დეტექტორის ნეირონების გეომეტრიულად მოწყობილი ბადე. დამუშავება (ნიდერლანდები) (მარცხნივ). ნეიროITD გამოთვლითი გრაფიკის ილუსტრაცია, რომელიც აერთიანებს დაყოვნების ხაზებს და დამთხვევის დეტექტორის ნეირონებს, ბუების ბიოსენსორული სისტემის მოდელირება შესაძლებელია RRAM-ზე დაფუძნებული ნეირომორფული სქემების გამოყენებით (მარჯვნივ). გ ჯეფრესის მთავარი მექანიზმის სქემა, ToF-ში განსხვავების გამო, ორი ყური იღებს ხმის სტიმულს სხვადასხვა დროს და აგზავნის აქსონებს ორივე ბოლოდან დეტექტორში. აქსონები არის დამთხვევის დეტექტორის (CD) ნეირონების სერიის ნაწილი, რომელთაგან თითოეული შერჩევით რეაგირებს ძლიერ დროში დაკავშირებულ შეყვანებზე. შედეგად, მხოლოდ CD-ები, რომელთა ჩანაწერები მოდის უმცირესი დროის სხვაობით, არის მაქსიმალურად აღფრთოვანებული (ITD ზუსტად ანაზღაურდება). CD შემდეგ დაშიფვრავს სამიზნის კუთხურ პოზიციას.
პიეზოელექტრული მიკრომექანიკური ულტრაბგერითი გადამყვანები არის მასშტაბირებადი ულტრაბგერითი გადამყვანები, რომლებიც შეიძლება ინტეგრირებული იყოს მოწინავე CMOS ტექნოლოგიასთან31,32,33,52 და აქვთ დაბალი საწყისი ძაბვა და ენერგიის მოხმარება, ვიდრე ტრადიციული მოცულობითი გადამყვანები53. ჩვენს ნამუშევარში მემბრანის დიამეტრი არის 880 μm, ხოლო რეზონანსული სიხშირე ნაწილდება 110-117 kHz დიაპაზონში (ნახ. 2a, იხილეთ მეთოდები დეტალებისთვის). ათი სატესტო მოწყობილობის პარტიაში, საშუალო ხარისხის კოეფიციენტი იყო დაახლოებით 50 (შესახ. 31). ტექნოლოგიამ მიაღწია სამრეწველო სიმწიფეს და თავისთავად არ არის ბიოინსპირირებული. სხვადასხვა pMUT ფილმებიდან ინფორმაციის გაერთიანება კარგად ცნობილი ტექნიკაა და კუთხის შესახებ ინფორმაციის მიღება შესაძლებელია pMUT-ებიდან, მაგალითად, სხივის ფორმირების ტექნიკის გამოყენებით31,54. თუმცა, სიგნალის დამუშავება, რომელიც საჭიროა კუთხის ინფორმაციის ამოსაღებად, არ არის შესაფერისი დაბალი სიმძლავრის გაზომვებისთვის. შემოთავაზებული სისტემა აერთიანებს ნეირომორფული მონაცემთა წინასწარი დამუშავების წრეს pMUT RRAM-ზე დაფუძნებულ ნეირომორფულ გამოთვლით გრაფიკთან, რომელიც შთაგონებულია ჯეფრესის მოდელით (სურათი 2c), რომელიც უზრუნველყოფს ალტერნატიულ ენერგოეფექტურ და რესურსებით შეზღუდული აპარატურის გადაწყვეტას. ჩვენ ჩავატარეთ ექსპერიმენტი, რომელშიც ორი pMUT სენსორი განთავსდა ერთმანეთისგან დაახლოებით 10 სმ დაშორებით, რათა გამოეყენებინათ ორი მიმღები მემბრანის მიერ მიღებული სხვადასხვა ToF ხმები. ერთი pMUT, რომელიც მოქმედებს როგორც გადამცემი, ზის მიმღებებს შორის. სამიზნე იყო 12 სმ სიგანის PVC ფირფიტა, რომელიც განთავსებული იყო pMUT მოწყობილობის წინ D მანძილზე (ნახ. 2b). მიმღები ჩაწერს ობიექტიდან ასახულ ბგერას და ბგერის ტალღის გავლისას მაქსიმალურად რეაგირებს. გაიმეორეთ ექსპერიმენტი ობიექტის პოზიციის შეცვლით, რომელიც განისაზღვრება D მანძილით და θ კუთხით. შთაგონებული ლინკით. 55, ჩვენ ვთავაზობთ pMUT ნედლეული სიგნალების ნეირომორფულ წინასწარ დამუშავებას ასახული ტალღების მწვერვალებად გადაქცევისთვის ნეირომორფული გამოთვლითი გრაფიკის შესაყვანად. ToF, რომელიც შეესაბამება პიკის ამპლიტუდას, ამოღებულია თითოეული არხიდან და დაშიფრულია, როგორც ინდივიდუალური მწვერვალების ზუსტი დრო. ნახ. 2c გვიჩვენებს წრედს, რომელიც საჭიროა pMUT სენსორის RRAM-ზე დაფუძნებულ გამოთვლით გრაფიკთან დასაკავშირებლად: თითოეული ორი pMUT მიმღებისთვის, ნედლეული სიგნალი იფილტრება ზოლებით, გასწორებისთვის და შემდეგ გადაეცემა გაჟონვის ინტეგრატორს გადალახვის რეჟიმში. დინამიური ბარიერი (ნახ. 2d) ქმნის გამომავალ მოვლენას (სპაიკი) და გასროლის (LIF) ნეირონს: გამომავალი მწვერვალის დრო კოდირებს გამოვლენილ ფრენის დროს. LIF ბარიერი დაკალიბრებულია pMUT პასუხის მიხედვით, რითაც ამცირებს pMUT ცვალებადობას მოწყობილობიდან მოწყობილობამდე. ამ მიდგომით, მთელი ხმის ტალღის მეხსიერებაში შენახვისა და მოგვიანებით დამუშავების ნაცვლად, ჩვენ უბრალოდ წარმოქმნით მწვერვალს, რომელიც შეესაბამება ხმის ტალღის ToF-ს, რომელიც ქმნის შეყვანას რეზისტენტული მეხსიერების გამოთვლით გრაფიკში. მწვერვალები იგზავნება პირდაპირ დაყოვნების ხაზებთან და პარალელიზებულია მატჩის გამოვლენის მოდულებთან ნეირომორფულ გამოთვლით გრაფიკებში. იმის გამო, რომ ისინი იგზავნება ტრანზისტორების კარიბჭეებთან, არ არის საჭირო დამატებითი გამაძლიერებელი წრე (დეტალებისთვის იხილეთ დამატებითი ნახ. 4). pMUT-ით მოწოდებული ლოკალიზაციის კუთხური სიზუსტის შესაფასებლად და შემოთავაზებული სიგნალის დამუშავების მეთოდით, ჩვენ გავზომეთ ITD (ანუ დროის სხვაობა პიკის მოვლენებს შორის, რომლებიც წარმოიქმნება ორი მიმღების მიერ), რადგან ობიექტის მანძილი და კუთხე იცვლებოდა. შემდეგ ITD ანალიზი გადაკეთდა კუთხეებად (იხ. მეთოდები) და გამოსახული იყო ობიექტის პოზიციის მიხედვით: გაზომილი ITD-ში გაურკვევლობა იზრდებოდა ობიექტთან მანძილისა და კუთხის მიხედვით (ნახ. 2e,f). მთავარი პრობლემა არის პიკ-ხმაურის თანაფარდობა (PNR) pMUT პასუხში. რაც უფრო შორს არის ობიექტი, მით უფრო დაბალია აკუსტიკური სიგნალი, რითაც მცირდება PNR (ნახ. 2f, მწვანე ხაზი). PNR-ის შემცირება იწვევს გაურკვევლობის ზრდას ITD შეფასებაში, რაც იწვევს ლოკალიზაციის სიზუსტის ზრდას (ნახ. 2f, ლურჯი ხაზი). გადამცემიდან 50 სმ მანძილზე მდებარე ობიექტისთვის, სისტემის კუთხური სიზუსტე არის დაახლოებით 10°. სენსორის მახასიათებლებით დაწესებული ეს შეზღუდვა შეიძლება გაუმჯობესდეს. მაგალითად, ემიტერის მიერ გაგზავნილი წნევა შეიძლება გაიზარდოს, რითაც გაიზრდება ძაბვა, რომელიც ამოძრავებს pMUT მემბრანას. გადაცემული სიგნალის გაძლიერების კიდევ ერთი გამოსავალი არის მრავალი გადამცემის 56 დაკავშირება. ეს გადაწყვეტილებები გაზრდის გამოვლენის დიაპაზონს გაზრდილი ენერგიის ხარჯების ხარჯზე. დამატებითი გაუმჯობესება შესაძლებელია მიმღებ მხარეს. pMUT-ის მიმღების ხმაურის დონე შეიძლება მნიშვნელოვნად შემცირდეს pMUT-სა და პირველი ეტაპის გამაძლიერებელს შორის კავშირის გაუმჯობესებით, რაც ამჟამად კეთდება მავთულის შეერთებით და RJ45 კაბელებით.
pMUT კრისტალის გამოსახულება ექვსი 880 μm მემბრანით, ინტეგრირებული 1,5 მმ სიმაღლეზე. b საზომი დაყენების დიაგრამა. სამიზნე მდებარეობს აზიმუტის პოზიციაზე θ და მანძილზე D. pMUT გადამცემი წარმოქმნის 117,6 kHz სიგნალს, რომელიც ბრუნდება სამიზნეზე და აღწევს ორ pMUT მიმღებს სხვადასხვა ფრენის დროით (ToF). ეს განსხვავება, რომელიც განსაზღვრულია, როგორც ინტერაურული დროის სხვაობა (ITD), კოდირებს ობიექტის პოზიციას და შეიძლება შეფასდეს ორი მიმღების სენსორის პიკური პასუხის შეფასებით. c წინასწარი დამუშავების საფეხურების სქემატური ნედლეული pMUT სიგნალის მწვერვალების მიმდევრებად გადაქცევისთვის (ე.ი. შეყვანა ნეირომორფულ გამოთვლით გრაფიკში). pMUT სენსორები და ნეირომორფული გამოთვლითი გრაფიკები დამზადდა და ტესტირება მოხდა, ხოლო ნეირომორფული წინასწარი დამუშავება ეფუძნება პროგრამულ სიმულაციას. d pMUT მემბრანის რეაქცია სიგნალის მიღებისას და მისი ტრანსფორმაციის სპაიკ დომენად. e ექსპერიმენტული ლოკალიზაციის კუთხური სიზუსტე ობიექტის კუთხის (Θ) და მანძილის (D) სამიზნე ობიექტამდე ფუნქციის მიხედვით. ITD მოპოვების მეთოდი მოითხოვს მინიმალურ კუთხის გარჩევადობას დაახლოებით 4°C. f კუთხოვანი სიზუსტე (ლურჯი ხაზი) ​​და შესაბამისი პიკი-ხმაურის თანაფარდობა (მწვანე ხაზი) ​​ობიექტის მანძილის მიმართ Θ = 0.
