소식

실제 데이터 처리 애플리케이션에는 컴팩트하고 대기 시간이 짧은 저전력 컴퓨팅 시스템이 필요합니다. 이벤트 중심 컴퓨팅 기능을 갖춘 보완적인 금속-산화물-반도체 하이브리드 멤리스티브 뉴로모픽 아키텍처는 이러한 작업에 이상적인 하드웨어 기반을 제공합니다. 이러한 시스템의 모든 잠재력을 입증하기 위해 우리는 실제 객체 위치 파악 애플리케이션을 위한 포괄적인 센서 처리 솔루션을 제안하고 실험적으로 시연합니다. 헛간 올빼미 신경 해부학에서 영감을 얻어 최첨단 압전 미세 기계 변환기 변환기와 계산 그래프 기반 신경형 저항 메모리를 결합한 생체 영감을 받은 이벤트 기반 객체 위치 파악 시스템을 개발했습니다. 메모리 기반 저항 일치 감지기, 지연선 회로 및 완전히 사용자 정의 가능한 초음파 변환기를 포함하는 제작된 시스템의 측정값을 보여줍니다. 우리는 이러한 실험 결과를 사용하여 시스템 수준에서 시뮬레이션을 보정합니다. 그런 다음 이러한 시뮬레이션은 객체 위치 파악 모델의 각도 해상도와 에너지 효율성을 평가하는 데 사용됩니다. 결과는 우리의 접근 방식이 동일한 작업을 수행하는 마이크로 컨트롤러보다 몇 배 더 에너지 효율적일 수 있음을 보여줍니다.
우리는 일상생활에 도움이 되는 장치와 시스템의 수가 기하급수적으로 증가하는 유비쿼터스 컴퓨팅 시대로 진입하고 있습니다. 이러한 시스템은 여러 센서에서 수집한 데이터를 실시간으로 해석하고 분류 또는 인식 작업의 결과로 이진 출력을 생성하는 방법을 학습하면서 가능한 한 적은 전력을 소비하면서 지속적으로 실행될 것으로 예상됩니다. 이 목표를 달성하는 데 필요한 가장 중요한 단계 중 하나는 시끄럽고 종종 불완전한 감각 데이터에서 유용하고 간결한 정보를 추출하는 것입니다. 기존 엔지니어링 접근 방식은 일반적으로 센서 신호를 일정하고 빠른 속도로 샘플링하여 유용한 입력이 없는 경우에도 대량의 데이터를 생성합니다. 또한 이러한 방법은 복잡한 디지털 신호 처리 기술을 사용하여 (종종 잡음이 있는) 입력 데이터를 사전 처리합니다. 대신 생물학은 에너지 효율적인 비동기식 이벤트 기반 접근 방식(스파이크)2,3을 사용하여 시끄러운 감각 데이터를 처리하기 위한 대체 솔루션을 제공합니다. 뉴로모픽 컴퓨팅은 생물학적 시스템에서 영감을 얻어 기존 신호 처리 방법4,5,6에 비해 에너지 및 메모리 요구 사항 측면에서 계산 비용을 줄입니다. 최근에는 임펄스 신경망(TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11)을 구현하는 혁신적인 범용 뇌 기반 시스템이 시연되었습니다. 이 프로세서는 기계 학습 및 피질 회로 모델링을 위한 저전력, 낮은 대기 시간 솔루션을 제공합니다. 에너지 효율성을 최대한 활용하려면 이러한 뉴로모픽 프로세서를 이벤트 기반 센서12,13에 직접 연결해야 합니다. 그러나 현재 이벤트 기반 데이터를 직접 제공하는 터치 장치는 소수에 불과합니다. 눈에 띄는 예로는 추적 및 동작 감지14,15,16,17 실리콘 달팽이관18 및 청각 신호 처리를 위한 뉴로모픽 청각 센서(NAS)19, 후각 센서20 및 터치의 수많은 예21,22와 같은 비전 애플리케이션을 위한 동적 시각 센서(DVS)가 있습니다. . 텍스처 센서.
본 논문에서는 객체 위치 파악에 적용되는 새로 개발된 이벤트 중심 청각 처리 시스템을 제시합니다. 여기서는 처음으로 최첨단 압전 미세 가공 초음파 변환기(pMUT)를 신경형 저항 메모리(RRAM) 기반의 계산 그래프와 연결하여 얻은 객체 위치 파악을 위한 엔드투엔드 시스템을 설명합니다. RRAM을 사용하는 인메모리 컴퓨팅 아키텍처는 전력 소비를 줄이기 위한 유망한 솔루션입니다23,24,25,26,27,28,29. 정보를 저장하거나 업데이트하기 위해 활성 전력 소비가 필요하지 않은 고유한 비휘발성은 뉴로모픽 컴퓨팅의 비동기식 이벤트 중심 특성과 완벽하게 들어맞아 시스템이 유휴 상태일 때 전력 소비가 거의 없습니다. 압전 미세 기계 초음파 변환기(pMUT)는 송신기 및 수신기 역할을 할 수 있는 저렴하고 소형화된 실리콘 기반 초음파 변환기입니다. 내장 센서에서 수신한 신호를 처리하기 위해 우리는 헛간 올빼미 신경 해부학에서 영감을 얻었습니다. 헛간 올빼미 Tyto alba는 매우 효율적인 청각 위치 파악 시스템 덕분에 놀라운 야간 사냥 능력으로 유명합니다. 먹이의 위치를 ​​계산하기 위해 헛간 올빼미의 위치 파악 시스템은 먹이의 음파가 올빼미의 각 귀 또는 소리 수용체에 도달할 때의 비행 시간(ToF)을 인코딩합니다. 귀 사이의 거리를 고려하면 두 ToF 측정값 간의 차이(ITD)를 통해 대상의 방위각 위치를 분석적으로 계산할 수 있습니다. 생물학적 시스템은 대수 방정식을 푸는 데 적합하지 않지만 위치 파악 문제를 매우 효과적으로 해결할 수 있습니다. 헛간 올빼미 신경계는 위치 지정 문제를 해결하기 위해 계산 그래프로 구성된 일련의 일치 감지기(CD)35 뉴런(즉, 수렴 흥분성 결말로 아래로 전파되는 스파이크 사이의 시간적 상관 관계를 감지할 수 있는 뉴런)38,39을 사용합니다.
이전 연구에서는 헛간 올빼미의 하구("청각 피질")에서 영감을 받은 CMOS(상보성 금속 산화물 반도체) 하드웨어와 RRAM 기반 뉴로모픽 하드웨어가 ITD13, 40, 41을 사용하여 위치를 계산하는 효율적인 방법이라는 것을 보여주었습니다. 42, 43, 44, 45, 46. 그러나 청각 신호를 뉴로모픽 계산 그래프에 연결하는 완전한 뉴로모픽 시스템의 잠재력은 아직 입증되지 않았습니다. 주요 문제는 일치 감지의 정확성에 영향을 미치는 아날로그 CMOS 회로의 고유한 가변성입니다. 최근에는 ITD47 추정치의 대체 수치 구현이 시연되었습니다. 본 논문에서는 아날로그 회로의 변동성에 대응하기 위해 비휘발성 방식으로 컨덕턴스 값을 변경하는 RRAM의 기능을 사용할 것을 제안합니다. 우리는 111.9kHz의 주파수에서 작동하는 하나의 pMUT 전송 멤브레인, 헛간 올빼미 귀를 시뮬레이션하는 두 개의 pMUT 수신 멤브레인(센서) 및 하나의 . 우리는 pMUT 탐지 시스템과 RRAM 기반 ITD 계산 그래프를 실험적으로 특성화하여 위치 파악 시스템을 테스트하고 각도 분해능을 평가했습니다.
우리는 우리의 방법을 기존의 빔포밍이나 뉴로모픽 방법을 사용하여 동일한 위치 파악 작업을 수행하는 마이크로 컨트롤러의 디지털 구현과 참고 자료에서 제안된 ITD 추정을 위한 FPGA(Field Programmable Gate Array)와 비교합니다. 47. 이 비교는 제안된 RRAM 기반 아날로그 뉴로모픽 시스템의 경쟁력 있는 전력 효율성을 강조합니다.
