ಸುದ್ದಿ

ನೈಜ-ಪ್ರಪಂಚದ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಕಾಂಪ್ಯಾಕ್ಟ್, ಕಡಿಮೆ-ಸುಪ್ತತೆ, ಕಡಿಮೆ-ಶಕ್ತಿಯ ಕಂಪ್ಯೂಟಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ. ಈವೆಂಟ್-ಚಾಲಿತ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ, ಪೂರಕ ಮೆಟಲ್-ಆಕ್ಸೈಡ್-ಸೆಮಿಕಂಡಕ್ಟರ್ ಹೈಬ್ರಿಡ್ ಮೆಮ್ರಿಸ್ಟಿವ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಅಂತಹ ಕಾರ್ಯಗಳಿಗೆ ಸೂಕ್ತವಾದ ಹಾರ್ಡ್‌ವೇರ್ ಅಡಿಪಾಯವನ್ನು ಒದಗಿಸುತ್ತವೆ. ಅಂತಹ ವ್ಯವಸ್ಥೆಗಳ ಸಂಪೂರ್ಣ ಸಾಮರ್ಥ್ಯವನ್ನು ಪ್ರದರ್ಶಿಸಲು, ನೈಜ-ಪ್ರಪಂಚದ ವಸ್ತು ಸ್ಥಳೀಕರಣ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ನಾವು ಸಮಗ್ರ ಸಂವೇದಕ ಸಂಸ್ಕರಣಾ ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ಬಾರ್ನ್ ಗೂಬೆ ನ್ಯೂರೋಅನಾಟಮಿಯಿಂದ ಸ್ಫೂರ್ತಿಯನ್ನು ಪಡೆಯುತ್ತಾ, ನಾವು ಬಯೋಇನ್‌ಸ್ಪೈರ್ಡ್, ಈವೆಂಟ್-ಚಾಲಿತ ವಸ್ತು ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ, ಅದು ಅತ್ಯಾಧುನಿಕ ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಮೈಕ್ರೋಮೆಕಾನಿಕಲ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕ ಸಂಜ್ಞಾಪರಿವರ್ತಕವನ್ನು ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ರೆಸಿಸ್ಟಿವ್ ಮೆಮೊರಿಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಮೆಮೊರಿ-ಆಧಾರಿತ ರೆಸಿಸ್ಟಿವ್ ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ, ವಿಳಂಬ ಲೈನ್ ಸರ್ಕ್ಯೂಟ್ರಿ ಮತ್ತು ಸಂಪೂರ್ಣ ಗ್ರಾಹಕೀಯಗೊಳಿಸಬಹುದಾದ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕವನ್ನು ಒಳಗೊಂಡಿರುವ ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಸಿಸ್ಟಮ್‌ನ ಅಳತೆಗಳನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ಸಿಸ್ಟಮ್ ಮಟ್ಟದಲ್ಲಿ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ನಾವು ಈ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಬಳಸುತ್ತೇವೆ. ಆಬ್ಜೆಕ್ಟ್ ಸ್ಥಳೀಕರಣ ಮಾದರಿಯ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ಶಕ್ತಿಯ ದಕ್ಷತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಈ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ನಂತರ ಬಳಸಲಾಗುತ್ತದೆ. ಒಂದೇ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸುವ ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್‌ಗಳಿಗಿಂತ ನಮ್ಮ ವಿಧಾನವು ಹೆಚ್ಚಿನ ಶಕ್ತಿಯ ದಕ್ಷತೆಯ ಹಲವಾರು ಆದೇಶಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ.
ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ನಮಗೆ ಸಹಾಯ ಮಾಡಲು ನಿಯೋಜಿಸಲಾದ ಸಾಧನಗಳು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳ ಸಂಖ್ಯೆಯು ಘಾತೀಯವಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಸರ್ವತ್ರ ಕಂಪ್ಯೂಟಿಂಗ್ ಯುಗವನ್ನು ನಾವು ಪ್ರವೇಶಿಸುತ್ತಿದ್ದೇವೆ. ಈ ವ್ಯವಸ್ಥೆಗಳು ನಿರಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ನಿರೀಕ್ಷೆಯಿದೆ, ಅವರು ನೈಜ ಸಮಯದಲ್ಲಿ ಬಹು ಸಂವೇದಕಗಳಿಂದ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಅರ್ಥೈಸಲು ಕಲಿಯುವಾಗ ಸಾಧ್ಯವಾದಷ್ಟು ಕಡಿಮೆ ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಣ ಅಥವಾ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯಗಳ ಪರಿಣಾಮವಾಗಿ ಬೈನರಿ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಈ ಗುರಿಯನ್ನು ಸಾಧಿಸಲು ಅಗತ್ಯವಾದ ಪ್ರಮುಖ ಹಂತಗಳಲ್ಲಿ ಒಂದು ಗದ್ದಲದ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಅಪೂರ್ಣವಾದ ಸಂವೇದನಾ ಡೇಟಾದಿಂದ ಉಪಯುಕ್ತ ಮತ್ತು ಸಾಂದ್ರವಾದ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯುವುದು. ಸಾಂಪ್ರದಾಯಿಕ ಇಂಜಿನಿಯರಿಂಗ್ ವಿಧಾನಗಳು ವಿಶಿಷ್ಟವಾಗಿ ಸ್ಥಿರ ಮತ್ತು ಹೆಚ್ಚಿನ ದರದಲ್ಲಿ ಸಂವೇದಕ ಸಂಕೇತಗಳನ್ನು ಮಾದರಿಯಾಗಿಸುತ್ತವೆ, ಉಪಯುಕ್ತ ಇನ್‌ಪುಟ್‌ಗಳ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿಯೂ ಸಹ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಈ ವಿಧಾನಗಳು (ಸಾಮಾನ್ಯವಾಗಿ ಗದ್ದಲದ) ಇನ್‌ಪುಟ್ ಡೇಟಾವನ್ನು ಪೂರ್ವ-ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಸಂಕೀರ್ಣ ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣಾ ತಂತ್ರಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಬದಲಾಗಿ, ಶಕ್ತಿ-ಸಮರ್ಥ, ಅಸಮಕಾಲಿಕ, ಈವೆಂಟ್-ಚಾಲಿತ ವಿಧಾನಗಳನ್ನು (ಸ್ಪೈಕ್‌ಗಳು) 2,3 ಬಳಸಿಕೊಂಡು ಗದ್ದಲದ ಸಂವೇದನಾ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಜೀವಶಾಸ್ತ್ರವು ಪರ್ಯಾಯ ಪರಿಹಾರಗಳನ್ನು ನೀಡುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣಾ ವಿಧಾನಗಳು 4,5,6 ಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಶಕ್ತಿ ಮತ್ತು ಮೆಮೊರಿ ಅಗತ್ಯತೆಗಳ ವಿಷಯದಲ್ಲಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆಯುತ್ತದೆ. ಇತ್ತೀಚೆಗೆ, ಇಂಪಲ್ಸ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು (ಟ್ರೂನಾರ್ತ್7, ಬ್ರೈನ್‌ಸ್ಕೇಲ್‌ಎಸ್8, ಡಿವೈಎನ್‌ಎಪಿ-ಎಸ್‌ಇ9, ಲೋಯಿಹಿ10, ಸ್ಪಿನ್ನಕರ್11) ಅಳವಡಿಸುವ ನವೀನ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಮೆದುಳಿನ-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ. ಈ ಪ್ರೊಸೆಸರ್‌ಗಳು ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕಾರ್ಟಿಕಲ್ ಸರ್ಕ್ಯೂಟ್ ಮಾಡೆಲಿಂಗ್‌ಗೆ ಕಡಿಮೆ ಶಕ್ತಿ, ಕಡಿಮೆ ಲೇಟೆನ್ಸಿ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ. ಅವುಗಳ ಶಕ್ತಿಯ ದಕ್ಷತೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲು, ಈ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ರೊಸೆಸರ್‌ಗಳನ್ನು ನೇರವಾಗಿ ಈವೆಂಟ್-ಚಾಲಿತ ಸಂವೇದಕಗಳಿಗೆ ಸಂಪರ್ಕಿಸಬೇಕು 12,13. ಆದಾಗ್ಯೂ, ಇಂದು ಈವೆಂಟ್-ಚಾಲಿತ ಡೇಟಾವನ್ನು ನೇರವಾಗಿ ಒದಗಿಸುವ ಕೆಲವೇ ಸ್ಪರ್ಶ ಸಾಧನಗಳಿವೆ. ಪ್ರಮುಖ ಉದಾಹರಣೆಗಳೆಂದರೆ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಮೋಷನ್ ಡಿಟೆಕ್ಷನ್ 14,15,16,17 ಸಿಲಿಕಾನ್ ಕೋಕ್ಲಿಯಾ 18 ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಆಡಿಟರಿ ಸೆನ್ಸರ್‌ಗಳು (NAS)19, ಶ್ರವಣೇಂದ್ರಿಯ ಸಂವೇದಕಗಳು20 ಮತ್ತು ಹಲವಾರು ಉದಾಹರಣೆಗಳು21,222222222222222222. . ವಿನ್ಯಾಸ ಸಂವೇದಕಗಳು.
ಈ ಪತ್ರಿಕೆಯಲ್ಲಿ, ವಸ್ತುವಿನ ಸ್ಥಳೀಕರಣಕ್ಕೆ ಅನ್ವಯಿಸಲಾದ ಈವೆಂಟ್-ಚಾಲಿತ ಶ್ರವಣ ಸಂಸ್ಕರಣಾ ವ್ಯವಸ್ಥೆಯನ್ನು ನಾವು ಹೊಸದಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ. ಇಲ್ಲಿ, ಮೊದಲ ಬಾರಿಗೆ, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ರೆಸಿಸ್ಟಿವ್ ಮೆಮೊರಿ (RRAM) ಆಧಾರಿತ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ನೊಂದಿಗೆ ಅತ್ಯಾಧುನಿಕ ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಮೈಕ್ರೊಮ್ಯಾಚಿನ್ಡ್ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕವನ್ನು (pMUT) ಸಂಪರ್ಕಿಸುವ ಮೂಲಕ ಪಡೆದ ವಸ್ತು ಸ್ಥಳೀಕರಣಕ್ಕಾಗಿ ನಾವು ಎಂಡ್-ಟು-ಎಂಡ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ವಿವರಿಸುತ್ತೇವೆ. RRAM ಅನ್ನು ಬಳಸುವ ಇನ್-ಮೆಮೊರಿ ಕಂಪ್ಯೂಟಿಂಗ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಒಂದು ಭರವಸೆಯ ಪರಿಹಾರವಾಗಿದೆ23,24,25,26,27,28,29. ಅವುಗಳ ಅಂತರ್ಗತ ಅಸ್ಥಿರತೆ-ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸಲು ಅಥವಾ ನವೀಕರಿಸಲು ಸಕ್ರಿಯ ಶಕ್ತಿಯ ಬಳಕೆಯ ಅಗತ್ಯವಿಲ್ಲ - ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಅಸಮಕಾಲಿಕ, ಈವೆಂಟ್-ಚಾಲಿತ ಸ್ವಭಾವದೊಂದಿಗೆ ಪರಿಪೂರ್ಣವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಸಿಸ್ಟಮ್ ನಿಷ್ಕ್ರಿಯವಾಗಿದ್ದಾಗ ವಿದ್ಯುತ್ ಬಳಕೆಯಿಲ್ಲ. ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಮೈಕ್ರೊಮ್ಯಾಚಿನ್ಡ್ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳು (pMUTs) ದುಬಾರಿಯಲ್ಲದ, ಚಿಕ್ಕದಾದ ಸಿಲಿಕಾನ್-ಆಧಾರಿತ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳು ಟ್ರಾನ್ಸ್ಮಿಟರ್ಗಳು ಮತ್ತು ರಿಸೀವರ್ಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿವೆ. ಅಂತರ್ನಿರ್ಮಿತ ಸಂವೇದಕಗಳು ಸ್ವೀಕರಿಸಿದ ಸಂಕೇತಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು, ನಾವು ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆ ನ್ಯೂರೋಅನಾಟಮಿ 35,36,37 ನಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆದಿದ್ದೇವೆ. ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆ ಟೈಟೊ ಆಲ್ಬಾ ತನ್ನ ಗಮನಾರ್ಹವಾದ ರಾತ್ರಿ ಬೇಟೆಯ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಹೆಸರುವಾಸಿಯಾಗಿದೆ, ಇದು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಶ್ರವಣೇಂದ್ರಿಯ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಗೆ ಧನ್ಯವಾದಗಳು. ಬೇಟೆಯ ಸ್ಥಳವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು, ಗೂಬೆಯ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಯು ಹಾರಾಟದ ಸಮಯವನ್ನು (ToF) ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ, ಯಾವಾಗ ಬೇಟೆಯಿಂದ ಧ್ವನಿ ತರಂಗಗಳು ಗೂಬೆಯ ಕಿವಿ ಅಥವಾ ಧ್ವನಿ ಗ್ರಾಹಕಗಳನ್ನು ತಲುಪುತ್ತವೆ. ಕಿವಿಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ನೀಡಿದರೆ, ಎರಡು ToF ಅಳತೆಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ (ಇಂಟರ್‌ಆರಲ್ ಟೈಮ್ ಡಿಫರೆನ್ಸ್, ITD) ಗುರಿಯ ಅಜಿಮುತ್ ಸ್ಥಾನವನ್ನು ವಿಶ್ಲೇಷಣಾತ್ಮಕವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಬೀಜಗಣಿತದ ಸಮೀಕರಣಗಳನ್ನು ಪರಿಹರಿಸಲು ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳು ಸರಿಯಾಗಿ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲವಾದರೂ, ಅವು ಸ್ಥಳೀಕರಣದ ಸಮಸ್ಯೆಗಳನ್ನು ಬಹಳ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಬಹುದು. ಬಾರ್ನ್ ಗೂಬೆ ನರಮಂಡಲವು ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ (CD) 35 ನ್ಯೂರಾನ್‌ಗಳ ಗುಂಪನ್ನು ಬಳಸುತ್ತದೆ (ಅಂದರೆ, ಒಮ್ಮುಖ ಪ್ರಚೋದಕ ಅಂತ್ಯಗಳಿಗೆ ಕೆಳಮುಖವಾಗಿ ಹರಡುವ ಸ್ಪೈಕ್‌ಗಳ ನಡುವಿನ ತಾತ್ಕಾಲಿಕ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಾಮರ್ಥ್ಯವಿರುವ ನ್ಯೂರಾನ್‌ಗಳು) 38,39 ಸ್ಥಾನಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ಗಳಾಗಿ ಆಯೋಜಿಸಲಾಗಿದೆ.
ಪೂರಕ ಲೋಹ-ಆಕ್ಸೈಡ್-ಸೆಮಿಕಂಡಕ್ಟರ್ (CMOS) ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಹಾರ್ಡ್‌ವೇರ್ ಕಣಜದ ಗೂಬೆಯ ಕೆಳಮಟ್ಟದ ಕೊಲಿಕ್ಯುಲಸ್ ("ಆಡಿಟರಿ ಕಾರ್ಟೆಕ್ಸ್") ITD13, 40 ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸ್ಥಾನವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸಮರ್ಥ ವಿಧಾನವಾಗಿದೆ ಎಂದು ಹಿಂದಿನ ಸಂಶೋಧನೆಯು ತೋರಿಸಿದೆ. 42, 43, 44, 45, 46. ಆದಾಗ್ಯೂ, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ಗಳಿಗೆ ಶ್ರವಣೇಂದ್ರಿಯ ಸೂಚನೆಗಳನ್ನು ಲಿಂಕ್ ಮಾಡುವ ಸಂಪೂರ್ಣ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಿಸ್ಟಮ್‌ಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಇನ್ನೂ ಪ್ರದರ್ಶಿಸಬೇಕಾಗಿದೆ. ಮುಖ್ಯ ಸಮಸ್ಯೆಯು ಅನಲಾಗ್ CMOS ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಅಂತರ್ಗತ ವ್ಯತ್ಯಾಸವಾಗಿದೆ, ಇದು ಹೊಂದಾಣಿಕೆಯ ಪತ್ತೆಯ ನಿಖರತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಇತ್ತೀಚೆಗೆ, ITD47 ಅಂದಾಜುಗಳ ಪರ್ಯಾಯ ಸಂಖ್ಯಾತ್ಮಕ ಅನುಷ್ಠಾನಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ. ಈ ಕಾಗದದಲ್ಲಿ, ಅನಲಾಗ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರತಿರೋಧಿಸಲು ನಾವು ವಾಹಕತೆಯ ಮೌಲ್ಯವನ್ನು ಬಾಷ್ಪಶೀಲವಲ್ಲದ ರೀತಿಯಲ್ಲಿ ಬದಲಾಯಿಸಲು RRAM ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಬಳಸಲು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. 111.9 kHz ಆವರ್ತನದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಒಂದು pMUT ಟ್ರಾನ್ಸ್‌ಮಿಟಿಂಗ್ ಮೆಂಬರೇನ್, ಎರಡು pMUT ಸ್ವೀಕರಿಸುವ ಪೊರೆಗಳು (ಸೆನ್ಸರ್‌ಗಳು) ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆ ಕಿವಿಗಳನ್ನು ಅನುಕರಿಸುವ ಮತ್ತು ಒಂದನ್ನು ಒಳಗೊಂಡಿರುವ ಪ್ರಾಯೋಗಿಕ ವ್ಯವಸ್ಥೆಯನ್ನು ನಾವು ಜಾರಿಗೊಳಿಸಿದ್ದೇವೆ. ನಮ್ಮ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಅದರ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು pMUT ಪತ್ತೆ ವ್ಯವಸ್ಥೆ ಮತ್ತು RRAM-ಆಧಾರಿತ ITD ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್ ಅನ್ನು ನಾವು ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿರೂಪಿಸಿದ್ದೇವೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ ಅಥವಾ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅದೇ ಸ್ಥಳೀಕರಣ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸುವ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್‌ನಲ್ಲಿ ಡಿಜಿಟಲ್ ಅನುಷ್ಠಾನದೊಂದಿಗೆ ನಾವು ನಮ್ಮ ವಿಧಾನವನ್ನು ಹೋಲಿಸುತ್ತೇವೆ, ಹಾಗೆಯೇ ಉಲ್ಲೇಖದಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ITD ಅಂದಾಜುಗಾಗಿ ಕ್ಷೇತ್ರ ಪ್ರೋಗ್ರಾಮೆಬಲ್ ಗೇಟ್ ಅರೇ (FPGA). 47. ಈ ಹೋಲಿಕೆಯು ಪ್ರಸ್ತಾವಿತ RRAM-ಆಧಾರಿತ ಅನಲಾಗ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಿಸ್ಟಮ್‌ನ ಸ್ಪರ್ಧಾತ್ಮಕ ಶಕ್ತಿ ದಕ್ಷತೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.
ನಿಖರವಾದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ವಸ್ತು ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಯ ಅತ್ಯಂತ ಗಮನಾರ್ಹ ಉದಾಹರಣೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಬಾರ್ನ್ ಗೂಬೆ 35,37,48 ನಲ್ಲಿ ಕಾಣಬಹುದು. ಮುಸ್ಸಂಜೆ ಮತ್ತು ಮುಂಜಾನೆ, ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆ (ಟೈಟೊ ಆಲ್ಬಾ) ಪ್ರಾಥಮಿಕವಾಗಿ ನಿಷ್ಕ್ರಿಯ ಆಲಿಸುವಿಕೆಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ, ವೋಲ್ಸ್ ಅಥವಾ ಇಲಿಗಳಂತಹ ಸಣ್ಣ ಬೇಟೆಯನ್ನು ಸಕ್ರಿಯವಾಗಿ ಹುಡುಕುತ್ತದೆ. ಈ ಶ್ರವಣೇಂದ್ರಿಯ ತಜ್ಞರು ಬೇಟೆಯಿಂದ ಶ್ರವಣೇಂದ್ರಿಯ ಸಂಕೇತಗಳನ್ನು ಬೆರಗುಗೊಳಿಸುವ ನಿಖರತೆಯೊಂದಿಗೆ (ಸುಮಾರು 2°)35, ಚಿತ್ರ 1a ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ ಸ್ಥಳೀಕರಿಸಬಹುದು. ಗೂಬೆಗಳು ಅಜಿಮುತ್ (ಸಮತಲ) ಸಮತಲದಲ್ಲಿ ಧ್ವನಿ ಮೂಲಗಳ ಸ್ಥಳವನ್ನು ಧ್ವನಿ ಮೂಲದಿಂದ ಎರಡು ಕಿವಿಗಳಿಗೆ ವಿಮಾನದ ಒಳಬರುವ ಸಮಯದ (ITD) ವ್ಯತ್ಯಾಸದಿಂದ ಊಹಿಸುತ್ತವೆ. ITD ಕಂಪ್ಯೂಟೇಶನಲ್ ಕಾರ್ಯವಿಧಾನವನ್ನು Jeffress49,50 ಪ್ರಸ್ತಾಪಿಸಿದರು, ಇದು ನರಗಳ ರೇಖಾಗಣಿತವನ್ನು ಅವಲಂಬಿಸಿದೆ ಮತ್ತು ಎರಡು ಪ್ರಮುಖ ಘಟಕಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ: ಆಕ್ಸಾನ್, ನ್ಯೂರಾನ್‌ನ ನರ ನಾರು ವಿಳಂಬ ರೇಖೆಯಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ಸಂಘಟಿತವಾಗಿರುವ ಕಾಕತಾಳೀಯ ಡಿಟೆಕ್ಟರ್ ನ್ಯೂರಾನ್‌ಗಳ ಒಂದು ಶ್ರೇಣಿ. ಚಿತ್ರ 1b ನಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ ಗ್ರಾಫ್. ಅಜಿಮುತ್ ಅವಲಂಬಿತ ಸಮಯ ವಿಳಂಬದೊಂದಿಗೆ (ITD) ಧ್ವನಿಯು ಕಿವಿಯನ್ನು ತಲುಪುತ್ತದೆ. ನಂತರ ಧ್ವನಿಯನ್ನು ಪ್ರತಿ ಕಿವಿಯಲ್ಲಿ ಸ್ಪೈಕ್ ಮಾದರಿಯಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ. ಎಡ ಮತ್ತು ಬಲ ಕಿವಿಗಳ ಆಕ್ಸಾನ್‌ಗಳು ವಿಳಂಬ ರೇಖೆಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಸಿಡಿ ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿ ಒಮ್ಮುಖವಾಗುತ್ತವೆ. ಸೈದ್ಧಾಂತಿಕವಾಗಿ, ಹೊಂದಾಣಿಕೆಯ ನ್ಯೂರಾನ್‌ಗಳ ಸರಣಿಯಲ್ಲಿ ಕೇವಲ ಒಂದು ನ್ಯೂರಾನ್ ಮಾತ್ರ ಒಂದು ಸಮಯದಲ್ಲಿ ಇನ್‌ಪುಟ್ ಅನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ (ಅಲ್ಲಿ ವಿಳಂಬವು ನಿಖರವಾಗಿ ರದ್ದುಗೊಳ್ಳುತ್ತದೆ) ಮತ್ತು ಗರಿಷ್ಠವಾಗಿ ಉರಿಯುತ್ತದೆ (ನೆರೆಹೊರೆಯ ಕೋಶಗಳು ಸಹ ಉರಿಯುತ್ತವೆ, ಆದರೆ ಕಡಿಮೆ ಆವರ್ತನದಲ್ಲಿ). ಕೆಲವು ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುವುದರಿಂದ ITD ಅನ್ನು ಮತ್ತಷ್ಟು ಕೋನಗಳಿಗೆ ಪರಿವರ್ತಿಸದೆ ಬಾಹ್ಯಾಕಾಶದಲ್ಲಿ ಗುರಿಯ ಸ್ಥಾನವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ. ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಚಿತ್ರ 1c ನಲ್ಲಿ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಲಾಗಿದೆ: ಉದಾಹರಣೆಗೆ, ಬಲ ಕಿವಿಯಿಂದ ಇನ್‌ಪುಟ್ ಸಿಗ್ನಲ್ ಎಡ ಕಿವಿಯಿಂದ ಮಾರ್ಗಕ್ಕಿಂತ ದೀರ್ಘವಾದ ಮಾರ್ಗವನ್ನು ಚಲಿಸಿದಾಗ ಧ್ವನಿ ಬಲಭಾಗದಿಂದ ಬರುತ್ತಿದ್ದರೆ, ITD ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಸರಿದೂಗಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, ನ್ಯೂರಾನ್ 2 ಹೊಂದಿಕೆಯಾದಾಗ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಆಕ್ಸಾನಲ್ ವಿಳಂಬದಿಂದಾಗಿ ಪ್ರತಿ CD ನಿರ್ದಿಷ್ಟ ITD ಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ (ಸೂಕ್ತ ವಿಳಂಬ ಎಂದೂ ಕರೆಯುತ್ತಾರೆ). ಹೀಗಾಗಿ, ಮೆದುಳು ತಾತ್ಕಾಲಿಕ ಮಾಹಿತಿಯನ್ನು ಪ್ರಾದೇಶಿಕ ಮಾಹಿತಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಈ ಕಾರ್ಯವಿಧಾನಕ್ಕೆ ಅಂಗರಚನಾಶಾಸ್ತ್ರದ ಪುರಾವೆಗಳು ಕಂಡುಬಂದಿವೆ37,51. ಹಂತ-ಲಾಕ್ ಮಾಡಲಾದ ಮ್ಯಾಕ್ರೋನ್ಯೂಕ್ಲಿಯಸ್ ನ್ಯೂರಾನ್‌ಗಳು ಒಳಬರುವ ಶಬ್ದಗಳ ಬಗ್ಗೆ ತಾತ್ಕಾಲಿಕ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತವೆ: ಅವುಗಳ ಹೆಸರೇ ಸೂಚಿಸುವಂತೆ, ಅವು ಕೆಲವು ಸಿಗ್ನಲ್ ಹಂತಗಳಲ್ಲಿ ಗುಂಡು ಹಾರಿಸುತ್ತವೆ. ಜೆಫ್ರೆಸ್ ಮಾದರಿಯ ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಲ್ಯಾಮಿನಾರ್ ಕೋರ್‌ನಲ್ಲಿ ಕಾಣಬಹುದು. ಅವರು ಮ್ಯಾಕ್ರೋನ್ಯೂಕ್ಲಿಯರ್ ನ್ಯೂರಾನ್‌ಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುತ್ತಾರೆ, ಅದರ ಆಕ್ಸಾನ್‌ಗಳು ವಿಳಂಬ ರೇಖೆಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ವಿಳಂಬ ರೇಖೆಯಿಂದ ಒದಗಿಸಲಾದ ವಿಳಂಬದ ಪ್ರಮಾಣವನ್ನು ಆಕ್ಸಾನ್‌ನ ಉದ್ದದಿಂದ ವಿವರಿಸಬಹುದು, ಹಾಗೆಯೇ ವಹನ ವೇಗವನ್ನು ಬದಲಾಯಿಸುವ ಮತ್ತೊಂದು ಮಯಿಲೀಕರಣ ಮಾದರಿ. ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆಯ ಶ್ರವಣೇಂದ್ರಿಯ ವ್ಯವಸ್ಥೆಯಿಂದ ಸ್ಫೂರ್ತಿ ಪಡೆದ ನಾವು ವಸ್ತುಗಳನ್ನು ಸ್ಥಳೀಕರಿಸಲು ಬಯೋಮಿಮೆಟಿಕ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ. ಎರಡು ಕಿವಿಗಳನ್ನು ಎರಡು pMUT ರಿಸೀವರ್‌ಗಳು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಧ್ವನಿಯ ಮೂಲವು ಅವುಗಳ ನಡುವೆ ಇರುವ pMUT ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ ಆಗಿದೆ (Fig. 1a), ಮತ್ತು ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್ RRAM-ಆಧಾರಿತ CD ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಗ್ರಿಡ್‌ನಿಂದ (Fig. 1b, ಹಸಿರು) ರಚನೆಯಾಗುತ್ತದೆ, ಅದರ ಒಳಹರಿವು ವಿಳಂಬವಾಗುವ CD ನ್ಯೂರಾನ್‌ಗಳ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ. ಸರ್ಕ್ಯೂಟ್ ಮೂಲಕ, ವಿಳಂಬ ರೇಖೆಗಳು (ನೀಲಿ) ಜೈವಿಕ ಪ್ರತಿರೂಪದಲ್ಲಿ ಆಕ್ಸಾನ್‌ಗಳಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಪ್ರಸ್ತಾವಿತ ಸಂವೇದನಾ ವ್ಯವಸ್ಥೆಯು ಗೂಬೆಯಿಂದ ಕಾರ್ಯಾಚರಣಾ ಆವರ್ತನದಲ್ಲಿ ಭಿನ್ನವಾಗಿದೆ, ಅದರ ಶ್ರವಣೇಂದ್ರಿಯ ವ್ಯವಸ್ಥೆಯು 1-8 kHz ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದರೆ ಸುಮಾರು 117 kHz ನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ pMUT ಸಂವೇದಕಗಳನ್ನು ಈ ಕೆಲಸದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕದ ಆಯ್ಕೆಯನ್ನು ತಾಂತ್ರಿಕ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಸ್ವೀಕರಿಸುವ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ಒಂದೇ ಆವರ್ತನಕ್ಕೆ ಸೀಮಿತಗೊಳಿಸುವುದು ಆದರ್ಶಪ್ರಾಯವಾಗಿ ಮಾಪನದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ನಂತರದ ಪ್ರಕ್ರಿಯೆಯ ಹಂತವನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಅಲ್ಟ್ರಾಸೌಂಡ್‌ನಲ್ಲಿನ ಕಾರ್ಯಾಚರಣೆಯು ಹೊರಸೂಸಲ್ಪಟ್ಟ ಕಾಳುಗಳು ಶ್ರವ್ಯವಾಗುವುದಿಲ್ಲ ಎಂಬ ಪ್ರಯೋಜನವನ್ನು ಹೊಂದಿದೆ, ಆದ್ದರಿಂದ ಜನರನ್ನು ತೊಂದರೆಗೊಳಿಸಬೇಡಿ, ಏಕೆಂದರೆ ಅವರ ಶ್ರವಣೇಂದ್ರಿಯ ವ್ಯಾಪ್ತಿಯು ~ 20-20 kHz ಆಗಿದೆ.
ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆ ಗುರಿಯಿಂದ ಧ್ವನಿ ತರಂಗಗಳನ್ನು ಪಡೆಯುತ್ತದೆ, ಈ ಸಂದರ್ಭದಲ್ಲಿ ಬೇಟೆಯನ್ನು ಚಲಿಸುತ್ತದೆ. ಧ್ವನಿ ತರಂಗದ ಹಾರಾಟದ ಸಮಯ (ToF) ಪ್ರತಿ ಕಿವಿಗೆ ವಿಭಿನ್ನವಾಗಿರುತ್ತದೆ (ಬೇಟೆಯು ನೇರವಾಗಿ ಗೂಬೆಯ ಮುಂದೆ ಇಲ್ಲದಿದ್ದರೆ). ಚುಕ್ಕೆಗಳ ರೇಖೆಯು ಕೊಟ್ಟಿಗೆಯ ಗೂಬೆಯ ಕಿವಿಗಳನ್ನು ತಲುಪಲು ಧ್ವನಿ ತರಂಗಗಳು ತೆಗೆದುಕೊಳ್ಳುವ ಮಾರ್ಗವನ್ನು ತೋರಿಸುತ್ತದೆ. ಎರಡು ಅಕೌಸ್ಟಿಕ್ ಪಥಗಳ ನಡುವಿನ ಉದ್ದದ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಅನುಗುಣವಾದ ಇಂಟರ್ರಾಲ್ ಸಮಯದ ವ್ಯತ್ಯಾಸದ (ITD) ಆಧಾರದ ಮೇಲೆ ಬೇಟೆಯನ್ನು ಸಮತಲ ಸಮತಲದಲ್ಲಿ ನಿಖರವಾಗಿ ಸ್ಥಳೀಕರಿಸಬಹುದು (ರೆಫರೆನ್ಸ್. 74, ಹಕ್ಕುಸ್ವಾಮ್ಯ 2002, ಸೊಸೈಟಿ ಫಾರ್ ನ್ಯೂರೋಸೈನ್ಸ್‌ನಿಂದ ಪ್ರೇರಿತವಾದ ಎಡ ಚಿತ್ರ). ನಮ್ಮ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, pMUT ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ (ಕಡು ನೀಲಿ) ಗುರಿಯಿಂದ ಪುಟಿಯುವ ಧ್ವನಿ ತರಂಗಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಪ್ರತಿಬಿಂಬಿತ ಅಲ್ಟ್ರಾಸೌಂಡ್ ತರಂಗಗಳನ್ನು ಎರಡು pMUT ಗ್ರಾಹಕಗಳು (ತಿಳಿ ಹಸಿರು) ಸ್ವೀಕರಿಸುತ್ತವೆ ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ರೊಸೆಸರ್ (ಬಲ) ಮೂಲಕ ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ. b ಐಟಿಡಿ (ಜೆಫ್ರೆಸ್) ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಯು ಕಣಜದ ಗೂಬೆಯ ಕಿವಿಗಳನ್ನು ಪ್ರವೇಶಿಸುವ ಶಬ್ದಗಳನ್ನು ಮೊದಲು ದೊಡ್ಡ ನ್ಯೂಕ್ಲಿಯಸ್‌ನಲ್ಲಿ (NM) ಹಂತ-ಲಾಕ್ ಮಾಡಿದ ಸ್ಪೈಕ್‌ಗಳಾಗಿ ಹೇಗೆ ಎನ್‌ಕೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಲ್ಯಾಮೆಲ್ಲರ್ ನ್ಯೂಕ್ಲಿಯಸ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯ ಡಿಟೆಕ್ಟರ್ ನ್ಯೂರಾನ್‌ಗಳ ಜ್ಯಾಮಿತೀಯವಾಗಿ ಜೋಡಿಸಲಾದ ಗ್ರಿಡ್ ಅನ್ನು ಹೇಗೆ ಬಳಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ. ಸಂಸ್ಕರಣೆ (ನೆದರ್ಲ್ಯಾಂಡ್ಸ್) (ಎಡ). ವಿಳಂಬ ರೇಖೆಗಳು ಮತ್ತು ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ನ್ಯೂರೋಐಟಿಡಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ನ ವಿವರಣೆ, ಗೂಬೆ ಜೈವಿಕ ಸಂವೇದಕ ವ್ಯವಸ್ಥೆಯನ್ನು RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳನ್ನು (ಬಲ) ಬಳಸಿ ರೂಪಿಸಬಹುದು. ಮುಖ್ಯ ಜೆಫ್ರೆಸ್ ಕಾರ್ಯವಿಧಾನದ ಸ್ಕೀಮ್ಯಾಟಿಕ್, ToF ನಲ್ಲಿನ ವ್ಯತ್ಯಾಸದಿಂದಾಗಿ, ಎರಡು ಕಿವಿಗಳು ವಿಭಿನ್ನ ಸಮಯಗಳಲ್ಲಿ ಧ್ವನಿ ಪ್ರಚೋದನೆಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತವೆ ಮತ್ತು ಎರಡೂ ತುದಿಗಳಿಂದ ಆಕ್ಸಾನ್‌ಗಳನ್ನು ಡಿಟೆಕ್ಟರ್‌ಗೆ ಕಳುಹಿಸುತ್ತವೆ. ಆಕ್ಸಾನ್‌ಗಳು ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ (ಸಿಡಿ) ನ್ಯೂರಾನ್‌ಗಳ ಸರಣಿಯ ಭಾಗವಾಗಿದೆ, ಪ್ರತಿಯೊಂದೂ ಬಲವಾಗಿ ಸಮಯ-ಸಂಬಂಧಿತ ಒಳಹರಿವುಗಳಿಗೆ ಆಯ್ದವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಕಡಿಮೆ ಸಮಯದ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ಒಳಹರಿವು ಬರುವ CD ಗಳು ಮಾತ್ರ ಗರಿಷ್ಠವಾಗಿ ಉತ್ಸುಕವಾಗುತ್ತವೆ (ITD ಅನ್ನು ನಿಖರವಾಗಿ ಸರಿದೂಗಿಸಲಾಗುತ್ತದೆ). ಸಿಡಿ ನಂತರ ಗುರಿಯ ಕೋನೀಯ ಸ್ಥಾನವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ.
ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಮೈಕ್ರೋಮೆಕಾನಿಕಲ್ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳು ಸ್ಕೇಲೆಬಲ್ ಅಲ್ಟ್ರಾಸಾನಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳಾಗಿವೆ, ಅವುಗಳು ಸುಧಾರಿತ CMOS ತಂತ್ರಜ್ಞಾನ31,32,33,52 ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಲ್ಪಡುತ್ತವೆ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಾಲ್ಯೂಮೆಟ್ರಿಕ್ ಸಂಜ್ಞಾಪರಿವರ್ತಕಗಳಿಗಿಂತ ಕಡಿಮೆ ಆರಂಭಿಕ ವೋಲ್ಟೇಜ್ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಹೊಂದಿರುತ್ತವೆ. ನಮ್ಮ ಕೆಲಸದಲ್ಲಿ, ಪೊರೆಯ ವ್ಯಾಸವು 880 µm ಆಗಿದೆ, ಮತ್ತು ಅನುರಣನ ಆವರ್ತನವನ್ನು 110-117 kHz ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ವಿತರಿಸಲಾಗುತ್ತದೆ (ಚಿತ್ರ 2a, ವಿವರಗಳಿಗಾಗಿ ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ಹತ್ತು ಪರೀಕ್ಷಾ ಸಾಧನಗಳ ಬ್ಯಾಚ್‌ನಲ್ಲಿ, ಸರಾಸರಿ ಗುಣಮಟ್ಟದ ಅಂಶವು ಸುಮಾರು 50 ಆಗಿತ್ತು (ref. 31). ತಂತ್ರಜ್ಞಾನವು ಕೈಗಾರಿಕಾ ಪರಿಪಕ್ವತೆಯನ್ನು ತಲುಪಿದೆ ಮತ್ತು ಜೈವಿಕ ಪ್ರೇರಿತವಾಗಿಲ್ಲ. ವಿಭಿನ್ನ pMUT ಫಿಲ್ಮ್‌ಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಸಂಯೋಜಿಸುವುದು ಒಂದು ಪ್ರಸಿದ್ಧ ತಂತ್ರವಾಗಿದೆ, ಮತ್ತು ಕೋನ ಮಾಹಿತಿಯನ್ನು pMUT ಗಳಿಂದ ಪಡೆಯಬಹುದು, ಉದಾಹರಣೆಗೆ, ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ ತಂತ್ರಗಳು31,54. ಆದಾಗ್ಯೂ, ಕೋನದ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಅಗತ್ಯವಿರುವ ಸಿಗ್ನಲ್ ಪ್ರಕ್ರಿಯೆಯು ಕಡಿಮೆ ಶಕ್ತಿಯ ಮಾಪನಗಳಿಗೆ ಸೂಕ್ತವಲ್ಲ. ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಡೇಟಾ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ ಸರ್ಕ್ಯೂಟ್ pMUT ಅನ್ನು RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಗ್ರಾಫ್‌ನೊಂದಿಗೆ ಜೆಫ್ರೆಸ್ ಮಾದರಿಯಿಂದ (ಚಿತ್ರ 2c) ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ಪರ್ಯಾಯ ಶಕ್ತಿ-ಸಮರ್ಥ ಮತ್ತು ಸಂಪನ್ಮೂಲ-ನಿರ್ಬಂಧಿತ ಹಾರ್ಡ್‌ವೇರ್ ಪರಿಹಾರವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾವು ಎರಡು pMUT ಸಂವೇದಕಗಳನ್ನು ಎರಡು ಸ್ವೀಕರಿಸುವ ಪೊರೆಗಳಿಂದ ಸ್ವೀಕರಿಸಿದ ವಿಭಿನ್ನ ToF ಶಬ್ದಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ಸುಮಾರು 10 ಸೆಂ.ಮೀ ಅಂತರದಲ್ಲಿ ಇರಿಸಲಾದ ಪ್ರಯೋಗವನ್ನು ನಡೆಸಿದ್ದೇವೆ. ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಒಂದು pMUT ಗ್ರಾಹಕಗಳ ನಡುವೆ ಇರುತ್ತದೆ. ಗುರಿಯು 12 ಸೆಂ.ಮೀ ಅಗಲದ PVC ಪ್ಲೇಟ್ ಆಗಿತ್ತು, ಇದು pMUT ಸಾಧನದ ಮುಂದೆ D ದೂರದಲ್ಲಿದೆ (Fig. 2b). ರಿಸೀವರ್ ವಸ್ತುವಿನಿಂದ ಪ್ರತಿಫಲಿಸುವ ಧ್ವನಿಯನ್ನು ದಾಖಲಿಸುತ್ತದೆ ಮತ್ತು ಧ್ವನಿ ತರಂಗದ ಅಂಗೀಕಾರದ ಸಮಯದಲ್ಲಿ ಸಾಧ್ಯವಾದಷ್ಟು ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ವಸ್ತುವಿನ ಸ್ಥಾನವನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ಪ್ರಯೋಗವನ್ನು ಪುನರಾವರ್ತಿಸಿ, ದೂರ D ಮತ್ತು ಕೋನ θ ನಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಲಿಂಕ್‌ನಿಂದ ಪ್ರೇರಿತವಾಗಿದೆ. 55, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್ ಅನ್ನು ಇನ್‌ಪುಟ್ ಮಾಡಲು ಪ್ರತಿಫಲಿತ ತರಂಗಗಳನ್ನು ಶಿಖರಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು pMUT ಕಚ್ಚಾ ಸಂಕೇತಗಳ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯನ್ನು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಗರಿಷ್ಠ ವೈಶಾಲ್ಯಕ್ಕೆ ಅನುಗುಣವಾದ ToF ಅನ್ನು ಪ್ರತಿ ಎರಡು ಚಾನಲ್‌ಗಳಿಂದ ಹೊರತೆಗೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತ್ಯೇಕ ಶಿಖರಗಳ ನಿಖರವಾದ ಸಮಯವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ. ಅಂಜೂರದ ಮೇಲೆ. RRAM-ಆಧಾರಿತ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ನೊಂದಿಗೆ pMUT ಸಂವೇದಕವನ್ನು ಇಂಟರ್‌ಫೇಸ್ ಮಾಡಲು ಅಗತ್ಯವಿರುವ ಸರ್ಕ್ಯೂಟ್ರಿಯನ್ನು 2c ತೋರಿಸುತ್ತದೆ: ಪ್ರತಿ ಎರಡು pMUT ರಿಸೀವರ್‌ಗಳಿಗೆ, ಕಚ್ಚಾ ಸಿಗ್ನಲ್ ಅನ್ನು ಸುಗಮಗೊಳಿಸಲು, ಸರಿಪಡಿಸಲು ಬ್ಯಾಂಡ್-ಪಾಸ್ ಫಿಲ್ಟರ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಹೊರಬರುವ ಮೋಡ್‌ನಲ್ಲಿ ಲೀಕಿ ಇಂಟಿಗ್ರೇಟರ್‌ಗೆ ರವಾನಿಸಲಾಗುತ್ತದೆ. ಡೈನಾಮಿಕ್ ಥ್ರೆಶೋಲ್ಡ್ (Fig. 2d) ಔಟ್‌ಪುಟ್ ಈವೆಂಟ್ (ಸ್ಪೈಕ್) ಮತ್ತು ಫೈರಿಂಗ್ (LIF) ನ್ಯೂರಾನ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ: ಔಟ್‌ಪುಟ್ ಸ್ಪೈಕ್ ಸಮಯವು ಪತ್ತೆಯಾದ ಹಾರಾಟದ ಸಮಯವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ. LIF ಮಿತಿಯನ್ನು pMUT ಪ್ರತಿಕ್ರಿಯೆಯ ವಿರುದ್ಧ ಮಾಪನಾಂಕ ಮಾಡಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಸಾಧನದಿಂದ ಸಾಧನಕ್ಕೆ pMUT ವ್ಯತ್ಯಾಸವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ವಿಧಾನದೊಂದಿಗೆ, ಸಂಪೂರ್ಣ ಧ್ವನಿ ತರಂಗವನ್ನು ಮೆಮೊರಿಯಲ್ಲಿ ಸಂಗ್ರಹಿಸುವ ಮತ್ತು ನಂತರ ಅದನ್ನು ಸಂಸ್ಕರಿಸುವ ಬದಲು, ನಾವು ಧ್ವನಿ ತರಂಗದ ToF ಗೆ ಅನುಗುಣವಾದ ಗರಿಷ್ಠವನ್ನು ಸರಳವಾಗಿ ರಚಿಸುತ್ತೇವೆ, ಇದು ಪ್ರತಿರೋಧಕ ಮೆಮೊರಿ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ಗೆ ಇನ್‌ಪುಟ್ ಅನ್ನು ರೂಪಿಸುತ್ತದೆ. ಸ್ಪೈಕ್‌ಗಳನ್ನು ನೇರವಾಗಿ ವಿಳಂಬ ರೇಖೆಗಳಿಗೆ ಕಳುಹಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನ್ ಗ್ರಾಫ್‌ಗಳಲ್ಲಿ ಮ್ಯಾಚ್ ಡಿಟೆಕ್ಷನ್ ಮಾಡ್ಯೂಲ್‌ಗಳೊಂದಿಗೆ ಸಮಾನಾಂತರಗೊಳಿಸಲಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳ ಗೇಟ್‌ಗಳಿಗೆ ಕಳುಹಿಸಲಾಗಿರುವುದರಿಂದ, ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ವರ್ಧನೆಯ ಸರ್ಕ್ಯೂಟ್ ಅಗತ್ಯವಿಲ್ಲ (ವಿವರಗಳಿಗಾಗಿ ಪೂರಕ ಚಿತ್ರ 4 ನೋಡಿ). pMUT ಮತ್ತು ಪ್ರಸ್ತಾವಿತ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣಾ ವಿಧಾನದಿಂದ ಒದಗಿಸಲಾದ ಸ್ಥಳೀಕರಣ ಕೋನೀಯ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು, ನಾವು ITD ಅನ್ನು ಅಳೆಯುತ್ತೇವೆ (ಅಂದರೆ, ಎರಡು ರಿಸೀವರ್‌ಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಗರಿಷ್ಠ ಘಟನೆಗಳ ನಡುವಿನ ಸಮಯದ ವ್ಯತ್ಯಾಸ) ವಸ್ತುವಿನ ದೂರ ಮತ್ತು ಕೋನವು ಬದಲಾಗಿದೆ. ನಂತರ ITD ವಿಶ್ಲೇಷಣೆಯನ್ನು ಕೋನಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಯಿತು (ವಿಧಾನಗಳನ್ನು ನೋಡಿ) ಮತ್ತು ವಸ್ತುವಿನ ಸ್ಥಾನದ ವಿರುದ್ಧ ಸಂಚು ರೂಪಿಸಲಾಯಿತು: ಅಳತೆ ಮಾಡಿದ ITD ಯಲ್ಲಿನ ಅನಿಶ್ಚಿತತೆಯು ವಸ್ತುವಿನ ದೂರ ಮತ್ತು ಕೋನದೊಂದಿಗೆ ಹೆಚ್ಚಾಯಿತು (Fig. 2e,f). pMUT ಪ್ರತಿಕ್ರಿಯೆಯಲ್ಲಿನ ಪೀಕ್-ಟು-ಶಬ್ದ ಅನುಪಾತ (PNR) ಮುಖ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ. ದೂರದ ವಸ್ತು, ಕಡಿಮೆ ಅಕೌಸ್ಟಿಕ್ ಸಿಗ್ನಲ್, ಇದರಿಂದಾಗಿ PNR (Fig. 2f, ಹಸಿರು ರೇಖೆ) ಕಡಿಮೆಯಾಗುತ್ತದೆ. PNR ನಲ್ಲಿನ ಇಳಿಕೆಯು ITD ಅಂದಾಜಿನಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಯ ಹೆಚ್ಚಳಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಸ್ಥಳೀಕರಣದ ನಿಖರತೆ ಹೆಚ್ಚಾಗುತ್ತದೆ (Fig. 2f, ನೀಲಿ ರೇಖೆ). ಟ್ರಾನ್ಸ್ಮಿಟರ್ನಿಂದ 50 ಸೆಂ.ಮೀ ದೂರದಲ್ಲಿರುವ ವಸ್ತುವಿಗೆ, ಸಿಸ್ಟಮ್ನ ಕೋನೀಯ ನಿಖರತೆಯು ಸರಿಸುಮಾರು 10 ° ಆಗಿದೆ. ಸಂವೇದಕದ ಗುಣಲಕ್ಷಣಗಳಿಂದ ವಿಧಿಸಲಾದ ಈ ಮಿತಿಯನ್ನು ಸುಧಾರಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಹೊರಸೂಸುವ ಮೂಲಕ ಕಳುಹಿಸಲಾದ ಒತ್ತಡವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು, ಇದರಿಂದಾಗಿ pMUT ಮೆಂಬರೇನ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಟ್ರಾನ್ಸ್ಮಿಟೆಡ್ ಸಿಗ್ನಲ್ ಅನ್ನು ವರ್ಧಿಸಲು ಮತ್ತೊಂದು ಪರಿಹಾರವೆಂದರೆ ಬಹು ಟ್ರಾನ್ಸ್ಮಿಟರ್ಗಳನ್ನು ಸಂಪರ್ಕಿಸುವುದು 56. ಹೆಚ್ಚಿದ ಶಕ್ತಿಯ ವೆಚ್ಚದ ವೆಚ್ಚದಲ್ಲಿ ಈ ಪರಿಹಾರಗಳು ಪತ್ತೆ ವ್ಯಾಪ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ಸ್ವೀಕರಿಸುವ ಭಾಗದಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಸುಧಾರಣೆಗಳನ್ನು ಮಾಡಬಹುದು. pMUT ಮತ್ತು ಮೊದಲ ಹಂತದ ಆಂಪ್ಲಿಫೈಯರ್ ನಡುವಿನ ಸಂಪರ್ಕವನ್ನು ಸುಧಾರಿಸುವ ಮೂಲಕ pMUT ನ ರಿಸೀವರ್ ಶಬ್ದದ ನೆಲವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು, ಇದನ್ನು ಪ್ರಸ್ತುತ ತಂತಿ ಸಂಪರ್ಕಗಳು ಮತ್ತು RJ45 ಕೇಬಲ್‌ಗಳೊಂದಿಗೆ ಮಾಡಲಾಗುತ್ತದೆ.
