Neiegkeeten

Real-Welt Datenveraarbechtungsapplikatiounen erfuerderen kompakt, niddereg latency, niddereg-Muecht Rechensystemer. Mat event-driven Informatikfäegkeeten, komplementär Metal-Oxid-Halbleiter Hybrid memristive neuromorphesch Architekturen bidden eng ideal Hardware Fundament fir sou Aufgaben. Fir dat vollt Potenzial vun esou Systemer ze demonstréieren, proposéiere mir an experimentell eng ëmfaassend Sensorveraarbechtungsléisung fir real-Welt Objektlokaliséierungsapplikatiounen. Zeechnen Inspiratioun aus Scheier Eule Neuroanatomie, hu mir e bioinspiréierten, event-driven Objektlokaliséierungssystem entwéckelt, deen e modernsten piezoelektresche mikromechaneschen Transducer Transducer mat computational Grafik-baséiert neuromorphic resistive Erënnerung kombinéiert. Mir weisen Miessunge vun engem fabrizéierte System deen e Memory-baséiert resistive Zoufallsdetektor, Verzögerungslinnkreesser an e voll personaliséierbaren Ultraschalltransducer enthält. Mir benotzen dës experimentell Resultater fir Simulatioune um Systemniveau ze kalibréieren. Dës Simulatioune ginn dann benotzt fir d'Wénkelopléisung an d'Energieeffizienz vum Objektlokaliséierungsmodell ze evaluéieren. D'Resultater weisen datt eis Approche e puer Uerdere vun der Gréisst méi energieeffizient ka sinn wéi Mikrokontroller déi déiselwecht Aufgab ausféieren.
Mir ginn an eng Ära vun ubiquitären Informatik eran, wou d'Zuel vun Apparater a Systemer, déi ofgesat ginn, exponentiell wiisst fir eis an eisem Alldag ze hëllefen. Dës Systemer ginn erwaart kontinuéierlech ze lafen, sou wéineg Kraaft wéi méiglech ze verbrauchen, wärend se léieren d'Donnéeën ze interpretéieren, déi se vu multiple Sensoren an Echtzäit sammelen a binäre Output produzéieren als Resultat vu Klassifikatioun oder Unerkennungsaufgaben. Ee vun de wichtegste Schrëtt erfuerderlech fir dëst Zil z'erreechen ass nëtzlech a kompakt Informatioun aus lauter an dacks onkomplett sensoreschen Daten extrahéieren. Konventionell Ingenieur Approche probeieren typesch Sensorsignaler mat engem konstanten an héijen Taux, generéiere grouss Quantitéiten un Daten och an der Verontreiung vu nëtzlechen Inputen. Zousätzlech benotzen dës Methoden komplex digital Signalveraarbechtungstechniken fir d'(dacks lauter) Inputdaten virzebereeden. Amplaz bitt d'Biologie alternativ Léisunge fir d'Veraarbechtung vu lauter sensoreschen Date mat energieeffizienten, asynchronen, event-driven Approchen (Spikes) 2,3. Neuromorphesch Informatik hëlt Inspiratioun vu biologesche Systemer fir computational Käschten a punkto Energie a Gedächtnisfuerderunge ze reduzéieren am Verglach mat traditionelle Signalveraarbechtungsmethoden4,5,6. Viru kuerzem sinn innovativ allgemeng Zweck Gehir-baséiert Systemer, déi impulsneural Netzwierker implementéieren (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) bewisen. Dës Prozessoren bidden niddereg Kraaft, niddereg latency Léisunge fir Maschinnléieren a Cortical Circuit Modeller. Fir hir Energieeffizienz voll auszenotzen, mussen dës neuromorphesch Prozessoren direkt mat Event-driven Sensoren verbonne sinn12,13. Wéi och ëmmer, haut ginn et nëmmen e puer Touch Geräter déi direkt Event-driven Daten ubidden. Prominent Beispiller sinn dynamesch visuell Sensoren (DVS) fir Visiounsapplikatiounen wéi Tracking a Bewegungserkennung14,15,16,17 d'Silicon Cochlea18 an neuromorphic Auditory Sensoren (NAS)19 fir auditive Signalveraarbechtung, olfaktoresch Sensoren20 a vill Beispiller21,22 vum Touch. . Textur Sensoren.
An dësem Pabeier presentéiere mir en nei entwéckelt Event-Undriff auditive Veraarbechtungssystem applizéiert fir Objektlokaliséierung. Hei, fir d'éischte Kéier, beschreiwen mir en Enn-zu-Enn System fir Objektlokaliséierung kritt duerch d'Verbindung vun engem modernste piezoelektresche mikromachinéierten Ultraschalltransducer (pMUT) mat enger computational Grafik baséiert op neuromorphescht resistivt Gedächtnis (RRAM). In-Memory Rechenarchitekturen déi RRAM benotzen sinn eng villverspriechend Léisung fir de Stroumverbrauch23,24,25,26,27,28,29 ze reduzéieren. Hir inherent Net-Volatilitéit - net erfuerderlech aktive Stroumverbrauch fir Informatioun ze späicheren oder ze aktualiséieren - ass e perfekte Passform mat der asynchroner, event-driven Natur vun neuromorphesche Rechenzäiten, wat zu bal kee Stroumverbrauch resultéiert wann de System idle ass. Piezoelektresch micromachined Ultrasonic Transducers (pMUTs) sinn preiswert, miniaturiséiert Silizium-baséiert Ultrasonic Transducers, déi fäeg sinn als Sender an Empfänger ze handelen30,31,32,33,34. Fir d'Signaler ze veraarbecht, déi vun den agebaute Sensoren opgeholl goufen, hu mir Inspiratioun aus der Scheiereule Neuroanatomie35,36,37 gezunn. D'Scheeule Tyto alba ass bekannt fir seng bemierkenswäert Nuetsjuegdfäegkeeten dank engem ganz effizienten auditive Lokalisatiounssystem. Fir d'Plaz vun der Réi ze berechnen, kodéiert d'Lokaliséierungssystem vun der Scheiereule d'Zäit vum Fluch (ToF) wann Tounwellen vun de Bee jiddereng vun den Oueren oder Tounrezeptoren vun der Eule erreechen. Gitt d'Distanz tëscht den Oueren, mécht den Ënnerscheed tëscht den zwou ToF Miessunge (Interaural Time Difference, ITD) et méiglech d'Azimutpositioun vum Zil analytesch ze berechnen. Och wa biologesch Systemer schlecht gëeegent sinn fir algebraesch Equatiounen ze léisen, kënne se Lokalisatiounsproblemer ganz effektiv léisen. De Scheiereule-Nervensystem benotzt e Set vun Zoufallsdetektor (CD) 35 Neuronen (dh Neuronen déi fäeg sinn temporär Korrelatiounen tëscht Spikes z'entdecken, déi no ënnen op konvergent excitatoresch Endungen propagéieren) 38,39 organiséiert a computational Grafike fir Positionéierungsproblemer ze léisen.
Virdrun Fuerschung huet gewisen datt komplementär Metal-Oxid-Halbleiter (CMOS) Hardware a RRAM-baséiert neuromorphesch Hardware inspiréiert vum inferior Colliculus ("auditiv Cortex") vun der Scheiereule eng effizient Method ass fir Positioun ze berechnen mat ITD13, 40, 41, 42, 43, 44, 45, 46. Allerdéngs d'Potential vun komplett neuromorphesch Systemer déi auditive Hiweiser mat neuromorphesche Berechnungsgrafiken verbannen, musse nach bewisen ginn. Den Haaptproblem ass déi inherent Variabilitéit vun analoge CMOS Circuiten, wat d'Genauegkeet vun der Matcherkennung beaflosst. Viru kuerzem sinn alternativ numeresch Implementatioune vun den ITD47 Schätzunge bewisen. An dësem Pabeier proposéiere mir d'Fäegkeet vum RRAM ze benotzen fir de Konduktanswäert op eng net flüchteg Manéier z'änneren fir d'Verännerlechkeet an Analogkreesser entgéintzewierken. Mir hunn en experimentellen System ëmgesat, besteet aus enger pMUT Iwwerdroungsmembran, déi mat enger Frequenz vun 111,9 kHz operéiert, zwee pMUT Empfangsmembranen (Sensoren) simuléiert Scheiereule Oueren, an eng . Mir charakteriséiert experimentell de pMUT Detektiounssystem an RRAM-baséiert ITD Computational Grafik fir eise Lokalisatiounssystem ze testen an seng Wénkelresolutioun ze evaluéieren.
Mir vergläichen eis Method mat enger digitaler Implementatioun op engem Mikrokontroller, deen déiselwecht Lokaliséierungstask ausféiert mat konventionelle Strahlforming oder neuromorphesche Methoden, souwéi e Feldprogramméierbar Gate Array (FPGA) fir ITD Schätzung, déi an der Referenz proposéiert gëtt. 47. Dëse Verglach beliicht d'kompetitiv Kraafteffizienz vum proposéierte RRAM-baséiert analog neuromorphesche System.