정확하고 효율적인 객체 위치 파악 시스템의 가장 눈에 띄는 예 중 하나는 헛간 올빼미(35,37,48)에서 찾을 수 있습니다. 황혼과 새벽에 헛간올빼미(Tyto Alba)는 주로 수동적인 청취에 의존하여 들쥐나 생쥐와 같은 작은 먹이를 적극적으로 찾습니다. 이러한 청각 전문가는 그림 1a에 표시된 것처럼 놀라운 정확도(약 2°)35로 먹이의 청각 신호 위치를 파악할 수 있습니다. 헛간올빼미는 음원에서 두 귀로의 비행 시간(ITD)의 차이를 통해 방위각(수평) 평면에서 음원의 위치를 ​​추론합니다. ITD 계산 메커니즘은 신경 기하학에 의존하고 두 가지 주요 구성 요소인 축삭, 지연선 역할을 하는 뉴런의 신경 섬유 및 계산 시스템으로 구성된 일치 탐지 뉴런 배열이 필요한 Jeffress에 의해 제안되었습니다. 그림 1b와 같은 그래프. 소리는 방위각 종속 시간 지연(ITD)을 통해 귀에 도달합니다. 그런 다음 소리는 양쪽 귀에서 스파이크 패턴으로 변환됩니다. 왼쪽 및 오른쪽 귀의 축삭돌기는 지연선 역할을 하며 CD 뉴런으로 수렴됩니다. 이론적으로 일치하는 뉴런 배열에서 오직 하나의 뉴런만 한 번에 입력을 받고(지연이 정확히 상쇄되는 경우) 최대로 활성화됩니다(인접 셀도 활성화되지만 빈도는 더 낮습니다). 특정 뉴런을 활성화하면 ITD를 각도로 더 이상 변환하지 않고 공간에서 대상의 위치를 ​​인코딩합니다. 이 개념은 그림 1c에 요약되어 있습니다. 예를 들어 오른쪽 귀의 입력 신호가 왼쪽 귀의 경로보다 더 긴 경로를 이동할 때 소리가 오른쪽에서 나오는 경우 ITD 수를 보상합니다. 뉴런 2가 일치할 때. 즉, 각 CD는 축삭 지연으로 인해 특정 ITD(최적 지연이라고도 함)에 반응합니다. 따라서 뇌는 시간적 정보를 공간적 정보로 변환합니다. 이 메커니즘에 대한 해부학적 증거가 발견되었습니다37,51. 위상 고정 대핵 뉴런은 들어오는 소리에 대한 시간 정보를 저장합니다. 이름에서 알 수 있듯이 특정 신호 단계에서 발화합니다. Jeffress 모델의 일치 탐지 뉴런은 층류 코어에서 찾을 수 있습니다. 그들은 축삭이 지연선 역할을 하는 대핵 뉴런으로부터 정보를 받습니다. 지연선에 의해 제공되는 지연 정도는 축색돌기의 길이와 전도 속도를 변화시키는 또 다른 수초화 패턴으로 설명할 수 있습니다. 헛간 올빼미의 청각 시스템에서 영감을 받아 물체의 위치를 ​​파악하기 위한 생체 모방 시스템을 개발했습니다. 두 개의 귀는 두 개의 pMUT 수신기로 표시됩니다. 음원은 이들 사이에 위치한 pMUT 송신기이며(그림 1a), 계산 그래프는 입력이 지연되는 CD 뉴런의 역할을 하는 RRAM 기반 CD 회로의 그리드(그림 1b, 녹색)로 구성됩니다. 회로를 통해 지연선(파란색)은 생물학적 대응 부분의 축삭처럼 작용합니다. 제안된 감각 시스템은 청각 시스템이 1~8kHz 범위에서 작동하는 올빼미의 작동 주파수와 다르지만, 이 작업에는 약 117kHz에서 작동하는 pMUT 센서가 사용됩니다. 초음파 변환기의 선택은 기술 및 최적화 기준에 따라 고려됩니다. 첫째, 수신 대역폭을 단일 주파수로 제한하면 이상적으로 측정 정확도가 향상되고 후처리 단계가 단순화됩니다. 또한, 초음파 작동은 방출된 펄스가 들리지 않는다는 장점이 있습니다. 따라서 청각 범위는 ~20-20kHz이므로 사람을 방해하지 않습니다.
헛간올빼미는 표적(이 경우 움직이는 먹이)으로부터 음파를 수신합니다. 음파의 비행 시간(ToF)은 각 귀마다 다릅니다(먹이가 올빼미 바로 앞에 있지 않는 한). 점선은 음파가 헛간 올빼미의 귀에 도달하는 경로를 보여줍니다. 먹이는 두 음향 경로 사이의 길이 차이와 해당 ITD(양이 간 시간 차이)를 기반으로 수평면에서 정확하게 위치를 파악할 수 있습니다(참조 74, 저작권 2002, Society for Neuroscience에서 영감을 받은 왼쪽 이미지). 우리 시스템에서 pMUT 송신기(짙은 파란색)는 대상에서 반사되는 음파를 생성합니다. 반사된 초음파는 두 개의 pMUT 수신기(밝은 녹색)에 의해 수신되고 뉴로모픽 프로세서(오른쪽)에 의해 처리됩니다. b 헛간 올빼미의 귀로 들어가는 소리가 먼저 큰 핵(NM)에서 위상 고정 스파이크로 인코딩된 다음 층상 핵에서 일치하는 감지 뉴런의 기하학적으로 배열된 그리드를 사용하는 방법을 설명하는 ITD(Jeffress) 계산 모델입니다. 가공(네덜란드)(왼쪽). 지연선과 일치 감지 뉴런을 결합한 NeuroITD 계산 그래프의 그림인 올빼미 바이오센서 시스템은 RRAM 기반 뉴로모픽 회로(오른쪽)를 사용하여 모델링될 수 있습니다. c ToF의 차이로 인해 주요 Jeffress 메커니즘의 도식은 두 귀가 서로 다른 시간에 소리 자극을 수신하고 양쪽 끝에서 감지기로 축삭을 보냅니다. 축삭은 일련의 일치 검출기(CD) 뉴런의 일부이며, 각각은 강한 시간 상관 입력에 선택적으로 반응합니다. 결과적으로 입력이 가장 작은 시간 차이로 도착하는 CD만 최대로 활성화됩니다(ITD는 정확하게 보상됩니다). 그런 다음 CD는 대상의 각도 위치를 인코딩합니다.
압전 미세 기계 초음파 변환기는 고급 CMOS 기술31,32,33,52과 통합할 수 있고 기존 체적 변환기53보다 초기 전압 및 전력 소비가 낮은 확장 가능한 초음파 변환기입니다. 우리 연구에서 멤브레인 직경은 880μm이고 공진 주파수는 110-117kHz 범위에 분포됩니다 (그림 2a, 자세한 내용은 방법 참조). 10개의 테스트 장치 배치에서 평균 품질 계수는 약 50이었습니다(참조 31). 이 기술은 산업적으로 성숙해졌으며 그 자체로는 생물학적 영감을 받지 않습니다. 서로 다른 pMUT 필름의 정보를 결합하는 것은 잘 알려진 기술이며, 빔 형성 기술 등을 사용하여 pMUT에서 각도 정보를 얻을 수 있습니다. 그러나 각도 정보를 추출하는 데 필요한 신호 처리는 저전력 측정에는 적합하지 않습니다. 제안된 시스템은 뉴로모픽 데이터 전처리 회로 pMUT를 Jeffress 모델에서 영감을 얻은 RRAM 기반 뉴로모픽 컴퓨팅 그래프(그림 2c)와 결합하여 에너지 효율적이고 리소스가 제한된 대체 하드웨어 솔루션을 제공합니다. 우리는 두 개의 수신 멤브레인에서 수신되는 서로 다른 ToF 사운드를 활용하기 위해 두 개의 pMUT 센서를 약 10cm 간격으로 배치하는 실험을 수행했습니다. 송신기 역할을 하는 하나의 pMUT가 수신기 사이에 위치합니다. 목표는 pMUT 장치 앞에서 거리 D에 위치한 12cm 너비의 PVC 판이었습니다(그림 2b). 수신기는 물체에서 반사되는 소리를 녹음하고 음파가 통과하는 동안 최대한 반응합니다. 거리 D와 각도 θ에 따라 결정되는 물체의 위치를 ​​변경하여 실험을 반복합니다. 링크에서 영감을 얻었습니다. 55에서는 반사파를 피크로 변환하여 뉴로모픽 계산 그래프를 입력하는 pMUT 원시 신호의 뉴로모픽 전처리를 제안합니다. 피크 진폭에 해당하는 ToF는 두 채널 각각에서 추출되어 개별 피크의 정확한 타이밍으로 인코딩됩니다. 그림에. 그림 2c는 pMUT 센서를 RRAM 기반 계산 그래프와 연결하는 데 필요한 회로를 보여줍니다. 두 개의 pMUT 수신기 각각에 대해 원시 신호는 대역 통과 필터링되어 평활화되고 수정된 다음 극복 모드에서 누출 적분기로 전달됩니다. 동적 임계값(그림 2d)은 출력 이벤트(스파이크) 및 발사(LIF) 뉴런을 생성합니다. 출력 스파이크 시간은 감지된 비행 시간을 인코딩합니다. LIF 임계값은 pMUT 응답에 대해 보정되어 장치 간 pMUT 변동성을 줄입니다. 이 접근 방식을 사용하면 전체 음파를 메모리에 저장하고 나중에 처리하는 대신 저항성 메모리 계산 그래프에 대한 입력을 형성하는 음파의 ToF에 해당하는 피크를 생성하기만 하면 됩니다. 스파이크는 지연 라인으로 직접 전송되고 뉴로모픽 계산 그래프의 일치 감지 모듈과 병렬화됩니다. 트랜지스터의 게이트로 전송되기 때문에 추가 증폭 회로가 필요하지 않습니다(자세한 내용은 보충 그림 4 참조). pMUT가 제공하는 측위 각도 정확도와 제안된 신호 처리 방법을 평가하기 위해 물체의 거리와 각도가 변화함에 따라 ITD(즉, 두 수신기에서 발생하는 피크 이벤트 간의 시간 차이)를 측정했습니다. 그런 다음 ITD 분석을 각도로 변환하고(방법 참조) 물체의 위치에 대해 플롯했습니다. 측정된 ITD의 불확실성은 물체까지의 거리와 각도에 따라 증가했습니다(그림 2e, f). 주요 문제는 pMUT 응답의 피크 대 잡음비(PNR)입니다. 물체가 멀수록 음향 신호가 낮아져 PNR이 감소합니다(그림 2f, 녹색 선). PNR이 감소하면 ITD 추정의 불확실성이 증가하여 현지화 정확도가 높아집니다(그림 2f, 파란색 선). 송신기로부터 50cm 거리에 있는 물체의 경우 시스템의 각도 정확도는 약 10°입니다. 센서의 특성으로 인한 이러한 한계는 개선될 수 있습니다. 예를 들어, 이미터에서 보내는 압력이 증가하여 pMUT 멤브레인을 구동하는 전압이 증가할 수 있습니다. 전송된 신호를 증폭시키는 또 다른 해결책은 다중 송신기(56)를 연결하는 것이다. 이러한 해결책은 증가된 에너지 비용을 희생시키면서 감지 범위를 증가시킬 것이다. 수신 측에서 추가 개선이 이루어질 수 있습니다. pMUT의 수신기 노이즈 플로어는 현재 유선 연결과 RJ45 케이블을 사용하여 수행되는 pMUT와 1단계 증폭기 간의 연결을 개선하여 크게 줄일 수 있습니다.