რეზისტენტული მეხსიერება ინახავს ინფორმაციას არასტაბილურ გამტარ მდგომარეობაში. მეთოდის ძირითადი პრინციპია, რომ მასალის მოდიფიკაცია ატომურ დონეზე იწვევს მისი ელექტრული გამტარობის ცვლილებას57. აქ ჩვენ ვიყენებთ ოქსიდზე დაფუძნებულ რეზისტენტულ მეხსიერებას, რომელიც შედგება ჰაფნიუმის დიოქსიდის 5 ნმ ფენისგან, რომელიც მოთავსებულია ზედა და ქვედა ტიტანისა და ტიტანის ნიტრიდის ელექტროდებს შორის. RRAM მოწყობილობების გამტარობა შეიძლება შეიცვალოს დენის/ძაბვის ტალღის ფორმის გამოყენებით, რომელიც ქმნის ან არღვევს ელექტროდებს შორის ჟანგბადის ვაკანსიების გამტარ ძაფებს. ჩვენ გავაერთიანეთ ასეთი მოწყობილობები58 სტანდარტული 130 ნმ CMOS პროცესში, რათა შეგვექმნა შემუშავებული რეკონფიგურირებადი ნეირომორფული წრე, რომელიც ახორციელებს დამთხვევის დეტექტორს და დაყოვნების ხაზის წრეს (ნახ. 3a). მოწყობილობის არასტაბილური და ანალოგური ბუნება, შერწყმულია ნეირომორფული წრედის მოვლენებზე ორიენტირებულ ბუნებასთან, ამცირებს ენერგიის მოხმარებას. წრეს აქვს მყისიერი ჩართვა/გამორთვის ფუნქცია: ის მუშაობს ჩართვისთანავე, რაც საშუალებას იძლევა ელექტროენერგიის სრულად გამორთვა, როდესაც წრე უმოქმედოა. შემოთავაზებული სქემის ძირითადი სამშენებლო ბლოკები ნაჩვენებია ნახ. 3ბ. იგი შედგება N პარალელური ერთრეზისტორით ერთ ტრანზისტორი (1T1R) სტრუქტურებისგან, რომლებიც კოდირებენ სინაფსურ წონას, საიდანაც აღებულია წონიანი დენები, შეჰყავთ დიფერენციალური წყვილის ინტეგრატორის საერთო სინაფსში (DPI)59 და ბოლოს შეჰყავთ სინაფსში ინტეგრაციით და გაჟონვა. გააქტიურებული (LIF) ნეირონი 60 (იხილეთ მეთოდები დეტალებისთვის). შეყვანის ტალღები გამოიყენება 1T1R სტრუქტურის კარიბჭეზე ძაბვის იმპულსების თანმიმდევრობის სახით ასობით ნანოწამის ხანგრძლივობით. რეზისტენტული მეხსიერების განთავსება შესაძლებელია მაღალ გამტარ მდგომარეობაში (HCS) Vtop-ზე გარე დადებითი მითითების გამოყენებით, როდესაც Vbottom დამიწებულია და დაბალ გამტარ მდგომარეობაში (LCS) გადატვირთვისას Vbottom-ზე დადებითი ძაბვის გამოყენებით, როდესაც Vtop დამიწებულია. HCS-ის საშუალო მნიშვნელობის კონტროლი შესაძლებელია SET-ის (ICC) პროგრამირების დენის (შესაბამისობის) შეზღუდვით სერიის ტრანზისტორის კარიბჭის წყაროს ძაბვით (ნახ. 3c). RRAM-ის ფუნქციები წრედში ორგვარია: ისინი მიმართავენ და აწონებენ შეყვანის იმპულსებს.
ცისფერი HfO2 1T1R RRAM მოწყობილობის სკანირების ელექტრონული მიკროსკოპის (SEM) სურათი, რომელიც ინტეგრირებულია 130 ნმ CMOS ტექნოლოგიაში სელექტორი ტრანზისტორებით (650 ნმ სიგანე) მწვანეში. b შემოთავაზებული ნეირომორფული სქემის ძირითადი სამშენებლო ბლოკები. შეყვანის ძაბვის პულსები (პიკები) Vin0 და Vin1 მოიხმარენ დენს I წონას, რაც პროპორციულია 1T1R სტრუქტურის G0 და G1 გამტარობის მდგომარეობებთან. ეს დენი შეჰყავთ DPI სინაფსებში და აღაგზნებს LIF ნეირონებს. RRAM G0 და G1 დამონტაჟებულია HCS და LCS შესაბამისად. c გამტარობის კუმულაციური სიმკვრივის ფუნქცია 16K RRAM მოწყობილობების ჯგუფისთვის, როგორც ICC დენის შესატყვისის ფუნქცია, რომელიც ეფექტურად აკონტროლებს გამტარობის დონეს. d მიკროსქემის გაზომვები (a)-ში აჩვენებს, რომ G1 (LCS-ში) ეფექტურად ბლოკავს შეყვანას Vin1-დან (მწვანე), და მართლაც, გამომავალი ნეირონის მემბრანის ძაბვა პასუხობს მხოლოდ Vin0-ის ლურჯ შეყვანას. RRAM ეფექტურად განსაზღვრავს კავშირებს წრედში. e წრედის გაზომვა (b)-ში, რომელიც აჩვენებს G0 გამტარობის მნიშვნელობის გავლენას მემბრანის ძაბვაზე Vmem ძაბვის პულსის Vin0 გამოყენების შემდეგ. რაც უფრო მეტი გამტარობაა, მით უფრო ძლიერია პასუხი: ამრიგად, RRAM მოწყობილობა ახორციელებს I/O კავშირის წონას. გაზომვები გაკეთდა წრედზე და აჩვენა RRAM-ის ორმაგი ფუნქცია, შეყვანის იმპულსების მარშრუტირება და წონა.
პირველი, ვინაიდან არსებობს ორი ძირითადი გამტარობის მდგომარეობა (HCS და LCS), RRAM-ებს შეუძლიათ დაბლოკონ ან გამოტოვონ შეყვანის იმპულსები, როდესაც ისინი LCS ან HCS მდგომარეობებში არიან, შესაბამისად. შედეგად, RRAM ეფექტურად განსაზღვრავს კავშირებს წრეში. ეს არის საფუძველი იმისა, რომ შეძლოთ არქიტექტურის ხელახალი კონფიგურაცია. ამის საჩვენებლად, ჩვენ აღვწერთ მიკროსქემის ბლოკის შემუშავებულ სქემის განხორციელებას ნახ. 3b. G0-ის შესაბამისი RRAM დაპროგრამებულია HCS-ში, ხოლო მეორე RRAM G1 დაპროგრამებულია LCS-ში. შეყვანის პულსები გამოიყენება როგორც Vin0-ზე, ასევე Vin1-ზე. შეყვანის იმპულსების ორი თანმიმდევრობის ეფექტი გაანალიზდა გამომავალ ნეირონებში ნეირონის მემბრანის ძაბვისა და გამომავალი სიგნალის შეგროვებით ოსილოსკოპის გამოყენებით. ექსპერიმენტი წარმატებული იყო, როდესაც მხოლოდ HCS მოწყობილობა (G0) იყო დაკავშირებული ნეირონის პულსთან მემბრანის დაძაბულობის სტიმულირებისთვის. ეს ნაჩვენებია სურათზე 3d, სადაც ლურჯი იმპულსური მატარებელი იწვევს მემბრანის ძაბვის დაგროვებას მემბრანის კონდენსატორზე, ხოლო მწვანე პულსის მატარებელი ინარჩუნებს მემბრანის ძაბვას მუდმივ.
RRAM-ის მეორე მნიშვნელოვანი ფუნქცია არის კავშირის წონის დანერგვა. RRAM-ის ანალოგური გამტარობის რეგულირების გამოყენებით, I/O კავშირები შეიძლება იყოს შეწონილი შესაბამისად. მეორე ექსპერიმენტში G0 მოწყობილობა დაპროგრამებული იყო HCS-ის სხვადასხვა დონეებზე და შეყვანის პულსი იქნა გამოყენებული Vin0 შეყვანაზე. შეყვანის პულსი ატარებს დენს (Iweight) მოწყობილობიდან, რომელიც პროპორციულია გამტარობისა და შესაბამისი პოტენციალის ვარდნის Vtop − Vbot. ეს შეწონილი დენი შემდეგ შეჰყავთ DPI სინაფსებში და LIF გამომავალ ნეირონებში. გამომავალი ნეირონების მემბრანული ძაბვა დაფიქსირდა ოსცილოსკოპის გამოყენებით და ნაჩვენები იყო ნახ. 3d. ნეირონის მემბრანის ძაბვის პიკი ერთი შეყვანის პულსის საპასუხოდ არის რეზისტენტული მეხსიერების გამტარობის პროპორციული, რაც აჩვენებს, რომ RRAM შეიძლება გამოყენებულ იქნას როგორც სინაფსური წონის პროგრამირებადი ელემენტი. ეს ორი წინასწარი ტესტი აჩვენებს, რომ შემოთავაზებულ RRAM-ზე დაფუძნებულ ნეირომორფულ პლატფორმას შეუძლია განახორციელოს ძირითადი ჯეფრის მექანიზმის ძირითადი ელემენტები, კერძოდ, დაყოვნების ხაზი და დამთხვევის დეტექტორის წრე. მიკროსქემის პლატფორმა აგებულია თანმიმდევრული ბლოკების გვერდიგვერდ დაწყობით, როგორიცაა ბლოკები 3b სურათზე და მათი კარიბჭეების შეერთების საერთო შეყვანის ხაზთან. ჩვენ დავაპროექტეთ, შევქმენით და გამოვცადეთ ნეირომორფული პლატფორმა, რომელიც შედგება ორი გამომავალი ნეირონისგან, რომლებიც იღებენ ორ შეყვანას (ნახ. 4a). მიკროსქემის დიაგრამა ნაჩვენებია სურათზე 4b. ზედა 2 × 2 RRAM მატრიცა საშუალებას აძლევს შეყვანის იმპულსებს მიმართოს ორ გამომავალ ნეირონს, ხოლო ქვედა 2 × 2 მატრიცა იძლევა ორი ნეირონის (N0, N1) განმეორებით კავშირებს. ჩვენ ვაჩვენებთ, რომ ეს პლატფორმა შეიძლება გამოყენებულ იქნას დაყოვნების ხაზის კონფიგურაციით და დამთხვევის დეტექტორის ორი განსხვავებული ფუნქციით, როგორც ნაჩვენებია ექსპერიმენტული გაზომვებით ნახ. 4c-e.