ಆರು 880 µm ಪೊರೆಗಳನ್ನು ಹೊಂದಿರುವ pMUT ಸ್ಫಟಿಕದ ಚಿತ್ರವು 1.5 mm ಪಿಚ್‌ನಲ್ಲಿ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟಿದೆ. b ಅಳತೆಯ ಸೆಟಪ್ನ ರೇಖಾಚಿತ್ರ. ಗುರಿಯು ಅಜಿಮುತ್ ಸ್ಥಾನದಲ್ಲಿದೆ θ ಮತ್ತು ದೂರ D. pMUT ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ 117.6 kHz ಸಂಕೇತವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಅದು ಗುರಿಯಿಂದ ಪುಟಿಯುತ್ತದೆ ಮತ್ತು ಎರಡು pMUT ರಿಸೀವರ್‌ಗಳನ್ನು ವಿಭಿನ್ನ ಸಮಯ-ವಿಮಾನದೊಂದಿಗೆ (ToF) ತಲುಪುತ್ತದೆ. ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಇಂಟರ್-ಆರಲ್ ಟೈಮ್ ಡಿಫರೆನ್ಸ್ (ITD) ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ, ವಸ್ತುವಿನ ಸ್ಥಾನವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಎರಡು ರಿಸೀವರ್ ಸಂವೇದಕಗಳ ಗರಿಷ್ಠ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಅಂದಾಜು ಮಾಡುವ ಮೂಲಕ ಅಂದಾಜು ಮಾಡಬಹುದು. c ಕಚ್ಚಾ pMUT ಸಿಗ್ನಲ್ ಅನ್ನು ಸ್ಪೈಕ್ ಸೀಕ್ವೆನ್ಸ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ಪೂರ್ವ-ಸಂಸ್ಕರಣೆ ಹಂತಗಳ ಸ್ಕೀಮ್ಯಾಟಿಕ್ (ಅಂದರೆ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನ್ ಗ್ರಾಫ್‌ಗೆ ಇನ್‌ಪುಟ್). pMUT ಸಂವೇದಕಗಳು ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ಗಳನ್ನು ತಯಾರಿಸಲಾಗಿದೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾಗಿದೆ ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯು ಸಾಫ್ಟ್‌ವೇರ್ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಆಧರಿಸಿದೆ. d ಸಂಕೇತವನ್ನು ಸ್ವೀಕರಿಸಿದ ನಂತರ pMUT ಮೆಂಬರೇನ್‌ನ ಪ್ರತಿಕ್ರಿಯೆ ಮತ್ತು ಸ್ಪೈಕ್ ಡೊಮೇನ್ ಆಗಿ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತದೆ. ಇ ಪ್ರಾಯೋಗಿಕ ಸ್ಥಳೀಕರಣ ಕೋನೀಯ ನಿಖರತೆ ವಸ್ತು ಕೋನ (Θ) ಮತ್ತು ದೂರ (D) ಗುರಿ ವಸ್ತುವಿನ ಒಂದು ಕಾರ್ಯ. ITD ಹೊರತೆಗೆಯುವ ವಿಧಾನಕ್ಕೆ ಸುಮಾರು 4 ° C ನ ಕನಿಷ್ಠ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್ ಅಗತ್ಯವಿದೆ. f ಕೋನೀಯ ನಿಖರತೆ (ನೀಲಿ ರೇಖೆ) ಮತ್ತು ಅನುಗುಣವಾದ ಗರಿಷ್ಠ-ಶಬ್ದ ಅನುಪಾತ (ಹಸಿರು ರೇಖೆ) ಮತ್ತು Θ = 0 ಗಾಗಿ ವಸ್ತುವಿನ ಅಂತರ.
ಪ್ರತಿರೋಧಕ ಮೆಮೊರಿಯು ಅಸ್ಥಿರವಲ್ಲದ ವಾಹಕ ಸ್ಥಿತಿಯಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ. ವಿಧಾನದ ಮೂಲ ತತ್ವವೆಂದರೆ ಪರಮಾಣು ಮಟ್ಟದಲ್ಲಿ ವಸ್ತುವಿನ ಮಾರ್ಪಾಡು ಅದರ ವಿದ್ಯುತ್ ವಾಹಕತೆಯಲ್ಲಿ ಬದಲಾವಣೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ57. ಇಲ್ಲಿ ನಾವು ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಟೈಟಾನಿಯಂ ಮತ್ತು ಟೈಟಾನಿಯಂ ನೈಟ್ರೈಡ್ ವಿದ್ಯುದ್ವಾರಗಳ ನಡುವೆ ಸ್ಯಾಂಡ್ವಿಚ್ ಮಾಡಲಾದ ಹ್ಯಾಫ್ನಿಯಮ್ ಡೈಆಕ್ಸೈಡ್ನ 5nm ಪದರವನ್ನು ಒಳಗೊಂಡಿರುವ ಆಕ್ಸೈಡ್-ಆಧಾರಿತ ರೆಸಿಸ್ಟಿವ್ ಮೆಮೊರಿಯನ್ನು ಬಳಸುತ್ತೇವೆ. RRAM ಸಾಧನಗಳ ವಾಹಕತೆಯನ್ನು ಪ್ರಸ್ತುತ/ವೋಲ್ಟೇಜ್ ತರಂಗರೂಪವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಬದಲಾಯಿಸಬಹುದು ಅದು ವಿದ್ಯುದ್ವಾರಗಳ ನಡುವೆ ಆಮ್ಲಜನಕದ ಖಾಲಿ ಜಾಗಗಳ ವಾಹಕ ತಂತುಗಳನ್ನು ರಚಿಸುತ್ತದೆ ಅಥವಾ ಒಡೆಯುತ್ತದೆ. ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ ಮತ್ತು ವಿಳಂಬ ರೇಖೆಯ ಸರ್ಕ್ಯೂಟ್ (Fig. 3a) ಅನ್ನು ಅಳವಡಿಸುವ ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಪುನರ್ರಚಿಸಬಹುದಾದ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ರಚಿಸಲು ನಾವು ಅಂತಹ ಸಾಧನ58 ಅನ್ನು ಪ್ರಮಾಣಿತ 130 nm CMOS ಪ್ರಕ್ರಿಯೆಗೆ ಸಹ-ಸಂಯೋಜಿಸಿದ್ದೇವೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ನ ಈವೆಂಟ್-ಚಾಲಿತ ಸ್ವಭಾವದೊಂದಿಗೆ ಸಾಧನದ ಬಾಷ್ಪಶೀಲವಲ್ಲದ ಮತ್ತು ಅನಲಾಗ್ ಸ್ವಭಾವವು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಸರ್ಕ್ಯೂಟ್ ತತ್ಕ್ಷಣದ ಆನ್/ಆಫ್ ಕಾರ್ಯವನ್ನು ಹೊಂದಿದೆ: ಆನ್ ಮಾಡಿದ ತಕ್ಷಣ ಅದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಸರ್ಕ್ಯೂಟ್ ನಿಷ್ಕ್ರಿಯವಾಗಿದ್ದಾಗ ವಿದ್ಯುತ್ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಆಫ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ಯೋಜನೆಯ ಮುಖ್ಯ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಅನ್ನು ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. 3b. ಇದು N ಪ್ಯಾರಲಲ್ ಸಿಂಗಲ್-ರೆಸಿಸ್ಟರ್ ಸಿಂಗಲ್-ಟ್ರಾನ್ಸಿಸ್ಟರ್ (1T1R) ರಚನೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಅದು ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ತೂಕದ ಪ್ರವಾಹಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ, ಡಿಫರೆನ್ಷಿಯಲ್ ಪೇರ್ ಇಂಟಿಗ್ರೇಟರ್ (DPI)59 ನ ಸಾಮಾನ್ಯ ಸಿನಾಪ್ಸ್‌ಗೆ ಚುಚ್ಚಲಾಗುತ್ತದೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಏಕೀಕರಣದೊಂದಿಗೆ ಸಿನಾಪ್ಸ್‌ಗೆ ಚುಚ್ಚಲಾಗುತ್ತದೆ ಮತ್ತು ಸೋರಿಕೆ. ಸಕ್ರಿಯ (LIF) ನ್ಯೂರಾನ್ 60 (ವಿವರಗಳಿಗಾಗಿ ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ನೂರಾರು ನ್ಯಾನೊಸೆಕೆಂಡ್‌ಗಳ ಕ್ರಮದಲ್ಲಿ ಅವಧಿಯೊಂದಿಗೆ ವೋಲ್ಟೇಜ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳ ಅನುಕ್ರಮದ ರೂಪದಲ್ಲಿ 1T1R ರಚನೆಯ ಗೇಟ್‌ಗೆ ಇನ್‌ಪುಟ್ ಉಲ್ಬಣಗಳನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. Vbottom ಗ್ರೌಂಡ್ ಮಾಡಿದಾಗ Vtop ಗೆ ಬಾಹ್ಯ ಧನಾತ್ಮಕ ಉಲ್ಲೇಖವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಪ್ರತಿರೋಧಕ ಸ್ಮರಣೆಯನ್ನು ಹೆಚ್ಚಿನ ವಾಹಕ ಸ್ಥಿತಿಯಲ್ಲಿ (HCS) ಇರಿಸಬಹುದು ಮತ್ತು Vtop ಗ್ರೌಂಡ್ ಮಾಡಿದಾಗ Vbottom ಗೆ ಧನಾತ್ಮಕ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಕಡಿಮೆ ವಾಹಕ ಸ್ಥಿತಿಗೆ (LCS) ಮರುಹೊಂದಿಸಬಹುದು. HCS ನ ಸರಾಸರಿ ಮೌಲ್ಯವನ್ನು SET (ICC) ನ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕರೆಂಟ್ (ಅನುಸರಣೆ) ಅನ್ನು ಸರಣಿ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ನ ಗೇಟ್-ಸೋರ್ಸ್ ವೋಲ್ಟೇಜ್‌ನಿಂದ (Fig. 3c) ಸೀಮಿತಗೊಳಿಸುವ ಮೂಲಕ ನಿಯಂತ್ರಿಸಬಹುದು. ಸರ್ಕ್ಯೂಟ್ನಲ್ಲಿ RRAM ನ ಕಾರ್ಯಗಳು ಎರಡು ಪಟ್ಟು: ಅವು ಇನ್ಪುಟ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳನ್ನು ನಿರ್ದೇಶಿಸುತ್ತವೆ ಮತ್ತು ತೂಕವನ್ನು ಹೊಂದಿರುತ್ತವೆ.
ನೀಲಿ HfO2 1T1R RRAM ಸಾಧನದ ಸ್ಕ್ಯಾನಿಂಗ್ ಎಲೆಕ್ಟ್ರಾನ್ ಮೈಕ್ರೋಸ್ಕೋಪ್ (SEM) ಇಮೇಜ್ ಅನ್ನು 130 nm CMOS ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಸೆಲೆಕ್ಟರ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳೊಂದಿಗೆ (650 nm ಅಗಲ) ಹಸಿರು ಬಣ್ಣದಲ್ಲಿ ಸಂಯೋಜಿಸಲಾಗಿದೆ. b ಪ್ರಸ್ತಾವಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಕೀಮಾದ ಮೂಲ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್. ಇನ್ಪುಟ್ ವೋಲ್ಟೇಜ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳು (ಶಿಖರಗಳು) Vin0 ಮತ್ತು Vin1 ಪ್ರಸ್ತುತ Iweight ಅನ್ನು ಸೇವಿಸುತ್ತವೆ, ಇದು 1T1R ರಚನೆಯ G0 ಮತ್ತು G1 ವಾಹಕ ಸ್ಥಿತಿಗಳಿಗೆ ಅನುಗುಣವಾಗಿರುತ್ತದೆ. ಈ ಪ್ರವಾಹವನ್ನು DPI ಸಿನಾಪ್ಸೆಸ್‌ಗೆ ಚುಚ್ಚಲಾಗುತ್ತದೆ ಮತ್ತು LIF ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ. RRAM G0 ಮತ್ತು G1 ಅನ್ನು ಕ್ರಮವಾಗಿ HCS ಮತ್ತು LCS ನಲ್ಲಿ ಸ್ಥಾಪಿಸಲಾಗಿದೆ. c 16K RRAM ಸಾಧನಗಳ ಗುಂಪಿಗೆ ಸಂಚಿತ ವಾಹಕ ಸಾಂದ್ರತೆಯ ಕಾರ್ಯ ICC ಪ್ರಸ್ತುತ ಹೊಂದಾಣಿಕೆಯ ಕಾರ್ಯವಾಗಿದೆ, ಇದು ವಹನ ಮಟ್ಟವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿಯಂತ್ರಿಸುತ್ತದೆ. d ಸರ್ಕ್ಯೂಟ್ ಮಾಪನಗಳು (a) ರಲ್ಲಿ G1 (LCS ನಲ್ಲಿ) Vin1 (ಹಸಿರು) ನಿಂದ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ಬಂಧಿಸುತ್ತದೆ ಮತ್ತು ವಾಸ್ತವವಾಗಿ ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ನ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ Vin0 ನಿಂದ ನೀಲಿ ಇನ್‌ಪುಟ್‌ಗೆ ಮಾತ್ರ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. RRAM ಸರ್ಕ್ಯೂಟ್ನಲ್ಲಿನ ಸಂಪರ್ಕಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ಧರಿಸುತ್ತದೆ. ವೋಲ್ಟೇಜ್ ಪಲ್ಸ್ Vin0 ಅನ್ನು ಅನ್ವಯಿಸಿದ ನಂತರ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ Vmem ನಲ್ಲಿ ವಾಹಕತೆಯ ಮೌಲ್ಯ G0 ನ ಪರಿಣಾಮವನ್ನು ತೋರಿಸುವ (ಬಿ) ಸರ್ಕ್ಯೂಟ್ನ ಇ ಮಾಪನ. ಹೆಚ್ಚು ವಾಹಕತೆ, ಬಲವಾದ ಪ್ರತಿಕ್ರಿಯೆ: ಹೀಗಾಗಿ, RRAM ಸಾಧನವು I/O ಸಂಪರ್ಕದ ತೂಕವನ್ನು ಅಳವಡಿಸುತ್ತದೆ. ಸರ್ಕ್ಯೂಟ್‌ನಲ್ಲಿ ಮಾಪನಗಳನ್ನು ಮಾಡಲಾಯಿತು ಮತ್ತು RRAM ನ ಡ್ಯುಯಲ್ ಫಂಕ್ಷನ್, ರೂಟಿಂಗ್ ಮತ್ತು ಇನ್‌ಪುಟ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳ ತೂಕವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಮೊದಲನೆಯದಾಗಿ, ಎರಡು ಮೂಲಭೂತ ವಹನ ಸ್ಥಿತಿಗಳು (HCS ಮತ್ತು LCS) ಇರುವುದರಿಂದ, RRAM ಗಳು ಕ್ರಮವಾಗಿ LCS ಅಥವಾ HCS ಸ್ಥಿತಿಗಳಲ್ಲಿ ಇರುವಾಗ ಇನ್‌ಪುಟ್ ಪಲ್ಸ್‌ಗಳನ್ನು ನಿರ್ಬಂಧಿಸಬಹುದು ಅಥವಾ ಕಳೆದುಕೊಳ್ಳಬಹುದು. ಪರಿಣಾಮವಾಗಿ, RRAM ಸರ್ಕ್ಯೂಟ್ನಲ್ಲಿನ ಸಂಪರ್ಕಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿರ್ಧರಿಸುತ್ತದೆ. ಇದು ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಮರುಸಂರಚಿಸಲು ಸಾಧ್ಯವಾಗುವ ಆಧಾರವಾಗಿದೆ. ಇದನ್ನು ಪ್ರದರ್ಶಿಸಲು, ಫಿಗ್. 3b ನಲ್ಲಿ ಸರ್ಕ್ಯೂಟ್ ಬ್ಲಾಕ್ನ ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಸರ್ಕ್ಯೂಟ್ ಅನುಷ್ಠಾನವನ್ನು ನಾವು ವಿವರಿಸುತ್ತೇವೆ. G0 ಗೆ ಅನುಗುಣವಾದ RRAM ಅನ್ನು HCS ಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಎರಡನೇ RRAM G1 ಅನ್ನು LCS ಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ. ಇನ್‌ಪುಟ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳನ್ನು Vin0 ಮತ್ತು Vin1 ಎರಡಕ್ಕೂ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ನ್ಯೂರಾನ್ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಸಿಗ್ನಲ್ ಅನ್ನು ಆಸಿಲ್ಲೋಸ್ಕೋಪ್ ಬಳಸಿ ಸಂಗ್ರಹಿಸುವ ಮೂಲಕ ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳಲ್ಲಿ ಇನ್‌ಪುಟ್ ಕಾಳುಗಳ ಎರಡು ಅನುಕ್ರಮಗಳ ಪರಿಣಾಮಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ. ಮೆಂಬರೇನ್ ಟೆನ್ಷನ್ ಅನ್ನು ಉತ್ತೇಜಿಸಲು ಕೇವಲ HCS ಸಾಧನವನ್ನು (G0) ನರಕೋಶದ ನಾಡಿಗೆ ಸಂಪರ್ಕಿಸಿದಾಗ ಪ್ರಯೋಗವು ಯಶಸ್ವಿಯಾಗಿದೆ. ಇದನ್ನು ಚಿತ್ರ 3d ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ನೀಲಿ ಪಲ್ಸ್ ರೈಲು ಮೆಂಬರೇನ್ ಕೆಪಾಸಿಟರ್‌ನಲ್ಲಿ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ಕಾರಣವಾಗುತ್ತದೆ, ಆದರೆ ಹಸಿರು ಪಲ್ಸ್ ರೈಲು ಪೊರೆಯ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಸ್ಥಿರವಾಗಿರಿಸುತ್ತದೆ.
RRAM ನ ಎರಡನೇ ಪ್ರಮುಖ ಕಾರ್ಯವೆಂದರೆ ಸಂಪರ್ಕ ತೂಕದ ಅನುಷ್ಠಾನ. RRAM ನ ಅನಲಾಗ್ ವಾಹಕತೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು, I/O ಸಂಪರ್ಕಗಳನ್ನು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ತೂಕ ಮಾಡಬಹುದು. ಎರಡನೆಯ ಪ್ರಯೋಗದಲ್ಲಿ, G0 ಸಾಧನವನ್ನು HCS ನ ವಿವಿಧ ಹಂತಗಳಿಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು VIN0 ಇನ್‌ಪುಟ್‌ಗೆ ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ ಅನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ. ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ ಸಾಧನದಿಂದ ಪ್ರಸ್ತುತ (ಐವೈಟ್) ಅನ್ನು ಸೆಳೆಯುತ್ತದೆ, ಇದು ವಾಹಕತೆ ಮತ್ತು ಅನುಗುಣವಾದ ಸಂಭಾವ್ಯ ಡ್ರಾಪ್ Vtop - Vbot ಗೆ ಅನುಪಾತದಲ್ಲಿರುತ್ತದೆ. ಈ ತೂಕದ ಪ್ರವಾಹವನ್ನು ನಂತರ DPI ಸಿನಾಪ್ಸಸ್ ಮತ್ತು LIF ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ ಚುಚ್ಚಲಾಗುತ್ತದೆ. ಔಟ್ಪುಟ್ ನ್ಯೂರಾನ್ಗಳ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಆಸಿಲ್ಲೋಸ್ಕೋಪ್ ಬಳಸಿ ರೆಕಾರ್ಡ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು Fig. 3d ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ. ಒಂದೇ ಇನ್‌ಪುಟ್ ಪಲ್ಸ್‌ಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ನ್ಯೂರಾನ್ ಪೊರೆಯ ವೋಲ್ಟೇಜ್ ಪೀಕ್ ರೆಸಿಸ್ಟಿವ್ ಮೆಮೊರಿಯ ವಾಹಕತೆಗೆ ಅನುಗುಣವಾಗಿರುತ್ತದೆ, RRAM ಅನ್ನು ಸಿನಾಪ್ಟಿಕ್ ತೂಕದ ಪ್ರೋಗ್ರಾಮೆಬಲ್ ಅಂಶವಾಗಿ ಬಳಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಈ ಎರಡು ಪ್ರಾಥಮಿಕ ಪರೀಕ್ಷೆಗಳು ಪ್ರಸ್ತಾವಿತ RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮೂಲ ಜೆಫ್ರೆಸ್ ಕಾರ್ಯವಿಧಾನದ ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಸಮರ್ಥವಾಗಿದೆ, ಅವುಗಳೆಂದರೆ ವಿಳಂಬ ರೇಖೆ ಮತ್ತು ಕಾಕತಾಳೀಯ ಶೋಧಕ ಸರ್ಕ್ಯೂಟ್. ಸರ್ಕ್ಯೂಟ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಚಿತ್ರ 3b ನಲ್ಲಿರುವ ಬ್ಲಾಕ್‌ಗಳಂತಹ ಸತತ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿ ಜೋಡಿಸಿ ಮತ್ತು ಅವುಗಳ ಗೇಟ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯ ಇನ್‌ಪುಟ್ ಲೈನ್‌ಗೆ ಸಂಪರ್ಕಿಸುವ ಮೂಲಕ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಎರಡು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಎರಡು ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ನಾವು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದೇವೆ, ತಯಾರಿಸಿದ್ದೇವೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ (Fig. 4a). ಸರ್ಕ್ಯೂಟ್ ರೇಖಾಚಿತ್ರವನ್ನು ಚಿತ್ರ 4b ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಮೇಲಿನ 2 × 2 RRAM ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಇನ್‌ಪುಟ್ ಪಲ್ಸ್‌ಗಳನ್ನು ಎರಡು ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ ನಿರ್ದೇಶಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ಆದರೆ ಕೆಳಗಿನ 2 × 2 ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಎರಡು ನ್ಯೂರಾನ್‌ಗಳ (N0, N1) ಮರುಕಳಿಸುವ ಸಂಪರ್ಕಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ. Fig. 4c-e ನಲ್ಲಿ ಪ್ರಾಯೋಗಿಕ ಅಳತೆಗಳಿಂದ ತೋರಿಸಿರುವಂತೆ, ವಿಳಂಬ ರೇಖೆಯ ಸಂರಚನೆ ಮತ್ತು ಎರಡು ವಿಭಿನ್ನ ಕಾಕತಾಳೀಯ ಪತ್ತೆಕಾರಕ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಈ ವೇದಿಕೆಯನ್ನು ಬಳಸಬಹುದೆಂದು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.