a 1.5mm 피치로 통합된 6개의 880μm 멤브레인이 있는 pMUT 결정 이미지. b 측정 설정 다이어그램. 표적은 방위각 위치 θ와 거리 D에 위치합니다. pMUT 송신기는 표적에서 반사되는 117.6kHz 신호를 생성하고 ToF(비행 시간)가 서로 다른 두 pMUT 수신기에 도달합니다. ITD(Inter-Aural Time Difference)로 정의되는 이 차이는 물체의 위치를 ​​인코딩하며 두 수신기 센서의 최대 응답을 추정하여 추정할 수 있습니다. c 원시 pMUT 신호를 스파이크 시퀀스(즉, 뉴로모픽 계산 그래프에 대한 입력)로 변환하기 위한 전처리 단계의 도식입니다. pMUT 센서와 뉴로모픽 계산 그래프가 제작 및 테스트되었으며 뉴로모픽 전처리는 소프트웨어 시뮬레이션을 기반으로 합니다. d 신호 수신 시 pMUT 막의 반응 및 스파이크 도메인으로의 변환. e 물체 각도(Θ)와 대상 물체까지의 거리(D)에 따른 실험적 위치 측정 각도 정확도. ITD 추출 방법에는 약 4°C의 최소 각도 분해능이 필요합니다. f Θ = 0에 대한 각도 정확도(파란색 선) 및 해당 피크 대 잡음비(녹색 선) 대 물체 거리.
저항성 메모리는 비휘발성 전도 상태로 정보를 저장합니다. 이 방법의 기본 원리는 원자 수준에서 물질을 변형하면 전기 전도성이 변경된다는 것입니다. 여기서 우리는 상단과 하단 티타늄 및 티타늄 질화물 전극 사이에 끼워진 5nm 이산화 하프늄 층으로 구성된 산화물 기반 저항성 메모리를 사용합니다. RRAM 장치의 전도성은 전극 사이에 산소 결손의 전도성 필라멘트를 생성하거나 차단하는 전류/전압 파형을 적용하여 변경할 수 있습니다. 우리는 이러한 장치58를 표준 130nm CMOS 공정에 공동 통합하여 일치 감지기와 지연선 회로를 구현하는 재구성 가능한 뉴로모픽 회로를 제작했습니다(그림 3a). 장치의 비휘발성 및 아날로그 특성은 뉴로모픽 회로의 이벤트 중심 특성과 결합되어 전력 소비를 최소화합니다. 회로에는 즉시 켜기/끄기 기능이 있습니다. 켜진 후 즉시 작동하여 회로가 유휴 상태일 때 전원을 완전히 끌 수 있습니다. 제안된 계획의 주요 구성 요소가 그림에 나와 있습니다. 3b. 이는 가중 전류를 가져오는 시냅스 가중치를 인코딩하고 차동 쌍 적분기(DPI)59의 공통 시냅스에 주입된 후 최종적으로 통합 및 누출. 활성화된(LIF) 뉴런 60(자세한 내용은 방법 참조). 입력 서지는 수백 나노초 정도의 지속 시간을 갖는 일련의 전압 펄스 형태로 1T1R 구조의 게이트에 적용됩니다. 저항성 메모리는 Vbottom이 접지될 때 Vtop에 외부 양의 기준을 적용하여 높은 전도 상태(HCS)에 배치될 수 있고, Vtop이 접지될 때 Vbottom에 양의 전압을 적용하여 낮은 전도 상태(LCS)로 재설정될 수 있습니다. HCS의 평균값은 직렬 트랜지스터의 게이트-소스 전압으로 SET(ICC)의 프로그래밍 전류(컴플라이언스)를 제한하여 제어할 수 있습니다(그림 3c). 회로에서 RRAM의 기능은 두 가지입니다. 입력 펄스를 지시하고 가중치를 부여합니다.
녹색 선택기 트랜지스터(폭 650nm)가 있는 130nm CMOS 기술에 통합된 파란색 HfO2 1T1R RRAM 장치의 주사 전자 현미경(SEM) 이미지. b 제안된 뉴로모픽 스키마의 기본 구성 요소. 입력 전압 펄스(피크) Vin0 및 Vin1은 1T1R 구조의 전도 상태 G0 및 G1에 비례하는 전류 Iweight를 소비합니다. 이 전류는 DPI 시냅스에 주입되어 LIF 뉴런을 자극합니다. RRAM G0과 G1은 각각 HCS와 LCS에 설치됩니다. c 전도 수준을 효과적으로 제어하는 ​​ICC 전류 매칭의 함수로서 16K RRAM 장치 그룹의 누적 전도 밀도 기능. d (a)의 회로 측정은 G1(LCS의)이 Vin1(녹색)의 입력을 효과적으로 차단하고 실제로 출력 뉴런의 막 전압이 Vin0의 파란색 입력에만 응답한다는 것을 보여줍니다. RRAM은 회로의 연결을 효과적으로 결정합니다. e 전압 펄스 Vin0을 인가한 후 막 전압 Vmem에 대한 컨덕턴스 값 G0의 영향을 보여주는 (b)의 회로 측정. 컨덕턴스가 높을수록 응답이 강해집니다. 따라서 RRAM 장치는 I/O 연결 가중치를 구현합니다. 회로에 대한 측정이 이루어졌으며 RRAM의 이중 기능, 입력 펄스의 라우팅 및 가중치를 보여줍니다.
첫째, 두 가지 기본 전도 상태(HCS 및 LCS)가 있으므로 RRAM은 각각 LCS 또는 HCS 상태에 있을 때 입력 펄스를 차단하거나 놓칠 수 있습니다. 결과적으로 RRAM은 회로의 연결을 효과적으로 결정합니다. 이는 아키텍처를 재구성할 수 있는 기반입니다. 이를 입증하기 위해 그림 3b의 회로 블록의 제작된 회로 구현을 설명합니다. G0에 해당하는 RRAM은 HCS에 프로그램되고, 제2 RRAM G1은 LCS에 프로그램된다. 입력 펄스는 Vin0과 Vin1 모두에 적용됩니다. 오실로스코프를 사용하여 뉴런 막 전압과 출력 신호를 수집하여 출력 뉴런에서 두 시퀀스의 입력 펄스 효과를 분석했습니다. HCS 장치(G0)만 뉴런의 펄스에 연결하여 막 장력을 자극했을 때 실험은 성공적이었습니다. 이는 그림 3d에 나와 있습니다. 여기서 파란색 펄스 트레인은 멤브레인 전압을 멤브레인 커패시터에 축적시키는 반면 녹색 펄스 트레인은 멤브레인 전압을 일정하게 유지합니다.
RRAM의 두 번째 중요한 기능은 연결 가중치를 구현하는 것입니다. RRAM의 아날로그 컨덕턴스 조정을 사용하면 그에 따라 I/O 연결에 가중치를 부여할 수 있습니다. 두 번째 실험에서는 G0 장치를 다양한 HCS 레벨로 프로그래밍하고 입력 펄스를 VIn0 입력에 적용했습니다. 입력 펄스는 컨덕턴스와 해당 전위 강하 Vtop − Vbot에 비례하는 전류(Iweight)를 장치에서 끌어옵니다. 이 가중 전류는 DPI 시냅스와 LIF 출력 뉴런에 주입됩니다. 출력 뉴런의 막 전압은 오실로스코프를 사용하여 기록하고 그림 3d에 표시했습니다. 단일 입력 펄스에 반응하는 뉴런 막의 전압 피크는 저항성 메모리의 전도도에 비례하며, 이는 RRAM이 시냅스 가중치의 프로그래밍 가능한 요소로 사용될 수 있음을 보여줍니다. 이 두 가지 예비 테스트는 제안된 RRAM 기반 뉴로모픽 플랫폼이 기본 Jeffress 메커니즘의 기본 요소, 즉 지연 라인과 일치 감지 회로를 구현할 수 있음을 보여줍니다. 회로 플랫폼은 그림 3b의 블록과 같이 연속적인 블록을 나란히 쌓고 해당 게이트를 공통 입력 라인에 연결하여 구축됩니다. 우리는 두 개의 입력을 수신하는 두 개의 출력 뉴런으로 구성된 뉴로모픽 플랫폼을 설계, 제작 및 테스트했습니다(그림 4a). 회로도는 그림 4b에 나와 있습니다. 상단 2 × 2 RRAM 매트릭스를 사용하면 입력 펄스가 두 개의 출력 뉴런으로 전달될 수 있고, 하단 2 × 2 매트릭스에서는 두 뉴런(N0, N1)의 반복 연결이 가능합니다. 우리는 그림 4c-e의 실험 측정에서 볼 수 있듯이 이 플랫폼이 지연선 구성 및 두 가지 서로 다른 일치 감지 기능과 함께 사용될 수 있음을 보여줍니다.