Ee vun de stäerkste opfälleg Beispiller vun engem genee an efficace Objet Lokalisatioun System kann an Scheier owl fonnt ginn35,37,48. An der Dämmerung an der Sonnenopgang setzt d'Scheierule (Tyto Alba) virun allem op passiv Nolauschteren op, sicht aktiv no klenge Prouf wéi Voles oder Mais. Dës Auditexperten kënnen d'Gehörsignale vu Prouf mat erstaunlecher Genauegkeet (ongeféier 2°)35 lokaliséieren, wéi an der Figur 1a gewisen. Barn Owls ofgeleent d'Plaz vun Tounquellen am Azimut (horizontal) Fliger aus dem Ënnerscheed an der erakommende Fluchzäit (ITD) vun der Tounquell op déi zwee Oueren. Den ITD Berechnungsmechanismus gouf vum Jeffress49,50 proposéiert, deen op neural Geometrie hänkt an zwee Schlësselkomponenten erfuerdert: en Axon, eng Nervefaser vun engem Neuron, deen als Verzögerungslinn handelt, an eng Rei vun Zoufallsdetektor Neuronen organiséiert an e Rechensystem. Grafik wéi an der Figur 1b gewisen. Den Toun erreecht d'Ouer mat engem Azimut-ofhängeg Zäitverzögerung (ITD). Den Toun gëtt dann an e Spikemuster an all Ouer ëmgewandelt. D'Axone vun de lénksen a rietsen Oueren handelen als Verzögerungslinnen a konvergéieren op CD Neuronen. Theoretesch kritt nëmmen een Neuron an enger Rei vu passenden Neuronen Input gläichzäiteg (wou d'Verzögerung genee annuléiert) a wäert maximal brennen (Nopeschzellen brennen och, awer mat enger méi niddereger Frequenz). D'Aktivéiere vu bestëmmte Neuronen codéiert d'Positioun vum Zil am Weltraum ouni den ITD weider a Winkelen ëmzewandelen. Dëst Konzept ass an der Figur 1c zesummegefaasst: zum Beispill, wann den Toun vun der rietser Säit kënnt wann den Input Signal vum rietsen Ouer e méi laange Wee reest wéi de Wee vum lénksen Ouer, fir d'Zuel vun ITDs kompenséiert, zum Beispill, wann Neuron 2 Mätscher. An anere Wierder, all CD reagéiert op eng gewëssen ITD (och bekannt als optimal Verzögerung) wéinst axonaler Verzögerung. Also konvertéiert d'Gehir temporär Informatioun an raimlech Informatioun. Anatomesch Beweiser fir dëse Mechanismus gouf fonnt37,51. Phase-gespaarten Makronukleus Neuronen späicheren temporär Informatioun iwwer erakommen Kläng: wéi hiren Numm et scho seet, brennen se op bestëmmte Signalphasen. Zoufall Detektor Neuronen vum Jeffress Modell kënnen am laminare Kär fonnt ginn. Si kréien Informatioun vu makronuklearen Neuronen, deenen hir Axonen als Verzögerungslinnen handelen. De Betrag vun der Verzögerung, déi vun der Verzögerungslinn zur Verfügung gestallt gëtt, kann duerch d'Längt vum Axon erkläert ginn, souwéi en anert Myelinéierungsmuster dat d'Leedungsgeschwindegkeet ännert. Inspiréiert vum Gehörsystem vun der Scheiereule, hu mir e biomimetesche System entwéckelt fir Objeten ze lokaliséieren. Déi zwee Oueren sinn duerch zwee pMUT Empfänger vertrueden. D'Tounquell ass den pMUT Sender tëscht hinnen (Fig. 1a), an d'Computational Grafik gëtt duerch e Gitter vun RRAM-baséiert CD Circuiten (Fig. 1b, gréng) geformt, déi d'Roll vun CD Neuronen spillen, deenen hir Input verspéit ass. duerch de Circuit handelen d'Verzögerungslinnen (blo) wéi Axonen am biologesche Géigespiller. De proposéierte sensoresche System ënnerscheet sech an der Operatiounsfrequenz vun där vun der Eule, deem säin Gehörsystem am 1-8 kHz-Bereich funktionnéiert, awer pMUT-Sensoren, déi bei ongeféier 117 kHz operéieren, ginn an dëser Aarbecht benotzt. D'Auswiel vun engem Ultraschalltransducer gëtt no techneschen an Optimisatiounskriterien ugesinn. Als éischt, d'Begrenzung vun der Empfangsbandbreedung op eng eenzeg Frequenz verbessert idealerweis d'Messgenauegkeet a vereinfacht de Post-Veraarbechtungsschrëtt. Zousätzlech huet d'Operatioun am Ultraschall de Virdeel datt d'emittéiert Impulser net héieren sinn, dofir stéieren d'Leit net, well hir Gehörbereich ~20-20 kHz ass.
d'Scheiereule kritt Tounwellen vun engem Zil, an dësem Fall bewegt Prouf. D'Zäit vum Fluch (ToF) vun der Tounwell ass fir all Ouer anescht (ausser wann d'Prouf direkt virun der Eule ass). Déi gestippte Linn weist de Wee deen Tounwellen huelen fir d'Oueren vun der Scheiereule z'erreechen. Prey kann präziist lokaliséiert am horizontal Fliger baséiert op der Längt Ënnerscheed tëscht den zwee akustesch Weeër an der entspriechend interaural Zäit Ënnerscheed (ITD) (lénks Bild inspiréiert vun Ref. 74, Copyright 2002, Society fir Neuroscience). An eisem System generéiert de pMUT Sender (donkelblo) Tounwellen déi vum Zil sprangen. Reflexéiert Ultraschallwellen ginn vun zwee pMUT Empfänger (hellgréng) opgeholl a veraarbecht vum neuromorphesche Prozessor (riets). b En ITD (Jeffress) Berechnungsmodell dee beschreift wéi Kläng, déi an d'Oueren vun der Scheiereule erakommen, fir d'éischt als Phas-gespaarten Spikes am grousse Kär (NM) kodéiert ginn an duerno e geometresch arrangéiert Gitter vu passenden Detektorneuronen am lamellarem Kär benotzt. Veraarbechtung (Holland) (lénks). Illustratioun vun enger neuroITD computational Grafik déi Verzögerungslinnen an Zoufallsdetektor Neuronen kombinéiert, den Eule Biosensor System kann mat RRAM-baséiert neuromorphesche Circuiten (riets) modelléiert ginn. c Schematesch vum Haapt Jeffress Mechanismus, wéinst dem Ënnerscheed am ToF, kréien déi zwee Oueren Tounreizungen zu verschiddenen Zäiten a schécken Axonen vu béiden Enden an den Detektor. D'Axone sinn Deel vun enger Serie vun Zoufallsdetektor (CD) Neuronen, déi jidderee selektiv op staark Zäitkorreléiert Input reagéiert. Als Resultat sinn nëmmen CDen deenen hir Inputen mat dem klengsten Zäitdifferenz ukommen maximal opgereegt (ITD gëtt genee kompenséiert). D'CD codéiert dann d'Wénkelpositioun vum Zil.
Piezoelektresch mikromechanesch Ultraschalltransducer sinn skalierbar Ultraschalltransducer, déi mat fortgeschratt CMOS Technologie31,32,33,52 integréiert kënne ginn an eng méi niddereg initial Spannung a Stroumverbrauch hunn wéi traditionell volumetresch Transducer53. An eiser Aarbecht ass de Membran Duerchmiesser 880 µm, an d'Resonanzfrequenz ass am Beräich vun 110-117 kHz verdeelt (Fig. 2a, kuckt Methoden fir Detailer). An enger Partie vun zéng Testgeräter war den duerchschnëttleche Qualitéitsfaktor ongeféier 50 (Ref. 31). D'Technologie huet industriell Reife erreecht an ass net bioinspiréiert per se. D'Kombinatioun vun Informatiounen aus verschiddene pMUT Filmer ass eng gutt-bekannt Technik, an Wénkel Informatiounen kann aus pMUTs benotzt ginn, zum Beispill, beamforming Techniken31,54. Wéi och ëmmer, d'Signalveraarbechtung erfuerderlech fir d'Wénkelinformatioun ze extrahieren ass net gëeegent fir niddereg Kraaftmiessungen. De proposéierte System kombinéiert den neuromorphesche Datenvirveraarbechtungsschaltung pMUT mat enger RRAM-baséiert neuromorphesch Rechengrafik inspiréiert vum Jeffress Modell (Figur 2c), bitt eng alternativ energieeffizient a Ressource-begrenzt Hardware-Léisung. Mir hunn en Experiment gemaach an deem zwee pMUT Sensoren ongeféier 10 cm ausenee plazéiert goufen fir déi verschidde ToF Kläng ze exploitéieren, déi vun den zwee Empfangsmembranen opgeholl goufen. Ee pMUT deen als Sender handelt sëtzt tëscht den Empfänger. D'Zil war eng PVC-Plack 12 cm breet, op enger Distanz D virum pMUT-Apparat (Fig. 2b). Den Empfänger registréiert den Toun, dee vum Objet reflektéiert gëtt, a reagéiert sou vill wéi méiglech während der Passage vun der Tounwell. Widderhuelen d'Experiment andeems Dir d'Positioun vum Objet ännert, bestëmmt duerch d'Distanz D an de Wénkel θ. Inspiréiert vun engem Link. 55, proposéiere mir eng neuromorphesch Virveraarbechtung vu pMUT réi Signaler fir reflektéiert Wellen an Peaks ze konvertéieren fir eng neuromorphesch Berechnungsgrafik z'inputéieren. Den ToF entsprécht der Peak Amplitude gëtt aus jiddereng vun den zwee Kanäl extrahéiert a kodéiert als de genauen Timing