ಎರಡು ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳು N0 ಮತ್ತು N1 ಎರಡು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು 0 ಮತ್ತು 1 ಸ್ವೀಕರಿಸುವ ಸರ್ಕ್ಯೂಟ್ ರೇಖಾಚಿತ್ರವು ರೂಪುಗೊಂಡಿದೆ. ರಚನೆಯ ಮೇಲಿನ ನಾಲ್ಕು ಸಾಧನಗಳು ಇನ್‌ಪುಟ್‌ನಿಂದ ಔಟ್‌ಪುಟ್‌ಗೆ ಸಿನಾಪ್ಟಿಕ್ ಸಂಪರ್ಕಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ ಮತ್ತು ಕೆಳಗಿನ ನಾಲ್ಕು ಕೋಶಗಳು ನ್ಯೂರಾನ್‌ಗಳ ನಡುವಿನ ಮರುಕಳಿಸುವ ಸಂಪರ್ಕಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ. ಬಣ್ಣದ RRAM ಗಳು ಬಲಭಾಗದಲ್ಲಿರುವ HCS ನಲ್ಲಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾದ ಸಾಧನಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ: HCS ನಲ್ಲಿನ ಸಾಧನಗಳು ಸಂಪರ್ಕಗಳನ್ನು ಅನುಮತಿಸುತ್ತವೆ ಮತ್ತು ತೂಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ, ಆದರೆ LCS ನಲ್ಲಿನ ಸಾಧನಗಳು ಇನ್‌ಪುಟ್ ದ್ವಿದಳ ಧಾನ್ಯಗಳನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಗಳನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ. ಎಂಟು RRAM ಮಾಡ್ಯೂಲ್‌ಗಳೊಂದಿಗೆ ಸರ್ಕ್ಯೂಟ್ (a) ರೇಖಾಚಿತ್ರವನ್ನು ನೀಲಿ ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾಗಿದೆ. c DPI ಸಿನಾಪ್ಸಸ್ ಮತ್ತು LIF ನ್ಯೂರಾನ್‌ಗಳ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ವಿಳಂಬ ರೇಖೆಗಳು ರೂಪುಗೊಳ್ಳುತ್ತವೆ. ಇನ್‌ಪುಟ್ ವಿಳಂಬ Δt ನಂತರ ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಗ್ಲಿಚ್ ಅನ್ನು ಪ್ರೇರೇಪಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಹಸಿರು RRAM ಅನ್ನು ಹೆಚ್ಚಿನ ವಾಹಕತೆಗೆ ಹೊಂದಿಸಲಾಗಿದೆ. d ಸಮಯ ಅವಲಂಬಿತ ಸಂಕೇತಗಳ ದಿಕ್ಕು-ಸೂಕ್ಷ್ಮವಲ್ಲದ CD ಪತ್ತೆಯ ಸ್ಕೀಮ್ಯಾಟಿಕ್ ವಿವರಣೆ. ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್ 1, N1, ಇನ್‌ಪುಟ್‌ಗಳು 0 ಮತ್ತು 1 ನಲ್ಲಿ ಸ್ವಲ್ಪ ವಿಳಂಬದೊಂದಿಗೆ ಬೆಂಕಿಹೊತ್ತಿಸುತ್ತದೆ. ಇ ಡೈರೆಕ್ಷನ್ ಸೆನ್ಸಿಟಿವ್ ಸಿಡಿ ಸರ್ಕ್ಯೂಟ್, ಇನ್‌ಪುಟ್ 1 ಇನ್‌ಪುಟ್ 0 ಅನ್ನು ಸಮೀಪಿಸಿದಾಗ ಮತ್ತು ಇನ್‌ಪುಟ್ 0 ನಂತರ ಬಂದಾಗ ಪತ್ತೆ ಮಾಡುವ ಸರ್ಕ್ಯೂಟ್. ಸರ್ಕ್ಯೂಟ್‌ನ ಔಟ್‌ಪುಟ್ ಅನ್ನು ನ್ಯೂರಾನ್ 1 (N1) ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.
ವಿಳಂಬ ರೇಖೆಯು (ಚಿತ್ರ 4c) Tdel ಅನ್ನು ವಿಳಂಬಗೊಳಿಸುವ ಮೂಲಕ Vin1 ನಿಂದ Vout1 ಗೆ ಇನ್‌ಪುಟ್ ಸ್ಪೈಕ್ ಅನ್ನು ಪುನರುತ್ಪಾದಿಸಲು DPI ಸಿನಾಪ್ಸಸ್ ಮತ್ತು LIF ನ್ಯೂರಾನ್‌ಗಳ ಡೈನಾಮಿಕ್ ನಡವಳಿಕೆಯನ್ನು ಸರಳವಾಗಿ ಬಳಸುತ್ತದೆ. Vin1 ಮತ್ತು Vout1 ಗೆ ಸಂಪರ್ಕಗೊಂಡಿರುವ G3 RRAM ಅನ್ನು ಮಾತ್ರ HCS ನಲ್ಲಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ, ಉಳಿದ RRAM ಗಳನ್ನು LCS ನಲ್ಲಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ. G3 ಸಾಧನವನ್ನು 92.6 µs ಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ, ಪ್ರತಿ ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ ಮಿತಿಯನ್ನು ತಲುಪಲು ಮತ್ತು ತಡವಾದ ಔಟ್‌ಪುಟ್ ನಾಡಿಯನ್ನು ಉತ್ಪಾದಿಸಲು ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ನ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಸಾಕಷ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ. Tdel ವಿಳಂಬವನ್ನು ಸಿನಾಪ್ಟಿಕ್ ಮತ್ತು ನರಗಳ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಕಾಕತಾಳೀಯ ಶೋಧಕಗಳು ತಾತ್ಕಾಲಿಕವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಆದರೆ ಪ್ರಾದೇಶಿಕವಾಗಿ ವಿತರಿಸಲಾದ ಇನ್‌ಪುಟ್ ಸಿಗ್ನಲ್‌ಗಳ ಸಂಭವವನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತವೆ. ನಿರ್ದೇಶನ-ಸೂಕ್ಷ್ಮವಲ್ಲದ ಸಿಡಿ ಸಾಮಾನ್ಯ ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗೆ ಒಮ್ಮುಖವಾಗುವ ವೈಯಕ್ತಿಕ ಒಳಹರಿವಿನ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ (ಚಿತ್ರ 4d). Vin0 ಮತ್ತು Vin1 ಅನ್ನು ಕ್ರಮವಾಗಿ Vout1, G2 ಮತ್ತು G4 ಗೆ ಸಂಪರ್ಕಿಸುವ ಎರಡು RRAM ಗಳನ್ನು ಹೆಚ್ಚಿನ ವಹನಕ್ಕಾಗಿ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ. Vin0 ಮತ್ತು Vin1 ನಲ್ಲಿ ಸ್ಪೈಕ್‌ಗಳ ಏಕಕಾಲಿಕ ಆಗಮನವು ಔಟ್‌ಪುಟ್ ಸ್ಪೈಕ್ ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಅಗತ್ಯವಿರುವ ಮಿತಿಗಿಂತ N1 ನ್ಯೂರಾನ್ ಮೆಂಬರೇನ್‌ನ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಎರಡು ಇನ್‌ಪುಟ್‌ಗಳು ಸಮಯಕ್ಕೆ ತುಂಬಾ ದೂರದಲ್ಲಿದ್ದರೆ, ಮೊದಲ ಇನ್‌ಪುಟ್‌ನಿಂದ ಸಂಗ್ರಹವಾದ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್‌ನಲ್ಲಿನ ಚಾರ್ಜ್ ಕೊಳೆಯಲು ಸಮಯವನ್ನು ಹೊಂದಿರಬಹುದು, ಇದು ಮೆಂಬರೇನ್ ಸಂಭಾವ್ಯ N1 ಅನ್ನು ಮಿತಿ ಮೌಲ್ಯವನ್ನು ತಲುಪದಂತೆ ತಡೆಯುತ್ತದೆ. G1 ಮತ್ತು G2 ಅನ್ನು ಸರಿಸುಮಾರು 65 µs ಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ, ಇದು ಒಂದು ಇನ್‌ಪುಟ್ ಉಲ್ಬಣವು ಔಟ್‌ಪುಟ್ ಉಲ್ಬಣವನ್ನು ಉಂಟುಮಾಡುವಷ್ಟು ಪೊರೆಯ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಬಾಹ್ಯಾಕಾಶ ಮತ್ತು ಸಮಯದಲ್ಲಿ ವಿತರಿಸಲಾದ ಘಟನೆಗಳ ನಡುವಿನ ಕಾಕತಾಳೀಯ ಪತ್ತೆಯು ಆಪ್ಟಿಕಲ್ ಫ್ಲೋ ಆಧಾರಿತ ಅಡಚಣೆ ತಪ್ಪಿಸುವಿಕೆ ಮತ್ತು ಧ್ವನಿ ಮೂಲ ಸ್ಥಳೀಕರಣದಂತಹ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಸಂವೇದನಾ ಕಾರ್ಯಗಳಲ್ಲಿ ಬಳಸಲಾಗುವ ಮೂಲಭೂತ ಕಾರ್ಯಾಚರಣೆಯಾಗಿದೆ. ಹೀಗಾಗಿ, ಕಂಪ್ಯೂಟಿಂಗ್ ನಿರ್ದೇಶನ-ಸೂಕ್ಷ್ಮ ಮತ್ತು ಸೂಕ್ಷ್ಮವಲ್ಲದ ಸಿಡಿಗಳು ದೃಶ್ಯ ಮತ್ತು ಆಡಿಯೊ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮೂಲಭೂತ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಆಗಿದೆ. ಸಮಯ ಸ್ಥಿರಾಂಕಗಳ ಗುಣಲಕ್ಷಣಗಳಿಂದ ತೋರಿಸಿರುವಂತೆ (ಅನುಬಂಧ ಚಿತ್ರ 2 ನೋಡಿ), ಪ್ರಸ್ತಾವಿತ ಸರ್ಕ್ಯೂಟ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ ಟೈಮ್ ಸ್ಕೇಲ್‌ಗಳ ನಾಲ್ಕು ಕ್ರಮಗಳ ಸೂಕ್ತ ಶ್ರೇಣಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, ಇದು ಏಕಕಾಲದಲ್ಲಿ ದೃಶ್ಯ ಮತ್ತು ಧ್ವನಿ ವ್ಯವಸ್ಥೆಗಳ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ. ಡೈರೆಕ್ಷನಲ್-ಸೆನ್ಸಿಟಿವ್ ಸಿಡಿ ಎಂಬುದು ದ್ವಿದಳ ಧಾನ್ಯಗಳ ಆಗಮನದ ಪ್ರಾದೇಶಿಕ ಕ್ರಮಕ್ಕೆ ಸಂವೇದನಾಶೀಲವಾಗಿರುವ ಸರ್ಕ್ಯೂಟ್ ಆಗಿದೆ: ಬಲದಿಂದ ಎಡಕ್ಕೆ ಮತ್ತು ಪ್ರತಿಯಾಗಿ. ಡ್ರೊಸೊಫಿಲಾ ದೃಶ್ಯ ವ್ಯವಸ್ಥೆಯ ಮೂಲ ಚಲನೆಯ ಪತ್ತೆ ಜಾಲದಲ್ಲಿ ಇದು ಮೂಲಭೂತ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ ಆಗಿದೆ, ಇದನ್ನು ಚಲನೆಯ ದಿಕ್ಕುಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮತ್ತು ಘರ್ಷಣೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸಲಾಗುತ್ತದೆ. ದಿಕ್ಕು-ಸೂಕ್ಷ್ಮ CD ಸಾಧಿಸಲು, ಎರಡು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಎರಡು ವಿಭಿನ್ನ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ (N0, N1) ನಿರ್ದೇಶಿಸಬೇಕು ಮತ್ತು ಅವುಗಳ ನಡುವೆ ದಿಕ್ಕಿನ ಸಂಪರ್ಕವನ್ನು ಸ್ಥಾಪಿಸಬೇಕು (Fig. 4e). ಮೊದಲ ಇನ್‌ಪುಟ್ ಅನ್ನು ಸ್ವೀಕರಿಸಿದಾಗ, NO ತನ್ನ ಪೊರೆಯಾದ್ಯಂತ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಮಿತಿ ಮೌಲ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚಿಸುವ ಮೂಲಕ ಮತ್ತು ಉಲ್ಬಣವನ್ನು ಕಳುಹಿಸುವ ಮೂಲಕ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಈ ಔಟ್ಪುಟ್ ಈವೆಂಟ್, ಪ್ರತಿಯಾಗಿ, ಹಸಿರು ಬಣ್ಣದಲ್ಲಿ ಹೈಲೈಟ್ ಮಾಡಲಾದ ಡೈರೆಕ್ಷನಲ್ ಸಂಪರ್ಕಕ್ಕೆ ಧನ್ಯವಾದಗಳು N1 ಅನ್ನು ಹಾರಿಸುತ್ತದೆ. ಇನ್‌ಪುಟ್ ಈವೆಂಟ್ Vin1 ಬಂದರೆ ಮತ್ತು ಅದರ ಮೆಂಬರೇನ್ ವೋಲ್ಟೇಜ್ ಇನ್ನೂ ಹೆಚ್ಚಿರುವಾಗ N1 ಅನ್ನು ಶಕ್ತಿಯುತಗೊಳಿಸಿದರೆ, N1 ಎರಡು ಇನ್‌ಪುಟ್‌ಗಳ ನಡುವೆ ಹೊಂದಾಣಿಕೆ ಕಂಡುಬಂದಿದೆ ಎಂದು ಸೂಚಿಸುವ ಔಟ್‌ಪುಟ್ ಈವೆಂಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಇನ್‌ಪುಟ್ 0 ನಂತರ ಇನ್‌ಪುಟ್ 1 ಬಂದರೆ ಮಾತ್ರ ಡೈರೆಕ್ಷನಲ್ ಸಂಪರ್ಕಗಳು N1 ಔಟ್‌ಪುಟ್ ಅನ್ನು ಹೊರಸೂಸುತ್ತವೆ. G0, G3 ಮತ್ತು G7 ಅನ್ನು ಕ್ರಮವಾಗಿ 73.5 µS, 67.3 µS ಮತ್ತು 40.2 µS ಗೆ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ, Vin0 ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ ಒಂದು ಸ್ಪೈಕ್ ವಿಳಂಬಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಔಟ್‌ಪುಟ್ ಸ್ಪೈಕ್, ಎರಡೂ ಇನ್‌ಪುಟ್ ಸ್ಫೋಟಗಳು ಸಿಂಕ್‌ಗೆ ಬಂದಾಗ N1's ಮೆಂಬರೇನ್ ಸಂಭಾವ್ಯ ಮಿತಿಯನ್ನು ತಲುಪುತ್ತದೆ. .
63,64,65 ಮಾದರಿಯ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಅಪೂರ್ಣತೆಯ ಮೂಲವಾಗಿದೆ. ಇದು ನರಕೋಶಗಳು ಮತ್ತು ಸಿನಾಪ್ಸಸ್‌ಗಳ ವೈವಿಧ್ಯಮಯ ನಡವಳಿಕೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಅಂತಹ ಅನನುಕೂಲಗಳ ಉದಾಹರಣೆಗಳಲ್ಲಿ 30% (ಸರಾಸರಿ ಪ್ರಮಾಣಿತ ವಿಚಲನ) ಇನ್‌ಪುಟ್ ಗೇನ್‌ನಲ್ಲಿನ ವ್ಯತ್ಯಾಸ, ಸಮಯದ ಸ್ಥಿರತೆ ಮತ್ತು ವಕ್ರೀಭವನದ ಅವಧಿ, ಹೆಸರಿಸಲು ಆದರೆ ಕೆಲವು (ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ಎರಡು ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಓರಿಯಂಟೇಶನ್-ಸೆನ್ಸಿಟಿವ್ ಸಿಡಿಯಂತಹ ಬಹು ನರ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಒಟ್ಟಿಗೆ ಸಂಪರ್ಕಗೊಂಡಾಗ ಈ ಸಮಸ್ಯೆಯು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿರುತ್ತದೆ. ಸರಿಯಾಗಿ ಕೆಲಸ ಮಾಡಲು, ಎರಡು ನ್ಯೂರಾನ್‌ಗಳ ಲಾಭ ಮತ್ತು ಕೊಳೆಯುವಿಕೆಯ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳು ಸಾಧ್ಯವಾದಷ್ಟು ಹೋಲುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಇನ್‌ಪುಟ್ ಗಳಿಕೆಯಲ್ಲಿನ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವು ಒಂದು ನ್ಯೂರಾನ್ ಇನ್‌ಪುಟ್ ನಾಡಿಗೆ ಅತಿಯಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸಲು ಕಾರಣವಾಗಬಹುದು ಮತ್ತು ಇನ್ನೊಂದು ನರಕೋಶವು ಕೇವಲ ಸ್ಪಂದಿಸುವುದಿಲ್ಲ. ಅಂಜೂರದ ಮೇಲೆ. ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ನ್ಯೂರಾನ್‌ಗಳು ಒಂದೇ ಇನ್‌ಪುಟ್ ನಾಡಿಗೆ ವಿಭಿನ್ನವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ ಎಂದು ಚಿತ್ರ 5a ತೋರಿಸುತ್ತದೆ. ಈ ನರಗಳ ವ್ಯತ್ಯಾಸವು ಸಂಬಂಧಿತವಾಗಿದೆ, ಉದಾಹರಣೆಗೆ, ನಿರ್ದೇಶನ-ಸೂಕ್ಷ್ಮ CD ಗಳ ಕಾರ್ಯಕ್ಕೆ. ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಿರುವ ಯೋಜನೆಯಲ್ಲಿ. 5b, c, ನ್ಯೂರಾನ್ 1 ನ ಇನ್‌ಪುಟ್ ಗೇನ್ ನ್ಯೂರಾನ್ 0 ಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ. ಹೀಗಾಗಿ, ನ್ಯೂರಾನ್ 0 ಗೆ ಹೊಸ್ತಿಲನ್ನು ತಲುಪಲು ಮೂರು ಇನ್‌ಪುಟ್ ಪಲ್ಸ್‌ಗಳು (1 ರ ಬದಲಿಗೆ) ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ನ್ಯೂರಾನ್ 1, ನಿರೀಕ್ಷೆಯಂತೆ, ಎರಡು ಇನ್‌ಪುಟ್ ಘಟನೆಗಳ ಅಗತ್ಯವಿದೆ. ಸ್ಪೈಕ್ ಟೈಮ್-ಅವಲಂಬಿತ ಬಯೋಮಿಮೆಟಿಕ್ ಪ್ಲಾಸ್ಟಿಟಿಯನ್ನು (STDP) ಅಳವಡಿಸುವುದು ಸಿಸ್ಟಮ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೇಲೆ ನಿಖರವಾದ ಮತ್ತು ನಿಧಾನವಾದ ನರ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಪ್ರಭಾವವನ್ನು ತಗ್ಗಿಸಲು ಸಾಧ್ಯವಿರುವ ಮಾರ್ಗವಾಗಿದೆ43. ಇಲ್ಲಿ ನಾವು ಪ್ರತಿರೋಧಕ ಸ್ಮರಣೆಯ ಪ್ಲಾಸ್ಟಿಕ್ ನಡವಳಿಕೆಯನ್ನು ನರಗಳ ಇನ್‌ಪುಟ್‌ನ ವರ್ಧನೆಯ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸದ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಸಾಧನವಾಗಿ ಬಳಸಲು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ. 4e, RRAM ಸಿನಾಪ್ಟಿಕ್ ದ್ರವ್ಯರಾಶಿಗೆ ಸಂಬಂಧಿಸಿದ ವಾಹಕತೆಯ ಮಟ್ಟಗಳು ಅನುಗುಣವಾದ ನರ ಪೊರೆಯ ವೋಲ್ಟೇಜ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡ್ಯುಲೇಟ್ ಮಾಡಿದೆ. ನಾವು ಪುನರಾವರ್ತಿತ RRAM ಪ್ರೋಗ್ರಾಮಿಂಗ್ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತೇವೆ. ನೀಡಿದ ಇನ್‌ಪುಟ್‌ಗಾಗಿ, ಸರ್ಕ್ಯೂಟ್‌ನ ಗುರಿ ನಡವಳಿಕೆಯನ್ನು ಪಡೆಯುವವರೆಗೆ ಸಿನಾಪ್ಟಿಕ್ ತೂಕದ ವಾಹಕ ಮೌಲ್ಯಗಳನ್ನು ಮರು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗುತ್ತದೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ).
ಒಂದೇ ಇನ್‌ಪುಟ್ ನಾಡಿಗೆ ಒಂಬತ್ತು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ಪ್ರತ್ಯೇಕ ನ್ಯೂರಾನ್‌ಗಳ ಪ್ರತಿಕ್ರಿಯೆಯ ಪ್ರಾಯೋಗಿಕ ಅಳತೆಗಳು. ಪ್ರತಿಕ್ರಿಯೆಯು ಜನಸಂಖ್ಯೆಯಾದ್ಯಂತ ಬದಲಾಗುತ್ತದೆ, ಇನ್‌ಪುಟ್ ಗಳಿಕೆ ಮತ್ತು ಸಮಯದ ಸ್ಥಿರತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. b ದಿಕ್ಕು-ಸೂಕ್ಷ್ಮ CD ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನರಕೋಶಗಳ ವ್ಯತ್ಯಾಸದ ಮೇಲೆ ನರಕೋಶಗಳ ಪ್ರಭಾವದ ಪ್ರಾಯೋಗಿಕ ಮಾಪನಗಳು. ಎರಡು ದಿಕ್ಕು-ಸೂಕ್ಷ್ಮ CD ಔಟ್‌ಪುಟ್ ನ್ಯೂರಾನ್‌ಗಳು ನ್ಯೂರಾನ್-ಟು-ನ್ಯೂರಾನ್ ವ್ಯತ್ಯಾಸದಿಂದಾಗಿ ಇನ್‌ಪುಟ್ ಪ್ರಚೋದಕಗಳಿಗೆ ವಿಭಿನ್ನವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ. ನ್ಯೂರಾನ್ 0 ನ್ಯೂರಾನ್ 1 ಗಿಂತ ಕಡಿಮೆ ಇನ್‌ಪುಟ್ ಗಳಿಕೆಯನ್ನು ಹೊಂದಿದೆ, ಆದ್ದರಿಂದ ಔಟ್‌ಪುಟ್ ಸ್ಪೈಕ್ ಅನ್ನು ರಚಿಸಲು ಮೂರು ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ (1 ಬದಲಿಗೆ) ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ನಿರೀಕ್ಷೆಯಂತೆ, ನ್ಯೂರಾನ್ 1 ಎರಡು ಇನ್‌ಪುಟ್ ಘಟನೆಗಳೊಂದಿಗೆ ಹೊಸ್ತಿಲನ್ನು ತಲುಪುತ್ತದೆ. ನ್ಯೂರಾನ್ 0 ಬೆಂಕಿಯ ನಂತರ ಇನ್‌ಪುಟ್ 1 Δt = 50 µs ತಲುಪಿದರೆ, CD ಮೌನವಾಗಿರುತ್ತದೆ ಏಕೆಂದರೆ Δt ನ್ಯೂರಾನ್ 1 ರ ಸಮಯ ಸ್ಥಿರಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ (ಸುಮಾರು 22 µs). c ಅನ್ನು Δt = 20 µs ನಿಂದ ಕಡಿಮೆಗೊಳಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದಾಗಿ ನ್ಯೂರಾನ್ 1′s ಫೈರಿಂಗ್ ಇನ್ನೂ ಹೆಚ್ಚಿರುವಾಗ ಇನ್‌ಪುಟ್ 1 ಗರಿಷ್ಠ ಮಟ್ಟಕ್ಕೆ ತಲುಪುತ್ತದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಎರಡು ಇನ್‌ಪುಟ್ ಈವೆಂಟ್‌ಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಪತ್ತೆಹಚ್ಚಲಾಗುತ್ತದೆ.