მიკროსქემის დიაგრამა ჩამოყალიბებულია ორი გამომავალი ნეირონით N0 და N1, რომლებიც იღებენ ორ შეყვანას 0 და 1. მასივის ზედა ოთხი მოწყობილობა განსაზღვრავს სინაფსურ კავშირებს შეყვანიდან გამოსავალამდე, ხოლო ქვედა ოთხი უჯრედი განსაზღვრავს განმეორებით კავშირებს ნეირონებს შორის. ფერადი RRAM-ები წარმოადგენენ HCS-ში კონფიგურირებულ მოწყობილობებს მარჯვნივ: HCS-ში არსებული მოწყობილობები იძლევა კავშირებს და წარმოადგენენ წონას, ხოლო LCS-ის მოწყობილობები ბლოკავს შეყვანის იმპულსებს და გამორთავს კავშირებს გამოსავალთან. b მიკროსქემის დიაგრამა (a) რვა RRAM მოდულით ლურჯად მონიშნული. c დაყოვნების ხაზები იქმნება უბრალოდ DPI სინაფსების და LIF ნეირონების დინამიკის გამოყენებით. მწვანე RRAM დაყენებულია საკმარისად მაღალ გამტარობაზე, რათა შესაძლებელი იყოს გამომავალზე ხარვეზის გამოწვევა შეყვანის შეფერხების Δt. d დროზე დამოკიდებული სიგნალების მიმართულებისადმი მგრძნობიარე CD გამოვლენის სქემატური ილუსტრაცია. გამომავალი ნეირონი 1, N1, მუშაობს 0 და 1 შეყვანებზე მცირე დაგვიანებით. e მიმართულების მგრძნობიარე CD ჩართვა, წრე, რომელიც ამოიცნობს, როდესაც შემავალი 1 უახლოვდება შეყვანის 0-ს და ჩამოდის შეყვანის შემდეგ 0. წრედის გამომავალი წარმოდგენილია ნეირონით 1 (N1).
დაყოვნების ხაზი (სურათი 4c) უბრალოდ იყენებს DPI სინაფსების და LIF ნეირონების დინამიურ ქცევას Vin1-დან Vout1-მდე შეყვანის მწვერვალის რეპროდუცირებისთვის Tdel-ის დაყოვნებით. მხოლოდ Vin1-თან და Vout1-თან დაკავშირებული G3 RRAM არის დაპროგრამებული HCS-ში, დანარჩენი RRAM-ები დაპროგრამებულია LCS-ში. G3 მოწყობილობა დაპროგრამებული იყო 92,6 μs-ზე, რათა უზრუნველყოს, რომ თითოეული შეყვანის პულსი გაზრდის გამომავალი ნეირონის მემბრანის ძაბვას საკმარისად, რათა მიაღწიოს ზღურბლს და წარმოქმნას დაგვიანებული გამომავალი პულსი. დაყოვნება Tdel განისაზღვრება სინაფსური და ნერვული დროის მუდმივებით. დამთხვევის დეტექტორები აღმოაჩენენ დროებით კორელაციური, მაგრამ სივრცით განაწილებული შეყვანის სიგნალების გაჩენას. მიმართულებისადმი მგრძნობიარე CD ეყრდნობა ინდივიდუალურ შეყვანებს, რომლებიც კონვერგირდება საერთო გამომავალ ნეირონთან (სურათი 4d). ორი RRAM, რომელიც აკავშირებს Vin0 და Vin1-ს Vout1, G2 და G4 შესაბამისად, დაპროგრამებულია მაღალი გამტარობისთვის. მწვერვალების ერთდროული ჩამოსვლა Vin0-ზე და Vin1-ზე ზრდის N1 ნეირონის მემბრანის ძაბვას იმ ზღურბლზე, რომელიც საჭიროა გამომავალი მწვერვალის შესაქმნელად. თუ ორი შემავალი დროში ძალიან შორს არის ერთმანეთისგან, მემბრანის ძაბვის დამუხტვას, რომელიც დაგროვდა პირველი შეყვანით, შეიძლება დაკარგოს დრო, რაც ხელს უშლის მემბრანის პოტენციალს N1 მიაღწიოს ზღვრულ მნიშვნელობას. G1 და G2 დაპროგრამებულია დაახლოებით 65 μs-ზე, რაც უზრუნველყოფს იმას, რომ ერთჯერადი შეყვანის ძაბვა არ გაზრდის მემბრანის ძაბვას იმდენად, რომ გამომავალი ტალღა გამოიწვიოს. სივრცესა და დროში განაწილებულ მოვლენებს შორის დამთხვევის გამოვლენა არის ფუნდამენტური ოპერაცია, რომელიც გამოიყენება ზონდირების ამოცანების ფართო სპექტრში, როგორიცაა ოპტიკური ნაკადის საფუძველზე დაბრკოლებების თავიდან აცილება და ხმის წყაროს ლოკალიზაცია. ამგვარად, მიმართულებისადმი მგრძნობიარე და არამგრძნობიარე CD-ების გამოთვლა წარმოადგენს ფუნდამენტურ სამშენებლო ბლოკს ვიზუალური და აუდიო ლოკალიზაციის სისტემების შესაქმნელად. როგორც დროის მუდმივთა მახასიათებლებიდან ჩანს (იხ. დამატებითი ნახ. 2), შემოთავაზებული სქემა ახორციელებს დროის მასშტაბის ოთხი რიგის შესაფერის დიაპაზონს. ამრიგად, მას შეუძლია ერთდროულად დააკმაყოფილოს ვიზუალური და ხმის სისტემების მოთხოვნები. მიმართულებისადმი მგრძნობიარე CD არის წრე, რომელიც მგრძნობიარეა იმპულსების ჩამოსვლის სივრცით: მარჯვნიდან მარცხნივ და პირიქით. ეს არის ფუნდამენტური სამშენებლო ბლოკი Drosophila ვიზუალური სისტემის ძირითადი მოძრაობის გამოვლენის ქსელში, რომელიც გამოიყენება მოძრაობის მიმართულებების გამოსათვლელად და შეჯახების გამოსავლენად62. მიმართულებისადმი მგრძნობიარე CD-ის მისაღწევად, ორი შეყვანა უნდა იყოს მიმართული ორ სხვადასხვა ნეირონზე (N0, N1) და მათ შორის უნდა დამყარდეს მიმართულების კავშირი (ნახ. 4e). როდესაც პირველი შეყვანა მიიღება, NO რეაგირებს ძაბვის გაზრდით მის მემბრანაზე ზღვრულ მნიშვნელობაზე მაღლა და გაგზავნის ტალღას. ეს გამომავალი მოვლენა, თავის მხრივ, ააქტიურებს N1-ს მწვანეში მონიშნული მიმართულების კავშირის წყალობით. თუ შემავალი მოვლენა Vin1 მოდის და ააქტიურებს N1-ს, სანამ მისი მემბრანის ძაბვა ჯერ კიდევ მაღალია, N1 წარმოქმნის გამომავალ მოვლენას, რომელიც მიუთითებს, რომ ნაპოვნია შესატყვისი ორ შეყვანას შორის. მიმართულებითი კავშირები საშუალებას აძლევს N1-ს გამოსცეს გამომავალი მხოლოდ იმ შემთხვევაში, თუ შეყვანა 1 მოდის 0-ის შეყვანის შემდეგ. G0, G3 და G7 დაპროგრამებულია 73,5 μS, 67,3 μS და 40,2 μS, შესაბამისად, რაც უზრუნველყოფს, რომ Vin0 შეყვანის ერთჯერადი სპიკი იწვევს დაგვიანებას. გამომავალი მწვერვალი, ხოლო N1-ის მემბრანის პოტენციალი აღწევს ზღურბლს მხოლოდ მაშინ, როდესაც ორივე შემავალი ადიდდება ჩამოსვლა სინქრონულად. .
ცვალებადობა არის არასრულყოფილების წყარო მოდელირებულ ნეირომორფულ სისტემებში63,64,65. ეს იწვევს ნეირონებისა და სინაფსების ჰეტეროგენულ ქცევას. ასეთი მინუსების მაგალითები მოიცავს 30%-იან (საშუალო სტანდარტული გადახრის) ცვალებადობას შეყვანის მომატებაში, დროის მუდმივობასა და ცეცხლგამძლე პერიოდში, რომ დავასახელოთ მხოლოდ რამდენიმე (იხ. მეთოდები). ეს პრობლემა კიდევ უფრო გამოხატულია, როდესაც მრავალი ნერვული წრე ერთმანეთთან არის დაკავშირებული, როგორიცაა ორი ნეირონისგან შემდგარი ორიენტაციისადმი მგრძნობიარე CD. იმისთვის, რომ სწორად იმუშაოს, ორი ნეირონის მომატებისა და დაშლის დროის მუდმივები უნდა იყოს რაც შეიძლება მსგავსი. მაგალითად, შეყვანის მომატებაში დიდმა განსხვავებამ შეიძლება გამოიწვიოს ერთი ნეირონის გადაჭარბებული რეაქცია შეყვანის პულსზე, ხოლო მეორე ნეირონი ძლივს რეაგირებს. ნახ. სურათი 5a გვიჩვენებს, რომ შემთხვევით შერჩეული ნეირონები განსხვავებულად რეაგირებენ იმავე შეყვანის პულსზე. ეს ნერვული ცვალებადობა ეხება, მაგალითად, მიმართულების მგრძნობიარე CD-ების ფუნქციებს. ნახ. 5b, c, ნეირონის 1-ის შეყვანის მომატება გაცილებით მაღალია, ვიდრე ნეირონის 0. ამრიგად, ნეირონ 0 მოითხოვს სამი შეყვანის იმპულსს (ნაცვლად 1-ის) ზღურბლამდე მისასვლელად, ხოლო ნეირონ 1-ს, როგორც მოსალოდნელი იყო, სჭირდება ორი შეყვანის მოვლენა. დროზე დამოკიდებული ბიომიმეტური პლასტიურობის (STDP) დანერგვა არის არაზუსტი და დუნე ნერვული და სინაფსური სქემების ზემოქმედების შერბილების შესაძლო გზა სისტემის მუშაობაზე43. აქ ჩვენ ვთავაზობთ რეზისტენტული მეხსიერების პლასტიკური ქცევის გამოყენებას, როგორც ნერვული შეყვანის გაძლიერებაზე გავლენის საშუალებას და ნეირომორფულ წრეებში ცვალებადობის ეფექტების შემცირების საშუალებას. როგორც ნაჩვენებია ნახ. 4e, გამტარობის დონეები, რომლებიც დაკავშირებულია RRAM სინაფსურ მასასთან, ეფექტურად მოდულირებდა შესაბამისი ნერვული მემბრანის ძაბვის პასუხს. ჩვენ ვიყენებთ განმეორებით RRAM პროგრამირების სტრატეგიას. მოცემული შეყვანისთვის, სინაფსური წონების გამტარობის მნიშვნელობები რეპროგრამირებულია, სანამ არ მიიღება მიკროსქემის სამიზნე ქცევა (იხ. მეთოდები).