vun den eenzelne Peaks. Op Fig. 2c weist d'Schaltung erfuerderlech fir de pMUT-Sensor mat enger RRAM-baséierter Berechnungsgrafik ze interface: fir jiddereng vun den zwee pMUT Empfänger gëtt de roude Signal Bandpassfilter gefiltert fir ze glatten, ze rectifiéieren an dann an de leaky Integrator am Iwwerwannungsmodus weidergeleet. déi dynamesch Schwelle (Fig. 2d) erstellt en Ausgangsevent (Spike) a Feier (LIF) Neuron: d'Ausgangsspikezäit codéiert d'detektéiert Fluchzäit. De LIF-Schwell gëtt géint d'pMUT-Äntwert kalibréiert, an doduerch d'pMUT-Verännerlechkeet vun Apparat zu Apparat reduzéiert. Mat dëser Approche, anstatt déi ganz Tounwell an der Erënnerung ze späicheren a spéider ze veraarbecht, generéiere mir einfach e Peak deen dem ToF vun der Tounwell entsprécht, déi den Input an d'resistive Memory Computational Grafik formt. D'Spikes ginn direkt op d'Verzögerungslinne geschéckt a paralleliséiert mat Matchdetektiounsmoduler an neuromorphesche Berechnungsgrafiken. Well se an d'Tore vun den Transistoren geschéckt ginn, gëtt keng zousätzlech Verstäerkungsschaltung erfuerderlech (kuckt Zousazbild 4 fir Detailer). Fir d'Lokaliséierungswénkelgenauegkeet, déi vum pMUT an der proposéierter Signalveraarbechtungsmethod geliwwert gëtt, ze evaluéieren, hu mir den ITD gemooss (dat ass den Ënnerscheed an der Zäit tëscht Peakevenementer generéiert vun zwee Empfänger) wéi d'Distanz an de Wénkel vum Objet variéieren. D'ITD Analyse gouf dunn an d'Wénkel ëmgewandelt (kuckt Methoden) a géint d'Positioun vum Objet geplot: d'Onsécherheet am gemoossene ITD erhéicht mat der Distanz a Wénkel zum Objet (Fig. 2e, f). Den Haaptproblem ass de Peak-to-Noise Verhältnis (PNR) an der pMUT Äntwert. Wat den Objet méi wäit ass, wat den akusteschen Signal méi niddereg ass, an domat de PNR reduzéiert (Fig. 2f, gréng Linn). Eng Ofsenkung vun der PNR féiert zu enger Erhéijung vun der Onsécherheet an der ITD Schätzung, wat zu enger Erhéijung vun der Lokalisatiounsgenauegkeet resultéiert (Fig. 2f, blo Linn). Fir en Objet op enger Distanz vu 50 cm vum Sender ass d'Wénkelgenauegkeet vum System ongeféier 10°. Dës Begrenzung, déi duerch d'Charakteristike vum Sensor opgesat gëtt, ka verbessert ginn. Zum Beispill kann den Drock, deen vum Emitter geschéckt gëtt, erhéicht ginn, an doduerch d'Spannung erhéijen déi d'pMUT Membran dreift. Eng aner Léisung fir dat iwwerdroen Signal ze verstäerken ass d'Verbindung vu méi Sender 56. Dës Léisunge wäerten d'Detectiounsberäich op Käschte vun erhéicht Energiekäschten erhéijen. Zousätzlech Verbesserunge kënnen op der Empfangssäit gemaach ginn. Den Empfängergeräischerbuedem vum pMUT kann wesentlech reduzéiert ginn andeems d'Verbindung tëscht dem pMUT an dem éischte Stuf Verstärker verbessert gëtt, wat de Moment mat Drotverbindungen a RJ45 Kabelen gemaach gëtt.
e Bild vun engem pMUT Kristall mat sechs 880 µm Membranen integréiert op 1,5 mm Pitch. b Diagramm vun der Messkonfiguratioun. D'Zil läit op der Azimut Positioun θ an op der Distanz D. De pMUT Sender generéiert en 117,6 kHz Signal dat vum Zil spréngt an zwee pMUT Empfänger mat ënnerschiddleche Fluchzäit (ToF) erreecht. Dësen Ënnerscheed, definéiert als Inter-Aural Time Difference (ITD), codéiert d'Positioun vun engem Objet a ka geschat ginn andeems d'Spëtzeaktioun vun den zwee Empfängersensoren schätzt. c Schema vu Virveraarbechtungsschrëtt fir de raw pMUT Signal an Spikesequenzen ëmzewandelen (dh Input an d'neuromorphesch Berechnungsgraph). D'pMUT Sensoren an neuromorphesch Computational Grafike goufen fabrizéiert a getest, an déi neuromorphesch Virveraarbechtung baséiert op Software Simulatioun. d Äntwert vun der pMUT Membran op Empfang vun engem Signal a seng Transformatioun an e Spike Domain. e Experimentell Lokaliséierung Wénkelgenauegkeet als Funktioun vum Objektwénkel (Θ) an Distanz (D) zum Zilobjekt. D'ITD Extraktiounsmethod erfuerdert eng minimal Wénkelopléisung vu ronn 4 ° C. f Wénkelgenauegkeet (blo Linn) an entspriechend Peak-zu-Geräisch-Verhältnis (gréng Linn) versus Objektdistanz fir Θ = 0.
Resistive Gedächtnis späichert Informatioun an engem net liichtflüchtege Leitungszoustand. De Grondprinzip vun der Method ass datt d'Modifikatioun vum Material um atomesche Niveau eng Verännerung vun der elektrescher Konduktivitéit verursaacht57. Hei benotze mir en Oxid-baséiert resistivt Gedächtnis, besteet aus enger 5nm Schicht vun Hafniumdioxid, déi tëscht uewen an ënnen Titan- an Titannitridelektroden sandwichéiert ass. D'Konduktivitéit vun RRAM-Geräter kann geännert ginn andeems Dir eng Stroum- / Spannungswelleform applizéiert, déi konduktiv Filamenter vu Sauerstoffvakanzen tëscht den Elektroden erstellt oder brécht. Mir co-integréiert esou Apparater58 an engem Standard 130 nm CMOS Prozess engem fabrizéierten reconfigurable neuromorphic Circuit ze schafen, deen en Zoufall Detektor an engem Verzögerung Linn Circuit implementéiert (Fig. 3a). Déi net-flüchteg an analog Natur vum Apparat, kombinéiert mat der event-driven Natur vum neuromorphesche Circuit, miniméiert de Stroumverbrauch. De Circuit huet eng Instant On / Off Funktioun: et funktionnéiert direkt nodeems se ageschalt gouf, wat erlaabt datt d'Kraaft komplett ausgeschalt gëtt wann de Circuit idle ass. D'Haaptbausteng vum proposéierte Schema ginn an der Fig. 3b vun. Et besteet aus N parallel Single-Resistor Single-Transistor (1T1R) Strukturen, déi synaptesch Gewiichter codéieren, aus deenen d'gewiicht Stréimunge geholl ginn, an d'gemeinsame Synapse vun engem DPI)59 injizéiert ginn, a schliisslech an d'Synapse mat Integratioun agefouert ginn. Auswee. aktivéiert (LIF) Neuron 60 (kuckt Methoden fir Detailer). D'Input Iwwerschwemmungen ginn op de Paart vun der 1T1R Struktur an der Form vun enger Sequenz vu Spannungsimpulser mat enger Dauer an der Uerdnung vun Honnerte vun Nanosekonnen applizéiert. Resistive Gedächtnis kann an engem héich konduktiven Zoustand gesat ginn (HCS) andeems en externen positiven Referenz op Vtop applizéiert gëtt wann Vbottom gegrënnt ass, an op e nidderegen konduktiven Zoustand zréckgesat ginn (LCS) andeems Dir eng positiv Spannung op Vbottom applizéiert wann Vtop gegrënnt ass. Den Duerchschnëttswäert vun HCS kann kontrolléiert ginn andeems de Programméierungsstroum (Konformitéit) vum SET (ICC) duerch d'Gate-Quellspannung vum Serietransistor limitéiert ass (Fig. 3c). D'Funktioune vum RRAM am Circuit sinn zweefach: si riichten a Gewiicht d'Inputimpulsen.
Scannen Elektronenmikroskop (SEM) Bild vun engem bloen HfO2 1T1R RRAM Apparat integréiert an 130 nm CMOS Technologie mat Selektortransistoren (650 nm breet) a gréng. b Basis Bausteng vum proposéierten neuromorphesche Schema. D'Input Spannungsimpulser (Peaks) Vin0 a Vin1 verbrauchen aktuell Iweight, wat proportional zu de Leitungszoustand G0 an G1 vun der 1T1R Struktur ass. Dëse Stroum gëtt an d'DPI Synapsen injizéiert an begeeschtert d'LIF Neuronen. RRAM G0 an G1 sinn an HCS respektiv LCS installéiert. c Funktioun vun der kumulativer Konduktivitéitsdicht fir eng Grupp vu 16K RRAM-Geräter als Funktioun vun der ICC-Strommatching, déi effektiv d'Leedungsniveau kontrolléiert. d Circuitmiessungen an (a) weisen datt G1 (am LCS) effektiv Input vu Vin1 (gréng) blockéiert, an tatsächlech reagéiert d'Membranspannung vum Ausgangsneuron nëmmen op de bloen Input vu Vin0. RRAM bestëmmt effektiv d'Verbindungen am Circuit. e Miessung vum Circuit an (b) weist den Effekt vum Konduktanswäert G0 op d'Membranspannung Vmem no der Uwendung vun engem Spannungsimpuls Vin0. Wat méi Konduktivitéit ass, wat méi staark d'Äntwert ass: also implementéiert de RRAM Apparat I / O Verbindungsgewiicht. Miessunge goufen um Circuit gemaach a weisen déi duebel Funktioun vum RRAM, Routing a Gewiicht vun Inputimpulsen.