ITD ಲೆಕ್ಕಾಚಾರದ ಕಾಲಮ್‌ನಲ್ಲಿ ಬಳಸಲಾದ ಎರಡು ಅಂಶಗಳು ವಿಳಂಬ ರೇಖೆ ಮತ್ತು ದಿಕ್ಕು ಸೂಕ್ಷ್ಮವಲ್ಲದ CD. ಎರಡೂ ಸರ್ಕ್ಯೂಟ್‌ಗಳಿಗೆ ಉತ್ತಮ ವಸ್ತು ಸ್ಥಾನಿಕ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ನಿಖರವಾದ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಅಗತ್ಯವಿರುತ್ತದೆ. ವಿಳಂಬ ರೇಖೆಯು ಇನ್‌ಪುಟ್ ಪೀಕ್‌ನ (Fig. 6a) ನಿಖರವಾಗಿ ವಿಳಂಬಗೊಂಡ ಆವೃತ್ತಿಯನ್ನು ತಲುಪಿಸಬೇಕು ಮತ್ತು ಇನ್‌ಪುಟ್ ಗುರಿ ಪತ್ತೆ ವ್ಯಾಪ್ತಿಯೊಳಗೆ ಬಿದ್ದಾಗ ಮಾತ್ರ CD ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬೇಕು. ವಿಳಂಬ ರೇಖೆಗಾಗಿ, ಗುರಿ ವಿಳಂಬವನ್ನು ಪಡೆಯುವವರೆಗೆ ಇನ್‌ಪುಟ್ ಸಂಪರ್ಕಗಳ ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು (Fig. 4a ನಲ್ಲಿ G3) ಮರು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿದೆ. ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ನಿಲ್ಲಿಸಲು ಗುರಿ ವಿಳಂಬದ ಸುತ್ತಲೂ ಸಹಿಷ್ಣುತೆಯನ್ನು ಹೊಂದಿಸಿ: ಸಹಿಷ್ಣುತೆ ಚಿಕ್ಕದಾಗಿದೆ, ವಿಳಂಬ ರೇಖೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಹೊಂದಿಸುವುದು ಹೆಚ್ಚು ಕಷ್ಟ. ಅಂಜೂರದ ಮೇಲೆ. ಚಿತ್ರ 6b ವಿಳಂಬ ರೇಖೆಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತದೆ: ಪ್ರಸ್ತಾವಿತ ಯೋಜನೆಯು ವಿನ್ಯಾಸ ಯೋಜನೆಯಲ್ಲಿ (10 ರಿಂದ 300 μs ವರೆಗೆ) ಅಗತ್ಯವಿರುವ ಎಲ್ಲಾ ವಿಳಂಬಗಳನ್ನು ನಿಖರವಾಗಿ ಒದಗಿಸಬಹುದು ಎಂದು ನೋಡಬಹುದು. ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಗರಿಷ್ಠ ಸಂಖ್ಯೆಯ ಪುನರಾವರ್ತನೆಗಳು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆಯ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ: 200 ಪುನರಾವರ್ತನೆಗಳು ದೋಷವನ್ನು 5% ಕ್ಕಿಂತ ಕಡಿಮೆಗೊಳಿಸಬಹುದು. ಒಂದು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪುನರಾವರ್ತನೆಯು RRAM ಕೋಶದ ಒಂದು ಸೆಟ್/ರೀಸೆಟ್ ಕಾರ್ಯಾಚರಣೆಗೆ ಅನುರೂಪವಾಗಿದೆ. ಟ್ಯೂನಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು CD ಮಾಡ್ಯೂಲ್ ತತ್‌ಕ್ಷಣದ ನಿಕಟ ಘಟನೆ ಪತ್ತೆಯ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಹ ನಿರ್ಣಾಯಕವಾಗಿದೆ. 95% (ಚಿತ್ರ 6c ನಲ್ಲಿ ನೀಲಿ ರೇಖೆ) ಗಿಂತ ಹೆಚ್ಚಿನ ನಿಜವಾದ ಧನಾತ್ಮಕ ದರವನ್ನು (ಅಂದರೆ, ಸಂಬಂಧಿತವೆಂದು ಸರಿಯಾಗಿ ಗುರುತಿಸಲಾದ ಘಟನೆಗಳ ದರ) ಸಾಧಿಸಲು ಹತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪುನರಾವರ್ತನೆಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿತು. ಆದಾಗ್ಯೂ, ಶ್ರುತಿ ಪ್ರಕ್ರಿಯೆಯು ತಪ್ಪು ಧನಾತ್ಮಕ ಘಟನೆಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಲಿಲ್ಲ (ಅಂದರೆ, ಸಂಬಂಧಿತವೆಂದು ತಪ್ಪಾಗಿ ಗುರುತಿಸಲಾದ ಘಟನೆಗಳ ಆವರ್ತನ). ವೇಗವಾಗಿ ಸಕ್ರಿಯಗೊಳಿಸುವ ಮಾರ್ಗಗಳ ಸಮಯದ ನಿರ್ಬಂಧಗಳನ್ನು ನಿವಾರಿಸಲು ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಗಮನಿಸಲಾದ ಮತ್ತೊಂದು ವಿಧಾನವು ಪುನರಾವರ್ತನೆಯಾಗಿದೆ (ಅಂದರೆ, ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ಒಂದೇ ವಸ್ತುವಿನ ಅನೇಕ ಪ್ರತಿಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ). ಜೀವಶಾಸ್ತ್ರ66 ನಿಂದ ಪ್ರೇರಿತರಾಗಿ, ತಪ್ಪು ಧನಾತ್ಮಕ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನಾವು ಎರಡು ವಿಳಂಬ ರೇಖೆಗಳ ನಡುವೆ ಪ್ರತಿ CD ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ಹಲವಾರು CD ಸರ್ಕ್ಯೂಟ್‌ಗಳನ್ನು ಇರಿಸಿದ್ದೇವೆ. ಅಂಜೂರದಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ. 6c (ಗ್ರೀನ್ ಲೈನ್), ಪ್ರತಿ CD ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ಮೂರು CD ಅಂಶಗಳನ್ನು ಇರಿಸುವುದರಿಂದ ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ದರವನ್ನು 10-2 ಕ್ಕಿಂತ ಕಡಿಮೆಗೊಳಿಸಬಹುದು.
ವಿಳಂಬ ರೇಖೆಯ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಮೇಲೆ ನರಕೋಶದ ವ್ಯತ್ಯಾಸದ ಪರಿಣಾಮ. b ಡಿಲೇ ಲೈನ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳನ್ನು ಅನುಗುಣವಾದ LIF ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು DPI ಸಿನಾಪ್‌ಗಳ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳನ್ನು ದೊಡ್ಡ ಮೌಲ್ಯಗಳಿಗೆ ಹೊಂದಿಸುವ ಮೂಲಕ ದೊಡ್ಡ ವಿಳಂಬಗಳಿಗೆ ಅಳೆಯಬಹುದು. RRAM ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಕಾರ್ಯವಿಧಾನದ ಪುನರಾವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಗುರಿ ವಿಳಂಬದ ನಿಖರತೆಯನ್ನು ಗಣನೀಯವಾಗಿ ಸುಧಾರಿಸಲು ಸಾಧ್ಯವಾಯಿತು: 200 ಪುನರಾವರ್ತನೆಗಳು ದೋಷವನ್ನು 5% ಕ್ಕಿಂತ ಕಡಿಮೆಗೊಳಿಸಿದವು. ಒಂದು ಪುನರಾವರ್ತನೆಯು RRAM ಸೆಲ್‌ನಲ್ಲಿ SET/RESET ಕಾರ್ಯಾಚರಣೆಗೆ ಅನುರೂಪವಾಗಿದೆ. ಸಿ ಜೆಫ್ರೆಸ್ ಮಾದರಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು CD ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಸಿಸ್ಟಮ್ ವೈಫಲ್ಯಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಹೆಚ್ಚಿನ ನಮ್ಯತೆಗಾಗಿ N ಸಮಾನಾಂತರ CD ಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. d ಹೆಚ್ಚು RRAM ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪುನರಾವರ್ತನೆಗಳು ನಿಜವಾದ ಧನಾತ್ಮಕ ದರವನ್ನು (ನೀಲಿ ರೇಖೆ) ಹೆಚ್ಚಿಸುತ್ತವೆ, ಆದರೆ ತಪ್ಪು ಧನಾತ್ಮಕ ದರವು ಪುನರಾವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯಿಂದ ಸ್ವತಂತ್ರವಾಗಿರುತ್ತದೆ (ಹಸಿರು ರೇಖೆ). ಹೆಚ್ಚು CD ಅಂಶಗಳನ್ನು ಸಮಾನಾಂತರವಾಗಿ ಇರಿಸುವುದರಿಂದ CD ಮಾಡ್ಯೂಲ್ ಹೊಂದಾಣಿಕೆಗಳ ತಪ್ಪು ಪತ್ತೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.
pMUT ಸಂವೇದಕ, CD ಮತ್ತು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಗ್ರಾಫ್ ಅನ್ನು ರೂಪಿಸುವ ವಿಳಂಬ ಲೈನ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಅಕೌಸ್ಟಿಕ್ ಗುಣಲಕ್ಷಣಗಳ ಅಳತೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಚಿತ್ರ 2 ರಲ್ಲಿ ತೋರಿಸಿರುವ ಎಂಡ್-ಟು-ಎಂಡ್ ಇಂಟಿಗ್ರೇಟೆಡ್ ಆಬ್ಜೆಕ್ಟ್ ಲೋಕಲೈಸೇಶನ್ ಸಿಸ್ಟಮ್‌ನ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ನಾವು ಈಗ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ಜೆಫ್ರೆಸ್ ಮಾದರಿ (ಚಿತ್ರ 1a). ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಗ್ರಾಫ್ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಸಿಡಿ ಮಾಡ್ಯೂಲ್ಗಳು, ಉತ್ತಮ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್, ಆದರೆ ಸಿಸ್ಟಮ್ನ ಹೆಚ್ಚಿನ ಶಕ್ತಿ (Fig. 7a). ಸಂಪೂರ್ಣ ವ್ಯವಸ್ಥೆಯ ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರತ್ಯೇಕ ಘಟಕಗಳ (pMUT ಸಂವೇದಕಗಳು, ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳು) ನಿಖರತೆಯನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ರಾಜಿ ಸಾಧಿಸಬಹುದು. ವಿಳಂಬ ರೇಖೆಯ ರೆಸಲ್ಯೂಶನ್ ಸಿಮ್ಯುಲೇಟೆಡ್ ಸಿನಾಪ್ಸಸ್ ಮತ್ತು ನ್ಯೂರಾನ್‌ಗಳ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳಿಂದ ಸೀಮಿತವಾಗಿದೆ, ಇದು ನಮ್ಮ ಯೋಜನೆಯಲ್ಲಿ 10 µs ಅನ್ನು ಮೀರುತ್ತದೆ, ಇದು 4 ° ನ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್‌ಗೆ ಅನುರೂಪವಾಗಿದೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ). CMOS ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಹೆಚ್ಚು ಸುಧಾರಿತ ನೋಡ್‌ಗಳು ಕಡಿಮೆ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳೊಂದಿಗೆ ನರ ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ವಿನ್ಯಾಸವನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಇದು ವಿಳಂಬ ರೇಖೆಯ ಅಂಶಗಳ ಹೆಚ್ಚಿನ ನಿಖರತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ನಮ್ಮ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಕೋನೀಯ ಸ್ಥಾನವನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ pMUT ದೋಷದಿಂದ ನಿಖರತೆಯು ಸೀಮಿತವಾಗಿದೆ, ಅಂದರೆ 10 ° (ಅಂಜೂರ 7a ನಲ್ಲಿ ನೀಲಿ ಸಮತಲ ರೇಖೆ). ನಾವು CD ಮಾಡ್ಯೂಲ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು 40 ಕ್ಕೆ ನಿಗದಿಪಡಿಸಿದ್ದೇವೆ, ಇದು ಸುಮಾರು 4 ° ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್‌ಗೆ ಅನುರೂಪವಾಗಿದೆ, ಅಂದರೆ, ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ನ ಕೋನೀಯ ನಿಖರತೆ (Fig. 7a ನಲ್ಲಿ ತಿಳಿ ನೀಲಿ ಸಮತಲ ರೇಖೆ). ಸಿಸ್ಟಮ್ ಮಟ್ಟದಲ್ಲಿ, ಇದು ಸಂವೇದಕ ವ್ಯವಸ್ಥೆಯ ಮುಂದೆ 50 ಸೆಂ.ಮೀ ಇರುವ ವಸ್ತುಗಳಿಗೆ 4 ° ಮತ್ತು 10 ° ನ ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ಮೌಲ್ಯವನ್ನು ref ನಲ್ಲಿ ವರದಿ ಮಾಡಲಾದ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಧ್ವನಿ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೋಲಿಸಬಹುದಾಗಿದೆ. 67. ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯ ಅತ್ಯಾಧುನಿಕ ವ್ಯವಸ್ಥೆಯ ಹೋಲಿಕೆಯನ್ನು ಪೂರಕ ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ಕಾಣಬಹುದು. ಹೆಚ್ಚುವರಿ pMUT ಗಳನ್ನು ಸೇರಿಸುವುದು, ಅಕೌಸ್ಟಿಕ್ ಸಿಗ್ನಲ್ ಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸುವುದು ಮತ್ತು ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಶಬ್ದವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಸ್ಥಳೀಕರಣದ ನಿಖರತೆಯನ್ನು ಇನ್ನಷ್ಟು ಸುಧಾರಿಸಲು ಸಾಧ್ಯವಿರುವ ಮಾರ್ಗಗಳಾಗಿವೆ. ) 9.7 ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. nz 55. ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್‌ನಲ್ಲಿ 40 CD ಘಟಕಗಳನ್ನು ನೀಡಲಾಗಿದೆ, SPICE ಸಿಮ್ಯುಲೇಶನ್ ಪ್ರತಿ ಕಾರ್ಯಾಚರಣೆಯ ಶಕ್ತಿಯನ್ನು (ಅಂದರೆ, ಆಬ್ಜೆಕ್ಟ್ ಪೊಸಿಷನಿಂಗ್ ಎನರ್ಜಿ) 21.6 nJ ಎಂದು ಅಂದಾಜಿಸಿದೆ. ಇನ್‌ಪುಟ್ ಈವೆಂಟ್ ಬಂದಾಗ ಮಾತ್ರ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲಾಗುತ್ತದೆ, ಅಂದರೆ ಅಕೌಸ್ಟಿಕ್ ತರಂಗವು ಯಾವುದೇ pMUT ರಿಸೀವರ್ ಅನ್ನು ತಲುಪಿದಾಗ ಮತ್ತು ಪತ್ತೆ ಮಿತಿಯನ್ನು ಮೀರಿದಾಗ, ಇಲ್ಲದಿದ್ದರೆ ಅದು ನಿಷ್ಕ್ರಿಯವಾಗಿರುತ್ತದೆ. ಇನ್ಪುಟ್ ಸಿಗ್ನಲ್ ಇಲ್ಲದಿದ್ದಾಗ ಇದು ಅನಗತ್ಯ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. 100 Hz ನ ಸ್ಥಳೀಕರಣ ಕಾರ್ಯಾಚರಣೆಗಳ ಆವರ್ತನ ಮತ್ತು ಪ್ರತಿ ಕಾರ್ಯಾಚರಣೆಗೆ 300 µs ಸಕ್ರಿಯಗೊಳಿಸುವ ಅವಧಿಯನ್ನು ಪರಿಗಣಿಸಿ (ಗರಿಷ್ಠ ಸಂಭವನೀಯ ITD), ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಗ್ರಾಫ್‌ನ ವಿದ್ಯುತ್ ಬಳಕೆ 61.7 nW ಆಗಿದೆ. ಪ್ರತಿ pMUT ರಿಸೀವರ್‌ಗೆ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯೊಂದಿಗೆ, ಸಂಪೂರ್ಣ ಸಿಸ್ಟಮ್‌ನ ವಿದ್ಯುತ್ ಬಳಕೆ 81.6 nW ತಲುಪುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಹಾರ್ಡ್‌ವೇರ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಪ್ರಸ್ತಾವಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನದ ಶಕ್ತಿಯ ದಕ್ಷತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನಾವು ಈ ಸಂಖ್ಯೆಯನ್ನು ಆಧುನಿಕ ಕಡಿಮೆ ಶಕ್ತಿಯ ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್‌ನಲ್ಲಿ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಥವಾ ಸಾಂಪ್ರದಾಯಿಕ ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ 68 ಸ್ಕಿಲ್ ಬಳಸಿ ಅದೇ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಶಕ್ತಿಗೆ ಹೋಲಿಸಿದ್ದೇವೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನವು ಅನಲಾಗ್-ಟು-ಡಿಜಿಟಲ್ ಪರಿವರ್ತಕ (ADC) ಹಂತವನ್ನು ಪರಿಗಣಿಸುತ್ತದೆ, ನಂತರ ಬ್ಯಾಂಡ್-ಪಾಸ್ ಫಿಲ್ಟರ್ ಮತ್ತು ಎನ್ವಲಪ್ ಹೊರತೆಗೆಯುವ ಹಂತ (ಟೀಗರ್-ಕೈಸರ್ ವಿಧಾನ). ಅಂತಿಮವಾಗಿ, ToF ಅನ್ನು ಹೊರತೆಗೆಯಲು ಮಿತಿ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ. ನಾವು ToF ಆಧರಿಸಿ ITD ಯ ಲೆಕ್ಕಾಚಾರವನ್ನು ಮತ್ತು ಅಂದಾಜು ಕೋನೀಯ ಸ್ಥಾನಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟಿದ್ದೇವೆ ಏಕೆಂದರೆ ಇದು ಪ್ರತಿ ಅಳತೆಗೆ ಒಮ್ಮೆ ಸಂಭವಿಸುತ್ತದೆ (ವಿಧಾನಗಳನ್ನು ನೋಡಿ). ಎರಡೂ ಚಾನಲ್‌ಗಳಲ್ಲಿ (pMUT ರಿಸೀವರ್‌ಗಳು), 18 ಬ್ಯಾಂಡ್ ಪಾಸ್ ಫಿಲ್ಟರ್ ಕಾರ್ಯಾಚರಣೆಗಳು, 3 ಹೊದಿಕೆ ಹೊರತೆಗೆಯುವಿಕೆ ಕಾರ್ಯಾಚರಣೆಗಳು ಮತ್ತು ಪ್ರತಿ ಮಾದರಿಗೆ 1 ಥ್ರೆಶೋಲ್ಡ್ ಕಾರ್ಯಾಚರಣೆಯಲ್ಲಿ 250 kHz ಮಾದರಿ ದರವನ್ನು ಊಹಿಸಿದರೆ, ಒಟ್ಟು ವಿದ್ಯುತ್ ಬಳಕೆ 245 ಮೈಕ್ರೋವ್ಯಾಟ್‌ಗಳೆಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. ಇದು ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್‌ನ ಕಡಿಮೆ-ಶಕ್ತಿಯ ಮೋಡ್ 69 ಅನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸದಿದ್ದಾಗ ಆನ್ ಆಗುತ್ತದೆ, ಇದು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು 10.8 µW ಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಉಲ್ಲೇಖದಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಬೀಮ್ಫಾರ್ಮಿಂಗ್ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ಪರಿಹಾರದ ವಿದ್ಯುತ್ ಬಳಕೆ. 31, 5 pMUT ರಿಸೀವರ್‌ಗಳು ಮತ್ತು 11 ಕಿರಣಗಳನ್ನು ಅಜಿಮುತ್ ಪ್ಲೇನ್‌ನಲ್ಲಿ ಏಕರೂಪವಾಗಿ ವಿತರಿಸಲಾಗುತ್ತದೆ [-50°, +50°], 11.71 mW (ವಿವರಗಳಿಗಾಗಿ ವಿಧಾನಗಳ ವಿಭಾಗವನ್ನು ನೋಡಿ). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಆಬ್ಜೆಕ್ಟ್ ಸ್ಥಳೀಕರಣಕ್ಕಾಗಿ ಜೆಫ್ರೆಸ್ ಮಾದರಿಯ ಬದಲಿಯಾಗಿ 1.5 mW ಅಂದಾಜು ಮಾಡಲಾದ FPGA47-ಆಧಾರಿತ ಟೈಮ್ ಡಿಫರೆನ್ಸ್ ಎನ್‌ಕೋಡರ್ (TDE) ನ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ನಾವು ವರದಿ ಮಾಡುತ್ತೇವೆ. ಈ ಅಂದಾಜಿನ ಆಧಾರದ ಮೇಲೆ, ಉದ್ದೇಶಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನವು ಆಬ್ಜೆಕ್ಟ್ ಸ್ಥಳೀಕರಣ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಾಗಿ ಕ್ಲಾಸಿಕಲ್ ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಬಳಸುವ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್‌ಗೆ ಹೋಲಿಸಿದರೆ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಐದು ಆರ್ಡರ್‌ಗಳ ಪ್ರಮಾಣದಲ್ಲಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಕ್ಲಾಸಿಕ್ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್‌ನಲ್ಲಿ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್‌ಗೆ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದರಿಂದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಸುಮಾರು ಎರಡು ಆರ್ಡರ್‌ಗಳ ಪ್ರಮಾಣದಲ್ಲಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಇನ್-ಮೆಮೊರಿ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಅಸಮಕಾಲಿಕ ಪ್ರತಿರೋಧಕ-ಮೆಮೊರಿ ಅನಲಾಗ್ ಸರ್ಕ್ಯೂಟ್‌ನ ಸಂಯೋಜನೆ ಮತ್ತು ಸಂಕೇತಗಳನ್ನು ಗ್ರಹಿಸಲು ಅಗತ್ಯವಿರುವ ಅನಲಾಗ್-ಟು-ಡಿಜಿಟಲ್ ಪರಿವರ್ತನೆಯ ಕೊರತೆಯಿಂದ ವಿವರಿಸಬಹುದು.
ಸಿಡಿ ಮಾಡ್ಯೂಲ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿ ಸ್ಥಳೀಕರಣ ಕಾರ್ಯಾಚರಣೆಯ ಕೋನೀಯ ರೆಸಲ್ಯೂಶನ್ (ನೀಲಿ) ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆ (ಹಸಿರು). ಗಾಢ ನೀಲಿ ಸಮತಲ ಪಟ್ಟಿಯು PMUT ನ ಕೋನೀಯ ನಿಖರತೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ತಿಳಿ ನೀಲಿ ಸಮತಲ ಪಟ್ಟಿಯು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಗ್ರಾಫ್ನ ಕೋನೀಯ ನಿಖರತೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. b ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯ ವಿದ್ಯುತ್ ಬಳಕೆ ಮತ್ತು ಎರಡು ಚರ್ಚಿಸಿದ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್ ಅಳವಡಿಕೆಗಳೊಂದಿಗೆ ಹೋಲಿಕೆ ಮತ್ತು ಟೈಮ್ ಡಿಫರೆನ್ಸ್ ಎನ್‌ಕೋಡರ್ (TDE)47 FPGA ಯ ಡಿಜಿಟಲ್ ಅನುಷ್ಠಾನ.