두 개의 입력 0과 1을 수신하는 두 개의 출력 뉴런 N0 및 N1로 구성된 회로 다이어그램. 배열의 상단 4개 장치는 입력에서 출력까지의 시냅스 연결을 정의하고 하단 4개의 셀은 뉴런 간의 반복 연결을 정의합니다. 색상이 지정된 RRAM은 오른쪽의 HCS에 구성된 장치를 나타냅니다. HCS의 장치는 연결을 허용하고 가중치를 나타내는 반면, LCS의 장치는 입력 펄스를 차단하고 출력에 대한 연결을 비활성화합니다. b 8개의 RRAM 모듈이 파란색으로 강조 표시된 회로(a) 다이어그램. c 지연선은 단순히 DPI 시냅스와 LIF 뉴런의 역학을 사용하여 형성됩니다. 녹색 RRAM은 입력 지연 Δt 이후 출력에서 ​​글리치를 유발할 수 있을 만큼 충분히 높은 컨덕턴스로 설정됩니다. d 시간 종속 신호의 방향에 민감하지 않은 CD 감지에 대한 개략도. 출력 뉴런 1, N1은 짧은 지연으로 입력 0과 1에서 실행됩니다. e 방향 감지 CD 회로는 입력 1이 입력 0에 접근하고 입력 0 다음에 도착하는 때를 감지하는 회로입니다. 회로의 출력은 뉴런 1(N1)로 표시됩니다.
지연 라인(그림 4c)은 단순히 DPI 시냅스 및 LIF 뉴런의 동적 동작을 사용하여 Tdel을 지연시켜 Vin1에서 Vout1로의 입력 스파이크를 재현합니다. Vin1 및 Vout1에 연결된 G3 RRAM만 HCS에 프로그래밍되고 나머지 RRAM은 LCS에 프로그래밍됩니다. G3 장치는 각 입력 펄스가 출력 뉴런의 막 전압을 증가시켜 임계값에 도달하고 지연된 출력 펄스를 생성하도록 92.6μs로 프로그래밍되었습니다. 지연 Tdel은 시냅스 및 신경 시간 상수에 의해 결정됩니다. 일치 탐지기는 시간적으로 상관되어 있지만 공간적으로 분산된 입력 신호의 발생을 탐지합니다. 방향에 민감하지 않은 CD는 공통 출력 뉴런으로 수렴되는 개별 입력에 의존합니다(그림 4d). Vin0 및 Vin1을 Vout1, G2 및 G4에 각각 연결하는 두 개의 RRAM은 높은 전도를 위해 프로그래밍되었습니다. Vin0 및 Vin1에 스파이크가 동시에 도착하면 출력 스파이크를 생성하는 데 필요한 임계값 이상으로 N1 뉴런 막의 전압이 증가합니다. 두 입력이 시간적으로 너무 멀리 떨어져 있으면 첫 번째 입력에 의해 축적된 막 전압의 전하가 붕괴되는 시간을 갖게 되어 막 전위 N1이 임계값에 도달하는 것을 방지할 수 있습니다. G1 및 G2는 약 65μs로 프로그래밍되어 단일 입력 서지가 출력 서지를 유발할 만큼 멤브레인 전압을 증가시키지 않도록 합니다. 공간과 시간에 분산된 사건 간의 일치 감지는 광학 흐름 기반 장애물 회피, 음원 위치 파악 등 광범위한 감지 작업에 사용되는 기본 작업입니다. 따라서 방향에 민감한 CD와 둔감한 CD를 컴퓨팅하는 것은 시각 및 오디오 위치 파악 시스템을 구축하기 위한 기본 구성 요소입니다. 시상수의 특성(보충 그림 2 참조)에서 알 수 있듯이 제안된 회로는 4자리 크기 시간 규모의 적절한 범위를 구현합니다. 따라서 시각 및 음향 시스템의 요구 사항을 동시에 충족할 수 있습니다. 방향 감지 CD는 펄스 도착의 공간적 순서(오른쪽에서 왼쪽으로 또는 그 반대로)에 민감한 회로입니다. 이는 모션 방향을 계산하고 충돌을 감지하는 데 사용되는 Drosophila 시각 시스템의 기본 모션 감지 네트워크의 기본 구성 요소입니다. 방향 감지 CD를 얻으려면 두 개의 입력이 두 개의 서로 다른 뉴런(N0, N1)으로 전달되어야 하며 이들 사이에 방향 연결이 설정되어야 합니다(그림 4e). 첫 번째 입력이 수신되면 NO는 멤브레인 전체의 전압을 임계값 이상으로 증가시키고 서지를 보내는 방식으로 반응합니다. 이 출력 이벤트는 녹색으로 강조 표시된 방향 연결 덕분에 N1을 실행합니다. 멤브레인 전압이 여전히 높은 동안 입력 이벤트 Vin1이 도착하여 N1에 전원을 공급하면 N1은 두 입력 간에 일치 항목이 발견되었음을 나타내는 출력 이벤트를 생성합니다. 방향 연결을 사용하면 입력 1이 입력 0 다음에 오는 경우에만 N1이 출력을 방출할 수 있습니다. G0, G3 및 G7은 각각 73.5μS, 67.3μS 및 40.2μS로 프로그래밍되어 입력 Vin0의 단일 스파이크로 인해 지연이 발생합니다. N1의 막 전위는 두 입력 버스트가 동기화된 경우에만 임계값에 도달하는 반면 출력 스파이크가 발생합니다. .
가변성은 모델링된 신경모형 시스템63,64,65에서 불완전성의 원인입니다. 이로 인해 뉴런과 시냅스의 이질적인 행동이 발생합니다. 이러한 단점의 예로는 입력 게인, 시상수 및 불응 기간의 30%(평균 표준 편차) 변동성이 포함됩니다(방법 참조). 이 문제는 두 개의 뉴런으로 구성된 방향 감지 CD와 같이 여러 신경 회로가 함께 연결된 경우 더욱 두드러집니다. 제대로 작동하려면 두 뉴런의 이득 및 감쇠 시간 상수가 최대한 유사해야 합니다. 예를 들어, 입력 게인의 큰 차이로 인해 한 뉴런은 입력 펄스에 과잉 반응하고 다른 뉴런은 거의 반응하지 않을 수 있습니다. 그림에. 그림 5a는 무작위로 선택된 뉴런이 동일한 입력 펄스에 다르게 반응한다는 것을 보여줍니다. 이러한 신경 가변성은 예를 들어 방향에 민감한 CD의 기능과 관련이 있습니다. 그림에 표시된 구성표에서. 도 5b, c에서, 뉴런 1의 입력 이득은 뉴런 0의 입력 이득보다 훨씬 높습니다. 따라서 뉴런 0은 임계값에 도달하기 위해 (1 대신) 3개의 입력 펄스가 필요하고 예상대로 뉴런 1에는 2개의 입력 이벤트가 필요합니다. 스파이크 시간 의존 생체 모방 가소성(STDP)을 구현하는 것은 부정확하고 느린 신경 및 시냅스 회로가 시스템 성능에 미치는 영향을 완화할 수 있는 방법입니다43. 여기서 우리는 신경 입력의 향상에 영향을 미치고 신경형 회로의 가변성 효과를 줄이는 수단으로 저항성 메모리의 소성 동작을 사용할 것을 제안합니다. 그림과 같이. 도 4e에 도시된 바와 같이, RRAM 시냅스 질량과 관련된 컨덕턴스 수준은 해당 신경막 전압 반응을 효과적으로 변조했습니다. 우리는 반복적인 RRAM 프로그래밍 전략을 사용합니다. 주어진 입력에 대해 시냅스 가중치의 컨덕턴스 값은 회로의 목표 동작이 얻어질 때까지 다시 프로그래밍됩니다(방법 참조).
a 동일한 입력 펄스에 대해 무작위로 선택된 9개의 개별 뉴런의 반응을 실험적으로 측정했습니다. 반응은 모집단에 따라 다르며 입력 이득과 시간 상수에 영향을 미칩니다. b 방향에 민감한 CD에 영향을 미치는 뉴런의 가변성에 대한 뉴런의 영향에 대한 실험적 측정. 방향에 민감한 두 개의 CD 출력 뉴런은 뉴런 간 가변성으로 인해 입력 자극에 다르게 반응합니다. 뉴런 0은 뉴런 1보다 입력 게인이 낮으므로 출력 스파이크를 생성하려면 1개가 아닌 3개의 입력 펄스가 필요합니다. 예상한 대로 뉴런 1은 두 개의 입력 이벤트로 임계값에 도달합니다. 뉴런 0이 활성화된 후 입력 1이 Δt = 50μs에 도달하면 Δt가 뉴런 1의 시간 상수(약 22μs)보다 크기 때문에 CD는 침묵을 유지합니다. c는 Δt = 20 µs만큼 감소하므로 뉴런 1의 발사가 여전히 높을 때 입력 1이 최고조에 이르고 결과적으로 두 개의 입력 이벤트가 동시에 감지됩니다.