Als éischt, well et zwee Basisleitungszoustänn (HCS an LCS) sinn, kënnen RRAMs Inputimpulse blockéieren oder verpassen wann se an den LCS oder HCS Staaten sinn, respektiv. Als Resultat bestëmmt RRAM effektiv d'Verbindungen am Circuit. Dëst ass d'Basis fir d'Architektur nei ze konfiguréieren. Fir dëst ze beweisen, wäerte mir e fabrizéierte Circuit Ëmsetzung vum Circuitblock an der Figur 3b beschreiwen. Den RRAM entsprécht G0 gëtt an den HCS programméiert, an den zweeten RRAM G1 ass an den LCS programméiert. Input Impulser ginn op Vin0 a Vin1 applizéiert. D'Effekter vun zwou Sequenzen vun Inputimpulsen goufen an den Ausgangsneuronen analyséiert andeems d'Neuronmembranspannung an d'Ausgangssignal mat engem Oszilloskop sammelen. D'Experiment war erfollegräich wann nëmmen den HCS-Apparat (G0) mam Puls vum Neuron verbonne war fir d'Membranspannung ze stimuléieren. Dëst gëtt an der Figur 3d bewisen, wou de bloe Pulszuch d'Membranspannung op de Membrankondensator opbaut, während de grénge Pulszuch d'Membranspannung konstant hält.
Déi zweet wichteg Funktioun vun RRAM ass d'Ëmsetzung vun Verbindung Gewiichter. Benotzen RRAM d'analog conductance Upassung, ech / O Verbindungen kann deementspriechend gewiicht ginn. Am zweeten Experiment gouf de G0-Apparat op verschidden Niveauen vun HCS programméiert, an den Input-Puls gouf op den VIn0-Input applizéiert. Den Inputimpuls zitt e Stroum (Iweight) vum Apparat, deen proportional zu der Konduktans an dem entspriechende Potenzialfall Vtop - Vbot ass. Dëse gewiichtte Stroum gëtt dann an d'DPI Synapsen a LIF Ausgangsneuronen injizéiert. D'Membranspannung vun den Ausgangsneuronen gouf mat engem Oszilloskop opgeholl an an der Fig. 3d ugewisen. De Spannungspeak vun der Neuronmembran als Äntwert op en eenzegen Inputimpuls ass proportional zu der Konduktioun vum resistive Gedächtnis, wat beweist datt RRAM als programméierbar Element vum synaptesche Gewiicht benotzt ka ginn. Dës zwee virleefeg Tester weisen datt déi proposéiert RRAM-baséiert neuromorphesch Plattform fäeg ass d'Basiselementer vum Jeffress Basismechanismus ëmzesetzen, nämlech d'Verzögerungslinn an den Zoufallsdetektorkreeslaf. D'Circuitplattform gëtt gebaut andeems se opfolgend Blöden niewentenee stackelen, sou wéi d'Blöcke an der Figur 3b, an hir Paarte mat enger gemeinsamer Input Linn verbannen. Mir hunn eng neuromorphesch Plattform entworf, fabrizéiert an getest, déi aus zwee Ausgangsneuronen besteet, déi zwee Input kréien (Fig. 4a). De Circuitdiagramm gëtt an der Figur 4b gewisen. Déi iewescht 2 × 2 RRAM Matrix erlaabt Inputimpulsen op zwee Ausgangsneuronen ze riichten, während déi ënnescht 2 × 2 Matrix widderhuelend Verbindunge vun zwee Neuronen (N0, N1) erlaabt. Mir weisen datt dës Plattform mat enger Verzögerungslinnkonfiguratioun an zwee verschidde Zoufallsdetektorfunktiounen benotzt ka ginn, wéi duerch experimentell Miessungen an der Figur 4c-e gewisen.
Circuit Diagramm geformt vun zwee Ausgangsneuronen N0 an N1 déi zwee Input 0 an 1 kréien. Déi Top véier Apparater vun der Array definéieren synaptesch Verbindunge vun Input bis Output, an déi ënnescht véier Zellen definéieren widderhuelend Verbindungen tëscht Neuronen. Déi faarweg RRAMs representéieren d'Apparater, déi am HCS op der rietser Säit konfiguréiert sinn: d'Apparater an der HCS erlaben Verbindungen a representéieren Gewiichter, während d'Apparater am LCS Inputimpulsen blockéieren an d'Verbindunge mat Ausgänge deaktivéieren. b Diagramm vum Circuit (a) mat aacht RRAM Moduler blo markéiert. c Verzögerungslinne gi geformt andeems se einfach d'Dynamik vun DPI Synapsen a LIF Neuronen benotzen. De grénge RRAM ass op d'Konduktioun héich genuch gesat fir e Glitch am Ausgang no der Inputverzögerung Δt ze induzéieren. d Schematesch Illustratioun vun Richtung-sensibel CD Detektioun vun Zäit ofhängeg Signaler. Ausgangsneuron 1, N1, brennt op Inputen 0 an 1 mat enger kuerzer Verzögerung. e Direction sensible CD Circuit, e Circuit deen detektéiert wann den Input 1 den Input 0 ukommt an no der Input 0 kënnt. Den Output vum Circuit gëtt duerch Neuron 1 (N1) representéiert.
D'Verzögerungslinn (Figur 4c) benotzt einfach dat dynamescht Verhalen vun DPI Synapsen a LIF Neuronen fir d'Input Spike vu Vin1 op Vout1 ze reproduzéieren andeems Tdel verzögert gëtt. Nëmmen de G3 RRAM verbonne mat Vin1 a Vout1 ass an HCS programméiert, de Rescht vun den RRAMs sinn am LCS programméiert. De G3-Apparat gouf fir 92,6 µs programméiert fir sécherzestellen datt all Input-Puls d'Membranspannung vum Ausgangsneuron genuch erhéicht fir d'Schwell z'erreechen an e verspéiten Ausgangspuls ze generéieren. D'Verzögerung Tdel gëtt vun de synapteschen an neuralen Zäitkonstanten bestëmmt. Zoufallsdetektoren detektéieren d'Optriede vun temporär korreléierten awer raimlech verdeelt Inputsignaler. Direktiounsonsensibel CD hänkt op eenzel Inputen, déi zu engem gemeinsamen Ausgangsneuron konvergéieren (Figur 4d). Déi zwee RRAMs, déi Vin0 a Vin1 mat Vout1, G2 a G4 verbannen, sinn fir héich Leedung programméiert. Simultan Arrivée vu Spikes op Vin0 a Vin1 erhéicht d'Spannung vun der N1 Neuron Membran iwwer d'Schwell déi néideg ass fir d'Ausgangsspike ze generéieren. Wann déi zwee Inputen ze wäit ausenee sinn an der Zäit, kann d'Laascht op der Membranspannung, déi vum éischten Input accumuléiert ass, Zäit hunn ze zerfallen, verhënnert datt d'Membranpotenzial N1 de Schwellwäert erreecht. G1 a G2 si fir ongeféier 65 µs programméiert, wat garantéiert datt eng eenzeg Input Iwwerschwemmung d'Membranspannung net genuch erhéicht fir en Ausgangsspannung ze verursaachen. Zoufallserkennung tëscht Eventer, déi am Raum an Zäit verdeelt sinn, ass eng fundamental Operatioun déi an enger breet Palette vu Sensing Aufgaben benotzt gëtt wéi optesch Flowbaséiert Hindernisvermeidung an Tounquelllokaliséierung. Also ass d'Rechnungsempfindlech an onsensitiv CDen e fundamentale Bausteen fir visuell an Audio Lokalisatiounssystemer ze bauen. Wéi duerch d'Charakteristiken vun der Zäit konstante gewisen (kuckt Zousaz Fig. 2), implementéiert de proposéierte Circuit e passenden Gamme vu véier Uerderen vun der Gréisst Zäitskala. Sou kann et gläichzäiteg den Ufuerderunge vun visuellen an Toun Systemer treffen. Direktional-sensibel CD ass e Circuit dee sensibel ass fir d'raimlech Uerdnung vun der Arrivée vu Puls: vu riets op lénks a vice versa. Et ass e fundamentale Bausteng am Basisbewegungsdetektiounsnetz vum Drosophila visuelle System, benotzt fir Bewegungsrichtungen ze berechnen an Kollisiounen z'entdecken62. Fir eng Richtung-sensibel CD z'erreechen, mussen zwee Inputen op zwee verschidden Neuronen (N0, N1) geleet ginn an eng Richtungsverbindung muss tëscht hinnen etabléiert ginn (Fig. 4e). Wann den éischten Input kritt gëtt, reagéiert NO andeems d'Spannung iwwer seng Membran iwwer dem Schwellwäert eropgeet an e Stroum schéckt. Dëst Output Event, am Tour, brennt N1 dank der Richtungsverbindung, déi gréng markéiert ass. Wann en Input Event Vin1 ukommen an N1 energesch wärend seng Membranspannung nach ëmmer héich ass, generéiert N1 en Output Event wat beweist datt e Match tëscht deenen zwee Input fonnt gouf. Direktional Verbindungen erlaaben den N1 nëmmen Ausgang ze emittéieren wann den Input 1 nom Input 0 kënnt. G0, G3 a G7 sinn op 73,5 µS, 67,3 µS, respektiv 40,2 µS programméiert, respektiv, fir datt eng eenzeg Spike um Input Vin0 eng Verspéidung verursaacht. Ausgang Spike, iwwerdeems N1 Membran Potential erreecht nëmmen Schwell wann souwuel Input Bursts kommen synchroniséiert. .