ცხრა შემთხვევით შერჩეული ინდივიდუალური ნეირონების პასუხის ექსპერიმენტული გაზომვები იმავე შეყვანის პულსზე. პასუხი განსხვავდება პოპულაციის მიხედვით, რაც გავლენას ახდენს შეყვანის მატებაზე და დროის მუდმივობაზე. ბ ნეირონების გავლენის ექსპერიმენტული გაზომვები ნეირონების ცვალებადობაზე, რომლებიც გავლენას ახდენენ მიმართულებისადმი მგრძნობიარე CD-ზე. ორი მიმართულებით მგრძნობიარე CD გამომავალი ნეირონები განსხვავებულად რეაგირებენ შეყვანის სტიმულებზე ნეირონიდან ნეირონის ცვალებადობის გამო. ნეირონ 0-ს აქვს უფრო დაბალი შეყვანის მომატება ვიდრე ნეირონ 1-ზე, ამიტომ გამომავალი მწვერვალის შესაქმნელად საჭიროა სამი შეყვანის პულსი (1-ის ნაცვლად). როგორც მოსალოდნელი იყო, ნეირონი 1 აღწევს ზღურბლს ორი შეყვანის მოვლენით. თუ შეყვანა 1 მივა Δt = 50 μs ნეირონის 0 გასროლის შემდეგ, CD რჩება ჩუმად, რადგან Δt მეტია ნეირონის 1-ის დროის მუდმივზე (დაახლოებით 22 μs). c მცირდება Δt = 20 μs-ით, ასე რომ, შემავალი 1 აღწევს პიკს, როდესაც ნეირონის 1-ის სროლა ჯერ კიდევ მაღალია, რაც იწვევს ორი შეყვანის მოვლენის ერთდროულად გამოვლენას.
ITD გამოთვლის სვეტში გამოყენებული ორი ელემენტი არის დაყოვნების ხაზი და მიმართულების უგრძნობი CD. ორივე წრეს სჭირდება ზუსტი კალიბრაცია, რათა უზრუნველყოს ობიექტების პოზიციონირების კარგი შესრულება. დაყოვნების ხაზმა უნდა მიაწოდოს შეყვანის პიკის ზუსტად დაყოვნებული ვერსია (ნახ. 6a) და CD უნდა გააქტიურდეს მხოლოდ მაშინ, როდესაც შეყვანა მოხვდება სამიზნის აღმოჩენის დიაპაზონში. დაყოვნების ხაზისთვის, შეყვანის კავშირების სინაფსური წონები (G3 ნახ. 4a) დაპროგრამებული იყო სამიზნე დაყოვნების მიღებამდე. დააყენეთ ტოლერანტობა სამიზნე დაყოვნების გარშემო პროგრამის შესაჩერებლად: რაც უფრო მცირეა ტოლერანტობა, მით უფრო რთულია დაყოვნების ხაზის წარმატებით დაყენება. ნახ. სურათი 6b გვიჩვენებს შეფერხების ხაზის დაკალიბრების პროცესის შედეგებს: ჩანს, რომ შემოთავაზებულ სქემას შეუძლია ზუსტად უზრუნველყოს დიზაინის სქემაში საჭირო ყველა შეფერხება (10-დან 300 μs-მდე). კალიბრაციის გამეორებების მაქსიმალური რაოდენობა გავლენას ახდენს კალიბრაციის პროცესის ხარისხზე: 200 გამეორებას შეუძლია შეცდომის შემცირება 5%-ზე ნაკლებამდე. კალიბრაციის ერთი გამეორება შეესაბამება RRAM უჯრედის დაყენება/გადატვირთვის ოპერაციას. ტუნინგის პროცესი ასევე გადამწყვეტია CD მოდულის მყისიერი დახურვის მოვლენის ამოცნობის სიზუსტის გასაუმჯობესებლად. ათი კალიბრაციის გამეორება დასჭირდა ჭეშმარიტი პოზიტიური სიჩქარის მისაღწევად (ანუ მოვლენების სიხშირე სწორად იდენტიფიცირებული, როგორც შესაბამისი) 95%-ზე მეტი (ლურჯი ხაზი ნახაზზე 6c). თუმცა, დარეგულირების პროცესმა გავლენა არ მოახდინა ცრუ პოზიტიურ მოვლენებზე (ანუ მოვლენების სიხშირეზე, რომლებიც შეცდომით იყო განსაზღვრული, როგორც შესაბამისი). კიდევ ერთი მეთოდი, რომელიც შეინიშნება ბიოლოგიურ სისტემებში სწრაფად გააქტიურებული გზების დროის შეზღუდვების დასაძლევად არის ზედმეტი (ანუ, ერთი და იგივე ობიექტის მრავალი ასლი გამოიყენება მოცემული ფუნქციის შესასრულებლად). ბიოლოგიით66 შთაგონებული, ჩვენ დავაყენეთ რამდენიმე CD სქემები თითოეულ CD მოდულში ორ დაყოვნების ხაზს შორის, რათა შემცირდეს ცრუ დადებითი შედეგების გავლენა. როგორც ნაჩვენებია ნახ. 6c (მწვანე ხაზი), თითოეულ CD მოდულში სამი CD ელემენტის განთავსებამ შეიძლება შეამციროს ცრუ განგაშის სიხშირე 10-2-ზე ნაკლებამდე.
ნეირონების ცვალებადობის ეფექტი დაყოვნების ხაზის სქემებზე. b დაყოვნების ხაზის სქემები შეიძლება მასშტაბირდეს დიდ შეფერხებამდე შესაბამისი LIF ნეირონებისა და DPI სინაფსების დროის მუდმივების დიდ მნიშვნელობებზე დაყენებით. RRAM კალიბრაციის პროცედურის გამეორებების რაოდენობის გაზრდამ შესაძლებელი გახადა სამიზნე დაყოვნების სიზუსტის საგრძნობლად გაუმჯობესება: 200 გამეორებით შემცირდა შეცდომა 5%-ზე ნაკლებამდე. ერთი გამეორება შეესაბამება SET/RESET ოპერაციას RRAM უჯრედზე. c Jeffress მოდელის თითოეული CD მოდული შეიძლება განხორციელდეს N პარალელური CD ელემენტების გამოყენებით უფრო მეტი მოქნილობისთვის სისტემის გაუმართაობებთან მიმართებაში. d RRAM კალიბრაციის მეტი გამეორება ზრდის ჭეშმარიტ პოზიტიურ სიჩქარეს (ლურჯი ხაზი), ხოლო ცრუ დადებითი მაჩვენებელი დამოუკიდებელია გამეორებების რაოდენობისგან (მწვანე ხაზი). მეტი CD ელემენტების პარალელურად განთავსება თავიდან აიცილებს CD მოდულის შესატყვისების ცრუ გამოვლენას.
ახლა ჩვენ ვაფასებთ ნახაზ 2-ში ნაჩვენები ობიექტის ლოკალიზაციის ინტეგრირებული სისტემის მუშაობას და ენერგიის მოხმარებას pMUT სენსორის, CD და დაყოვნების ხაზის სქემების აკუსტიკური თვისებების გაზომვების გამოყენებით, რომლებიც ქმნიან ნეირომორფულ გამოთვლით გრაფიკს. ჯეფრესის მოდელი (ნახ. 1ა). რაც შეეხება ნეირომორფულ გამოთვლით გრაფიკს, რაც უფრო მეტია CD მოდულების რაოდენობა, მით უკეთესია კუთხური გარჩევადობა, მაგრამ ასევე უფრო მაღალია სისტემის ენერგია (ნახ. 7ა). კომპრომისის მიღწევა შესაძლებელია ცალკეული კომპონენტების (pMUT სენსორები, ნეირონები და სინაფსური სქემები) სიზუსტის მთელი სისტემის სიზუსტის შედარებით. დაყოვნების ხაზის გარჩევადობა შემოიფარგლება სიმულირებული სინაფსების და ნეირონების დროის მუდმივებით, რომლებიც ჩვენს სქემაში აღემატება 10 μs-ს, რაც შეესაბამება 4°-ის კუთხის გარჩევადობას (იხ. მეთოდები). უფრო მოწინავე კვანძები CMOS ტექნოლოგიით საშუალებას მოგცემთ შექმნათ ნერვული და სინაფსური სქემები დაბალი დროის მუდმივებით, რაც გამოიწვევს დაყოვნების ხაზის ელემენტების უფრო მაღალ სიზუსტეს. თუმცა, ჩვენს სისტემაში სიზუსტე შემოიფარგლება შეცდომით pMUT კუთხური პოზიციის შეფასებისას, ანუ 10° (ლურჯი ჰორიზონტალური ხაზი ნახ. 7a). ჩვენ დავაფიქსირეთ CD მოდულების რაოდენობა 40-ზე, რაც შეესაბამება კუთხური გარჩევადობის დაახლოებით 4°-ს, ანუ გამოთვლითი გრაფიკის კუთხური სიზუსტეს (ღია ლურჯი ჰორიზონტალური ხაზი ნახ. 7a). სისტემის დონეზე, ეს იძლევა 4° გარჩევადობას და 10° სიზუსტეს სენსორული სისტემის წინ 50 სმ მდებარე ობიექტებისთვის. ეს მნიშვნელობა შედარებულია ნეირომორფული ხმის ლოკალიზაციის სისტემებთან, რომლებიც მოხსენებულია ref. 67. შემოთავაზებული სისტემის შედარება ტექნიკის დონესთან შეგიძლიათ იხილოთ დამატებით ცხრილში 1. დამატებითი pMUT-ების დამატება, აკუსტიკური სიგნალის დონის გაზრდა და ელექტრონული ხმაურის შემცირება ლოკალიზაციის სიზუსტის შემდგომი გაუმჯობესების შესაძლო გზებია. ) შეფასებულია 9.7-ზე. ნზ. 55. გამოთვლით გრაფიკზე 40 CD ერთეულის გათვალისწინებით, SPICE სიმულაციამ შეაფასა ენერგია თითო ოპერაციაზე (ანუ ობიექტის განლაგების ენერგია) 21,6 nJ. ნეირომორფული სისტემა აქტიურდება მხოლოდ მაშინ, როცა შემომავალი მოვლენა მოდის, ანუ როცა აკუსტიკური ტალღა აღწევს ნებისმიერ pMUT მიმღებს და აჭარბებს გამოვლენის ზღვარს, წინააღმდეგ შემთხვევაში ის უმოქმედო რჩება. ეს თავიდან აიცილებს ენერგიის არასაჭირო მოხმარებას, როდესაც არ არის შეყვანის სიგნალი. ლოკალიზაციის ოპერაციების სიხშირის 100 ჰც და აქტივაციის პერიოდის 300 μs თითო ოპერაციაზე (მაქსიმალური შესაძლო ITD) გათვალისწინებით, ნეირომორფული გამოთვლითი გრაფიკის ენერგიის მოხმარება არის 61,7 ნვ. თითოეულ pMUT მიმღებზე გამოყენებული ნეირომორფული წინასწარი