ITD 계산 열에 사용되는 두 가지 요소는 지연 라인과 방향 둔감 CD입니다. 두 회로 모두 우수한 물체 위치 지정 성능을 보장하기 위해 정밀한 보정이 필요합니다. 지연 라인은 입력 피크(그림 6a)의 정확하게 지연된 버전을 제공해야 하며, CD는 입력이 목표 감지 범위 내에 있을 때만 활성화되어야 합니다. 지연 라인의 경우 입력 연결(그림 4a의 G3)의 시냅스 가중치가 목표 지연을 얻을 때까지 다시 프로그래밍되었습니다. 프로그램을 중지하려면 목표 지연 주위에 허용 오차를 설정하십시오. 허용 ​​오차가 작을수록 지연 라인을 성공적으로 설정하는 것이 더 어렵습니다. 그림에. 그림 6b는 지연선 교정 프로세스의 결과를 보여줍니다. 제안된 방식이 설계 방식에 필요한 모든 지연(10~300μs)을 정확하게 제공할 수 있음을 알 수 있습니다. 최대 교정 반복 횟수는 교정 프로세스의 품질에 영향을 미칩니다. 200회 반복하면 오류를 5% 미만으로 줄일 수 있습니다. 한 번의 교정 반복은 RRAM 셀의 설정/재설정 작업에 해당합니다. 튜닝 프로세스는 CD 모듈 즉시 닫기 이벤트 감지의 정확성을 향상시키는 데에도 중요합니다. 95% 이상의 진양성률(즉, 관련성이 있는 것으로 올바르게 식별된 이벤트 비율)을 달성하려면 10번의 교정 반복이 필요했습니다(그림 6c의 파란색 선). 그러나 조정 프로세스는 잘못된 긍정 이벤트(즉, 관련된 것으로 잘못 식별된 이벤트의 빈도)에는 영향을 미치지 않았습니다. 빠르게 활성화되는 경로의 시간 제약을 극복하기 위해 생물학적 시스템에서 관찰되는 또 다른 방법은 중복성입니다(즉, 동일한 개체의 많은 복사본이 주어진 기능을 수행하는 데 사용됩니다). 생물학66에서 영감을 받아, 우리는 오탐의 영향을 줄이기 위해 두 지연 라인 사이의 각 CD 모듈에 여러 개의 CD 회로를 배치했습니다. 그림과 같이. 그림 6c(녹색 선)에서 각 CD 모듈에 3개의 CD 요소를 배치하면 잘못된 경보 비율을 10–2 미만으로 줄일 수 있습니다.
지연선 회로에 대한 연결 가변성의 영향. b 지연 라인 회로는 해당 LIF 뉴런과 DPI 시냅스의 시간 상수를 큰 값으로 설정하여 큰 지연으로 확장할 수 있습니다. RRAM 교정 절차의 반복 횟수를 늘리면 대상 지연의 정확도가 크게 향상될 수 있습니다. 200회 반복하면 오류가 5% 미만으로 감소됩니다. 한 번의 반복은 RRAM 셀의 SET/RESET 작업에 해당합니다. c Jeffress 모델의 각 CD 모듈은 시스템 오류에 대한 유연성을 높이기 위해 N 병렬 CD 요소를 사용하여 구현할 수 있습니다. d RRAM 교정을 더 많이 반복하면 참양성률(파란색 선)이 증가하는 반면, 거짓양성률은 반복 횟수(녹색 선)와 관계가 없습니다. 더 많은 CD 요소를 병렬로 배치하면 CD 모듈 일치가 잘못 감지되는 것을 방지할 수 있습니다.
이제 뉴로모픽 컴퓨팅 그래프를 구성하는 pMUT 센서, CD 및 지연선 회로의 음향 특성 측정을 사용하여 그림 2에 표시된 엔드투엔드 통합 객체 위치 파악 시스템의 성능과 전력 소비를 평가합니다. Jeffress 모델(그림 1a). 뉴로모픽 컴퓨팅 그래프의 경우, CD 모듈의 수가 많을수록 각도 분해능이 좋아지지만 시스템의 에너지도 높아집니다(그림 7a). 개별 구성요소(pMUT 센서, 뉴런 및 시냅스 회로)의 정확도를 전체 시스템의 정확도와 비교하여 절충안을 찾을 수 있습니다. 지연선의 분해능은 시뮬레이션된 시냅스 및 뉴런의 시간 상수에 의해 제한됩니다. 이는 우리 계획에서 10μs를 초과하며 이는 4°의 각도 분해능에 해당합니다(방법 참조). CMOS 기술이 적용된 고급 노드를 사용하면 시간 상수가 낮은 신경 및 시냅스 회로를 설계할 수 있어 지연선 요소의 정확도가 높아집니다. 그러나 우리 시스템에서는 각도 위치를 추정할 때의 오류 pMUT, 즉 10°(그림 7a의 파란색 수평선)에 의해 정확도가 제한됩니다. 우리는 CD 모듈의 수를 40으로 고정했는데, 이는 약 4°의 각도 분해능, 즉 계산 그래프의 각도 정확도(그림 7a의 연한 파란색 수평선)에 해당합니다. 시스템 수준에서 이는 센서 시스템 전면 50cm에 위치한 물체에 대해 4°의 분해능과 10°의 정확도를 제공합니다. 이 값은 참고 문헌에 보고된 뉴로모픽 사운드 위치 파악 시스템과 유사합니다. 67. 제안된 시스템과 최신 기술의 비교는 보충 표 1에서 확인할 수 있습니다. 추가 pMUT 추가, 음향 신호 레벨 증가 및 전자 잡음 감소는 위치 파악 정확도를 더욱 향상시킬 수 있는 방법입니다. )는 9.7로 추정된다. 뉴질랜드. 55. 계산 그래프에 40CD 단위가 주어졌을 때 SPICE 시뮬레이션은 작업당 에너지(즉, 물체 위치 지정 에너지)를 21.6nJ로 추정했습니다. 뉴로모픽 시스템은 입력 이벤트가 도착할 때만 활성화됩니다. 즉, 음파가 pMUT 수신기에 도달하고 감지 임계값을 초과하는 경우, 그렇지 않으면 비활성 상태로 유지됩니다. 이는 입력 신호가 없을 때 불필요한 전력 소비를 방지합니다. 100Hz의 위치 파악 작업 빈도와 작업당 300μs의 활성화 기간(최대 ITD)을 고려하면 뉴로모픽 컴퓨팅 그래프의 전력 소비는 61.7nW입니다. 각 pMUT 수신기에 뉴로모픽 전처리를 적용하면 전체 시스템의 전력 소비가 81.6nW에 이릅니다. 기존 하드웨어와 비교하여 제안된 뉴로모픽 접근 방식의 에너지 효율성을 이해하기 위해 우리는 이 수치를 뉴로모픽 또는 기존 빔포밍 기술을 사용하는 최신 저전력 마이크로컨트롤러에서 동일한 작업을 수행하는 데 필요한 에너지와 비교했습니다. 뉴로모픽 접근 방식에서는 아날로그-디지털 변환기(ADC) 단계, 이어서 대역 통과 필터 및 포락선 추출 단계(티거-카이저 방법)를 고려합니다. 마지막으로 ToF를 추출하기 위해 임계값 연산이 수행됩니다. ToF를 기반으로 한 ITD 계산과 추정된 각도 위치로의 변환은 각 측정에 대해 한 번 발생하므로 생략했습니다(방법 참조). 두 채널(pMUT 수신기) 모두에서 250kHz의 샘플링 속도, 18개의 대역 통과 필터 작업, 3개의 엔벨로프 추출 작업, 샘플당 1개의 임계값 작업을 가정하면 총 전력 소비는 245μW로 추산됩니다. 이는 알고리즘이 실행되지 않을 때 켜지는 마이크로컨트롤러의 저전력 모드69를 사용하여 전력 소비를 10.8μW로 줄입니다. 참고자료에서 제안한 빔포밍 신호처리 솔루션의 전력 소모량. 5개의 pMUT 수신기와 11개의 빔이 방위각 평면[-50°, +50°]에 균일하게 분포된 31은 11.71mW입니다(자세한 내용은 방법 섹션 참조). 또한 객체 위치 파악을 위한 Jeffress 모델을 대체하여 1.5mW로 추정되는 FPGA47 기반 TDE(Time Difference Encoder)의 전력 소비를 보고합니다. 이러한 추정을 바탕으로 제안된 뉴로모픽 접근 방식은 객체 위치 파악 작업에 고전적인 빔 형성 기술을 사용하는 마이크로 컨트롤러에 비해 전력 소비를 5배 정도 줄입니다. 기존 마이크로 컨트롤러의 신호 처리에 뉴로모픽 접근 방식을 채택하면 전력 소비가 약 2배 정도 줄어듭니다. 제안된 시스템의 효율성은 인메모리 계산을 수행할 수 있는 비동기식 저항 메모리 아날로그 회로와 신호를 인식하는 데 필요한 아날로그-디지털 변환이 부족하다는 점으로 설명할 수 있습니다.
a CD 모듈 수에 따른 위치 파악 작업의 각도 해상도(파란색) 및 전력 소비(녹색). 진한 파란색 가로 막대는 PMUT의 각도 정확도를 나타내고 연한 파란색 가로 막대는 뉴로모픽 계산 그래프의 각도 정확도를 나타냅니다. b 제안된 시스템의 전력 소비 및 논의된 두 가지 마이크로컨트롤러 구현 및 TDE(Time Difference Encoder)47 FPGA의 디지털 구현과의 비교.