Variabilitéit ass eng Quell vun Onfeelheet a modelléierte neuromorphesche Systemer63,64,65. Dëst féiert zu heterogen Verhalen vun Neuronen a Synapsen. Beispiller vun esou Nodeeler och 30% (duerchschnëttlech Standard deviation) Variabilitéit am Input Gewënn, Zäit konstant, an refractaire Period, fir nëmmen e puer ze nennen (kuckt Methoden). Dëse Problem ass nach méi ausgeschwat wann verschidde neurale Kreesleef matenee verbonne sinn, sou wéi eng Orientéierungsempfindlech CD déi aus zwee Neuronen besteet. Fir richteg ze schaffen, sollten d'Gewënn- an Zerfallzäitkonstante vun deenen zwee Neuronen esou ähnlech wéi méiglech sinn. Zum Beispill, e groussen Ënnerscheed am Input Gewënn kann een Neuron verursaachen op en Input Puls ze reagéieren, während deen aneren Neuron kaum reagéiert. Op Fig. Figur 5a weist datt zoufälleg ausgewielte Neuronen anescht op deeselwechten Inputpuls reagéieren. Dës neural Variabilitéit ass relevant, zum Beispill, fir d'Funktioun vu Richtungsensibel CDen. Am Schema an der Fig. 5b, c, den Inputgewënn vum Neuron 1 ass vill méi héich wéi dee vum Neuron 0. Also brauch den Neuron 0 dräi Inputimpulsen (amplaz vun 1) fir d'Schwell z'erreechen, an den Neuron 1, wéi erwaart, brauch zwee Input-Evenementer. D'Ëmsetzung vun der Spike-Zäit-ofhängeg biomimetescher Plastizitéit (STDP) ass e méigleche Wee fir den Impakt vun onpräzisen a luesen neuralen a synaptesche Circuiten op Systemleistung ze reduzéieren43. Hei proposéiere mir de plastesche Verhalen vum resistive Gedächtnis als Mëttel ze benotzen fir d'Verbesserung vum neuralen Input ze beaflossen an d'Effekter vun der Variabilitéit an neuromorphesche Circuiten ze reduzéieren. Wéi an der Fig. 4e, Konduktiounsniveauen verbonne mat RRAM synaptescher Mass moduléiert effektiv déi entspriechend neural Membranspannungsreaktioun. Mir benotzen eng iterativ RRAM programméiere Strategie. Fir e bestëmmten Input ginn d'Konduktiounswäerter vun de synaptesche Gewiichter nei programméiert bis d'Zilverhalen vum Circuit kritt gëtt (kuckt Methoden).
Experimentell Miessunge vun der Äntwert vun néng zoufälleg ausgewielten individuellen Neuronen op deeselwechten Inputpuls. D'Äntwert variéiert iwwer Populatiounen, beaflosst Inputgewënn an Zäitkonstant. b Experimentell Miessunge vum Afloss vun Neuronen op d'Variabilitéit vun Neuronen déi Richtung-sensibel CD beaflossen. Déi zwee Richtungsempfindlech CD Output Neuronen reagéieren anescht op Input Reizen wéinst Neuron-zu-Neuron Variabilitéit. Den Neuron 0 huet e méi nidderegen Inputgewënn wéi den Neuron 1, sou datt et dräi Inputimpulser brauch (amplaz vun 1) fir en Ausgangsspike ze kreéieren. Wéi erwaart erreecht den Neuron 1 d'Schwell mat zwee Input Eventer. Wann den Input 1 Δt = 50 µs no Neuron 0 brennt, bleift CD roueg well Δt méi grouss ass wéi d'Zäitkonstant vum Neuron 1 (ongeféier 22 µs). c gëtt vun Δt = 20 µs reduzéiert, sou datt den Input 1 Peaks wann den Neuron 1's Feier nach ëmmer héich ass, wat zu der simultaner Detektioun vun zwee Inputevenementer resultéiert.
Déi zwee Elementer, déi an der ITD Berechnungskolonne benotzt ginn, sinn d'Verzögerungslinn an d'Richtungsonsensibel CD. Béid Circuiten erfuerderen präzis Eechung fir eng gutt Objektpositionéierungsleistung ze garantéieren. D'Verzögerungslinn muss eng präzis verspéit Versioun vum Input Peak liwweren (Fig. 6a), an d'CD muss nëmmen aktivéiert ginn wann den Input am Zilerkennungsberäich fällt. Fir d'Verzögerungslinn goufen d'synaptesch Gewiichter vun den Inputverbindungen (G3 an der Fig. 4a) nei programméiert bis d'Zielverzögerung kritt gouf. Setzt eng Toleranz ronderëm d'Zilverzögerung fir de Programm ze stoppen: wat méi kleng d'Toleranz ass, wat méi schwéier et ass d'Verzögerungslinn erfollegräich ze setzen. Op Fig. Figur 6b weist d'Resultater vun der Verzögerung Linn Eechung Prozess: et kann gesi ginn, datt de proposéiert Schema genee all Verspéidungen néideg am Design Schema liwweren kann (vun 10 ze 300 μs). Déi maximal Unzuel vun de Kalibratiounsiteratiounen beaflosst d'Qualitéit vum Kalibrierungsprozess: 200 Iteratiounen kënnen de Feeler op manner wéi 5% reduzéieren. One Eechung Iteration entsprécht engem Set / zréckgesat Operatioun vun enger RRAM Zell. Den Tuning-Prozess ass och kritesch fir d'Genauegkeet vun der CD-Modul Instant Close Event Detektioun ze verbesseren. Et huet zéng Kalibratiounsiteratiounen gedauert fir e richtege positiven Taux z'erreechen (dh den Taux vun Eventer, déi korrekt als relevant identifizéiert ginn) iwwer 95% (blo Linn an der Figur 6c). Wéi och ëmmer, den Tuningprozess huet falsch positiv Eventer net beaflosst (dat ass d'Frequenz vun Eventer déi falsch als relevant identifizéiert goufen). Eng aner Method, déi a biologesche Systemer observéiert gëtt fir d'Zäitbeschränkunge vu séier aktivéierende Weeër ze iwwerwannen ass Redundanz (dat ass, vill Kopie vum selwechten Objet gi benotzt fir eng bestëmmte Funktioun auszeféieren). Inspiréiert vu biology66, hu mir e puer CD Circuiten an all CD Modul tëscht den zwou Verzögerungslinnen gesat fir den Impakt vu falschen Positiven ze reduzéieren. Wéi an der Fig. 6c (gréng Linn), dräi CD Elementer an all CD Modul ze placéieren kann de falschen Alarm Taux op manner wéi 10-2 reduzéieren.
en Effekt vun der neuronaler Variabilitéit op Verzögerungslinnkreesser. b Verzögerungslinnkreesser kënnen op grouss Verzögerungen skaléiert ginn andeems d'Zäitkonstanten vun de entspriechende LIF Neuronen an DPI Synapsen op grouss Wäerter setzen. D'Erhéijung vun der Unzuel vun Iteratiounen vun der RRAM Kalibrierungsprozedur huet et méiglech gemaach d'Genauegkeet vun der Zilverzögerung wesentlech ze verbesseren: 200 Iteratiounen reduzéiert de Feeler op manner wéi 5%. Eng Iteratioun entsprécht enger SET/RESET Operatioun op enger RRAM Zell. All CD Modul am c Jeffress Modell kann mat N parallel CD Elementer fir méi Flexibilitéit mat Respekt ze System Feeler ëmgesat ginn. d Méi RRAM Eechung Iterations erhéijen de richtege positiven Taux (blo Linn), iwwerdeems de falsche positiven Taux onofhängeg vun der Unzuel vun Iteratiounen ass (gréng Linn). Placement méi CD Elementer parallel evitéiert falsch Detektioun vun CD Modul Matcher.