დამუშავებით, მთელი სისტემის ენერგიის მოხმარება აღწევს 81,6 ნვტ. შემოთავაზებული ნეირომორფული მიდგომის ენერგოეფექტურობის გასაგებად, ჩვეულებრივ აპარატურასთან შედარებით, ჩვენ შევადარეთ ეს რიცხვი ენერგიას, რომელიც საჭიროა იგივე ამოცანის შესასრულებლად თანამედროვე დაბალი სიმძლავრის მიკროკონტროლერზე ნეირომორფული ან ჩვეულებრივი სხივის ფორმირების უნარის გამოყენებით68. ნეირომორფული მიდგომა განიხილავს ანალოგური ციფრულ გადამყვანის (ADC) სტადიას, რასაც მოჰყვება ზოლიანი ფილტრი და კონვერტის ამოღების ეტაპი (Teeger-Kaiser მეთოდი). საბოლოოდ, ზღურბლის ოპერაცია ხორციელდება ToF-ის ამოსაღებად. ჩვენ გამოვტოვეთ ITD-ის გამოთვლა ToF-ზე დაფუძნებული და კონვერტაცია სავარაუდო კუთხურ პოზიციაზე, რადგან ეს ხდება ერთხელ ყოველი გაზომვისთვის (იხ. მეთოდები). ორივე არხზე 250 კჰც სიხშირის დაშვებით (pMUT მიმღებები), 18 ზოლიანი ფილტრის ოპერაციები, 3 კონვერტის ამოღების ოპერაცია და 1 ზღვრული ოპერაცია თითო ნიმუშზე, ენერგიის ჯამური მოხმარება შეფასებულია 245 მიკროვატზე. ეს იყენებს მიკროკონტროლერის დაბალი სიმძლავრის რეჟიმს69, რომელიც ჩაირთვება, როდესაც ალგორითმები არ სრულდება, რაც ამცირებს ენერგიის მოხმარებას 10,8 μW-მდე. ცნობაში შემოთავაზებული სხივის ფორმირების სიგნალის დამუშავების ხსნარის ენერგიის მოხმარება. 31, 5 pMUT მიმღებით და 11 სხივით ერთნაირად განაწილებული აზიმუტის სიბრტყეში [-50°, +50°], არის 11,71 მვტ (დეტალებისთვის იხილეთ მეთოდების განყოფილება). გარდა ამისა, ჩვენ ვახსენებთ FPGA47-ზე დაფუძნებული დროის სხვაობის შიფრატორის (TDE) ენერგიის მოხმარებას, რომელიც შეფასებულია 1,5 მვტ-ზე, როგორც ობიექტის ლოკალიზაციისთვის ჯეფრესის მოდელის შემცვლელი. ამ შეფასებებზე დაყრდნობით, შემოთავაზებული ნეირომორფული მიდგომა ამცირებს ენერგიის მოხმარებას მასშტაბის ხუთი რიგით მიკროკონტროლერთან შედარებით, რომელიც იყენებს კლასიკური სხივის ფორმირების ტექნიკას ობიექტების ლოკალიზაციის ოპერაციებისთვის. კლასიკურ მიკროკონტროლერზე სიგნალის დამუშავების ნეირომორფული მიდგომის მიღება ამცირებს ენერგიის მოხმარებას დაახლოებით ორი რიგით მასშტაბით. შემოთავაზებული სისტემის ეფექტურობა შეიძლება აიხსნას ასინქრონული რეზისტენტულ-მეხსიერების ანალოგური მიკროსქემის კომბინაციით, რომელსაც შეუძლია შეასრულოს მეხსიერებაში გამოთვლები და სიგნალების აღქმისთვის საჭირო ანალოგური ციფრული კონვერტაციის ნაკლებობა.
ლოკალიზაციის ოპერაციის კუთხური გარჩევადობა (ლურჯი) და ენერგიის მოხმარება (მწვანე) CD მოდულების რაოდენობის მიხედვით. მუქი ლურჯი ჰორიზონტალური ზოლი წარმოადგენს PMUT-ის კუთხური სიზუსტეს და ღია ცისფერი ჰორიზონტალური ზოლი წარმოადგენს ნეირომორფული გამოთვლითი გრაფიკის კუთხის სიზუსტეს. b შემოთავაზებული სისტემის ენერგიის მოხმარება და შედარება ორ განხილულ მიკროკონტროლერთან და დროის სხვაობის შიფრატორის (TDE)47 FPGA-ის ციფრულ დანერგვასთან.
სამიზნე ლოკალიზაციის სისტემის ენერგიის მოხმარების მინიმუმამდე შესამცირებლად, ჩვენ მოვიფიქრეთ, დავაპროექტეთ და განვახორციელეთ ეფექტური, მოვლენებზე ორიენტირებული RRAM-ზე დაფუძნებული ნეირომორფული წრე, რომელიც ამუშავებს ჩაშენებული სენსორების მიერ გამომუშავებულ სიგნალის ინფორმაციას, რათა გამოთვალოს სამიზნე ობიექტის პოზიცია რეალურად. დრო. . მიუხედავად იმისა, რომ დამუშავების ტრადიციული მეთოდები განუწყვეტლივ სინჯავს აღმოჩენილ სიგნალებს და ახორციელებს გამოთვლებს სასარგებლო ინფორმაციის მოსაპოვებლად, შემოთავაზებული ნეირომორფული ხსნარი ახორციელებს გამოთვლებს ასინქრონულად, როცა სასარგებლო ინფორმაცია მოდის, რაც მაქსიმუმს ხდის სისტემის ენერგოეფექტურობას მასშტაბის ხუთი რიგით. გარდა ამისა, ჩვენ ხაზს ვუსვამთ RRAM-ზე დაფუძნებული ნეირომორფული სქემების მოქნილობას. RRAM-ის უნარი შეცვალოს გამტარობა არასტაბილური გზით (პლასტიურობა) ანაზღაურებს ულტრა დაბალი სიმძლავრის ანალოგების DPI სინაფსური და ნერვული სქემების თანდაყოლილ ცვალებადობას. ეს ხდის ამ RRAM-ზე დაფუძნებულ წრეს მრავალმხრივ და ძლიერად. ჩვენი მიზანია არა რთული ფუნქციების ან შაბლონების ამოღება სიგნალებიდან, არამედ ობიექტების ლოკალიზაცია რეალურ დროში. ჩვენს სისტემას ასევე შეუძლია ეფექტურად შეკუმშოს სიგნალი და საბოლოოდ გაგზავნოს იგი შემდგომ დამუშავების საფეხურებზე, რათა საჭიროების შემთხვევაში უფრო რთული გადაწყვეტილებები მიიღოს. ლოკალიზაციის აპლიკაციების კონტექსტში, ჩვენი ნეირომორფული წინასწარი დამუშავების საფეხურს შეუძლია მიაწოდოს ინფორმაცია ობიექტების ადგილმდებარეობის შესახებ. ეს ინფორმაცია შეიძლება გამოყენებულ იქნას, მაგალითად, მოძრაობის აღმოჩენისთვის ან ჟესტების ამოცნობისთვის. ჩვენ ხაზს ვუსვამთ ულტრა დაბალი სიმძლავრის სენსორების გაერთიანების მნიშვნელობას, როგორიცაა pMUT-ები ულტრა დაბალი სიმძლავრის ელექტრონიკასთან. ამისთვის, ნეირომორფული მიდგომები იყო მთავარი, რადგან მათ მიგვიყვანა ბიოლოგიურად შთაგონებული გამოთვლითი მეთოდების ახალი მიკროსქემის დანერგვა, როგორიცაა ჯეფრესის მოდელი. სენსორების შერწყმის აპლიკაციების კონტექსტში, ჩვენი სისტემა შეიძლება გაერთიანდეს რამდენიმე სხვადასხვა მოვლენაზე დაფუძნებულ სენსორთან უფრო ზუსტი ინფორმაციის მისაღებად. მიუხედავად იმისა, რომ ბუები შესანიშნავად იპოვიან ნადირს სიბნელეში, მათ აქვთ შესანიშნავი მხედველობა და ახორციელებენ კომბინირებულ აუდიო და ვიზუალურ ძიებას ნადირის დაჭერამდე70. როდესაც კონკრეტული სმენის ნეირონი იფეთქებს, ბუ იღებს საჭირო ინფორმაციას იმის დასადგენად, თუ რომელი მიმართულებით უნდა დაიწყოს ვიზუალური ძებნა, რითაც ყურადღებას ამახვილებს ვიზუალური სცენის მცირე ნაწილზე. ვიზუალური სენსორების კომბინაცია (DVS კამერა) და შემოთავაზებული მოსმენის სენსორი (pMUT-ზე დაფუძნებული) უნდა იყოს შესწავლილი მომავალი ავტონომიური აგენტების განვითარებისთვის.
pMUT სენსორი განლაგებულია PCB-ზე ორი მიმღებით ერთმანეთისგან დაახლოებით 10 სმ დაშორებით, ხოლო გადამცემი მდებარეობს მიმღებებს შორის. ამ ნამუშევარში, თითოეული მემბრანა არის შეჩერებული ბიმორფული სტრუქტურა, რომელიც შედგება პიეზოელექტრული ალუმინის ნიტრიდის ორი ფენისგან (AlN) 800 ნმ სისქით, მოთავსებულია მოლიბდენის სამ ფენას შორის 200 ნმ სისქით და დაფარულია 200 ნმ სისქის ფენით. ზედა პასიური SiN ფენა, როგორც აღწერილია მითითებაში. 71. შიდა და გარე ელექტროდები დატანილია მოლიბდენის ქვედა და ზედა ფენებზე, ხოლო შუა მოლიბდენის ელექტროდი უპრობლემოდ გამოიყენება დამიწებლად, რის შედეგადაც წარმოიქმნება მემბრანა ოთხი წყვილი ელექტროდებით.
ეს არქიტექტურა საშუალებას იძლევა გამოიყენოს მემბრანის საერთო დეფორმაცია, რის შედეგადაც გაუმჯობესებულია გადაცემის და მიღების მგრძნობელობა. ასეთი pMUT, როგორც წესი, ავლენს აგზნების მგრძნობელობას 700 ნმ/ვ, როგორც ემიტერი, რაც უზრუნველყოფს ზედაპირულ წნევას 270 Pa/V. როგორც მიმღები, ერთი pMUT ფილმი ავლენს მოკლე ჩართვის მგრძნობელობას 15 nA/Pa, რაც პირდაპირ კავშირშია AlN-ის პიეზოელექტრიულ კოეფიციენტთან. ძაბვის ტექნიკური ცვალებადობა AlN ფენაში იწვევს რეზონანსული სიხშირის ცვლილებას, რაც შეიძლება კომპენსირებული იყოს DC მიკერძოების გამოყენებით pMUT-ზე. DC მგრძნობელობა გაზომილი იყო 0.5 kHz/V-ზე. აკუსტიკური დახასიათებისთვის, მიკროფონი გამოიყენება pMUT-ის წინ.