표적 위치 파악 시스템의 전력 소모를 최소화하기 위해 내장된 센서에서 생성된 신호 정보를 처리하여 실제로 표적 물체의 위치를 ​​계산하는 효율적인 이벤트 중심 RRAM 기반 뉴로모픽 회로를 고안, 설계 및 구현했습니다. 시간. . 기존 처리 방법은 감지된 신호를 지속적으로 샘플링하고 계산을 수행하여 유용한 정보를 추출하는 반면, 제안된 뉴로모픽 솔루션은 유용한 정보가 도착하면 비동기적으로 계산을 수행하여 시스템 전력 효율성을 5배까지 극대화합니다. 또한 RRAM 기반 뉴로모픽 회로의 유연성을 강조합니다. 비휘발성 방식(가소성)으로 컨덕턴스를 변경하는 RRAM의 기능은 초저전력 아날로그 DPI의 시냅스 및 신경 회로의 고유한 가변성을 보상합니다. 이로 인해 이 RRAM 기반 회로는 다양하고 강력해졌습니다. 우리의 목표는 신호에서 복잡한 기능이나 패턴을 추출하는 것이 아니라 실시간으로 개체의 위치를 ​​파악하는 것입니다. 우리 시스템은 또한 신호를 효율적으로 압축하고 결국 필요할 때 더 복잡한 결정을 내릴 수 있도록 추가 처리 단계로 보낼 수 있습니다. 위치 파악 애플리케이션의 맥락에서 우리의 뉴로모픽 전처리 단계는 객체의 위치에 대한 정보를 제공할 수 있습니다. 이 정보는 예를 들어 동작 감지나 동작 인식에 사용될 수 있습니다. 우리는 pMUT와 같은 초저전력 센서를 초저전력 전자 장치와 결합하는 것의 중요성을 강조합니다. 이를 위해 Jeffress 모델과 같이 생물학적으로 영감을 받은 계산 방법의 새로운 회로 구현을 개발하도록 이끄는 뉴로모픽 접근 방식이 핵심이었습니다. 센서 융합 애플리케이션의 맥락에서 우리 시스템은 보다 정확한 정보를 얻기 위해 여러 가지 이벤트 기반 센서와 결합될 수 있습니다. 올빼미는 어둠 속에서 먹이를 찾는 데 탁월하지만 시력도 뛰어나 먹이를 잡기 전에 청각과 시각을 결합한 탐색을 수행합니다70. 특정 청각 뉴런이 활성화되면 올빼미는 시각적 검색을 시작할 방향을 결정하는 데 필요한 정보를 수신하여 시각적 장면의 작은 부분에 주의를 집중합니다. 미래의 자율 에이전트 개발을 위해서는 시각 센서(DVS 카메라)와 제안된 청취 센서(pMUT 기반)의 조합을 연구해야 합니다.
pMUT 센서는 두 개의 수신기가 약 10cm 떨어진 PCB에 위치하며, 송신기는 수신기 사이에 위치합니다. 이 연구에서 각 멤브레인은 200nm 두께의 몰리브덴(Mo) 3개 층 사이에 끼워져 있고 200nm 두께의 층으로 코팅된 800nm ​​두께의 압전 알루미늄 질화물(AlN) 2개 층으로 구성된 부유 바이모프 구조입니다. 참고 문헌에 설명된 대로 상단 패시베이션 SiN 층. 71. 내부 전극과 외부 전극은 몰리브덴의 바닥층과 상부층에 적용되고, 중간 몰리브덴 전극은 패턴화되지 않고 접지로 사용되어 4쌍의 전극이 있는 멤브레인이 생성됩니다.
이 아키텍처를 사용하면 일반적인 멤브레인 변형을 사용할 수 있으므로 전송 및 수신 감도가 향상됩니다. 이러한 pMUT는 일반적으로 이미터로서 700 nm/V의 여기 감도를 나타내며 270 Pa/V의 표면 압력을 제공합니다. 수신기로서 하나의 pMUT 필름은 15nA/Pa의 단락 감도를 나타내며 이는 AlN의 압전 계수와 직접적인 관련이 있습니다. AlN 층의 전압의 기술적 가변성은 공진 주파수의 변화로 이어지며, 이는 pMUT에 DC 바이어스를 적용하여 보상할 수 있습니다. DC 감도는 0.5kHz/V에서 측정되었습니다. 음향 특성화를 위해 pMUT 앞에 마이크가 사용됩니다.
에코 펄스를 측정하기 위해 pMUT 앞에 약 50cm2 면적의 직사각형 플레이트를 배치하여 방출된 음파를 반사했습니다. 플레이트 사이의 거리와 pMUT 평면에 대한 각도는 모두 특수 홀더를 사용하여 제어됩니다. Tectronix CPX400DP 전압 소스는 3개의 pMUT 멤브레인을 바이어스하여 공진 주파수를 111.9kHz31로 조정하고, 송신기는 공진 주파수(111.9kHz) 및 듀티 사이클 0.01로 조정된 Tectronix AFG 3102 펄스 발생기에 의해 구동됩니다. 각 pMUT 수신기의 4개 출력 포트에서 읽은 전류는 특수한 차동 전류 및 전압 아키텍처를 사용하여 전압으로 변환되고 결과 신호는 Spektrum 데이터 수집 시스템에 의해 디지털화됩니다. 검출 한계는 다양한 조건에서 pMUT 신호 획득으로 특징지어졌습니다. 반사기를 다른 거리[30, 40, 50, 60, 80, 100]cm로 이동하고 pMUT 지원 각도([0, 20, 40]를 변경했습니다. ) 그림 2b는 해당 각도 위치(도)에 따른 시간적 ITD 감지 분해능을 보여줍니다.
이 기사에서는 두 가지 다른 기성 RRAM 회로를 사용합니다. 첫 번째는 하나의 트랜지스터와 하나의 저항기를 갖춘 1T1R 구성의 16,384(16,000)개 장치(128 × 128 장치)의 배열입니다. 두 번째 칩은 그림 4a에 표시된 뉴로모픽 플랫폼입니다. RRAM 셀은 TiN/HfO2/Ti/TiN 스택에 내장된 5nm 두께의 HfO2 필름으로 구성됩니다. RRAM 스택은 표준 130nm CMOS 프로세스의 BEOL(Back-of-Line)에 통합되어 있습니다. RRAM 기반 뉴로모픽 회로는 RRAM 장치가 기존 CMOS 기술과 공존하는 완전 아날로그 전자 시스템에 대한 설계 과제를 제시합니다. 특히 RRAM 장치의 전도 상태를 읽어 시스템의 함수 변수로 사용해야 합니다. 이를 위해 입력 펄스가 수신될 때 장치에서 전류를 읽고 이 전류를 사용하여 차동 쌍 적분기(DPI) 시냅스의 응답에 가중치를 부여하는 회로를 설계, 제작 및 테스트했습니다. 이 회로는 그림 3a에 표시되어 있으며 그림 4a의 뉴로모픽 플랫폼의 기본 구성 요소를 나타냅니다. 입력 펄스는 1T1R 장치의 게이트를 활성화하여 장치의 컨덕턴스 G(Iweight = G(Vtop – Vx))에 비례하여 RRAM을 통해 전류를 유도합니다. 연산 증폭기(op-amp) 회로의 반전 입력은 일정한 DC 바이어스 전압 Vtop을 갖습니다. 연산 증폭기의 네거티브 피드백은 M1에서 동일한 전류를 제공함으로써 Vx = Vtop을 제공합니다. 장치에서 검색된 현재 Iweight는 DPI 시냅스에 주입됩니다. 전류가 강할수록 탈분극이 더 많이 발생하므로 RRAM 컨덕턴스는 시냅스 가중치를 효과적으로 구현합니다. 이 지수적 시냅스 전류는 LIF(Leaky Integration and Excitation) 뉴런의 멤브레인 커패시터를 통해 주입되어 전압으로 통합됩니다. 멤브레인의 문턱 전압(인버터의 스위칭 전압)을 극복하면 뉴런의 출력 부분이 활성화되어 출력 스파이크가 발생합니다. 이 펄스는 뉴런의 막 축전기를 접지로 전환시켜 방전을 유발합니다. 그런 다음 이 회로에는 LIF 뉴런의 출력 펄스를 목표 펄스 폭으로 형성하는 펄스 확장기(그림 3a에는 표시되지 않음)가 추가됩니다. 멀티플렉서도 각 라인에 내장되어 있어 RRAM 장치의 상단 및 하단 전극에 전압을 가할 수 있습니다.
전기 테스트에는 아날로그 회로의 동적 동작을 분석하고 기록하는 것뿐만 아니라 RRAM 장치를 프로그래밍하고 읽는 것도 포함됩니다. 두 단계 모두 동시에 센서 보드에 연결되는 특수 도구가 필요합니다. 뉴로모픽 회로의 RRAM 장치에 대한 액세스는 멀티플렉서(MUX)를 통해 외부 도구에서 수행됩니다. MUX는 1T1R 셀을 해당 셀이 속한 나머지 회로와 분리하여 장치를 읽거나 프로그래밍할 수 있도록 합니다. RRAM 장치를 프로그래밍하고 읽기 위해 Keithley 4200 SCS 기계는 Arduino 마이크로컨트롤러와 함께 사용됩니다. 첫 번째는 정확한 펄스 생성 및 전류 판독을 위한 것이고 두 번째는 메모리 어레이의 개별 1T1R 요소에 대한 빠른 액세스를 위한 것입니다. 첫 번째 작업은 RRAM 장치를 형성하는 것입니다. 셀은 하나씩 선택되며 상단 전극과 하단 전극 사이에 양의 전압이인가됩니다. 이 경우 셀렉터 트랜지스터에 해당 게이트 전압이 공급되기 때문에 전류는 수십 마이크로암페어 정도로 제한된다. 그러면 RRAM 셀은 각각 RESET 및 SET 동작을 사용하여 낮은 전도 상태(LCS)와 높은 전도 상태(HCS) 사이를 순환할 수 있습니다. SET 동작은 상부 전극에 지속 시간 1μs, 피크 전압 2.0~2.5V의 직사각형 전압 펄스를 인가하고, 피크 전압 0.9~1.3V의 유사한 형태의 동기 펄스를 인가하여 수행한다. 선택기 트랜지스터의 게이트. 이 값을 사용하면 20~150μs 간격으로 RRAM 컨덕턴스를 변조할 수 있습니다. RESET의 경우 게이트 전압이 2.5~3.0V 범위에 있을 때 폭 1μs, 3V 피크 펄스가 셀의 하단 전극(비트 라인)에 적용됩니다. 아날로그 회로의 입력 및 출력은 동적 신호입니다. . 입력을 위해 두 개의 HP 8110 펄스 발생기를 Tektronix AFG3011 신호 발생기와 인터리빙했습니다. 입력 펄스의 폭은 1 µs이고 상승/하강 에지는 50 ns입니다. 이러한 유형의 펄스는 아날로그 글리치 기반 회로의 일반적인 글리치로 간주됩니다. 출력 신호는 Teledyne LeCroy 1GHz 오실로스코프를 사용하여 출력 신호를 기록했습니다. 오실로스코프의 획득 속도는 회로 데이터 분석 및 획득에 있어 제한 요소가 아닌 것으로 입증되었습니다.