Mir evaluéieren elo d'Performance an d'Kraaftverbrauch vum End-to-End integréierten Objektlokaliséierungssystem, deen an der Figur 2 ugewise gëtt, mat Miessunge vun den akustesche Eegeschafte vum pMUT Sensor, CD, a Verzögerungslinnkreesser, déi d'neuromorphesch Rechengrafik ausmaachen. Jeffress Modell (Fig. 1a). Wat d'neuromorphesch Rechengrafik ugeet, wat méi grouss d'Zuel vun CD-Modulen ass, wat besser d'Wénkelopléisung ass, awer och méi héich d'Energie vum System (Fig. 7a). E Kompromiss kann erreecht ginn andeems d'Genauegkeet vun eenzelne Komponenten (pMUT Sensoren, Neuronen a synaptesche Circuiten) mat der Genauegkeet vum ganze System vergläicht. D'Resolutioun vun der Verzögerungslinn ass limitéiert duerch d'Zäitkonstanten vun de simuléierten Synapsen an Neuronen, déi an eisem Schema méi wéi 10 µs iwwerschreiden, wat zu enger Wénkelresolutioun vu 4 ° entsprécht (kuckt Methoden). Méi fortgeschratt Noden mat CMOS Technologie erlaabt den Design vun neuralen a synaptesche Circuiten mat méi nidderegen Zäitkonstanten, wat zu enger méi héijer Genauegkeet vun de Verzögerungslinn Elementer resultéiert. Wéi och ëmmer, an eisem System ass d'Genauegkeet limitéiert duerch de Feeler pMUT bei der Schätzung vun der Wénkelpositioun, dh 10 ° (blo horizontal Linn an der Fig. 7a). Mir fixéieren d'Zuel vun CD Moduler op 40, wat zu enger Wénkelresolutioun vun ongeféier 4 ° entsprécht, also d'Wénkelgenauegkeet vun der Rechengrafik (hellblo horizontal Linn an der Fig. 7a). Um Systemniveau gëtt dëst eng Opléisung vu 4° an eng Genauegkeet vun 10° fir Objeten, déi 50 cm virum Sensorsystem leien. Dëse Wäert ass vergläichbar mat den neuromorphesche Soundlokaliséierungssystemer, déi am Ref. 67. E Verglach vum proposéierte System mam Staat vun der Konscht kann an der Ergänzungstabelle fonnt ginn 1. Zousätzlech pMUTs addéieren, den akusteschen Signalniveau erhéijen an elektronesch Geräischer reduzéieren sinn méiglech Weeër fir d'Lokaliséierungsgenauegkeet weider ze verbesseren. ) gëtt op 9,7 geschat. nz. 55. Gitt 40 CD-Eenheeten op der Berechnungsgrafik, huet d'SPICE Simulatioun d'Energie pro Operatioun (dh Objektpositionéierungsenergie) op 21,6 nJ geschat. Den neuromorphesche System gëtt nëmme aktivéiert wann en Input Event ukomm ass, also wann eng akustesch Welle all pMUT Empfänger erreecht an d'Erkennungsschwell iwwerschreift, soss bleift se inaktiv. Dëst vermeit onnéideg Stroumverbrauch wann et keen Input Signal ass. Bedenkt eng Frequenz vu Lokalisatiounsoperatiounen vun 100 Hz an enger Aktivéierungsperiod vun 300 µs pro Operatioun (déi maximal méiglech ITD), ass de Stroumverbrauch vun der neuromorphescher Rechengrafik 61,7 nW. Mat neuromorphescher Virveraarbechtung, déi op all pMUT Empfänger applizéiert gëtt, erreecht de Stroumverbrauch vum ganze System 81,6 nW. Fir d'Energieeffizienz vun der proposéierter neuromorphescher Approche am Verglach mat konventioneller Hardware ze verstoen, hu mir dës Zuel verglach mat der Energie déi néideg ass fir déiselwecht Aufgab op engem modernen Low-Power Mikrokontroller auszeféieren andeems entweder neuromorphesch oder konventionell Beamforming68 Skill benotzt. D'neuromorphic Approche betruecht eng Analog-zu-Digital Konverter (ADC) Etapp, gefollegt vun engem Band-Pass Filter an eng Enveloppe Extraktioun Etapp (Teeger-Kaiser Method). Schlussendlech gëtt eng Schwelloperatioun duerchgefouert fir den ToF ze extrahieren. Mir hunn d'Berechnung vun ITD baséiert op ToF an d'Konversioun op geschätzte Wénkelpositioun ewechgelooss well dëst eemol fir all Messung geschitt (kuckt Methoden). Unzehuelen e Sampling Taux vun 250 kHz op béide Kanäl (pMUT Empfänger), 18 Band Pass Filter Operatiounen, 3 Enveloppe Extraktioun Operatiounen, an 1 Schwell Operatioun pro Prouf, gëtt de Gesamt Stroumverbrauch op 245 Mikrowatt geschat. Dëst benotzt de Low-Power Modus vum Mikrokontroller69, deen uschalt wann d'Algorithmen net ausféieren, wat de Stroumverbrauch op 10.8 µW reduzéiert. D'Kraaftverbrauch vun der beamforming Signal Veraarbechtung Léisung proposéiert an der Referenz. 31, mat 5 pMUT Empfänger an 11 Strahlen uniform verdeelt am Azimutfläch [-50°, +50°], ass 11,71 mW (kuckt d'Methoden Sektioun fir Detailer). Zousätzlech mellen mir de Stroumverbrauch vun engem FPGA47-baséierten Time Difference Encoder (TDE) geschat op 1,5 mW als Ersatz fir de Jeffress Modell fir Objektlokaliséierung. Baséierend op dës Schätzunge reduzéiert déi proposéiert neuromorphesch Approche de Stroumverbrauch vu fënnef Uerderen am Verglach zu engem Mikrokontroller mat klassesche Strahlformungstechnike fir Objektlokaliséierungsoperatiounen. D'Adoptioun vun enger neuromorphescher Approche fir d'Signalveraarbechtung op engem klassesche Mikrokontroller reduzéiert de Stroumverbrauch ëm ongeféier zwou Uerderen vun der Gréisst. D'Effektivitéit vum proposéierte System kann erkläert ginn duerch d'Kombinatioun vun engem asynchrone resistive Memory Analog Circuit, deen fäeg ass In-Memory Berechnungen auszeféieren an de Mangel un Analog-zu-Digital Konversioun erfuerderlech fir Signaler z'erkennen.
a Wénkellosegkeet (blo) a Stroumverbrauch (gréng) vun der Lokalisatiounsoperatioun jee no der Zuel vun CD Moduler. Déi donkelblo horizontal Bar representéiert d'Wénkelgenauegkeet vum PMUT an déi hellblo horizontal Bar representéiert d'Wénkelgenauegkeet vun der neuromorphescher Berechnungsgraph. b Stromverbrauch vum proposéierte System a Verglach mat den zwee diskutéierten Mikrokontrollerimplementatiounen an digitaler Ëmsetzung vum Time Difference Encoder (TDE) 47 FPGA.
Fir de Stroumverbrauch vum Zillokaliséierungssystem ze minimiséieren, hu mir en effizienten, event-driven RRAM-baséierten neuromorphesche Circuit konzipéiert, entworf an implementéiert, deen d'Signalinformatioun veraarbecht, déi vun den agebaute Sensoren generéiert gëtt fir d'Positioun vum Zilobjekt an real ze berechnen. Zäit. . Wärend traditionell Veraarbechtungsmethoden kontinuéierlech entdeckt Signaler probéieren a Berechnungen ausféieren fir nëtzlech Informatioun ze extrahieren, mécht déi virgeschloen neuromorphesch Léisung Berechnungen asynchron wéi nëtzlech Informatioun ukomm ass, maximéiert d'Energieeffizienz vum System ëm fënnef Uerderen vun der Gréisst. Zousätzlech markéiere mir d'Flexibilitéit vun RRAM-baséiert neuromorphesche Circuiten. D'Kapazitéit vum RRAM fir d'Konduktioun op eng net flüchteg Manéier (Plastizitéit) z'änneren, kompenséiert d'inherent Variabilitéit vun de synapteschen an neurale Kreesleef vun ultra-niddereg Kraaft Analog DPI. Dëst mécht dëst RRAM-baséiert Circuit villsäiteger a mächteg. Eist Zil ass net komplex Funktiounen oder Mustere vu Signaler ze extrahieren, mee Objekter an Echtzäit ze lokaliséieren. Eise System kann och d'Signal effizient kompriméieren a schliisslech op weider Veraarbechtungsschrëtt schécken fir méi komplex Entscheedungen ze treffen wann néideg. Am Kontext vu Lokalisatiounsapplikatiounen kann eisen neuromorphesche Virveraarbechtungsschrëtt Informatioun iwwer d'Location vun Objeten ubidden. Dës Informatioun kann zum Beispill fir Bewegungserkennung oder Gesteerkennung benotzt ginn. Mir ënnersträichen d'Wichtegkeet vun der Kombinatioun vun ultra Low Power Sensoren wéi pMUTs mat ultra Low Power Elektronik. Fir dëst sinn neuromorphesch Approche Schlëssel gewiescht well se eis gefouert hunn nei Circuitimplementatiounen vu biologesch inspiréierte Berechnungsmethoden wéi de Jeffress Modell z'entwéckelen. Am Kontext vu Sensorfusiounsapplikatiounen kann eise System mat verschiddenen Event-baséierte Sensoren kombinéiert ginn fir méi genee Informatioun ze kréien. Och wann d'Eule excellent sinn fir d'Prouf am Däischteren ze fannen, hunn se exzellent Siicht a maachen eng kombinéiert auditiv a visuell Sich ier se d'Bau 70 fänken. Wann e bestëmmten auditive Neuron brennt, kritt d'Eule d'Informatioun déi se brauch fir ze bestëmmen a wéi eng Richtung seng visuell Sich unzefänken, sou datt seng Opmierksamkeet op e klengen Deel vun der visueller Szen konzentréiert. Eng Kombinatioun vu visuellen Sensoren (DVS Kamera) an e proposéierten Hörersensor (baséiert op pMUT) soll fir d'Entwécklung vun zukünfteg autonomen Agenten exploréiert ginn.
De pMUT Sensor läit op engem PCB mat zwee Empfänger ongeféier 10 cm auserneen, an de Sender läit tëscht den Empfänger. An dësem Wierk ass all Membran eng suspendéiert bimorph Struktur, besteet aus zwee Schichten aus piezoelektreschen Aluminiumnitrid (AlN) 800 nm déck, déi tëscht dräi Schichten vu Molybdän (Mo) 200 nm déck a mat enger Schicht 200 nm déck geschmiert sinn. déi iewescht passivéierend SiN Layer wéi an der Referenz beschriwwen. 71. Déi banneschten an äusseren Elektroden ginn op déi ënnescht an iewescht Schichten vum Molybdän applizéiert, während déi mëttlere Molybdänelektrode onmuster ass an als Buedem benotzt gëtt, wat zu enger Membran mat véier Paar Elektroden resultéiert.