ექო პულსის გასაზომად, ჩვენ დავაყენეთ მართკუთხა ფირფიტა, რომლის ფართობია დაახლოებით 50 სმ2, pMUT-ის წინ, რათა ასახულიყო გამოსხივებული ხმის ტალღები. ფირფიტებს შორის მანძილი და კუთხე pMUT სიბრტყესთან შედარებით კონტროლდება სპეციალური დამჭერების გამოყენებით. Tectronix CPX400DP ძაბვის წყარო მიკერძოებულია სამ pMUT მემბრანას, არეგულირებს რეზონანსულ სიხშირეს 111,9 kHz31-მდე, ხოლო გადამცემებს მართავს Tectronix AFG 3102 იმპულსების გენერატორი, რომელიც მორგებულია რეზონანსულ სიხშირეზე (111,9 kHz) და duty.0 ციკლი. თითოეული pMUT მიმღების ოთხი გამომავალი პორტიდან წაკითხული დენები გარდაიქმნება ძაბებად სპეციალური დიფერენციალური დენისა და ძაბვის არქიტექტურის გამოყენებით და მიღებული სიგნალები ციფრულია Spektrum მონაცემთა შეძენის სისტემით. გამოვლენის ლიმიტი ხასიათდებოდა pMUT სიგნალის მიღებით სხვადასხვა პირობებში: ჩვენ გადავიყვანეთ რეფლექტორი სხვადასხვა დისტანციებზე [30, 40, 50, 60, 80, 100] სმ და შევცვალეთ pMUT საყრდენი კუთხე ([0, 20, 40] o ) ნახაზი 2b გვიჩვენებს დროებითი ITD-ის გამოვლენის გარჩევადობას, რომელიც დამოკიდებულია შესაბამის კუთხის პოზიციაზე გრადუსებში.
ეს სტატია იყენებს ორ განსხვავებულ RRAM სქემებს. პირველი არის 16,384 (16,000) მოწყობილობის მასივი (128 × 128 მოწყობილობა) 1T1R კონფიგურაციაში ერთი ტრანზისტორით და ერთი რეზისტორით. მეორე ჩიპი არის ნეირომორფული პლატფორმა, რომელიც ნაჩვენებია ნახ. 4a. RRAM უჯრედი შედგება 5 ნმ სისქის HfO2 ფირისგან, რომელიც ჩაშენებულია TiN/HfO2/Ti/TiN დასტაში. RRAM დასტა ინტეგრირებულია სტანდარტული 130 ნმ CMOS პროცესის უკანა ხაზში (BEOL). RRAM-ზე დაფუძნებული ნეირომორფული სქემები წარმოადგენს დიზაინის გამოწვევას ყველა ანალოგური ელექტრონული სისტემებისთვის, რომლებშიც RRAM მოწყობილობები თანაარსებობენ ტრადიციულ CMOS ტექნოლოგიასთან. კერძოდ, RRAM მოწყობილობის გამტარობის მდგომარეობა უნდა იყოს წაკითხული და გამოყენებული, როგორც სისტემის ფუნქციის ცვლადი. ამ მიზნით, შეიქმნა, დაპროექტებული და გამოცდილი წრე, რომელიც კითხულობს დენს მოწყობილობიდან შეყვანის პულსის მიღებისას და იყენებს ამ დენს დიფერენციალური წყვილის ინტეგრატორის (DPI) სინაფსის პასუხის დასაწონად. ეს წრე ნაჩვენებია სურათზე 3a, რომელიც წარმოადგენს ნეირომორფული პლატფორმის ძირითად სამშენებლო ბლოკებს სურათზე 4a. შეყვანის პულსი ააქტიურებს 1T1R მოწყობილობის კარიბჭეს, იწვევს დენის RRAM-ის მეშვეობით მოწყობილობის გამტარობის G პროპორციულს (Iweight = G(Vtop – Vx)). ოპერაციული გამაძლიერებლის (op-amp) მიკროსქემის ინვერსიულ შეყვანას აქვს მუდმივი DC მიკერძოებული ძაბვა Vtop. op-amp-ის უარყოფითი გამოხმაურება უზრუნველყოფს Vx = Vtop-ს M1-დან თანაბარი დენის მიწოდებით. მოწყობილობიდან ამოღებული მიმდინარე წონა შეჰყავთ DPI სინაფსში. უფრო ძლიერი დენი გამოიწვევს მეტ დეპოლარიზაციას, ამიტომ RRAM გამტარობა ეფექტურად ახორციელებს სინაფსურ წონას. ეს ექსპონენციური სინაფსური დენი შეჰყავთ გაჟონვის ინტეგრაციისა და აგზნების (LIF) ნეირონების მემბრანული კონდენსატორის მეშვეობით, სადაც ის ინტეგრირებულია ძაბვის სახით. თუ მემბრანის ბარიერის ძაბვა (ინვერტორის გადართვის ძაბვა) გადალახულია, ნეირონის გამომავალი ნაწილი აქტიურდება, რაც წარმოქმნის გამომავალ მწვერვალს. ეს პულსი უბრუნდება და შუნტირებს ნეირონის მემბრანის კონდენსატორს მიწასთან, რაც იწვევს მის გამონადენს. შემდეგ ამ წრეს ემატება პულსის გამაფართოებელი (არ არის ნაჩვენები ნახ. 3a), რომელიც აყალიბებს LIF ნეირონის გამომავალ პულსს სამიზნე პულსის სიგანემდე. მულტიპლექსერები ასევე ჩაშენებულია თითოეულ ხაზში, რაც იძლევა ძაბვის გამოყენების საშუალებას RRAM მოწყობილობის ზედა და ქვედა ელექტროდებზე.
ელექტრული ტესტირება მოიცავს ანალოგური სქემების დინამიური ქცევის ანალიზს და ჩაწერას, ასევე RRAM მოწყობილობების დაპროგრამებას და კითხვას. ორივე ნაბიჯი მოითხოვს სპეციალურ ხელსაწყოებს, რომლებიც ერთდროულად დაკავშირებულია სენსორის დაფასთან. ნეირომორფულ სქემებში RRAM მოწყობილობებზე წვდომა ხორციელდება გარე ხელსაწყოებიდან მულტიპლექსერის (MUX) მეშვეობით. MUX გამოყოფს 1T1R უჯრედს დანარჩენი მიკროსქემისგან, რომელსაც ის ეკუთვნის, რაც საშუალებას აძლევს მოწყობილობას წაიკითხოს და/ან დაპროგრამდეს. RRAM მოწყობილობების დასაპროგრამებლად და წასაკითხად, Keithley 4200 SCS მანქანა გამოიყენება Arduino მიკროკონტროლერთან ერთად: პირველი პულსის ზუსტი წარმოქმნისა და დენის წასაკითხად, ხოლო მეორე მეხსიერების მასივში ცალკეულ 1T1R ელემენტებზე სწრაფი წვდომისთვის. პირველი ოპერაცია არის RRAM მოწყობილობის ფორმირება. უჯრედები სათითაოდ ირჩევა და ზემოდან ქვედა ელექტროდებს შორის დადებითი ძაბვა ვრცელდება. ამ შემთხვევაში დენი შემოიფარგლება ათეულობით მიკროამპერის რიგით სელექტორ ტრანზისტორზე შესაბამისი კარიბჭის ძაბვის მიწოდების გამო. შემდეგ RRAM უჯრედს შეუძლია ციკლი დაბალ გამტარ მდგომარეობას (LCS) და მაღალ გამტარ მდგომარეობას (HCS) შორის RESET და SET ოპერაციების გამოყენებით, შესაბამისად. SET ოპერაცია ხორციელდება მართკუთხა ძაბვის პულსის გამოყენებით 1 μs ხანგრძლივობით და პიკური ძაბვით 2.0-2.5 V ზედა ელექტროდზე და მსგავსი ფორმის სინქრონული პულსი პიკური ძაბვით 0.9-1.3 V-მდე. სელექტორი ტრანზისტორის კარიბჭე. ეს მნიშვნელობები საშუალებას იძლევა მოდულირდეს RRAM გამტარობა 20-150 μs ინტერვალებით. გადატვირთვისთვის, 1 μs სიგანის, 3 V პიკური პულსი გამოიყენება უჯრედის ქვედა ელექტროდზე (ბიტი ხაზი), როდესაც კარიბჭის ძაბვა არის 2,5-3,0 ვ დიაპაზონში. ანალოგური სქემების შეყვანა და გამომავალი არის დინამიური სიგნალები. . შეყვანისთვის, ჩვენ შევაერთეთ HP 8110 პულსის გენერატორი Tektronix AFG3011 სიგნალის გენერატორებით. შეყვანის პულსი აქვს 1 μs სიგანე და აწევა/ჩავარდნის კიდე 50 ns. ამ ტიპის პულსი ვარაუდობენ, რომ არის ტიპიური ხარვეზი ანალოგური გაუმართაობის სქემებში. რაც შეეხება გამომავალ სიგნალს, გამომავალი სიგნალი ჩაიწერა Teledyne LeCroy 1 გჰც ოსცილოსკოპის გამოყენებით. ოსილოსკოპის შეძენის სიჩქარე დადასტურდა, რომ არ არის შემზღუდველი ფაქტორი მიკროსქემის მონაცემების ანალიზსა და მიღებაში.
ანალოგური ელექტრონიკის დინამიკის გამოყენება ნეირონებისა და სინაფსების ქცევის სიმულაციისთვის არის ელეგანტური და ეფექტური გადაწყვეტა გამოთვლითი ეფექტურობის გასაუმჯობესებლად. ამ გამოთვლითი ფენის მინუსი არის ის, რომ ის განსხვავდება სქემიდან სქემამდე. ჩვენ რაოდენობრივად დავადგინეთ ნეირონებისა და სინაფსური სქემების ცვალებადობა (დამატებითი ნახ. 2a,b). ცვალებადობის ყველა გამოვლინებიდან, დროის მუდმივებთან და შეყვანის მატებასთან დაკავშირებულს ყველაზე დიდი გავლენა აქვს სისტემის დონეზე. LIF ნეირონისა და DPI სინაფსის დროის მუდმივობა განისაზღვრება RC სქემით, სადაც R-ის მნიშვნელობა კონტროლდება ტრანზისტორის კარიბჭეზე გამოყენებული მიკერძოებული ძაბვით (Vlk ნეირონისთვის და Vtau სინაფსისთვის), რაც განსაზღვრავს გაჟონვის მაჩვენებელი. შეყვანის მომატება განისაზღვრება, როგორც პიკური ძაბვა, რომელსაც მიაღწევს სინაფსური და ნეირონული მემბრანის კონდენსატორები, რომლებიც სტიმულირდება შეყვანის იმპულსით. შეყვანის მომატება კონტროლდება სხვა მიკერძოებული ტრანზისტორით, რომელიც ახდენს შეყვანის დენის მოდულირებას. ST Microelectronics-ის 130 ნმ პროცესზე დაკალიბრებული მონტე კარლოს სიმულაცია განხორციელდა შეყვანის მიღებისა და დროის მუდმივი სტატისტიკის შესაგროვებლად. შედეგები წარმოდგენილია დამატებით სურათზე 2, სადაც შეყვანის მომატება და დროის მუდმივი რაოდენობრივად არის გათვლილი, როგორც ფუნქცია მიკერძოებული ძაბვის, რომელიც აკონტროლებს გაჟონვის სიჩქარეს. მწვანე მარკერები რაოდენობრივად განსაზღვრავს დროის მუდმივის სტანდარტულ გადახრას საშუალოდან. ორივე ნეირონმა და სინაფსურმა სქემებმა შეძლეს გამოხატონ დროის მუდმივების ფართო დიაპაზონი 10-5-10-2 წმ დიაპაზონში, როგორც ნაჩვენებია დამატებითი ნახ. სქემაში. ნეირონების და სინაფსების ცვალებადობის შეყვანის გაძლიერება (დამატებითი სურ. 2e,d) იყო დაახლოებით 8% და 3%, შესაბამისად. ასეთი დეფიციტი კარგად არის დადასტურებული ლიტერატურაში: სხვადასხვა გაზომვები ჩატარდა DYNAP ჩიპების მასივზე LIF63 ნეირონების პოპულაციებს შორის შეუსაბამობის შესაფასებლად. სინაფსები BrainScale შერეული სიგნალის ჩიპში იყო გაზომილი და მათი შეუსაბამობების ანალიზი, და შემოთავაზებული იყო კალიბრაციის პროცედურა სისტემის დონის ცვალებადობის ეფექტის შესამცირებლად64.