ಗುರಿ ಸ್ಥಳೀಕರಣ ವ್ಯವಸ್ಥೆಯ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು ಉದ್ದೇಶಿತ ವಸ್ತುವಿನ ಸ್ಥಾನವನ್ನು ನೈಜವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಅಂತರ್ನಿರ್ಮಿತ ಸಂವೇದಕಗಳಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಸಿಗ್ನಲ್ ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಪರಿಣಾಮಕಾರಿ, ಈವೆಂಟ್-ಚಾಲಿತ RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ರೂಪಿಸಿದ್ದೇವೆ, ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದೇವೆ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಿದ್ದೇವೆ. ಸಮಯ. . ಸಾಂಪ್ರದಾಯಿಕ ಸಂಸ್ಕರಣಾ ವಿಧಾನಗಳು ನಿರಂತರವಾಗಿ ಪತ್ತೆಯಾದ ಸಂಕೇತಗಳನ್ನು ಮಾದರಿಯಾಗಿಸುತ್ತವೆ ಮತ್ತು ಉಪಯುಕ್ತ ಮಾಹಿತಿಯನ್ನು ಹೊರತೆಗೆಯಲು ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ, ಪ್ರಸ್ತಾವಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪರಿಹಾರವು ಉಪಯುಕ್ತ ಮಾಹಿತಿಯು ಆಗಮಿಸಿದಂತೆ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ಅಸಮಕಾಲಿಕವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ, ಐದು ಆದೇಶಗಳ ಮೂಲಕ ಸಿಸ್ಟಮ್ ಪವರ್ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ನಾವು RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ನಮ್ಯತೆಯನ್ನು ಹೈಲೈಟ್ ಮಾಡುತ್ತೇವೆ. ಅಸ್ಥಿರವಲ್ಲದ ರೀತಿಯಲ್ಲಿ (ಪ್ಲಾಸ್ಟಿಸಿಟಿ) ವಾಹಕತೆಯನ್ನು ಬದಲಾಯಿಸುವ RRAM ನ ಸಾಮರ್ಥ್ಯವು ಅಲ್ಟ್ರಾ-ಲೋ ಪವರ್ ಅನಲಾಗ್ ಡಿಪಿಐನ ಸಿನಾಪ್ಟಿಕ್ ಮತ್ತು ನ್ಯೂರಲ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಅಂತರ್ಗತ ವ್ಯತ್ಯಾಸವನ್ನು ಸರಿದೂಗಿಸುತ್ತದೆ. ಇದು ಈ RRAM-ಆಧಾರಿತ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ಬಹುಮುಖ ಮತ್ತು ಶಕ್ತಿಯುತವಾಗಿಸುತ್ತದೆ. ಸಿಗ್ನಲ್‌ಗಳಿಂದ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳು ಅಥವಾ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯುವುದು ನಮ್ಮ ಗುರಿಯಲ್ಲ, ಆದರೆ ನೈಜ ಸಮಯದಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಸ್ಥಳೀಕರಿಸುವುದು. ನಮ್ಮ ಸಿಸ್ಟಂ ಸಿಗ್ನಲ್ ಅನ್ನು ಸಮರ್ಥವಾಗಿ ಸಂಕುಚಿತಗೊಳಿಸಬಹುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದಾಗ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅದನ್ನು ಮತ್ತಷ್ಟು ಪ್ರಕ್ರಿಯೆ ಹಂತಗಳಿಗೆ ಕಳುಹಿಸಬಹುದು. ಸ್ಥಳೀಕರಣ ಅನ್ವಯಗಳ ಸಂದರ್ಭದಲ್ಲಿ, ನಮ್ಮ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ ಹಂತವು ವಸ್ತುಗಳ ಸ್ಥಳದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಮಾಹಿತಿಯನ್ನು ಚಲನೆಯ ಪತ್ತೆ ಅಥವಾ ಗೆಸ್ಚರ್ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಬಳಸಬಹುದು. ಅಲ್ಟ್ರಾ ಲೋ ಪವರ್ ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್‌ನೊಂದಿಗೆ pMUT ಗಳಂತಹ ಅಲ್ಟ್ರಾ ಕಡಿಮೆ ಪವರ್ ಸೆನ್ಸರ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನಾವು ಒತ್ತಿಹೇಳುತ್ತೇವೆ. ಇದಕ್ಕಾಗಿ, ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವಿಧಾನಗಳು ಪ್ರಮುಖವಾಗಿವೆ ಏಕೆಂದರೆ ಅವು ಜೆಫ್ರೆಸ್ ಮಾದರಿಯಂತಹ ಜೈವಿಕವಾಗಿ ಪ್ರೇರಿತ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನಗಳ ಹೊಸ ಸರ್ಕ್ಯೂಟ್ ಅನುಷ್ಠಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಕಾರಣವಾಗಿವೆ. ಸಂವೇದಕ ಫ್ಯೂಷನ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಸಂದರ್ಭದಲ್ಲಿ, ಹೆಚ್ಚು ನಿಖರವಾದ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯಲು ನಮ್ಮ ಸಿಸ್ಟಮ್ ಅನ್ನು ಹಲವಾರು ವಿಭಿನ್ನ ಈವೆಂಟ್-ಆಧಾರಿತ ಸಂವೇದಕಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಬಹುದು. ಗೂಬೆಗಳು ಕತ್ತಲೆಯಲ್ಲಿ ಬೇಟೆಯನ್ನು ಹುಡುಕುವಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿದ್ದರೂ, ಅವು ಅತ್ಯುತ್ತಮ ದೃಷ್ಟಿಯನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಬೇಟೆಯನ್ನು ಹಿಡಿಯುವ ಮೊದಲು ಸಂಯೋಜಿತ ಶ್ರವಣೇಂದ್ರಿಯ ಮತ್ತು ದೃಶ್ಯ ಹುಡುಕಾಟವನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ. ನಿರ್ದಿಷ್ಟ ಶ್ರವಣೇಂದ್ರಿಯ ನರಕೋಶವು ಉರಿಯುವಾಗ, ಗೂಬೆ ತನ್ನ ದೃಷ್ಟಿಗೋಚರ ಹುಡುಕಾಟವನ್ನು ಯಾವ ದಿಕ್ಕಿನಲ್ಲಿ ಪ್ರಾರಂಭಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುತ್ತದೆ, ಹೀಗಾಗಿ ದೃಶ್ಯ ದೃಶ್ಯದ ಒಂದು ಸಣ್ಣ ಭಾಗದಲ್ಲಿ ತನ್ನ ಗಮನವನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. ಭವಿಷ್ಯದ ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳ ಅಭಿವೃದ್ಧಿಗಾಗಿ ದೃಶ್ಯ ಸಂವೇದಕಗಳ ಸಂಯೋಜನೆ (DVS ಕ್ಯಾಮೆರಾ) ಮತ್ತು ಪ್ರಸ್ತಾವಿತ ಆಲಿಸುವ ಸಂವೇದಕ (pMUT ಆಧಾರಿತ) ಅನ್ನು ಅನ್ವೇಷಿಸಬೇಕು.
pMUT ಸಂವೇದಕವು PCB ಯಲ್ಲಿ ಎರಡು ರಿಸೀವರ್‌ಗಳೊಂದಿಗೆ ಸುಮಾರು 10 ಸೆಂ.ಮೀ ಅಂತರದಲ್ಲಿದೆ ಮತ್ತು ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ ರಿಸೀವರ್‌ಗಳ ನಡುವೆ ಇದೆ. ಈ ಕೆಲಸದಲ್ಲಿ, ಪ್ರತಿ ಪೊರೆಯು ಎರಡು ಪದರಗಳ ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಅಲ್ಯೂಮಿನಿಯಂ ನೈಟ್ರೈಡ್ (AlN) 800 nm ದಪ್ಪವಿರುವ ಮಾಲಿಬ್ಡಿನಮ್ (Mo) 200 nm ದಪ್ಪದ ಮತ್ತು 200 nm ದಪ್ಪದ ಪದರದಿಂದ ಲೇಪಿತವಾಗಿರುವ ಎರಡು ಪದರಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಅಮಾನತುಗೊಂಡ ಬೈಮಾರ್ಫ್ ರಚನೆಯಾಗಿದೆ. ಉಲ್ಲೇಖದಲ್ಲಿ ವಿವರಿಸಿದಂತೆ ಮೇಲಿನ ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವ SiN ಪದರ. 71. ಒಳ ಮತ್ತು ಹೊರ ವಿದ್ಯುದ್ವಾರಗಳನ್ನು ಮಾಲಿಬ್ಡಿನಮ್‌ನ ಕೆಳಗಿನ ಮತ್ತು ಮೇಲಿನ ಪದರಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಮಧ್ಯದ ಮಾಲಿಬ್ಡಿನಮ್ ವಿದ್ಯುದ್ವಾರವು ಮಾದರಿಯಿಲ್ಲದ ಮತ್ತು ನೆಲದಂತೆ ಬಳಸಲ್ಪಡುತ್ತದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ನಾಲ್ಕು ಜೋಡಿ ವಿದ್ಯುದ್ವಾರಗಳೊಂದಿಗೆ ಪೊರೆಯು ಉಂಟಾಗುತ್ತದೆ.
ಈ ವಾಸ್ತುಶಿಲ್ಪವು ಸಾಮಾನ್ಯ ಪೊರೆಯ ವಿರೂಪತೆಯ ಬಳಕೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಸುಧಾರಿತ ಪ್ರಸರಣ ಮತ್ತು ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ. ಅಂತಹ pMUT ವಿಶಿಷ್ಟವಾಗಿ 700 nm/V ಪ್ರಚೋದಕ ಸಂವೇದನೆಯನ್ನು ಹೊರಸೂಸುವಂತೆ ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಇದು 270 Pa/V ನ ಮೇಲ್ಮೈ ಒತ್ತಡವನ್ನು ಒದಗಿಸುತ್ತದೆ. ರಿಸೀವರ್ ಆಗಿ, ಒಂದು pMUT ಫಿಲ್ಮ್ 15 nA/Pa ನ ಶಾರ್ಟ್ ಸರ್ಕ್ಯೂಟ್ ಸಂವೇದನೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ, ಇದು AlN ನ ಪೀಜೋಎಲೆಕ್ಟ್ರಿಕ್ ಗುಣಾಂಕಕ್ಕೆ ನೇರವಾಗಿ ಸಂಬಂಧಿಸಿದೆ. AlN ಪದರದಲ್ಲಿನ ವೋಲ್ಟೇಜ್‌ನ ತಾಂತ್ರಿಕ ವ್ಯತ್ಯಾಸವು ಪ್ರತಿಧ್ವನಿಸುವ ಆವರ್ತನದಲ್ಲಿ ಬದಲಾವಣೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಇದನ್ನು pMUT ಗೆ DC ಪಕ್ಷಪಾತವನ್ನು ಅನ್ವಯಿಸುವ ಮೂಲಕ ಸರಿದೂಗಿಸಬಹುದು. DC ಸೂಕ್ಷ್ಮತೆಯನ್ನು 0.5 kHz/V ನಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ. ಅಕೌಸ್ಟಿಕ್ ಗುಣಲಕ್ಷಣಕ್ಕಾಗಿ, pMUT ಮುಂದೆ ಮೈಕ್ರೊಫೋನ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಪ್ರತಿಧ್ವನಿ ನಾಡಿಯನ್ನು ಅಳೆಯಲು, ನಾವು ಹೊರಸೂಸುವ ಧ್ವನಿ ತರಂಗಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸಲು pMUT ಮುಂದೆ ಸುಮಾರು 50 cm2 ವಿಸ್ತೀರ್ಣದೊಂದಿಗೆ ಒಂದು ಆಯತಾಕಾರದ ಪ್ಲೇಟ್ ಅನ್ನು ಇರಿಸಿದ್ದೇವೆ. ಪ್ಲೇಟ್‌ಗಳ ನಡುವಿನ ಅಂತರ ಮತ್ತು pMUT ಸಮತಲಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಕೋನ ಎರಡನ್ನೂ ವಿಶೇಷ ಹೋಲ್ಡರ್‌ಗಳನ್ನು ಬಳಸಿ ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ. Tectronix CPX400DP ವೋಲ್ಟೇಜ್ ಮೂಲವು ಮೂರು pMUT ಮೆಂಬರೇನ್‌ಗಳನ್ನು ಪಕ್ಷಪಾತ ಮಾಡುತ್ತದೆ, ಪ್ರತಿಧ್ವನಿಸುವ ಆವರ್ತನವನ್ನು 111.9 kHz31 ಗೆ ಟ್ಯೂನ್ ಮಾಡುತ್ತದೆ, ಆದರೆ ಟ್ರಾನ್ಸ್‌ಮಿಟರ್‌ಗಳನ್ನು ಪ್ರತಿಧ್ವನಿಸುವ ಆವರ್ತನಕ್ಕೆ ಟ್ಯೂನ್ ಮಾಡಲಾದ Tectronix AFG 3102 ಪಲ್ಸ್ ಜನರೇಟರ್ (111.0 kHz) ಮತ್ತು ಡ್ಯೂಟಿ ಸೈಕಲ್‌ನಿಂದ ನಡೆಸಲ್ಪಡುತ್ತದೆ. ಪ್ರತಿ pMUT ರಿಸೀವರ್‌ನ ನಾಲ್ಕು ಔಟ್‌ಪುಟ್ ಪೋರ್ಟ್‌ಗಳಿಂದ ಓದುವ ಕರೆಂಟ್‌ಗಳನ್ನು ವಿಶೇಷ ಡಿಫರೆನ್ಷಿಯಲ್ ಕರೆಂಟ್ ಮತ್ತು ವೋಲ್ಟೇಜ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಬಳಸಿ ವೋಲ್ಟೇಜ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ಸ್ಪೆಕ್ಟ್ರಮ್ ಡೇಟಾ ಸ್ವಾಧೀನ ವ್ಯವಸ್ಥೆಯಿಂದ ಡಿಜಿಟೈಸ್ ಮಾಡಲಾಗುತ್ತದೆ. ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಮಿತಿಯನ್ನು ವಿಭಿನ್ನ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ pMUT ಸಿಗ್ನಲ್ ಸ್ವಾಧೀನದಿಂದ ನಿರೂಪಿಸಲಾಗಿದೆ: ನಾವು ಪ್ರತಿಫಲಕವನ್ನು ವಿಭಿನ್ನ ದೂರಗಳಿಗೆ [30, 40, 50, 60, 80, 100] ಸೆಂ.ಮೀ.ಗೆ ಸರಿಸಿದೆವು ಮತ್ತು pMUT ಬೆಂಬಲ ಕೋನವನ್ನು ಬದಲಾಯಿಸಿದ್ದೇವೆ ([0, 20, 40] o ) ಚಿತ್ರ 2b ಡಿಗ್ರಿಗಳಲ್ಲಿ ಅನುಗುಣವಾದ ಕೋನೀಯ ಸ್ಥಾನವನ್ನು ಅವಲಂಬಿಸಿ ತಾತ್ಕಾಲಿಕ ITD ಪತ್ತೆ ನಿರ್ಣಯವನ್ನು ತೋರಿಸುತ್ತದೆ.
ಈ ಲೇಖನವು ಎರಡು ವಿಭಿನ್ನ ಆಫ್-ದಿ-ಶೆಲ್ಫ್ RRAM ಸರ್ಕ್ಯೂಟ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಮೊದಲನೆಯದು ಒಂದು ಟ್ರಾನ್ಸಿಸ್ಟರ್ ಮತ್ತು ಒಂದು ರೆಸಿಸ್ಟರ್‌ನೊಂದಿಗೆ 1T1R ಸಂರಚನೆಯಲ್ಲಿ 16,384 (16,000) ಸಾಧನಗಳ (128 × 128 ಸಾಧನಗಳು) ಒಂದು ಶ್ರೇಣಿಯಾಗಿದೆ. ಎರಡನೇ ಚಿಪ್ ಚಿತ್ರ 4a ನಲ್ಲಿ ತೋರಿಸಿರುವ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಆಗಿದೆ. RRAM ಕೋಶವು 5 nm ದಪ್ಪದ HfO2 ಫಿಲ್ಮ್ ಅನ್ನು TiN/HfO2/Ti/TiN ಸ್ಟಾಕ್‌ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ. RRAM ಸ್ಟಾಕ್ ಅನ್ನು ಪ್ರಮಾಣಿತ 130nm CMOS ಪ್ರಕ್ರಿಯೆಯ ಬ್ಯಾಕ್-ಆಫ್-ಲೈನ್ (BEOL) ಗೆ ಸಂಯೋಜಿಸಲಾಗಿದೆ. RRAM-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಎಲ್ಲಾ-ಅನಲಾಗ್ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸಿಸ್ಟಮ್‌ಗಳಿಗೆ ವಿನ್ಯಾಸ ಸವಾಲನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುತ್ತವೆ, ಇದರಲ್ಲಿ RRAM ಸಾಧನಗಳು ಸಾಂಪ್ರದಾಯಿಕ CMOS ತಂತ್ರಜ್ಞಾನದೊಂದಿಗೆ ಸಹಬಾಳ್ವೆ ನಡೆಸುತ್ತವೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ, RRAM ಸಾಧನದ ವಹನ ಸ್ಥಿತಿಯನ್ನು ಓದಬೇಕು ಮತ್ತು ಸಿಸ್ಟಮ್‌ಗೆ ಫಂಕ್ಷನ್ ವೇರಿಯಬಲ್ ಆಗಿ ಬಳಸಬೇಕು. ಈ ನಿಟ್ಟಿನಲ್ಲಿ, ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ ಸ್ವೀಕರಿಸಿದಾಗ ಸಾಧನದಿಂದ ಪ್ರವಾಹವನ್ನು ಓದುವ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ತಯಾರಿಸಲಾಗಿದೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾಗಿದೆ ಮತ್ತು ಡಿಫರೆನ್ಷಿಯಲ್ ಪೇರ್ ಇಂಟಿಗ್ರೇಟರ್ (ಡಿಪಿಐ) ಸಿನಾಪ್ಸ್‌ನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ತೂಕ ಮಾಡಲು ಈ ಪ್ರವಾಹವನ್ನು ಬಳಸುತ್ತದೆ. ಈ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ಚಿತ್ರ 3a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ, ಇದು ಚಿತ್ರ 4a ನಲ್ಲಿನ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಮೂಲ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್‌ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ 1T1R ಸಾಧನದ ಗೇಟ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ, ಸಾಧನದ ವಾಹಕತೆ G (Iweight = G(Vtop – Vx)) ಗೆ ಅನುಗುಣವಾಗಿ RRAM ಮೂಲಕ ಪ್ರವಾಹವನ್ನು ಪ್ರೇರೇಪಿಸುತ್ತದೆ. ಕಾರ್ಯಾಚರಣೆಯ ಆಂಪ್ಲಿಫೈಯರ್ (op-amp) ಸರ್ಕ್ಯೂಟ್ನ ಇನ್ವರ್ಟಿಂಗ್ ಇನ್ಪುಟ್ ಸ್ಥಿರವಾದ DC ಬಯಾಸ್ ವೋಲ್ಟೇಜ್ Vtop ಅನ್ನು ಹೊಂದಿದೆ. op-amp ನ ಋಣಾತ್ಮಕ ಪ್ರತಿಕ್ರಿಯೆಯು M1 ನಿಂದ ಸಮಾನವಾದ ಪ್ರವಾಹವನ್ನು ಒದಗಿಸುವ ಮೂಲಕ Vx = Vtop ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಾಧನದಿಂದ ಹಿಂಪಡೆಯಲಾದ ಪ್ರಸ್ತುತ Iweight ಅನ್ನು DPI ಸಿನಾಪ್ಸ್‌ಗೆ ಚುಚ್ಚಲಾಗುತ್ತದೆ. ಬಲವಾದ ಪ್ರವಾಹವು ಹೆಚ್ಚು ಡಿಪೋಲರೈಸೇಶನ್‌ಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ RRAM ವಾಹಕತೆಯು ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ. ಈ ಘಾತೀಯ ಸಿನಾಪ್ಟಿಕ್ ಕರೆಂಟ್ ಅನ್ನು ಲೀಕಿ ಇಂಟಿಗ್ರೇಷನ್ ಮತ್ತು ಎಕ್ಸೈಟೇಶನ್ (LIF) ನ್ಯೂರಾನ್‌ಗಳ ಮೆಂಬರೇನ್ ಕೆಪಾಸಿಟರ್ ಮೂಲಕ ಚುಚ್ಚಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ ಅದು ವೋಲ್ಟೇಜ್ ಆಗಿ ಸಂಯೋಜಿಸಲ್ಪಡುತ್ತದೆ. ಪೊರೆಯ ಥ್ರೆಶೋಲ್ಡ್ ವೋಲ್ಟೇಜ್ (ಇನ್ವರ್ಟರ್ನ ಸ್ವಿಚಿಂಗ್ ವೋಲ್ಟೇಜ್) ಹೊರಬಂದರೆ, ನ್ಯೂರಾನ್‌ನ ಔಟ್‌ಪುಟ್ ಭಾಗವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲಾಗುತ್ತದೆ, ಇದು ಔಟ್‌ಪುಟ್ ಸ್ಪೈಕ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಈ ನಾಡಿಯು ಹಿಂತಿರುಗುತ್ತದೆ ಮತ್ತು ನರಕೋಶದ ಪೊರೆಯ ಕೆಪಾಸಿಟರ್ ಅನ್ನು ನೆಲಕ್ಕೆ ಸ್ಥಗಿತಗೊಳಿಸುತ್ತದೆ, ಇದು ವಿಸರ್ಜನೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಈ ಸರ್ಕ್ಯೂಟ್ ನಂತರ ಪಲ್ಸ್ ಎಕ್ಸ್ಪಾಂಡರ್ನೊಂದಿಗೆ ಪೂರಕವಾಗಿದೆ (Fig. 3a ನಲ್ಲಿ ತೋರಿಸಲಾಗಿಲ್ಲ), ಇದು LIF ನರಕೋಶದ ಔಟ್ಪುಟ್ ಪಲ್ಸ್ ಅನ್ನು ಗುರಿಯ ನಾಡಿ ಅಗಲಕ್ಕೆ ಆಕಾರಗೊಳಿಸುತ್ತದೆ. ಮಲ್ಟಿಪ್ಲೆಕ್ಸರ್‌ಗಳನ್ನು ಪ್ರತಿ ಸಾಲಿನಲ್ಲೂ ನಿರ್ಮಿಸಲಾಗಿದೆ, RRAM ಸಾಧನದ ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ವಿದ್ಯುದ್ವಾರಗಳಿಗೆ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಅನ್ವಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
ಎಲೆಕ್ಟ್ರಿಕಲ್ ಪರೀಕ್ಷೆಯು ಅನಲಾಗ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಡೈನಾಮಿಕ್ ನಡವಳಿಕೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ರೆಕಾರ್ಡ್ ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಜೊತೆಗೆ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮತ್ತು RRAM ಸಾಧನಗಳನ್ನು ಓದುತ್ತದೆ. ಎರಡೂ ಹಂತಗಳಿಗೆ ವಿಶೇಷ ಉಪಕರಣಗಳು ಬೇಕಾಗುತ್ತವೆ, ಇವೆಲ್ಲವೂ ಒಂದೇ ಸಮಯದಲ್ಲಿ ಸಂವೇದಕ ಮಂಡಳಿಗೆ ಸಂಪರ್ಕ ಹೊಂದಿವೆ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ RRAM ಸಾಧನಗಳಿಗೆ ಪ್ರವೇಶವನ್ನು ಮಲ್ಟಿಪ್ಲೆಕ್ಸರ್ (MUX) ಮೂಲಕ ಬಾಹ್ಯ ಉಪಕರಣಗಳಿಂದ ಕೈಗೊಳ್ಳಲಾಗುತ್ತದೆ. MUX 1T1R ಕೋಶವನ್ನು ಅದು ಸೇರಿರುವ ಸರ್ಕ್ಯೂಟ್ರಿಯಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ, ಸಾಧನವನ್ನು ಓದಲು ಮತ್ತು/ಅಥವಾ ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. RRAM ಸಾಧನಗಳನ್ನು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲು ಮತ್ತು ಓದಲು, ಕೀತ್ಲಿ 4200 SCS ಯಂತ್ರವನ್ನು Arduino ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್‌ನೊಂದಿಗೆ ಬಳಸಲಾಗುತ್ತದೆ: ಮೊದಲನೆಯದು ನಿಖರವಾದ ನಾಡಿ ಉತ್ಪಾದನೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಓದುವಿಕೆಗಾಗಿ ಮತ್ತು ಎರಡನೆಯದು ಮೆಮೊರಿ ರಚನೆಯಲ್ಲಿನ ಪ್ರತ್ಯೇಕ 1T1R ಅಂಶಗಳಿಗೆ ತ್ವರಿತ ಪ್ರವೇಶಕ್ಕಾಗಿ. RRAM ಸಾಧನವನ್ನು ರೂಪಿಸುವುದು ಮೊದಲ ಕಾರ್ಯಾಚರಣೆಯಾಗಿದೆ. ಜೀವಕೋಶಗಳನ್ನು ಒಂದೊಂದಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ವಿದ್ಯುದ್ವಾರಗಳ ನಡುವೆ ಧನಾತ್ಮಕ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಸೆಲೆಕ್ಟರ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗೆ ಅನುಗುಣವಾದ ಗೇಟ್ ವೋಲ್ಟೇಜ್‌ನ ಪೂರೈಕೆಯಿಂದಾಗಿ ಹತ್ತಾರು ಮೈಕ್ರೊಆಂಪಿಯರ್‌ಗಳ ಕ್ರಮಕ್ಕೆ ಪ್ರಸ್ತುತ ಸೀಮಿತವಾಗಿದೆ. RRAM ಕೋಶವು ನಂತರ ಕ್ರಮವಾಗಿ RESET ಮತ್ತು SET ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಡಿಮೆ ವಾಹಕ ಸ್ಥಿತಿ (LCS) ಮತ್ತು ಹೆಚ್ಚಿನ ವಾಹಕ ಸ್ಥಿತಿ (HCS) ನಡುವೆ ಸೈಕಲ್ ಮಾಡಬಹುದು. 1 μs ಅವಧಿಯೊಂದಿಗೆ ಆಯತಾಕಾರದ ವೋಲ್ಟೇಜ್ ಪಲ್ಸ್ ಮತ್ತು 2.0-2.5 V ಗರಿಷ್ಠ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಮೇಲಿನ ವಿದ್ಯುದ್ವಾರಕ್ಕೆ ಅನ್ವಯಿಸುವ ಮೂಲಕ SET ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಕೈಗೊಳ್ಳಲಾಗುತ್ತದೆ ಮತ್ತು 0.9-1.3 V ಗರಿಷ್ಠ ವೋಲ್ಟೇಜ್ನೊಂದಿಗೆ ಇದೇ ರೀತಿಯ ಆಕಾರದ ಸಿಂಕ್ ಪಲ್ಸ್ ಸೆಲೆಕ್ಟರ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ನ ಗೇಟ್. ಈ ಮೌಲ್ಯಗಳು RRAM ವಾಹಕತೆಯನ್ನು 20-150 µs ಮಧ್ಯಂತರದಲ್ಲಿ ಮಾಡ್ಯುಲೇಟ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. RESET ಗಾಗಿ, ಗೇಟ್ ವೋಲ್ಟೇಜ್ 2.5-3.0 V ವ್ಯಾಪ್ತಿಯಲ್ಲಿದ್ದಾಗ ಕೋಶದ ಕೆಳಗಿನ ಎಲೆಕ್ಟ್ರೋಡ್ (ಬಿಟ್ ಲೈನ್) ಗೆ 1 µs ಅಗಲದ, 3 V ಪೀಕ್ ಪಲ್ಸ್ ಅನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಅನಲಾಗ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಒಳಹರಿವು ಮತ್ತು ಔಟ್‌ಪುಟ್‌ಗಳು ಡೈನಾಮಿಕ್ ಸಿಗ್ನಲ್‌ಗಳಾಗಿವೆ. . ಇನ್‌ಪುಟ್‌ಗಾಗಿ, ನಾವು Tektronix AFG3011 ಸಿಗ್ನಲ್ ಜನರೇಟರ್‌ಗಳೊಂದಿಗೆ ಎರಡು HP 8110 ಪಲ್ಸ್ ಜನರೇಟರ್‌ಗಳನ್ನು ಇಂಟರ್ಲೀವ್ ಮಾಡಿದ್ದೇವೆ. ಇನ್‌ಪುಟ್ ಪಲ್ಸ್ 1 µs ಅಗಲ ಮತ್ತು 50 ns ನ ಏರಿಕೆ/ಪತನದ ಅಂಚನ್ನು ಹೊಂದಿದೆ. ಈ ರೀತಿಯ ನಾಡಿಯನ್ನು ಅನಲಾಗ್ ಗ್ಲಿಚ್ ಆಧಾರಿತ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ ವಿಶಿಷ್ಟ ಗ್ಲಿಚ್ ಎಂದು ಊಹಿಸಲಾಗಿದೆ. ಔಟ್ಪುಟ್ ಸಿಗ್ನಲ್ಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಔಟ್ಪುಟ್ ಸಿಗ್ನಲ್ ಅನ್ನು ಟೆಲಿಡೈನ್ ಲೆಕ್ರಾಯ್ 1 GHz ಆಸಿಲ್ಲೋಸ್ಕೋಪ್ ಬಳಸಿ ದಾಖಲಿಸಲಾಗಿದೆ. ಆಸಿಲ್ಲೋಸ್ಕೋಪ್‌ನ ಸ್ವಾಧೀನದ ವೇಗವು ಸರ್ಕ್ಯೂಟ್ ಡೇಟಾದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಸ್ವಾಧೀನದಲ್ಲಿ ಸೀಮಿತಗೊಳಿಸುವ ಅಂಶವಲ್ಲ ಎಂದು ಸಾಬೀತಾಗಿದೆ.
ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಸ್‌ಗಳ ನಡವಳಿಕೆಯನ್ನು ಅನುಕರಿಸಲು ಅನಲಾಗ್ ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್‌ನ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಬಳಸುವುದು ಕಂಪ್ಯೂಟೇಶನಲ್ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ಸೊಗಸಾದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಪರಿಹಾರವಾಗಿದೆ. ಈ ಕಂಪ್ಯೂಟೇಶನಲ್ ಅಂಡರ್‌ಲೇನ ಅನನುಕೂಲವೆಂದರೆ ಅದು ಸ್ಕೀಮ್‌ನಿಂದ ಸ್ಕೀಮ್‌ಗೆ ಬದಲಾಗುತ್ತದೆ. ನಾವು ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಿದ್ದೇವೆ (ಪೂರಕ ಚಿತ್ರ 2a,b). ವ್ಯತ್ಯಾಸದ ಎಲ್ಲಾ ಅಭಿವ್ಯಕ್ತಿಗಳಲ್ಲಿ, ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳು ಮತ್ತು ಇನ್ಪುಟ್ ಗಳಿಕೆಗೆ ಸಂಬಂಧಿಸಿದವುಗಳು ಸಿಸ್ಟಮ್ ಮಟ್ಟದಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಭಾವವನ್ನು ಹೊಂದಿವೆ. LIF ನ್ಯೂರಾನ್ ಮತ್ತು DPI ಸಿನಾಪ್ಸ್‌ನ ಸಮಯ ಸ್ಥಿರತೆಯನ್ನು RC ಸರ್ಕ್ಯೂಟ್‌ನಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ, ಅಲ್ಲಿ R ನ ಮೌಲ್ಯವನ್ನು ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ನ ಗೇಟ್‌ಗೆ ಅನ್ವಯಿಸಲಾದ ಪಕ್ಷಪಾತ ವೋಲ್ಟೇಜ್‌ನಿಂದ ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ (ನ್ಯೂರಾನ್‌ಗೆ Vlk ಮತ್ತು ಸಿನಾಪ್ಸ್‌ಗಾಗಿ Vtau), ನಿರ್ಧರಿಸುತ್ತದೆ ಸೋರಿಕೆ ದರ. ಇನ್‌ಪುಟ್ ಗೇನ್ ಅನ್ನು ಸಿನಾಪ್ಟಿಕ್ ಮತ್ತು ನ್ಯೂರೋನಲ್ ಮೆಂಬರೇನ್ ಕೆಪಾಸಿಟರ್‌ಗಳು ಇನ್‌ಪುಟ್ ಪಲ್ಸ್‌ನಿಂದ ಉತ್ತೇಜಿಸಲ್ಪಟ್ಟ ಗರಿಷ್ಠ ವೋಲ್ಟೇಜ್ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಇನ್‌ಪುಟ್ ಗೇನ್ ಅನ್ನು ಮತ್ತೊಂದು ಬಯಾಸ್ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ನಿಂದ ನಿಯಂತ್ರಿಸಲಾಗುತ್ತದೆ, ಇದು ಇನ್‌ಪುಟ್ ಕರೆಂಟ್ ಅನ್ನು ಮಾರ್ಪಡಿಸುತ್ತದೆ. ಕೆಲವು ಇನ್‌ಪುಟ್ ಗಳಿಕೆ ಮತ್ತು ಸಮಯದ ಸ್ಥಿರ ಅಂಕಿಅಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ST ಮೈಕ್ರೋಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್‌ನ 130nm ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾಂಟೆ ಕಾರ್ಲೊ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಮಾಪನಾಂಕ ಮಾಡಲಾಯಿತು. ಫಲಿತಾಂಶಗಳನ್ನು ಪೂರಕ ಚಿತ್ರ 2 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಅಲ್ಲಿ ಇನ್‌ಪುಟ್ ಗೇನ್ ಮತ್ತು ಸಮಯದ ಸ್ಥಿರತೆಯನ್ನು ಸೋರಿಕೆ ದರವನ್ನು ನಿಯಂತ್ರಿಸುವ ಪಕ್ಷಪಾತ ವೋಲ್ಟೇಜ್‌ನ ಕಾರ್ಯವಾಗಿ ಪ್ರಮಾಣೀಕರಿಸಲಾಗುತ್ತದೆ. ಹಸಿರು ಗುರುತುಗಳು ಸರಾಸರಿಯಿಂದ ಸಮಯದ ಸ್ಥಿರತೆಯ ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತವೆ. ಪೂರಕ ಚಿತ್ರ ಯೋಜನೆಯಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳೆರಡೂ 10-5-10-2 ಸೆ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ವ್ಯಾಪಕವಾದ ಸಮಯದ ಸ್ಥಿರಾಂಕಗಳನ್ನು ವ್ಯಕ್ತಪಡಿಸಲು ಸಮರ್ಥವಾಗಿವೆ. ನರಕೋಶದ ಮತ್ತು ಸಿನಾಪ್ಸ್ ವ್ಯತ್ಯಾಸದ ಇನ್‌ಪುಟ್ ವರ್ಧನೆಯು (ಸಪ್ಲಿಮೆಂಟರಿ ಫಿಗ್. 2e,d) ಕ್ರಮವಾಗಿ ಸರಿಸುಮಾರು 8% ಮತ್ತು 3% ಆಗಿತ್ತು. ಇಂತಹ ಕೊರತೆಯನ್ನು ಸಾಹಿತ್ಯದಲ್ಲಿ ಉತ್ತಮವಾಗಿ ದಾಖಲಿಸಲಾಗಿದೆ: LIF63 ನ್ಯೂರಾನ್‌ಗಳ ಜನಸಂಖ್ಯೆಯ ನಡುವಿನ ಅಸಾಮರಸ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು DYNAP ಚಿಪ್‌ಗಳ ಶ್ರೇಣಿಯಲ್ಲಿ ವಿವಿಧ ಅಳತೆಗಳನ್ನು ನಡೆಸಲಾಯಿತು. ಬ್ರೈನ್‌ಸ್ಕೇಲ್ ಮಿಶ್ರ ಸಿಗ್ನಲ್ ಚಿಪ್‌ನಲ್ಲಿನ ಸಿನಾಪ್ಸ್‌ಗಳನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಅವುಗಳ ಅಸಂಗತತೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲಾಗಿದೆ ಮತ್ತು ಸಿಸ್ಟಮ್-ಲೆವೆಲ್ ವ್ಯತ್ಯಾಸದ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ವಿಧಾನವನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಯಿತು.
ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳಲ್ಲಿ RRAM ನ ಕಾರ್ಯವು ಎರಡು ಪಟ್ಟು: ಆರ್ಕಿಟೆಕ್ಚರ್ ವ್ಯಾಖ್ಯಾನ (ಔಟ್‌ಪುಟ್‌ಗಳಿಗೆ ರೂಟಿಂಗ್ ಇನ್‌ಪುಟ್‌ಗಳು) ಮತ್ತು ಸಿನಾಪ್ಟಿಕ್ ತೂಕದ ಅನುಷ್ಠಾನ. ಮಾದರಿಯ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳ ವ್ಯತ್ಯಾಸದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ನಂತರದ ಆಸ್ತಿಯನ್ನು ಬಳಸಬಹುದು. ನಾವು ಸರಳವಾದ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದೇವೆ ಅದು RRAM ಸಾಧನವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಸರ್ಕ್ಯೂಟ್ ಕೆಲವು ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುವವರೆಗೆ ರಿಪ್ರೊಗ್ರಾಮ್ ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ನಿರ್ದಿಷ್ಟ ಇನ್‌ಪುಟ್‌ಗಾಗಿ, ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಗುರಿ ನಡವಳಿಕೆಯನ್ನು ಸಾಧಿಸುವವರೆಗೆ RRAM ಅನ್ನು ಮರು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗುತ್ತದೆ. RRAM ವಿಶ್ರಾಂತಿಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕಾರ್ಯಾಚರಣೆಗಳ ನಡುವೆ 5 ಸೆಕೆಂಡುಗಳ ಕಾಯುವ ಸಮಯವನ್ನು ಪರಿಚಯಿಸಲಾಯಿತು, ಇದರ ಪರಿಣಾಮವಾಗಿ ಅಸ್ಥಿರ ವಾಹಕತೆಯ ಏರಿಳಿತಗಳು (ಪೂರಕ ಮಾಹಿತಿ). ಮಾದರಿಯ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸರ್ಕ್ಯೂಟ್‌ನ ಅವಶ್ಯಕತೆಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ ಅಥವಾ ಮಾಪನಾಂಕ ಮಾಡಲಾಗುತ್ತದೆ. ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ವಿಧಾನವನ್ನು ಹೆಚ್ಚುವರಿ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ [1, 2] ಇದು ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ಎರಡು ಮೂಲಭೂತ ವೈಶಿಷ್ಟ್ಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ, ವಿಳಂಬ ರೇಖೆಗಳು ಮತ್ತು ದಿಕ್ಕು ಸೂಕ್ಷ್ಮವಲ್ಲದ CD. ವಿಳಂಬ ರೇಖೆಯೊಂದಿಗಿನ ಸರ್ಕ್ಯೂಟ್‌ಗಾಗಿ, ವಿಳಂಬ Δt ನೊಂದಿಗೆ ಔಟ್‌ಪುಟ್ ಪಲ್ಸ್ ಅನ್ನು ಒದಗಿಸುವುದು ಗುರಿ ನಡವಳಿಕೆಯಾಗಿದೆ. ನಿಜವಾದ ಸರ್ಕ್ಯೂಟ್ ವಿಳಂಬವು ಗುರಿ ಮೌಲ್ಯಕ್ಕಿಂತ ಕಡಿಮೆಯಿದ್ದರೆ, G3 ನ ಸಿನಾಪ್ಟಿಕ್ ತೂಕವನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕು (G3 ಅನ್ನು ಮರುಹೊಂದಿಸಬೇಕು ಮತ್ತು ನಂತರ ಕಡಿಮೆ ಹೊಂದಾಣಿಕೆಯ ಪ್ರಸ್ತುತ Icc ಗೆ ಹೊಂದಿಸಬೇಕು). ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ನಿಜವಾದ ವಿಳಂಬವು ಗುರಿ ಮೌಲ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚಿದ್ದರೆ, G3 ನ ವಾಹಕತೆಯನ್ನು ಹೆಚ್ಚಿಸಬೇಕು (G3 ಅನ್ನು ಮೊದಲು ಮರುಹೊಂದಿಸಬೇಕು ಮತ್ತು ನಂತರ ಹೆಚ್ಚಿನ Icc ಮೌಲ್ಯಕ್ಕೆ ಹೊಂದಿಸಬೇಕು). ಸರ್ಕ್ಯೂಟ್‌ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ವಿಳಂಬವು ಗುರಿ ಮೌಲ್ಯಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವವರೆಗೆ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿಲ್ಲಿಸಲು ಸಹಿಷ್ಣುತೆಯನ್ನು ಹೊಂದಿಸುವವರೆಗೆ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ. ದೃಷ್ಟಿಕೋನ-ಸೂಕ್ಷ್ಮವಲ್ಲದ CD ಗಳಿಗೆ, ಎರಡು RRAM ಸಾಧನಗಳು, G1 ಮತ್ತು G3, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ತೊಡಗಿಕೊಂಡಿವೆ. ಈ ಸರ್ಕ್ಯೂಟ್ ಎರಡು ಒಳಹರಿವುಗಳನ್ನು ಹೊಂದಿದೆ, Vin0 ಮತ್ತು Vin1, dt ಯಿಂದ ವಿಳಂಬವಾಗಿದೆ. ಹೊಂದಾಣಿಕೆಯ ಶ್ರೇಣಿ [0,dtCD] ಗಿಂತ ಕೆಳಗಿನ ವಿಳಂಬಗಳಿಗೆ ಮಾತ್ರ ಸರ್ಕ್ಯೂಟ್ ಪ್ರತಿಕ್ರಿಯಿಸಬೇಕು. ಯಾವುದೇ ಔಟ್‌ಪುಟ್ ಪೀಕ್ ಇಲ್ಲದಿದ್ದರೆ, ಆದರೆ ಇನ್‌ಪುಟ್ ಪೀಕ್ ಹತ್ತಿರದಲ್ಲಿದ್ದರೆ, ನ್ಯೂರಾನ್ ಹೊಸ್ತಿಲನ್ನು ತಲುಪಲು ಸಹಾಯ ಮಾಡಲು ಎರಡೂ RRAM ಸಾಧನಗಳನ್ನು ಹೆಚ್ಚಿಸಬೇಕು. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, dtCD ಯ ಗುರಿ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿದ ವಿಳಂಬಕ್ಕೆ ಸರ್ಕ್ಯೂಟ್ ಪ್ರತಿಕ್ರಿಯಿಸಿದರೆ, ವಾಹಕತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕು. ಸರಿಯಾದ ನಡವಳಿಕೆಯನ್ನು ಪಡೆಯುವವರೆಗೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಿ. ಅನುಸರಣೆ ಪ್ರವಾಹವನ್ನು ref ನಲ್ಲಿ ಅಂತರ್ನಿರ್ಮಿತ ಅನಲಾಗ್ ಸರ್ಕ್ಯೂಟ್ ಮೂಲಕ ಮಾಡ್ಯುಲೇಟ್ ಮಾಡಬಹುದು. 72.73. ಈ ಅಂತರ್ನಿರ್ಮಿತ ಸರ್ಕ್ಯೂಟ್‌ನೊಂದಿಗೆ, ಸಿಸ್ಟಮ್ ಅನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲು ಅಥವಾ ಇನ್ನೊಂದು ಅಪ್ಲಿಕೇಶನ್‌ಗಾಗಿ ಅದನ್ನು ಮರುಬಳಕೆ ಮಾಡಲು ಅಂತಹ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ನಿಯತಕಾಲಿಕವಾಗಿ ನಿರ್ವಹಿಸಬಹುದು.
ಸ್ಟ್ಯಾಂಡರ್ಡ್ 32-ಬಿಟ್ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್68 ನಲ್ಲಿ ನಮ್ಮ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ವಿಧಾನದ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. ಈ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ, ಒಂದು pMUT ಟ್ರಾನ್ಸ್‌ಮಿಟರ್ ಮತ್ತು ಎರಡು pMUT ರಿಸೀವರ್‌ಗಳೊಂದಿಗೆ ಈ ಪೇಪರ್‌ನಲ್ಲಿರುವ ಅದೇ ಸೆಟಪ್‌ನೊಂದಿಗೆ ನಾವು ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಊಹಿಸುತ್ತೇವೆ. ಈ ವಿಧಾನವು ಬ್ಯಾಂಡ್‌ಪಾಸ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಬಳಸುತ್ತದೆ, ನಂತರ ಹೊದಿಕೆ ಹೊರತೆಗೆಯುವ ಹಂತ (ಟೀಗರ್-ಕೈಸರ್) ಮತ್ತು ಅಂತಿಮವಾಗಿ ಹಾರಾಟದ ಸಮಯವನ್ನು ಹೊರತೆಗೆಯಲು ಸಿಗ್ನಲ್‌ಗೆ ಮಿತಿ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ITD ಯ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಪತ್ತೆ ಕೋನಗಳಿಗೆ ಅದರ ಪರಿವರ್ತನೆಯನ್ನು ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬಿಟ್ಟುಬಿಡಲಾಗಿದೆ. 18 ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಕಾರ್ಯಾಚರಣೆಗಳ ಅಗತ್ಯವಿರುವ 4 ನೇ ಕ್ರಮಾಂಕದ ಅನಂತ ಉದ್ವೇಗ ಪ್ರತಿಕ್ರಿಯೆ ಫಿಲ್ಟರ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಬ್ಯಾಂಡ್ ಪಾಸ್ ಫಿಲ್ಟರ್ ಅನುಷ್ಠಾನವನ್ನು ನಾವು ಪರಿಗಣಿಸುತ್ತೇವೆ. ಎನ್ವಲಪ್ ಹೊರತೆಗೆಯುವಿಕೆ ಮೂರು ಹೆಚ್ಚು ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಕೊನೆಯ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಮಿತಿಯನ್ನು ಹೊಂದಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಸಿಗ್ನಲ್ ಅನ್ನು ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಒಟ್ಟು 22 ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್ ಕಾರ್ಯಾಚರಣೆಗಳ ಅಗತ್ಯವಿದೆ. ರವಾನೆಯಾಗುವ ಸಂಕೇತವು 111.9 kHz ಸೈನ್ ತರಂಗರೂಪದ ಒಂದು ಸಣ್ಣ ಸ್ಫೋಟವಾಗಿದ್ದು, ಪ್ರತಿ 10 ms ಗೆ ಉತ್ಪತ್ತಿಯಾಗುತ್ತದೆ, ಇದು 100 Hz ನ ಸ್ಥಾನಿಕ ಕಾರ್ಯ ಆವರ್ತನಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. Nyquist ಅನ್ನು ಅನುಸರಿಸಲು ನಾವು 250 kHz ನ ಮಾದರಿ ದರವನ್ನು ಮತ್ತು 1 ಮೀಟರ್ ವ್ಯಾಪ್ತಿಯನ್ನು ಸೆರೆಹಿಡಿಯಲು ಪ್ರತಿ ಅಳತೆಗೆ 6 ms ವಿಂಡೋವನ್ನು ಬಳಸಿದ್ದೇವೆ. 6 ಮಿಲಿಸೆಕೆಂಡ್‌ಗಳು 1 ಮೀಟರ್ ದೂರದಲ್ಲಿರುವ ವಸ್ತುವಿನ ಹಾರಾಟದ ಸಮಯ ಎಂದು ಗಮನಿಸಿ. ಇದು 0.5 MSPS ನಲ್ಲಿ A/D ಪರಿವರ್ತನೆಗಾಗಿ 180 µW ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸಿಗ್ನಲ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ 6.60 MIPS (ಸೆಕೆಂಡಿಗೆ ಸೂಚನೆಗಳು), 0.75 mW ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅಲ್ಗಾರಿದಮ್ ಚಾಲನೆಯಲ್ಲಿಲ್ಲದಿದ್ದಾಗ ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ ಕಡಿಮೆ ಪವರ್ ಮೋಡ್ 69 ಗೆ ಬದಲಾಯಿಸಬಹುದು. ಈ ಮೋಡ್ 10.8 μW ನ ಸ್ಥಿರ ವಿದ್ಯುತ್ ಬಳಕೆ ಮತ್ತು 113 μs ನ ಎಚ್ಚರಗೊಳ್ಳುವ ಸಮಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. 84 MHz ಗಡಿಯಾರದ ಆವರ್ತನವನ್ನು ನೀಡಿದರೆ, ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ 10 ms ಒಳಗೆ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಲ್ಗಾರಿದಮ್‌ನ ಎಲ್ಲಾ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ 6.3% ನಷ್ಟು ಕರ್ತವ್ಯ ಚಕ್ರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ, ಹೀಗಾಗಿ ಕಡಿಮೆ ವಿದ್ಯುತ್ ಮೋಡ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ ವಿದ್ಯುತ್ ಪ್ರಸರಣವು 244.7 μW ಆಗಿದೆ. ನಾವು ToF ನಿಂದ ITD ಔಟ್‌ಪುಟ್ ಮತ್ತು ಪತ್ತೆ ಕೋನಕ್ಕೆ ಪರಿವರ್ತನೆಯನ್ನು ಬಿಟ್ಟುಬಿಡುತ್ತೇವೆ, ಹೀಗಾಗಿ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್‌ನ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡುತ್ತೇವೆ. ಇದು ಪ್ರಸ್ತಾವಿತ ವ್ಯವಸ್ಥೆಯ ಶಕ್ತಿಯ ದಕ್ಷತೆಗೆ ಹೆಚ್ಚುವರಿ ಮೌಲ್ಯವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಹೆಚ್ಚುವರಿ ಹೋಲಿಕೆಯ ಸ್ಥಿತಿಯಂತೆ, ಉಲ್ಲೇಖದಲ್ಲಿ ಪ್ರಸ್ತಾಪಿಸಲಾದ ಶಾಸ್ತ್ರೀಯ ಬೀಮ್ಫಾರ್ಮಿಂಗ್ ವಿಧಾನಗಳ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ. 1.8V ಪೂರೈಕೆ ವೋಲ್ಟೇಜ್ನಲ್ಲಿ ಅದೇ ಮೈಕ್ರೋಕಂಟ್ರೋಲರ್68 ನಲ್ಲಿ ಎಂಬೆಡ್ ಮಾಡಿದಾಗ 31.54. ಐದು ಸಮಾನ ಅಂತರದ pMUT ಮೆಂಬರೇನ್‌ಗಳನ್ನು ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್‌ಗಾಗಿ ಡೇಟಾವನ್ನು ಪಡೆಯಲು ಬಳಸಲಾಗುತ್ತದೆ. ಸಂಸ್ಕರಣೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಬಳಸಿದ ಬೀಮ್ಫಾರ್ಮಿಂಗ್ ವಿಧಾನವು ವಿಳಂಬ ಸಂಕಲನವಾಗಿದೆ. ಒಂದು ಲೇನ್ ಮತ್ತು ರೆಫರೆನ್ಸ್ ಲೇನ್ ನಡುವಿನ ಆಗಮನದ ಸಮಯದಲ್ಲಿ ನಿರೀಕ್ಷಿತ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಲೇನ್‌ಗಳಿಗೆ ವಿಳಂಬವನ್ನು ಅನ್ವಯಿಸುವುದನ್ನು ಇದು ಸರಳವಾಗಿ ಒಳಗೊಂಡಿರುತ್ತದೆ. ಸಂಕೇತಗಳು ಹಂತದಲ್ಲಿದ್ದರೆ, ಈ ಸಂಕೇತಗಳ ಮೊತ್ತವು ಸಮಯದ ಬದಲಾವಣೆಯ ನಂತರ ಹೆಚ್ಚಿನ ಶಕ್ತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಅವರು ಹಂತದಿಂದ ಹೊರಗಿದ್ದರೆ, ವಿನಾಶಕಾರಿ ಹಸ್ತಕ್ಷೇಪವು ಅವರ ಮೊತ್ತದ ಶಕ್ತಿಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ. ಸಂಬಂಧದಲ್ಲಿ. ಅಂಜೂರದ ಮೇಲೆ. 31, ಮಾದರಿಗಳ ಪೂರ್ಣಾಂಕ ಸಂಖ್ಯೆಯ ಮೂಲಕ ಡೇಟಾವನ್ನು ಸಮಯಕ್ಕೆ ಬದಲಾಯಿಸಲು 2 MHz ನ ಮಾದರಿ ದರವನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. 250 kHz ನ ಒರಟಾದ ಮಾದರಿ ದರವನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ಭಾಗಶಃ ವಿಳಂಬಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸಲು ಸೀಮಿತ ಪ್ರಚೋದನೆ ಪ್ರತಿಕ್ರಿಯೆ (FIR) ಫಿಲ್ಟರ್ ಅನ್ನು ಬಳಸುವುದು ಹೆಚ್ಚು ಸಾಧಾರಣ ವಿಧಾನವಾಗಿದೆ. ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ನ ಸಂಕೀರ್ಣತೆಯನ್ನು ಮುಖ್ಯವಾಗಿ ಸಮಯ ಶಿಫ್ಟ್‌ನಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ, ಏಕೆಂದರೆ ಪ್ರತಿ ಚಾನಲ್ ಪ್ರತಿ ದಿಕ್ಕಿನಲ್ಲಿ 16 ಟ್ಯಾಪ್‌ಗಳೊಂದಿಗೆ ಎಫ್‌ಐಆರ್ ಫಿಲ್ಟರ್‌ನೊಂದಿಗೆ ಸುತ್ತುವರಿದಿದೆ. ಈ ಕಾರ್ಯಾಚರಣೆಗೆ ಅಗತ್ಯವಿರುವ MIPS ಸಂಖ್ಯೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು, 1 ಮೀಟರ್, 5 ಚಾನೆಲ್‌ಗಳು, 11 ಬೀಮ್‌ಫಾರ್ಮಿಂಗ್ ನಿರ್ದೇಶನಗಳನ್ನು (10 ° ಹಂತಗಳಲ್ಲಿ ಶ್ರೇಣಿ +/- 50 °) ಸೆರೆಹಿಡಿಯಲು ಪ್ರತಿ ಅಳತೆಗೆ 6ms ನ ವಿಂಡೋವನ್ನು ನಾವು ಪರಿಗಣಿಸುತ್ತೇವೆ. ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 75 ಅಳತೆಗಳು ಮೈಕ್ರೊಕಂಟ್ರೋಲರ್ ಅನ್ನು ಅದರ ಗರಿಷ್ಠ 100 MIPS ಗೆ ತಳ್ಳಿತು. ಲಿಂಕ್. 68, ಆನ್‌ಬೋರ್ಡ್ ADC ಕೊಡುಗೆಯನ್ನು ಸೇರಿಸಿದ ನಂತರ ಒಟ್ಟು 11.71 mW ವಿದ್ಯುತ್ ಪ್ರಸರಣಕ್ಕೆ 11.26 mW ನಷ್ಟು ವಿದ್ಯುತ್ ಪ್ರಸರಣಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾವು ಸಮಂಜಸವಾದ ವಿನಂತಿಯ ಮೇರೆಗೆ ಆಯಾ ಲೇಖಕ, FM ನಿಂದ ಲಭ್ಯವಿದೆ.