Dës Architektur erlaabt d'Benotzung vun enger gemeinsamer Membrandeformatioun, wat zu enger verbesserter Iwwerdroung a Empfangsempfindlechkeet resultéiert. Esou e pMUT weist typesch eng Excitatiounsempfindlechkeet vu 700 nm/V als Emitter aus, wat en Uewerflächendrock vun 270 Pa/V ubitt. Als Empfänger weist een pMUT-Film eng Kuerzschlussempfindlechkeet vu 15 nA / Pa, déi direkt mam piezoelektresche Koeffizient vun AlN verbonnen ass. Déi technesch Verännerlechkeet vun der Spannung an der AlN-Schicht féiert zu enger Ännerung vun der Resonanzfrequenz, déi kompenséiert ka ginn andeems en DC Bias op den pMUT applizéiert gëtt. DC Empfindlechkeet gouf bei 0,5 kHz/V gemooss. Fir akustesch Charakteriséierung gëtt e Mikrofon virum pMUT benotzt.
Fir den Echo-Puls ze moossen, hu mir eng rechteckeg Plack mat enger Fläch vu ronn 50 cm2 virum pMUT gesat fir déi emittéiert Schallwellen ze reflektéieren. Souwuel d'Distanz tëscht de Placke wéi och de Wénkel relativ zum pMUT Fliger gi mat speziellen Halter kontrolléiert. A Tectronix CPX400DP Spannungsquell biases dräi pMUT Membranen, tuning der Resonanz Frequenz 111,9 kHz31, iwwerdeems d'Sender vun engem Tectronix AFG 3102 Pulsatiounsperiod Generator ugedriwwen op d'Resonanz Frequenz ofgestëmmt (111,9 kHz vun engem 111,0 kHz 1) an. D'Stréimunge gelies vun de véier Ausgangshäfen vun all pMUT Empfänger ginn an Spannungen ëmgewandelt mat enger spezieller Differentialstroum- a Spannungsarchitektur, an déi resultéierend Signaler ginn digitaliséiert vum Spektrum Dateacquisitiounssystem. D'Limite vun der Detektioun war duerch pMUT Signal Acquisitioun ënner verschiddene Konditiounen charakteriséiert: mir hunn de Reflektor op verschidden Distanzen [30, 40, 50, 60, 80, 100] cm geplënnert an de pMUT Supportwinkel geännert ([0, 20, 40] o ) Figur 2b weist déi temporär ITD Detektiounsopléisung ofhängeg vun der entspriechender Wénkelpositioun a Grad.
Dësen Artikel benotzt zwee verschidden ugefaangen-der-Regal RRAM Kreesleef. Déi éischt ass eng Array vu 16.384 (16.000) Apparater (128 × 128 Apparater) an enger 1T1R Konfiguratioun mat engem Transistor an engem Widderstand. Den zweeten Chip ass déi neuromorphesch Plattform, déi an der Fig. D'RRAM Zell besteet aus engem 5 nm décke HfO2 Film an engem TiN / HfO2 / Ti / TiN Stack agebonnen. De RRAM Stack ass integréiert an de Back-of-Line (BEOL) vum Standard 130nm CMOS Prozess. RRAM-baséiert neuromorphic Circuits presentéieren eng Design Erausfuerderung fir all-analog elektronesch Systemer an deem RRAM Apparater coexistéieren mat traditionell CMOS Technologie. Besonnesch muss de Leedungszoustand vum RRAM Apparat gelies a benotzt ginn als Funktiounsvariabel fir de System. Zu dësem Zweck gouf e Circuit entworf, fabrizéiert a getest, deen de Stroum vum Apparat liest wann en Inputimpuls kritt gëtt a benotzt dëse Stroum fir d'Äntwert vun enger Differentialpaar Integrator (DPI) Synapse ze Gewiicht. Dëse Circuit gëtt an der Figur 3a gewisen, déi d'Basis Bausteng vun der neuromorphescher Plattform an der Figur 4a duerstellt. En Input Puls aktivéiert de Paart vum 1T1R Apparat, induzéieren e Stroum duerch RRAM proportional zu der Konduktans G vum Apparat (Iweight = G (Vtop - Vx)). Den invertéierende Input vum Operatiounsverstärker (op-amp) Circuit huet eng konstant DC Virausspannung Vtop. Den negativen Feedback vum op-amp gëtt Vx = Vtop andeems de gläiche Stroum vum M1 ubitt. Den aktuellen Iweight, deen aus dem Apparat zréckgezunn ass, gëtt an d'DPI Synapse injizéiert. E méi staarke Stroum wäert zu méi Depolariséierung féieren, sou datt d'RRAM Konduktioun effektiv synaptesch Gewiichter implementéiert. Dësen exponentielle synaptesche Stroum gëtt duerch de Membrankondensator vun de Leaky Integration and Excitation (LIF) Neuronen injizéiert, wou en als Spannung integréiert ass. Wann d'Schwellspannung vun der Membran (d'Schaltspannung vum Inverter) iwwerwonne gëtt, gëtt den Ausgangsdeel vum Neuron aktivéiert, wat en Ausgangsspike produzéiert. Dëse Puls geet zréck a shunts dem Neuron seng Membrankondensator op de Buedem, wouduerch et entlooss gëtt. Dëse Circuit gëtt dann ergänzt mat engem Pulsexpander (net an der Fig. 3a gewisen), deen den Ausgangsimpuls vum LIF Neuron op d'Zilpulsbreet formt. Multiplexer ginn och an all Linn gebaut, sou datt d'Spannung op déi iewescht an ënnen Elektroden vum RRAM Apparat applizéiert gëtt.
Elektresch Testen beinhalt d'Analyse an d'Opnam vum dynamesche Verhalen vun analoge Circuiten, souwéi d'Programméierung an d'Liesen vun RRAM-Geräter. Béid Schrëtt erfuerderen speziell Tools, déi all gläichzäiteg un de Sensorbrett verbonne sinn. Zougang zu RRAM Geräter an neuromorphesche Circuiten gëtt vun externen Tools duerch e Multiplexer (MUX) duerchgefouert. De MUX trennt d'1T1R Zelle vum Rescht vun der Circuit, zu där se gehéiert, sou datt den Apparat gelies an / oder programméiert gëtt. Fir RRAM-Geräter ze programméieren an ze liesen, gëtt eng Keithley 4200 SCS-Maschinn a Verbindung mat engem Arduino-Mikrokontroller benotzt: déi éischt fir präzis Pulsgeneratioun an aktuell Liesung, an déi zweet fir séier Zougang zu eenzel 1T1R Elementer am Memory Array. Déi éischt Operatioun ass de RRAM Apparat ze bilden. D'Zellen ginn een nom aneren ausgewielt an eng positiv Spannung gëtt tëscht den Top an ënnen Elektroden applizéiert. An dësem Fall ass de Stroum limitéiert op d'Uerdnung vun Zénger vu Mikroampere wéinst der Versuergung vun der entspriechender Paartspannung un de Selektortransistor. D'RRAM Zelle kann dann tëscht engem nidderegen konduktiven Zoustand (LCS) an engem héije konduktiven Zoustand (HCS) mat RESET a SET Operatiounen zyklen. D'SET Operatioun gëtt duerch d'Uwendung vun engem rechteckege Spannungsimpuls mat enger Dauer vun 1 μs an enger Peakspannung vun 2,0-2,5 V op déi iewescht Elektrode an e Synchroniséierungsimpuls vun enger ähnlecher Form mat enger Peakspannung vun 0,9-1,3 V bis d'Paart vum Selektortransistor. Dës Wäerter erlaaben d'RRAM-Konduktanzen mat 20-150 µs Intervalle moduléieren. Fir RESET gëtt en 1 µs breet, 3 V Peakpuls op déi ënnescht Elektrode (Bitlinn) vun der Zell applizéiert wann d'Paartspannung am Beräich vun 2,5-3,0 V ass. . Fir Input interleaved mir zwee HP 8110 Pulsatiounsperiod Generatoren mat Tektronix AFG3011 Signal Generatoren. Den Inputimpuls huet eng Breet vun 1 µs an en Opstieg/Fallrand vun 50 ns. Dës Zort vu Puls gëtt ugeholl als typesch Glitch an analog Glitch-baséiert Circuiten. Wat d'Ausgangssignal ugeet, gouf d'Ausgangssignal mat engem Teledyne LeCroy 1 GHz Oszilloskop opgeholl. D'Acquisitiounsgeschwindegkeet vun engem Oszilloskop gouf bewisen net als limitéierende Faktor bei der Analyse an der Acquisitioun vu Circuitdaten ze sinn.