RRAM-ის ფუნქცია ნეირომორფულ სქემებში არის ორგვარი: არქიტექტურის განსაზღვრა (შესვლების მარშრუტირება გამოსავლებში) და სინაფსური წონების განხორციელება. ეს უკანასკნელი თვისება შეიძლება გამოყენებულ იქნას მოდელირებული ნეირომორფული სქემების ცვალებადობის პრობლემის გადასაჭრელად. ჩვენ შევიმუშავეთ მარტივი კალიბრაციის პროცედურა, რომელიც გულისხმობს RRAM მოწყობილობის ხელახალი დაპროგრამებას, სანამ ანალიზის სქემა არ დააკმაყოფილებს გარკვეულ მოთხოვნებს. მოცემული შეყვანისთვის, გამომავალი მონიტორინგდება და RRAM ხელახლა დაპროგრამდება სამიზნე ქცევის მიღწევამდე. დაინერგა ლოდინის დრო 5 წმ პროგრამირების ოპერაციებს შორის RRAM-ის რელაქსაციის პრობლემის გადასაჭრელად, რაც გამოიწვევს გამტარობის გარდამავალ რყევებს (დამატებითი ინფორმაცია). სინაფსური წონა რეგულირდება ან კალიბრირებულია მოდელირებული ნეირომორფული წრედის მოთხოვნების შესაბამისად. კალიბრაციის პროცედურა შეჯამებულია დამატებით ალგორითმებში [1, 2], რომლებიც ფოკუსირებულია ნეირომორფული პლატფორმების ორ ფუნდამენტურ მახასიათებელზე, დაყოვნების ხაზებსა და მიმართულების არამგრძნობიარე CD. დაყოვნების ხაზის მქონე წრედისთვის სამიზნე ქცევა არის გამომავალი პულსის უზრუნველყოფა დაგვიანებით Δt. თუ სქემის ფაქტობრივი შეფერხება სამიზნე მნიშვნელობაზე ნაკლებია, G3-ის სინაფსური წონა უნდა შემცირდეს (G3 უნდა გადატვირთოს და შემდეგ დაყენდეს ქვედა შესატყვის დენზე Icc). პირიქით, თუ ფაქტობრივი დაყოვნება აღემატება სამიზნე მნიშვნელობას, G3-ის გამტარობა უნდა გაიზარდოს (G3 ჯერ უნდა გადატვირთოთ და შემდეგ დააყენოთ უფრო მაღალ Icc მნიშვნელობაზე). ეს პროცესი მეორდება მანამ, სანამ მიკროსქემის მიერ წარმოქმნილი დაყოვნება არ შეესაბამება სამიზნე მნიშვნელობას და დაყენდება ტოლერანტობა კალიბრაციის პროცესის შესაჩერებლად. ორიენტაციისადმი მგრძნობიარე CD-ებისთვის, კალიბრაციის პროცესში ჩართულია ორი RRAM მოწყობილობა, G1 და G3. ამ წრეს აქვს ორი შეყვანა, Vin0 და Vin1, დაყოვნებული dt-ით. წრე უნდა რეაგირებდეს მხოლოდ შესატყვისი დიაპაზონის ქვემოთ [0,dtCD] დაყოვნებებზე. თუ არ არის გამომავალი პიკი, მაგრამ შეყვანის პიკი ახლოს არის, ორივე RRAM მოწყობილობა უნდა გაძლიერდეს, რათა დაეხმაროს ნეირონს მიაღწიოს ზღურბლს. პირიქით, თუ წრე რეაგირებს შეფერხებაზე, რომელიც აღემატება dtCD-ის სამიზნე დიაპაზონს, გამტარობა უნდა შემცირდეს. გაიმეორეთ პროცესი, სანამ არ მიიღწევა სწორი ქცევა. შესაბამისობის დენი შეიძლება მოდულირებული იყოს ჩაშენებული ანალოგური სქემით ref. 72.73. ამ ჩაშენებული სქემით, ასეთი პროცედურები შეიძლება პერიოდულად შესრულდეს სისტემის დაკალიბრებისთვის ან სხვა აპლიკაციისთვის მისი ხელახლა გამოყენებისთვის.
ჩვენ ვაფასებთ ენერგიის მოხმარებას ჩვენი ნეირომორფული სიგნალის დამუშავების მიდგომის სტანდარტულ 32-ბიტიან მიკროკონტროლერზე68. ამ შეფასებისას, ჩვენ ვივარაუდებთ მუშაობას იმავე პარამეტრით, როგორც ამ ნაშრომში, ერთი pMUT გადამცემით და ორი pMUT მიმღებით. ეს მეთოდი იყენებს გამტარ ფილტრს, რასაც მოჰყვება კონვერტის ამოღების საფეხური (Teeger-Kaiser) და ბოლოს ზღურბლური ოპერაცია გამოიყენება სიგნალზე ფრენის დროის ამოსაღებად. შეფასებისას გამოტოვებულია ITD-ის გაანგარიშება და მისი გადაქცევა გამოვლენის კუთხეებად. ჩვენ განვიხილავთ ზოლიანი ფილტრის განხორციელებას მე-4 რიგის უსასრულო იმპულსური პასუხის ფილტრის გამოყენებით, რომელიც მოითხოვს 18 მცურავი წერტილის ოპერაციას. კონვერტის ამოღება იყენებს კიდევ სამ მცურავი წერტილის ოპერაციას, ხოლო ბოლო ოპერაცია გამოიყენება ზღვრის დასაყენებლად. სიგნალის წინასწარ დამუშავებისთვის საჭიროა სულ 22 მცურავი წერტილის ოპერაცია. გადაცემული სიგნალი არის 111.9 kHz სინუსური ტალღის მოკლე აფეთქება, რომელიც გენერირებულია ყოველ 10 ms-ში, რაც იწვევს პოზიციონირების ოპერაციულ სიხშირეს 100 ჰც. ჩვენ გამოვიყენეთ შერჩევის სიხშირე 250 kHz Nyquist-ის შესასრულებლად და 6 ms ფანჯარა თითოეული გაზომვისთვის 1 მეტრის დიაპაზონის დასაფიქსირებლად. გაითვალისწინეთ, რომ 6 მილიწამი არის ობიექტის ფრენის დრო, რომელიც არის 1 მეტრის დაშორებით. ეს უზრუნველყოფს ენერგიის მოხმარებას 180 μW A/D კონვერტაციისთვის 0.5 MSPS-ზე. სიგნალის წინასწარი დამუშავება არის 6,60 MIPS (ინსტრუქციები წამში), რომელიც გამოიმუშავებს 0,75 მვტ. თუმცა, მიკროკონტროლერი შეიძლება გადავიდეს დაბალი სიმძლავრის რეჟიმში 69, როდესაც ალგორითმი არ მუშაობს. ეს რეჟიმი უზრუნველყოფს სტატიკური ენერგიის მოხმარებას 10,8 μW და გამოღვიძების დროს 113 μs. 84 MHz საათის სიხშირის გათვალისწინებით, მიკროკონტროლერი ასრულებს ნეირომორფული ალგორითმის ყველა ოპერაციას 10 ms-ში და ალგორითმი ითვლის სამუშაო ციკლს 6.3%, რითაც იყენებს დაბალი სიმძლავრის რეჟიმს. შედეგად მიღებული სიმძლავრის გაფრქვევა არის 244,7 μW. გაითვალისწინეთ, რომ ჩვენ გამოვტოვებთ ITD გამომავალს ToF-დან და გარდაქმნას აღმოჩენის კუთხეზე, რითაც არ ვაფასებთ მიკროკონტროლერის ენერგიის მოხმარებას. ეს უზრუნველყოფს დამატებით მნიშვნელობას შემოთავაზებული სისტემის ენერგოეფექტურობისთვის. როგორც დამატებითი შედარების პირობა, ჩვენ ვაფასებთ ცნობაში შემოთავაზებული კლასიკური სხივური ფორმირების მეთოდების ენერგიის მოხმარებას. 31.54, როდესაც ჩართულია იმავე მიკროკონტროლერში68 1.8 ვ მიწოდების ძაბვაზე. ხუთი თანაბრად დაშორებული pMUT მემბრანა გამოიყენება სხივის ფორმირების მონაცემების მისაღებად. რაც შეეხება თავად დამუშავებას, სხივის ფორმირების მეთოდი გამოიყენება დაგვიანებით შეჯამება. ის უბრალოდ მოიცავს ზოლებზე დაყოვნების გამოყენებას, რომელიც შეესაბამება ერთ ზოლსა და საცნობარო ზოლს შორის ჩამოსვლის დროების მოსალოდნელ სხვაობას. თუ სიგნალები ფაზაშია, ამ სიგნალების ჯამს ექნება მაღალი ენერგია დროის ცვლის შემდეგ. თუ ისინი არ არიან ფაზაში, დესტრუქციული ჩარევა შეზღუდავს მათი ჯამის ენერგიას. ურთიერთობაში. ნახ. 31, შერჩევის სიხშირე 2 MHz არჩეულია მონაცემების დროში გადასატანად ნიმუშების მთელი რიცხვით. უფრო მოკრძალებული მიდგომაა 250 კჰც სიხშირის უხეში შერჩევის სიხშირის შენარჩუნება და სასრული იმპულსური პასუხის (FIR) ფილტრის გამოყენება წილადური შეფერხებების სინთეზირებისთვის. ჩვენ ვივარაუდებთ, რომ სხივის ფორმირების ალგორითმის სირთულე ძირითადად განისაზღვრება დროის ცვლაზე, რადგან თითოეული არხი შერწყმულია FIR ფილტრით 16 ონკანით თითოეული მიმართულებით. ამ ოპერაციისთვის საჭირო MIPS-ების რაოდენობის გამოსათვლელად, ჩვენ განვიხილავთ ფანჯარას 6 ms თითო გაზომვაზე, რათა აღვბეჭდოთ დიაპაზონი 1 მეტრი, 5 არხი, სხივის ფორმირების 11 მიმართულება (დიაპაზონი +/- 50° 10° ნაბიჯებით). 75 გაზომვა წამში უბიძგებს მიკროკონტროლერს მაქსიმუმ 100 MIPS-მდე. ბმული. 68, რის შედეგადაც ხდება 11,26 მვტ სიმძლავრის გათიშვა 11,71 მვტ სიმძლავრის ჯამური გაფრქვევისთვის ბორტზე ADC კონტრიბუციის დამატების შემდეგ.