아날로그 전자 장치의 역학을 사용하여 뉴런과 시냅스의 동작을 시뮬레이션하는 것은 계산 효율성을 향상시키는 우아하고 효율적인 솔루션입니다. 이 계산 기반의 단점은 체계마다 다르다는 것입니다. 우리는 뉴런과 시냅스 회로의 가변성을 정량화했습니다 (보조 그림 2a, b). 가변성의 모든 표현 중에서 시간 상수 및 입력 이득과 관련된 증상은 시스템 수준에서 가장 큰 영향을 미칩니다. LIF 뉴런과 DPI 시냅스의 시간 상수는 RC 회로에 의해 결정됩니다. 여기서 R의 값은 트랜지스터의 게이트에 적용된 바이어스 전압(뉴런의 경우 Vlk, 시냅스의 경우 Vtau)에 의해 제어됩니다. 누출율. 입력 이득은 입력 펄스에 의해 자극된 시냅스 및 신경막 축전기에 의해 도달된 피크 전압으로 정의됩니다. 입력 이득은 입력 전류를 변조하는 또 다른 바이어스 트랜지스터에 의해 제어됩니다. 일부 입력 이득 및 시간 상수 통계를 수집하기 위해 ST Microelectronics의 130nm 공정에서 보정된 Monte Carlo 시뮬레이션이 수행되었습니다. 결과는 보충 그림 2에 나와 있습니다. 여기서 입력 이득과 시상수는 누설률을 제어하는 ​​바이어스 전압의 함수로 정량화됩니다. 녹색 마커는 평균에서 시간 상수의 표준 편차를 수량화합니다. 보충 그림에서 볼 수 있듯이 뉴런과 시냅스 회로는 모두 10-5-10-2s 범위의 광범위한 시간 상수를 표현할 수 있었습니다. 신경 및 시냅스 가변성의 입력 증폭(보충 그림 2e, d)은 각각 약 8%와 3%였습니다. 이러한 결함은 문헌에 잘 기록되어 있습니다. LIF63 뉴런 집단 간의 불일치를 평가하기 위해 DYNAP 칩 배열에서 다양한 측정이 수행되었습니다. BrainScale 혼합 신호 칩의 시냅스를 측정하고 불일치를 분석했으며 시스템 수준 가변성의 영향을 줄이기 위해 교정 절차를 제안했습니다.
뉴로모픽 회로에서 RRAM의 기능은 아키텍처 정의(입력을 출력으로 라우팅)와 시냅스 가중치 구현의 두 가지 기능입니다. 후자의 특성은 모델링된 뉴로모픽 회로의 가변성 문제를 해결하는 데 사용될 수 있습니다. 우리는 분석 중인 회로가 특정 요구 사항을 충족할 때까지 RRAM 장치를 다시 프로그래밍하는 것과 관련된 간단한 교정 절차를 개발했습니다. 주어진 입력에 대해 출력이 모니터링되고 RRAM은 목표 동작이 달성될 때까지 다시 프로그래밍됩니다. 일시적 컨덕턴스 변동을 초래하는 RRAM 완화 문제를 해결하기 위해 프로그래밍 작업 사이에 5초의 대기 시간이 도입되었습니다(보충 정보). 시냅스 가중치는 모델링되는 뉴로모픽 회로의 요구 사항에 따라 조정되거나 보정됩니다. 보정 절차는 뉴로모픽 플랫폼의 두 가지 기본 기능인 지연 라인과 방향 둔감 CD에 초점을 맞춘 추가 알고리즘[1, 2]에 요약되어 있습니다. 지연선이 있는 회로의 경우 목표 동작은 지연 Δt를 갖는 출력 펄스를 제공하는 것입니다. 실제 회로 지연이 목표 값보다 작으면 G3의 시냅스 가중치를 줄여야 합니다(G3를 재설정한 다음 더 낮은 매칭 전류 Icc로 설정해야 함). 반대로 실제 지연이 목표 값보다 크면 G3의 컨덕턴스를 높여야 합니다(G3를 먼저 재설정한 다음 더 높은 Icc 값으로 설정해야 함). 이 프로세스는 회로에 의해 생성된 지연이 목표 값과 일치하고 허용 오차가 설정되어 교정 프로세스를 중지할 때까지 반복됩니다. 방향을 구분하지 않는 CD의 경우 두 개의 RRAM 장치인 G1과 G3이 보정 프로세스에 포함됩니다. 이 회로에는 dt만큼 지연된 Vin0과 Vin1이라는 두 개의 입력이 있습니다. 회로는 일치 범위 [0,dtCD] 미만의 지연에만 응답해야 합니다. 출력 피크는 없지만 입력 피크가 가까운 경우 두 RRAM 장치 모두 부스트되어 뉴런이 임계값에 도달하도록 도와야 합니다. 반대로 회로가 dtCD의 목표 범위를 초과하는 지연에 응답하는 경우 컨덕턴스를 줄여야 합니다. 올바른 동작이 나타날 때까지 프로세스를 반복합니다. 규정 준수 전류는 참조 항목에 내장된 아날로그 회로를 통해 변조될 수 있습니다. 72.73. 이 내장된 회로를 사용하면 이러한 절차를 주기적으로 수행하여 시스템을 교정하거나 다른 애플리케이션에 재사용할 수 있습니다.
우리는 표준 32비트 마이크로컨트롤러68에서 뉴로모픽 신호 처리 접근 방식의 전력 소비를 평가합니다. 이 평가에서는 이 문서와 동일한 설정, 즉 하나의 pMUT 송신기와 두 개의 pMUT 수신기로 작동한다고 가정합니다. 이 방법은 대역 통과 필터를 사용한 후 엔벨로프 추출 단계(Teeger-Kaiser)를 사용하고 마지막으로 신호에 임계값 연산을 적용하여 비행 시간을 추출합니다. ITD 계산과 감지 각도로의 변환은 평가에서 생략됩니다. 18개의 부동 소수점 연산이 필요한 4차 무한 임펄스 응답 필터를 사용하는 대역 통과 필터 구현을 고려합니다. 엔벨로프 추출에서는 부동 소수점 연산을 3개 더 사용하고 마지막 연산을 사용하여 임계값을 설정합니다. 신호를 전처리하려면 총 22개의 부동 소수점 연산이 필요합니다. 전송된 신호는 10ms마다 생성된 111.9kHz 사인파의 짧은 버스트이므로 위치 결정 작동 주파수는 100Hz입니다. Nyquist를 준수하기 위해 250kHz의 샘플링 속도를 사용하고 1미터 범위를 캡처하기 위해 각 측정에 대해 6ms 창을 사용했습니다. 6밀리초는 1미터 떨어진 물체의 비행 시간입니다. 이는 0.5MSPS에서 A/D 변환을 위해 180μW의 전력 소비를 제공합니다. 신호 전처리는 6.60MIPS(초당 명령 수)이며 0.75mW를 생성합니다. 그러나 마이크로컨트롤러는 알고리즘이 실행되지 않을 때 저전력 모드(69)로 전환할 수 있습니다. 이 모드는 10.8μW의 정적 전력 소비와 113μs의 웨이크업 시간을 제공합니다. 84MHz의 클럭 주파수가 주어지면 마이크로 컨트롤러는 10ms 이내에 뉴로모픽 알고리즘의 모든 작업을 완료하고 알고리즘은 6.3%의 듀티 사이클을 계산하므로 저전력 모드를 사용합니다. 결과적인 전력 손실은 244.7μW입니다. ToF의 ITD 출력과 감지 각도로의 변환을 생략하여 마이크로컨트롤러의 전력 소비를 과소평가했습니다. 이는 제안된 시스템의 에너지 효율성에 추가적인 가치를 제공합니다. 추가적인 비교 조건으로, 참고문헌에서 제안한 기존 빔포밍 방법의 전력 소모를 평가한다. 1.8V 공급 전압에서 동일한 마이크로컨트롤러68에 내장된 경우 31.54입니다. 빔포밍을 위한 데이터를 획득하기 위해 균일한 간격으로 배치된 5개의 pMUT 멤브레인이 사용됩니다. 처리 자체에 대해서는 지연 합산(delay summation)이 사용되는 빔포밍 방법입니다. 이는 단순히 한 차선과 기준 차선 사이의 예상 도착 시간 차이에 해당하는 차선에 지연을 적용하는 것으로 구성됩니다. 신호의 위상이 같은 경우 시간 이동 후 이러한 신호의 합은 높은 에너지를 갖게 됩니다. 위상이 다른 경우 상쇄 간섭으로 인해 합산 에너지가 제한됩니다. 관계에서. 그림에. 도 31에서, 2MHz의 샘플링 레이트는 정수 샘플 수만큼 데이터를 시간 이동시키기 위해 선택된다. 보다 적절한 접근 방식은 250kHz의 더 거친 샘플링 속도를 유지하고 FIR(Finite Impulse Response) 필터를 사용하여 부분 지연을 합성하는 것입니다. 각 채널은 각 방향에서 16개의 탭이 있는 FIR 필터로 컨볼루션되므로 빔형성 알고리즘의 복잡성은 주로 시간 이동에 의해 결정된다고 가정합니다. 이 작업에 필요한 MIPS 수를 계산하기 위해 1미터 범위, 5개 채널, 11개 빔 형성 방향(10° 단계에서 +/- 50° 범위)을 캡처하는 측정당 6ms의 창을 고려합니다. 초당 75회 측정을 통해 마이크로컨트롤러는 최대 100MIPS까지 도달했습니다. 링크. 68, 온보드 ADC 기여를 추가한 후 11.71mW의 총 전력 소모에 대해 11.26mW의 전력 소모가 발생합니다.