ಇಂಡಿವೇರಿ, ಜಿ ಇಂಡಿವೇರಿ, ಜಿIndiveri G. ಮತ್ತು Sandamirskaya Y. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಏಜೆಂಟ್‌ಗಳಲ್ಲಿ ಸಿಗ್ನಲ್ ಪ್ರಕ್ರಿಯೆಗೆ ಸ್ಥಳ ಮತ್ತು ಸಮಯದ ಪ್ರಾಮುಖ್ಯತೆ: ಪರಿಸರದೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ಕಡಿಮೆ-ಶಕ್ತಿಯ ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸವಾಲು. ಇಂಡಿವೇರಿ, ಜಿ. & ಸಂದಮಿರ್ಸ್ಕಯಾ, ವೈ. 、自主代理的挑战。 ಇಂಡಿವೇರಿ, ಜಿ. & ಸಂದಮಿರ್ಸ್ಕಯಾ, ವೈ.Indiveri G. ಮತ್ತು Sandamirskaya Y. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಏಜೆಂಟ್‌ಗಳಲ್ಲಿ ಸಿಗ್ನಲ್ ಪ್ರಕ್ರಿಯೆಗೆ ಸ್ಥಳ ಮತ್ತು ಸಮಯದ ಪ್ರಾಮುಖ್ಯತೆ: ಪರಿಸರದೊಂದಿಗೆ ಸಂವಹನ ಮಾಡುವ ಕಡಿಮೆ-ಶಕ್ತಿಯ ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸವಾಲು.IEEE ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್. ಜರ್ನಲ್ 36, 16–28 (2019).
ಥೋರ್ಪ್, SJ ಪೀಕ್ ಆಗಮನದ ಸಮಯ: ಸಮರ್ಥ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕೋಡಿಂಗ್ ಸ್ಕೀಮ್. ಎಕ್‌ಮಿಲ್ಲರ್, R., ಹಾರ್ಟ್‌ಮನ್, G. & Hauske, G. (eds). ಎಕ್‌ಮಿಲ್ಲರ್, R., ಹಾರ್ಟ್‌ಮನ್, G. & Hauske, G. (eds).ಎಕ್‌ಮಿಲ್ಲರ್, ಆರ್., ಹಾರ್ಟ್‌ಮನ್, ಜಿ. ಮತ್ತು ಹಾಸ್ಕೆ, ಜಿ. (eds.).ಎಕ್‌ಮಿಲ್ಲರ್‌ನಲ್ಲಿ, ಆರ್., ಹಾರ್ಟ್‌ಮನ್, ಜಿ., ಮತ್ತು ಹಾಸ್ಕೆ, ಜಿ. (ಸಂಪಾದಿತ). ನರ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಕಂಪ್ಯೂಟರ್‌ಗಳಲ್ಲಿ ಸಮಾನಾಂತರ ಸಂಸ್ಕರಣೆ 91–94 (ನಾರ್ತ್-ಹಾಲೆಂಡ್ ಎಲ್ಸೆವಿಯರ್, 1990).
ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ ಮತ್ತು ಕ್ಯಾಲ್ವರ್ಟ್, ವಿಜಿ ಸಂವಹನವು ಮಾನವ ಕಾರ್ಟೆಕ್ಸ್‌ನಲ್ಲಿ ಗಣನೆಗಿಂತ 35 ಪಟ್ಟು ಹೆಚ್ಚು ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಆದರೆ ಸಿನಾಪ್ಸ್ ಸಂಖ್ಯೆಯನ್ನು ಊಹಿಸಲು ಎರಡೂ ವೆಚ್ಚಗಳು ಅಗತ್ಯವಿದೆ. ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ ಮತ್ತು ಕ್ಯಾಲ್ವರ್ಟ್, ವಿಜಿ ಸಂವಹನವು ಮಾನವ ಕಾರ್ಟೆಕ್ಸ್‌ನಲ್ಲಿ ಗಣನೆಗಿಂತ 35 ಪಟ್ಟು ಹೆಚ್ಚು ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಆದರೆ ಸಿನಾಪ್ಸ್ ಸಂಖ್ಯೆಯನ್ನು ಊಹಿಸಲು ಎರಡೂ ವೆಚ್ಚಗಳು ಅಗತ್ಯವಿದೆ.ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ ಮತ್ತು ಕ್ಯಾಲ್ವರ್ಟ್, ಡಬ್ಲ್ಯೂಜಿ ಸಂವಹನವು ಮಾನವ ಕಾರ್ಟೆಕ್ಸ್‌ನಲ್ಲಿನ ಗಣನೆಗಿಂತ 35 ಪಟ್ಟು ಹೆಚ್ಚು ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಆದರೆ ಸಿನಾಪ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಊಹಿಸಲು ಎರಡೂ ವೆಚ್ಚಗಳು ಬೇಕಾಗುತ್ತವೆ. ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ & ಕ್ಯಾಲ್ವರ್ಟ್, ವಿಜಿ ಕಮ್ಯುನಿಕೇಷನ್ ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ & ಕ್ಯಾಲ್ವರ್ಟ್, ವಿಜಿ ಕಮ್ಯುನಿಕೇಷನ್ಲೆವಿ, ಡಬ್ಲ್ಯೂಬಿ ಮತ್ತು ಕ್ಯಾಲ್ವರ್ಟ್, ಡಬ್ಲ್ಯೂಜಿ ಸಂವಹನವು ಮಾನವ ಕಾರ್ಟೆಕ್ಸ್‌ನಲ್ಲಿನ ಗಣನೆಗಿಂತ 35 ಪಟ್ಟು ಹೆಚ್ಚು ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ, ಆದರೆ ಎರಡೂ ವೆಚ್ಚಗಳಿಗೆ ಸಿನಾಪ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಊಹಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ.ಪ್ರಕ್ರಿಯೆ. ನ್ಯಾಷನಲ್ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸ್. ವಿಜ್ಞಾನ. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
ಡಾಲ್ಗಾಟಿ, ಟಿ., ವಿಯಾನೆಲ್ಲೋ, ಇ., ಡಿ ಸಾಲ್ವೋ, ಬಿ. & ಕಾಸಾಸ್, ಜೆ. ಕೀಟ-ಪ್ರೇರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್. ಡಾಲ್ಗಾಟಿ, ಟಿ., ವಿಯಾನೆಲ್ಲೋ, ಇ., ಡಿ ಸಾಲ್ವೋ, ಬಿ. & ಕಾಸಾಸ್, ಜೆ. ಕೀಟ-ಪ್ರೇರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್.ದಲ್ಗಾಟಿ, ಟಿ., ವಿಯಾನೆಲ್ಲೋ, ಇ., ಡಿಸಾಲ್ವೋ, ಬಿ. ಮತ್ತು ಕಾಸಾಸ್, ಜೆ. ಕೀಟ-ಪ್ರೇರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್.ದಲ್ಗಾಟಿ ಟಿ., ವಿಯಾನೆಲ್ಲೋ ಇ., ಡಿಸಾಲ್ವೋ ಬಿ. ಮತ್ತು ಕಾಸಾಸ್ ಜೆ. ಕೀಟ-ಪ್ರೇರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್. ಪ್ರಸ್ತುತ. ಅಭಿಪ್ರಾಯ. ಕೀಟ ವಿಜ್ಞಾನ. 30, 59–66 (2018).
ರಾಯ್, ಕೆ., ಜೈಸ್ವಾಲ್, ಎ. & ಪಾಂಡಾ, ಪಿ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ನೊಂದಿಗೆ ಸ್ಪೈಕ್-ಆಧಾರಿತ ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯ ಕಡೆಗೆ. ರಾಯ್, ಕೆ., ಜೈಸ್ವಾಲ್, ಎ. & ಪಾಂಡಾ, ಪಿ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ನೊಂದಿಗೆ ಸ್ಪೈಕ್-ಆಧಾರಿತ ಯಂತ್ರ ಬುದ್ಧಿಮತ್ತೆಯ ಕಡೆಗೆ. ರಾಯ್, ಕೆ., ಜೈಸ್ವಾಲ್, ಎ. & ಪಾಂಡ, ಪಿ. ಟುವರ್ಡ್ಸ್ ಸ್ಪೈಕ್-ಬೇಸ್ಡ್ ಮೆಷಿನ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ವಿತ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್.ರಾಯ್ ಕೆ, ಜೈಸ್ವಾಲ್ ಎ, ಮತ್ತು ಪಾಂಡಾ ಪಿ. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪಲ್ಸ್ ಆಧಾರಿತ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ. ನೇಚರ್ 575, 607–617 (2019).
ಇಂಡಿವೇರಿ, ಜಿ. & ಲಿಯು, ಎಸ್.-ಸಿ. ಇಂಡಿವೇರಿ, ಜಿ. & ಲಿಯು, ಎಸ್.-ಸಿ.ಇಂಡಿವೇರಿ, ಜಿ. ಮತ್ತು ಲಿಯು, ಎಸ್.-ಕೆ. ಇಂಡಿವೇರಿ, ಜಿ. & ಲಿಯು, ಎಸ್.-ಸಿ. ಇಂಡಿವೇರಿ, ಜಿ. & ಲಿಯು, ಎಸ್.-ಸಿ.ಇಂಡಿವೇರಿ, ಜಿ. ಮತ್ತು ಲಿಯು, ಎಸ್.-ಕೆ.ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಮೆಮೊರಿ ಮತ್ತು ಮಾಹಿತಿ ಸಂಸ್ಕರಣೆ. ಪ್ರಕ್ರಿಯೆ. IEEE 103, 1379–1397 (2015).
ಅಕೋಪ್ಯಾನ್ ಎಫ್. ಮತ್ತು ಇತರರು. ಟ್ರೂನಾರ್ತ್: 65 mW 1 ಮಿಲಿಯನ್ ನ್ಯೂರಾನ್ ಪ್ರೋಗ್ರಾಮೆಬಲ್ ಸಿನಾಪ್ಟಿಕ್ ಚಿಪ್‌ಗಾಗಿ ವಿನ್ಯಾಸ ಮತ್ತು ಟೂಲ್‌ಕಿಟ್. IEEE ವಹಿವಾಟುಗಳು. ಇಂಟಿಗ್ರೇಟೆಡ್ ಸರ್ಕ್ಯೂಟ್ ಸಿಸ್ಟಮ್ಗಳ ಕಂಪ್ಯೂಟರ್ ವಿನ್ಯಾಸ. 34, 1537–1557 (2015).
ಸ್ಕೆಮ್ಮೆಲ್, ಜೆ. ಮತ್ತು ಇತರರು. ಲೈವ್ ಡೆಮೊ: ಪ್ಲೇಟ್ ಸ್ಕೇಲ್‌ನಲ್ಲಿ ಬ್ರೈನ್‌ಸ್ಕೇಲ್ಸ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಿಸ್ಟಮ್‌ನ ಸ್ಕೇಲ್ಡ್ ಡೌನ್ ಆವೃತ್ತಿ. 2012 IEEE ಇಂಟರ್‌ನ್ಯಾಶನಲ್ ಸಿಂಪೋಸಿಯಮ್ ಆನ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಮತ್ತು ಸಿಸ್ಟಮ್ಸ್ (ISCAS), (IEEE ed.) 702–702 (2012).
ಮೊರಾಡಿ, S., Qiao, N., Stefanini, F. & Indiveri, G. ಡೈನಾಮಿಕ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಸಮಕಾಲಿಕ ಸಂಸ್ಕಾರಕಗಳಿಗಾಗಿ (DYNAP ಗಳು) ವೈವಿಧ್ಯಮಯ ಮೆಮೊರಿ ರಚನೆಗಳೊಂದಿಗೆ ಸ್ಕೇಲೆಬಲ್ ಮಲ್ಟಿಕೋರ್ ಆರ್ಕಿಟೆಕ್ಚರ್. ಮೊರಾಡಿ, S., Qiao, N., Stefanini, F. & Indiveri, G. ಡೈನಾಮಿಕ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಸಮಕಾಲಿಕ ಸಂಸ್ಕಾರಕಗಳಿಗಾಗಿ (DYNAP ಗಳು) ವೈವಿಧ್ಯಮಯ ಮೆಮೊರಿ ರಚನೆಗಳೊಂದಿಗೆ ಸ್ಕೇಲೆಬಲ್ ಮಲ್ಟಿಕೋರ್ ಆರ್ಕಿಟೆಕ್ಚರ್.ಮೊರಾಡಿ ಎಸ್., ಕಿಯಾವೊ ಎನ್., ಸ್ಟೆಫಾನಿನಿ ಎಫ್. ಮತ್ತು ಇಂಡಿವಿರಿ ಜಿ. ಡೈನಾಮಿಕ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಸಮಕಾಲಿಕ ಸಂಸ್ಕಾರಕಗಳಿಗೆ (ಡಿವೈಎನ್‌ಎಪಿ) ವೈವಿಧ್ಯಮಯ ಮೆಮೊರಿ ರಚನೆಗಳೊಂದಿಗೆ ಸ್ಕೇಲೆಬಲ್ ಮಲ್ಟಿಕೋರ್ ಆರ್ಕಿಟೆಕ್ಚರ್. ಮೊರಾಡಿ, ಎಸ್.、ಕಿಯಾವೊ, ಎನ್.异构内存结构。 ಮೊರಾಡಿ, S.、Qiao, N.、Stefanini, F. & Indiveri, G. ಡೈನಾಮಿಕ್ ನ್ಯೂರಲ್ ಪ್ರೊಸೆಸಿಂಗ್ (DYNAP) ಗಾಗಿ ವಿಶಿಷ್ಟವಾದ ಮೆಮೊರಿ ರಚನೆಯೊಂದಿಗೆ ವಿಸ್ತರಿಸಬಹುದಾದ ಬಹು-ಕೋರ್ ಆರ್ಕಿಟೆಕ್ಚರ್.ಮೊರಾಡಿ ಎಸ್., ಕಿಯಾವೊ ಎನ್., ಸ್ಟೆಫಾನಿನಿ ಎಫ್. ಮತ್ತು ಇಂಡಿವಿರಿ ಜಿ. ಡೈನಾಮಿಕ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಅಸಮಕಾಲಿಕ ಸಂಸ್ಕಾರಕಗಳಿಗೆ (ಡಿವೈಎನ್‌ಎಪಿ) ವೈವಿಧ್ಯಮಯ ಮೆಮೊರಿ ರಚನೆಗಳೊಂದಿಗೆ ಸ್ಕೇಲೆಬಲ್ ಮಲ್ಟಿಕೋರ್ ಆರ್ಕಿಟೆಕ್ಚರ್.ಬಯೋಮೆಡಿಕಲ್ ಸೈನ್ಸ್‌ನಲ್ಲಿ IEEE ವಹಿವಾಟುಗಳು. ವಿದ್ಯುತ್ ವ್ಯವಸ್ಥೆ. 12, 106–122 (2018).
ಡೇವಿಸ್, ಎಂ. ಮತ್ತು ಇತರರು. ಲೋಹಿ: ಎಂಬೆಡೆಡ್ ಕಲಿಕೆಯೊಂದಿಗೆ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಮಲ್ಟಿ-ಕೋರ್ ಪ್ರೊಸೆಸರ್. IEEE ಮೈಕ್ರೋ 38, 82–99 (2018).
ಫರ್ಬರ್, ಎಸ್‌ಬಿ, ಗಲುಪ್ಪಿ, ಎಫ್., ಟೆಂಪಲ್, ಎಸ್. & ಪ್ಲಾನಾ, LA ದಿ ಸ್ಪಿಎನ್‌ನೇಕರ್ ಯೋಜನೆ. ಫರ್ಬರ್, ಎಸ್‌ಬಿ, ಗಲುಪ್ಪಿ, ಎಫ್., ಟೆಂಪಲ್, ಎಸ್. & ಪ್ಲಾನಾ, LA ದಿ ಸ್ಪಿಎನ್‌ನೇಕರ್ ಯೋಜನೆ.ಫೆರ್ಬರ್ SB, Galluppi F., ಟೆಂಪಲ್ S. ಮತ್ತು ಪ್ಲಾನಾ LA ಸ್ಪಿನ್ನಕರ್ ಯೋಜನೆ.ಫೆರ್ಬರ್ ಎಸ್‌ಬಿ, ಗಲುಪ್ಪಿ ಎಫ್., ಟೆಂಪಲ್ ಎಸ್. ಮತ್ತು ಪ್ಲಾನಾ LA ಸ್ಪಿಎನ್‌ನೇಕರ್ ಯೋಜನೆ. ಪ್ರಕ್ರಿಯೆ. IEEE 102, 652–665 (2014).
ಲಿಯು, ಎಸ್.-ಕೆ. & ಡೆಲ್ಬ್ರಕ್, T. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸೆನ್ಸರಿ ಸಿಸ್ಟಮ್ಸ್. & ಡೆಲ್ಬ್ರಕ್, T. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸೆನ್ಸರಿ ಸಿಸ್ಟಮ್ಸ್.ಮತ್ತು ಡೆಲ್ಬ್ರೂಕ್ T. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಂವೇದನಾ ವ್ಯವಸ್ಥೆಗಳು. & ಡೆಲ್ಬ್ರಕ್, T. 神经形态感觉系统。 & ಡೆಲ್ಬ್ರಕ್, ಟಿ.ಮತ್ತು ಡೆಲ್ಬ್ರೂಕ್ T. ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಂವೇದನಾ ವ್ಯವಸ್ಥೆ.ಪ್ರಸ್ತುತ. ಅಭಿಪ್ರಾಯ. ನ್ಯೂರೋಬಯಾಲಜಿ. 20, 288–295 (2010).
ಚೋಪ್, ಟಿ. ಮತ್ತು ಇತರರು. ಸಂಯೋಜಿತ ಧ್ವನಿ ಮೂಲ ಸ್ಥಳೀಕರಣ ಮತ್ತು ಘರ್ಷಣೆ ತಪ್ಪಿಸುವಿಕೆಗಾಗಿ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸಂವೇದನಾ ಏಕೀಕರಣ. 2019 ರಲ್ಲಿ IEEE ಕಾನ್ಫರೆನ್ಸ್ ಆನ್ ಬಯೋಮೆಡಿಕಲ್ ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಮತ್ತು ಸಿಸ್ಟಮ್ಸ್ (BioCAS), (IEEE Ed.) 1–4 (2019).
ರಿಸಿ, ಎನ್., ಐಮರ್, ಎ., ಡೊನಾಟಿ, ಇ., ಸೊಲಿನಾಸ್, ಎಸ್. & ಇಂಡಿವೇರಿ, ಜಿ. ಎ ಸ್ಪೈಕ್-ಬೇಸ್ಡ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆಫ್ ಸ್ಟಿರಿಯೊ ವಿಷನ್. ರಿಸಿ, ಎನ್., ಐಮರ್, ಎ., ಡೊನಾಟಿ, ಇ., ಸೊಲಿನಾಸ್, ಎಸ್. & ಇಂಡಿವೇರಿ, ಜಿ. ಎ ಸ್ಪೈಕ್-ಬೇಸ್ಡ್ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆಫ್ ಸ್ಟಿರಿಯೊ ವಿಷನ್.Risi N, Aymar A, Donati E, Solinas S, ಮತ್ತು Indiveri G. ಸ್ಪೈಕ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಟೀರಿಯೊವಿಷನ್ ಆರ್ಕಿಟೆಕ್ಚರ್. ರಿಸಿ, ಎನ್., ಐಮರ್, ಎ., ಡೊನಾಟಿ, ಇ., ಸೊಲಿನಾಸ್, ಎಸ್. & ಇಂಡಿವೇರಿ, ಜಿ. ರಿಸಿ, ಎನ್., ಐಮರ್, ಎ., ಡೊನಾಟಿ, ಇ., ಸೊಲಿನಾಸ್, ಎಸ್. & ಇಂಡಿವೇರಿ, ಜಿ.Risi N, Aimar A, Donati E, Solinas S, ಮತ್ತು Indiveri G. ಸ್ಟಿರಿಯೊ ದೃಷ್ಟಿಗಾಗಿ ಸ್ಪೈಕ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್.ಮುಂಭಾಗ. ನ್ಯೂರೋಬೊಟಿಕ್ಸ್ 14, 93 (2020).
ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R. & Indiveri, G. ಈವೆಂಟ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಟಿರಿಯೊ ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ 3D ಗ್ರಹಿಕೆಯ ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿ. ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R. & Indiveri, G. ಈವೆಂಟ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಟಿರಿಯೊ ದೃಷ್ಟಿ ವ್ಯವಸ್ಥೆಗಳಿಗಾಗಿ 3D ಗ್ರಹಿಕೆಯ ಸ್ಪೈಕಿಂಗ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾದರಿ.ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R., ಮತ್ತು Indiveri, G. ಈವೆಂಟ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಟಿರಿಯೊ ವಿಷನ್ ಸಿಸ್ಟಮ್ಸ್ಗಾಗಿ 3D ಪಲ್ಸ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಪರ್ಸೆಪ್ಶನ್ ಮಾಡೆಲ್. ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R. & Indiveri, G. ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R. & Indiveri, G. 3Dಪರ್ಸೆಪ್ಶನ್ 脉冲神经网络模型。ಓಸ್ವಾಲ್ಡ್, M., Ieng, S.-H., ಬೆನೋಸ್ಮನ್, R., ಮತ್ತು Indiveri, G. ಈವೆಂಟ್-ಆಧಾರಿತ ನ್ಯೂರೋಮಾರ್ಫಿಕ್ ಸ್ಟಿರಿಯೊ ವಿಷನ್ ಸಿಸ್ಟಮ್ಗಾಗಿ ಸ್ಪೈಕ್ಡ್ 3Dಪರ್ಸೆಪ್ಶನ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಮಾಡೆಲ್.ವಿಜ್ಞಾನ. ವರದಿ 7, 1–11 (2017).
ದಲ್ಗಾಟಿ, ಟಿ. ಮತ್ತು ಇತರರು. ಕೀಟ-ಪ್ರೇರಿತ ಮೂಲ ಚಲನೆಯ ಪತ್ತೆಯು ಪ್ರತಿರೋಧಕ ಸ್ಮರಣೆ ಮತ್ತು ಬರ್ಸ್ಟಿ ನರ ಜಾಲಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಬಯೋನಿಕ್ ಬಯೋಹೈಬ್ರಿಡ್ ವ್ಯವಸ್ಥೆ. 10928, 115–128 (2018).
ಡಿ'ಏಂಜೆಲೋ, ಜಿ. ಮತ್ತು ಇತರರು. ತಾತ್ಕಾಲಿಕ ಡಿಫರೆನ್ಷಿಯಲ್ ಕೋಡಿಂಗ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಈವೆಂಟ್-ಆಧಾರಿತ ವಿಲಕ್ಷಣ ಚಲನೆಯ ಪತ್ತೆ. ಮುಂಭಾಗ. ನರವಿಜ್ಞಾನ. 14, 451 (2020).