ამ კვლევის შედეგების დამადასტურებელი მონაცემები ხელმისაწვდომია შესაბამისი ავტორისგან, FM-ისგან, გონივრული მოთხოვნის საფუძველზე.
Indiveri, G. & Sandamirskaya, Y. სივრცისა და დროის მნიშვნელობა სიგნალის დამუშავებისთვის ნეირომორფულ აგენტებში: დაბალი სიმძლავრის, ავტონომიური აგენტების შემუშავების გამოწვევა, რომლებიც ურთიერთქმედებენ გარემოსთან. Indiveri, G. & Sandamirskaya, Y. სივრცისა და დროის მნიშვნელობა სიგნალის დამუშავებისთვის ნეირომორფულ აგენტებში: დაბალი სიმძლავრის, ავტონომიური აგენტების შემუშავების გამოწვევა, რომლებიც ურთიერთქმედებენ გარემოსთან.Indiveri G. and Sandamirskaya Y. სივრცისა და დროის მნიშვნელობა სიგნალის დამუშავებისთვის ნეირომორფულ აგენტებში: გარემოსთან ურთიერთქმედების დაბალი სიმძლავრის ავტონომიური აგენტების განვითარების გამოწვევა. Indiveri, G. & Sandamirskaya, Y.空间和时间对于神经形态代理中信号处理的重要性：开发与环境交互的低功耗、自主代理的挑战。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. and Sandamirskaya Y. სივრცისა და დროის მნიშვნელობა სიგნალის დამუშავებისთვის ნეირომორფულ აგენტებში: გარემოსთან ურთიერთქმედების დაბალი სიმძლავრის ავტონომიური აგენტების განვითარების გამოწვევა.IEEE სიგნალის დამუშავება. ჟურნალი 36, 16–28 (2019).
Thorpe, SJ Peak Arrival Time: ეფექტური ნერვული ქსელის კოდირების სქემა. in Eckmiller, R., Hartmann, G. & Hauske, G. (eds). in Eckmiller, R., Hartmann, G. & Hauske, G. (eds).in Eckmiller, R., Hartmann, G. and Hauske, G. (eds.).In Eckmiller, R., Hartmann, G., and Hauske, G. (რედ.). პარალელური დამუშავება ნერვულ სისტემებში და კომპიუტერებში 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Communication მოიხმარს 35-ჯერ მეტ ენერგიას, ვიდრე გამოთვლა ადამიანის ქერქში, მაგრამ ორივე ხარჯია საჭირო სინაფსის რაოდენობის პროგნოზირებისთვის. Levy, WB & Calvert, VG Communication მოიხმარს 35-ჯერ მეტ ენერგიას, ვიდრე გამოთვლა ადამიანის ქერქში, მაგრამ ორივე ხარჯია საჭირო სინაფსის რაოდენობის პროგნოზირებისთვის.Levy, WB და Calvert, WG Communication მოიხმარს 35-ჯერ მეტ ენერგიას, ვიდრე გამოთვლა ადამიანის ქერქში, მაგრამ ორივე ხარჯია საჭირო სინაფსების რაოდენობის პროგნოზირებისთვის. Levy, WB & Calvert, VG Communication. Levy, WB & Calvert, VG CommunicationLevy, WB და Calvert, WG Communication მოიხმარს 35-ჯერ მეტ ენერგიას, ვიდრე გამოთვლა ადამიანის ქერქში, მაგრამ ორივე ღირებულება მოითხოვს სინაფსების რაოდენობის პროგნოზირებას.პროცესი. მეცნიერებათა ეროვნული აკადემია. მეცნიერება. აშშ 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. მწერებისგან შთაგონებული ნეირომორფული გამოთვლა. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. მწერებისგან შთაგონებული ნეირომორფული გამოთვლა.Dalgati, T., Vianello, E., DeSalvo, B. and Casas, J. მწერებისგან შთაგონებული ნეირომორფული გამოთვლა.Dalgati T., Vianello E., DeSalvo B. და Casas J. მწერებისგან შთაგონებული ნეირომორფული გამოთვლა. მიმდინარე. აზრი. მწერების მეცნიერება. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Spike-ზე დაფუძნებული მანქანური ინტელექტისკენ ნეირომორფული გამოთვლით. Roy, K., Jaiswal, A. & Panda, P. Spike-ზე დაფუძნებული მანქანური ინტელექტისკენ ნეირომორფული გამოთვლით. Roy, K., Jaiswal, A. & Panda, P. Towards Spike-Based Machine Intelligence with Neuromorphic Computing.Roy K, Jaiswal A და Panda P. Pulse-ზე დაფუძნებული ხელოვნური ინტელექტი ნეირომორფული გამოთვლის გამოყენებით. Nature 575, 607–617 (2019).
ინდივერი, G. & Liu, S.-C. ინდივერი, G. & Liu, S.-C.ინდივერი, გ. და ლიუ, ს.-კ. ინდივერი, G. & Liu, S.-C. ინდივერი, G. & Liu, S.-C.ინდივერი, გ. და ლიუ, ს.-კ.მეხსიერება და ინფორმაციის დამუშავება ნეირომორფულ სისტემებში. პროცესი. IEEE 103, 1379–1397 (2015).
Akopyan F. და სხვ. Truenorth: დიზაინი და ხელსაწყოების ნაკრები 65 მვტ სიმძლავრის 1 მილიონი ნეირონის პროგრამირებადი სინაფსური ჩიპისთვის. IEEE ტრანზაქციები. ინტეგრირებული მიკროსქემის სისტემების კომპიუტერული დიზაინი. 34, 1537–1557 (2015).
Schemmel, J. et al. ცოცხალი დემო ვერსია: BrainScaleS ნეირომორფული სისტემის შემცირებული ვერსია ფირფიტის მასშტაბით. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. მასშტაბური მრავალბირთვიანი არქიტექტურა ჰეტეროგენული მეხსიერების სტრუქტურებით დინამიური ნეირომორფული ასინქრონული პროცესორებისთვის (DYNAPs). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. მასშტაბური მრავალბირთვიანი არქიტექტურა ჰეტეროგენული მეხსიერების სტრუქტურებით დინამიური ნეირომორფული ასინქრონული პროცესორებისთვის (DYNAPs).Moradi S., Qiao N., Stefanini F. and Indiviri G. მასშტაბირებადი მრავალბირთვიანი არქიტექტურა ჰეტეროგენული მეხსიერების სტრუქტურებით დინამიური ნეირომორფული ასინქრონული პროცესორებისთვის (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, გ.一种可扩展的多核架构，具有用于动态神经形态异步处理器(DYNAP) 的异昄动 Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ერთგვარი გაფართოებადი მრავალბირთვიანი არქიტექტურა, უნიკალური მეხსიერების სტრუქტურით დინამიური ნერვული დამუშავებისთვის (DYNAP).Moradi S., Qiao N., Stefanini F. and Indiviri G. მასშტაბირებადი მრავალბირთვიანი არქიტექტურა ჰეტეროგენული მეხსიერების სტრუქტურებით დინამიური ნეირომორფული ასინქრონული პროცესორებისთვის (DYNAP).IEEE ტრანზაქციები ბიოსამედიცინო მეცნიერებაზე. ელექტრო სისტემა. 12, 106–122 (2018).
დევისი, მ. და სხვ. Loihi: ნეირომორფული მრავალბირთვიანი პროცესორი ჩაშენებული სწავლით. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker პროექტი. Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker პროექტი.Ferber SB, Galluppi F., Temple S. და Plana LA SpiNNaker პროექტი.Ferber SB, Galluppi F., Temple S. და Plana LA SpiNNaker პროექტი. პროცესი. IEEE 102, 652–665 (2014).
ლიუ, ს.-კ. & Delbruck, T. ნეირომორფული სენსორული სისტემები. & Delbruck, T. ნეირომორფული სენსორული სისტემები.და Delbrück T. ნეირომორფული სენსორული სისტემები. & Delbruck, T. 神经形态感觉系统. & დელბრუკი, ტ.და Delbrück T. ნეირომორფული სენსორული სისტემა.მიმდინარე. აზრი. ნეირობიოლოგია. 20, 288–295 (2010).
Chope, T. et al. ნეირომორფული სენსორული ინტეგრაცია ხმის წყაროს კომბინირებული ლოკალიზაციისა და შეჯახების თავიდან აცილებისთვის. 2019 წელს IEEE კონფერენციაზე ბიოსამედიცინო წრეებისა და სისტემების შესახებ (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. სტერეო ხედვის სპიკზე დაფუძნებული ნეირომორფული არქიტექტურა. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. სტერეო ხედვის სპიკზე დაფუძნებული ნეირომორფული არქიტექტურა.Risi N, Aymar A, Donati E, Solinas S და Indiveri G. სპიკზე დაფუძნებული ნეირომორფული სტერეოვიზიის არქიტექტურა. 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, გ.Risi N, Aimar A, Donati E, Solinas S და Indiveri G. Spike-ზე დაფუძნებული ნეირომორფული არქიტექტურა სტერეო ხედვისთვის.წინა. Neurorobotics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception spiking ნერვული ქსელის მოდელი მოვლენაზე დაფუძნებული ნეირომორფული სტერეო ხედვის სისტემებისთვის. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception spiking ნერვული ქსელის მოდელი მოვლენაზე დაფუძნებული ნეირომორფული სტერეო ხედვის სისტემებისთვის.Oswald, M., Ieng, S.-H., Benosman, R. და Indiveri, G. 3D პულსირებული ნერვული ქსელის აღქმის მოდელი მოვლენებზე დაფუძნებული ნეირომორფული სტერეო ხედვის სისტემებისთვის. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception 脉冲看 Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型。Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. Spiked 3Dperception ნერვული ქსელის მოდელი მოვლენაზე დაფუძნებული ნეირომორფული სტერეო ხედვის სისტემისთვის.მეცნიერება. ანგარიში 7, 1–11 (2017).
დალგატი, ტ. და სხვ. მწერებისგან შთაგონებული მოძრაობის ძირითადი ამოცნობა მოიცავს რეზისტენტულ მეხსიერებას და ადიდებულ ნერვულ ქსელებს. ბიონიკური ბიოჰიბრიდული სისტემა. 10928, 115–128 (2018).
D'Angelo, G. et al. მოვლენებზე დაფუძნებული ექსცენტრიული მოძრაობის გამოვლენა დროებითი დიფერენციალური კოდირების გამოყენებით. წინა. ნევროლოგია. 14, 451 (2020).