이 연구 결과를 뒷받침하는 데이터는 합당한 요청이 있을 경우 각 저자인 FM으로부터 제공받을 수 있습니다.
Indiveri, G. & Sandamirskaya, Y. 뉴로모픽 에이전트의 신호 처리를 위한 공간과 시간의 중요성: 환경과 상호 작용하는 저전력 자율 에이전트를 개발하는 과제. Indiveri, G. & Sandamirskaya, Y. 뉴로모픽 에이전트의 신호 처리를 위한 공간과 시간의 중요성: 환경과 상호 작용하는 저전력 자율 에이전트를 개발하는 과제.Indiveri G. 및 Sandamirskaya Y. 신경형 에이전트의 신호 처리를 위한 공간과 시간의 중요성: 환경과 상호 작용하는 저전력 자율 에이전트 개발의 과제. Indiveri, G. & Sandamirskaya, Y. 空间와 时间对于神经形态代理中信号处理性: 开发与环境交互的低功耗、自主代挑战。 인디베리, G. & 산다미르스카야, Y.Indiveri G. 및 Sandamirskaya Y. 신경형 에이전트의 신호 처리를 위한 공간과 시간의 중요성: 환경과 상호 작용하는 저전력 자율 에이전트 개발의 과제.IEEE 신호 처리. 저널 36, 16–28 (2019).
Thorpe, SJ 피크 도착 시간: 효율적인 신경망 코딩 체계. Eckmiller, R., Hartmann, G. & Hauske, G. (eds). Eckmiller, R., Hartmann, G. & Hauske, G. (eds).Eckmiller, R., Hartmann, G. 및 Hauske, G. (eds.)에서.Eckmiller, R., Hartmann, G. 및 Hauske, G. (eds.). 신경 시스템과 컴퓨터의 병렬 처리 91-94(North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG 통신은 인간 피질의 계산보다 35배 더 많은 에너지를 소비하지만 시냅스 수를 예측하려면 두 비용이 모두 필요합니다. Levy, WB & Calvert, VG 통신은 인간 피질의 계산보다 35배 더 많은 에너지를 소비하지만 시냅스 수를 예측하려면 두 비용이 모두 필요합니다.Levy, WB 및 Calvert, WG 통신은 인간 피질의 계산보다 35배 더 많은 에너지를 소비하지만 시냅스 수를 예측하려면 두 비용 모두 필요합니다. Levy, WB & Calvert, VG Communication의 消耗的能weight是人类皮层计算的35倍，但这两种成本書需要预测突触数weight。 Levy, WB & Calvert, VG 커뮤니케이션Levy, WB 및 Calvert, WG 통신은 인간 피질의 계산보다 35배 더 많은 에너지를 소비하지만 두 비용 모두 시냅스 수를 예측해야 합니다.프로세스. 국립과학원. 과학. 미국 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. 곤충에서 영감을 받은 뉴로모픽 컴퓨팅. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. 곤충에서 영감을 받은 뉴로모픽 컴퓨팅.Dalgati, T., Vianello, E., DeSalvo, B. 및 Casas, J. 곤충에서 영감을 받은 뉴로모픽 컴퓨팅.Dalgati T., Vianello E., DeSalvo B. 및 Casas J. 곤충에서 영감을 받은 뉴로모픽 컴퓨팅. 현재의. 의견. 곤충 과학. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. 뉴로모픽 컴퓨팅을 통한 스파이크 기반 기계 지능을 향하여. Roy, K., Jaiswal, A. & Panda, P. 뉴로모픽 컴퓨팅을 통한 스파이크 기반 기계 지능을 향하여. Roy, K., Jaiswal, A. & Panda, P. 뉴로모픽 컴퓨팅을 통한 스파이크 기반 기계 지능을 향하여.Roy K, Jaiswal A 및 Panda P. 뉴로모픽 컴퓨팅을 사용한 펄스 기반 인공 지능. 자연 575, 607–617 (2019).
인디베리, G. & 리우, S.-C. 인디베리, G. & 리우, S.-C.Indiveri, G. 및 Liu, S.-K. 인디베리, G. & 리우, S.-C. 인디베리, G. & 리우, S.-C.Indiveri, G. 및 Liu, S.-K.신경형 시스템의 기억 및 정보 처리. 프로세스. IEEE 103, 1379-1397(2015).
Akopyan F.et al. Truenorth: 65mW, 100만 개의 뉴런 프로그래밍 가능 시냅스 칩을 위한 설계 및 툴킷입니다. IEEE 거래. 집적 회로 시스템의 컴퓨터 설계. 34, 1537~1557(2015).
Schemmel, J.et al. 라이브 데모: BrainScaleS 뉴로모픽 시스템의 플레이트 규모 축소 버전. 2012 IEEE 국제 회로 및 시스템 심포지엄(ISCAS), (IEEE 에디션) 702-702(2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. DYNAP(동적 뉴로모픽 비동기 프로세서)를 위한 이기종 메모리 구조를 갖춘 확장 가능한 멀티코어 아키텍처. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. DYNAP(동적 뉴로모픽 비동기 프로세서)를 위한 이기종 메모리 구조를 갖춘 확장 가능한 멀티코어 아키텍처.Moradi S., Qiao N., Stefanini F. 및 Indiviri G. DYNAP(동적 뉴로모픽 비동기 프로세서)를 위한 이기종 메모리 구조를 갖춘 확장 가능한 멀티코어 아키텍처. Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. 一种可扩多核架构，具有于动态神经构态异步处理器 (DYNAP) 적异构内存结构。 Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. 동적 신경 처리(DYNAP)를 위한 고유한 메모리 구조를 갖춘 일종의 확장 가능한 멀티 코어 아키텍처입니다.Moradi S., Qiao N., Stefanini F. 및 Indiviri G. DYNAP(동적 뉴로모픽 비동기 프로세서)를 위한 이기종 메모리 구조를 갖춘 확장 가능한 멀티코어 아키텍처.생명의학에 관한 IEEE 거래. 전기 시스템. 12, 106–122 (2018).
Davis, M.et al. Loihi: 학습 기능이 내장된 뉴로모픽 멀티 코어 프로세서입니다. IEEE 마이크로 38, 82–99(2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker 프로젝트. Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker 프로젝트.Ferber SB, Galluppi F., Temple S. 및 Plana LA SpiNNaker 프로젝트.Ferber SB, Galluppi F., Temple S. 및 Plana LA SpiNNaker 프로젝트. 프로세스. IEEE 102, 652-665(2014).
리우, S.-K. & Delbruck, T. Neuromorphic 감각 시스템. & Delbruck, T. Neuromorphic 감각 시스템.및 Delbrück T. Neuromorphic 감각 시스템. & Delbruck, T. 신화형 态感觉系统. & 델브루크, T.및 Delbrück T. Neuromorphic 감각 시스템.현재의. 의견. 신경 생물학. 20, 288–295 (2010).
Chope, T.et al. 결합된 음원 위치 파악 및 충돌 회피를 위한 뉴로모픽 감각 통합. 2019년 IEEE 생체의학 회로 및 시스템 회의(BioCAS), (IEEE Ed.) 1–4(2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. 스테레오 비전의 스파이크 기반 신경모형 아키텍처. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. 스테레오 비전의 스파이크 기반 신경모형 아키텍처.Risi N, Aymar A, Donati E, Solinas S 및 Indiveri G. 스파이크 기반 신경형 입체 비전 아키텍처. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. 一种基于脉冲的立体视觉神经shape态结构. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G.Risi N, Aimar A, Donati E, Solinas S 및 Indiveri G. 스테레오 비전을 위한 스파이크 기반 뉴로모픽 아키텍처.앞쪽. 신경로봇공학 14, 93(2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 이벤트 기반 뉴로모픽 스테레오 비전 시스템을 위한 3Dperception의 스파이크 신경망 모델. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 이벤트 기반 뉴로모픽 스테레오 비전 시스템을 위한 3Dperception의 스파이크 신경망 모델.Oswald, M., Ieng, S.-H., Benosman, R. 및 Indiveri, G. 이벤트 기반 신경모형 스테레오 비전 시스템을 위한 3D 펄스 신경망 인식 모델. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G.는 3Dperception의 신화 형태를 보여줍니다. 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. 및 Indiveri, G. 이벤트 기반 Neuromorphic 스테레오 비전 시스템을 위한 Spiked 3Dperception 신경망 모델.과학. 보고서 7, 1–11(2017).
Dalgaty, T.et al. 곤충에서 영감을 받은 기본 동작 감지에는 저항성 메모리와 버스티 신경망이 포함됩니다. 바이오닉 바이오하이브리드 시스템. 10928, 115–128 (2018).
D'Angelo, G.et al. 시간적 미분 코딩을 이용한 이벤트 기반 편심 모션 감지. 앞. 신경학. 14, 451(2020).