D'Dynamik vun der analoger Elektronik ze benotzen fir d'Behuele vun Neuronen a Synapsen ze simuléieren ass eng elegant an effizient Léisung fir d'Rechnereffizienz ze verbesseren. Den Nodeel vun dësem computationalen Ënnerlag ass datt et vu Schema zu Schema variéiere wäert. Mir quantifizéiert d'Variabilitéit vun Neuronen a synaptesche Circuiten (Ergänzungs Fig. 2a, b). Vun all Manifestatiounen vun der Verännerlechkeet, hunn déi mat Zäitkonstanten an Input Gewënn de gréissten Impakt um Systemniveau. D'Zäitkonstant vum LIF Neuron an der DPI Synapse gëtt vun engem RC Circuit festgeluegt, wou de Wäert vu R kontrolléiert gëtt duerch eng Biasspannung, déi op d'Paart vum Transistor applizéiert gëtt (Vlk fir den Neuron a Vtau fir d'Synaps), d'Bestëmmung vun der Auslafe Taux. Input Gewënn ass definéiert wéi d'Spannungsspannung erreecht vun de synapteschen an neuronale Membrankondensatoren stimuléiert vun engem Input Puls. Den Input Gewënn gëtt vun engem anere Bias Transistor kontrolléiert, deen den Input Stroum moduléiert. Eng Monte Carlo Simulatioun kalibréiert op ST Microelectronics '130nm Prozess gouf gemaach fir e puer Input Gewënn an Zäitkonstante Statistiken ze sammelen. D'Resultater ginn an der Ergänzungsbild 2 presentéiert, wou den Inputgewënn an d'Zäitkonstant quantifizéiert ginn als Funktioun vun der Biasspannung déi de Leckrate kontrolléiert. Gréng Marker quantifizéieren d'Standardabweichung vun der Zäitkonstant vum Mëttel. Béid Neuronen a synaptesch Kreesleef konnten eng breet Palette vun Zäitkonstanten am Beräich vun 10-5-10-2 s ausdrécken, wéi am Supplementary Fig. Schema gewisen. Input Verstäerkung (Ergänzlech Fig. 2e, d) vun neuronal a Synapse Variabilitéit war ongeféier 8% an 3%, respektiv. Sou e Defizit ass gutt an der Literatur dokumentéiert: verschidde Miessunge goufen op der Array vun DYNAP Chips gemaach fir de Mëssverständnis tëscht Populatiounen vu LIF63 Neuronen ze bewäerten. D'Synapsen am BrainScale gemëschte Signalchip goufen gemooss an hir Inkonsistenz analyséiert, an eng Kalibrierungsprozedur gouf proposéiert fir den Effekt vun der Systemniveau Variabilitéit64 ze reduzéieren.
D'Funktioun vum RRAM an neuromorphesche Circuiten ass zweefach: Architekturdefinitioun (routing Inputen op Ausgänge) an Implementatioun vu synaptesche Gewiichter. Déi lescht Eegeschafte kann benotzt ginn fir de Problem vun der Variabilitéit vun de modelléierten neuromorphesche Circuiten ze léisen. Mir hunn eng einfach Kalibrierungsprozedur entwéckelt, déi den RRAM-Apparat ëmprogramméiert, bis de Circuit, deen analyséiert gëtt, bestëmmte Viraussetzungen entsprécht. Fir e bestëmmten Input gëtt den Ausgang iwwerwaacht an de RRAM gëtt nei programméiert bis d'Zilverhalen erreecht gëtt. Eng Waardezäit vu 5 s gouf tëscht Programméierungsoperatiounen agefouert fir de Problem vun der RRAM Entspanung ze léisen, wat zu transiente Konduktansschwankungen resultéiert (Ergänzungsinformatioun). Synaptesch Gewiichter ginn ugepasst oder kalibréiert no den Ufuerderunge vum neuromorphesche Circuit modeliséiert. D'Kalibrierungsprozedur gëtt an zousätzlech Algorithmen zesummegefaasst [1, 2] déi sech op zwee fundamental Features vun neuromorphesche Plattformen konzentréieren, Verzögerungslinnen a Richtungsonsensibel CD. Fir e Circuit mat enger Verzögerungslinn ass d'Zilverhalen en Ausgangsimpuls mat enger Verzögerung Δt ze liwweren. Wann déi aktuell Circuitverzögerung manner wéi den Zilwäert ass, soll d'synaptescht Gewiicht vum G3 reduzéiert ginn (G3 soll zréckgesat ginn an dann op e méi nidderegen passende Stroum Icc gesat ginn). Ëmgekéiert, wann déi aktuell Verzögerung méi grouss ass wéi den Zilwäert, muss d'Konduktioun vum G3 erhéicht ginn (G3 muss als éischt zréckgesat ginn an dann op e méi héije Icc Wäert gesat ginn). Dëse Prozess gëtt widderholl bis d'Verspéidung, déi vum Circuit generéiert gëtt, mam Zilwäert entsprécht an eng Toleranz ass festgeluecht fir de Kalibrierungsprozess ze stoppen. Fir Orientéierungsonsensibel CDen sinn zwee RRAM-Geräter, G1 a G3, am Kalibrierungsprozess involvéiert. Dëse Circuit huet zwee Input, Vin0 an Vin1, verspéit duerch dt. De Circuit soll nëmmen op Verspéidungen ënner dem passende Beräich reagéieren [0,dtCD]. Wann et keen Output Peak ass, awer den Input Peak ass no, solle béid RRAM Apparater gestäerkt ginn fir den Neuron ze hëllefen d'Schwell z'erreechen. Ëmgekéiert, wann de Circuit op eng Verzögerung reagéiert, déi d'Zilberäich vun dtCD iwwerschreift, muss d'Konduktioun reduzéiert ginn. Widderhuelen de Prozess bis déi richteg Verhalen kritt ass. Konformitéitsstroum kann duerch den agebaute analoge Circuit am Ref. 72,73. Mat dësem agebaute Circuit kënne sou Prozedure periodesch ausgefouert ginn fir de System ze kalibréieren oder se fir eng aner Applikatioun ze benotzen.
Mir evaluéieren de Stroumverbrauch vun eiser neuromorphescher Signalveraarbechtung Approche op engem Standard 32-Bit Mikrokontroller68. An dëser Evaluatioun ugeholl mir Operatioun mat deemselwechte Setup wéi an dësem Pabeier, mat engem pMUT Sender an zwee pMUT Empfänger. Dës Method benotzt e Bandpassfilter, gefollegt vun engem Enveloppextraktiounsschrëtt (Teeger-Kaiser), a schliisslech gëtt eng Schwelloperatioun op d'Signal ugewannt fir d'Zäit vum Fluch ze extrahieren. D'Berechnung vum ITD a seng Konversioun op Detektiounswinkele ginn an der Evaluatioun ausgelooss. Mir betruechten eng Bandpassfilterimplementatioun mat engem 4. Enveloppe Extraktioun benotzt dräi méi schwiewend Punkt Operatiounen, an déi lescht Operatioun gëtt benotzt fir d'Schwell ze setzen. Insgesamt 22 Floating Point Operatioune sinn erfuerderlech fir d'Signal vir ze veraarbecht. Dat iwwerdroe Signal ass e kuerze Burst vun 111,9 kHz Sinuswelleform, deen all 10 ms generéiert gëtt, wat zu enger Positionéierungsbetribsfrequenz vun 100 Hz resultéiert. Mir hunn e Samplingsrate vun 250 kHz benotzt fir Nyquist ze respektéieren an eng 6 ms Fënster fir all Messung fir eng Rei vu 1 Meter z'erreechen. Bedenkt datt 6 Millisekonnen d'Fluchtzäit vun engem Objet ass deen 1 Meter ewech ass. Dëst bitt e Stroumverbrauch vun 180 µW fir A/D Konversioun bei 0,5 MSPS. Signal Virveraarbechtung ass 6,60 MIPS (Instruktioune pro Sekonn), generéiert 0,75 mW. Wéi och ëmmer, de Mikrokontroller kann op e Low Power Modus wiesselen 69 wann den Algorithmus net leeft. Dëse Modus liwwert e statesche Stroumverbrauch vun 10,8 μW an eng Erwechzäit vun 113 μs. Gitt eng Auerfrequenz vun 84 MHz, fäerdeg de Mikrokontroller all Operatiounen vum neuromorphesche Algorithmus bannent 10 ms, an den Algorithmus berechent en Duty Cycle vun 6,3%, also benotzt e Low Power Modus. Déi doraus resultéierend Muecht dissipation ass 244,7 μW. Bedenkt datt mir den ITD Output vum ToF an d'Konversioun an d'Detectiounswénkel ausléisen, sou datt de Stroumverbrauch vum Mikrokontroller ënnerschat gëtt. Dëst gëtt zousätzlech Wäert fir d'Energieeffizienz vum proposéierte System. Als zousätzlech Vergläichsbedéngung evaluéiere mir de Stroumverbrauch vun de klassesche Strahlformungsmethoden, déi an der Referenz proposéiert ginn. 31.54 wann se am selwechte Mikrokontroller68 bei 1.8V Versuergungsspannung agebonne sinn. Fënnef gleichméisseg verdeelt pMUT Membranen gi benotzt fir Daten fir d'Strahlung ze kréien. Wat d'Veraarbechtung selwer ugeet, ass d'Beamformungsmethod déi benotzt gëtt Verzögerungssummung. Et besteet einfach aus enger Verspéidung op d'Spuren, déi dem erwaarten Ënnerscheed an der Arrivée tëscht enger Spuer an der Referenzspur entsprécht. Wann d'Signaler an der Phas sinn, wäert d'Zomm vun dëse Signaler eng héich Energie no enger Zäitverrécklung hunn. Wann se aus der Phase sinn, wäert zerstéierend Interferenz d'Energie vun hirer Zomm limitéieren. an enger Bezéiung. Op Fig. 31 gëtt e Samplingsrate vun 2 MHz ausgewielt fir d'Daten mat enger ganzer Zuel vu Proben ze verréckelen. Eng méi bescheiden Approche ass fir e gréissere Probequote vun 250 kHz z'erhalen an e Finite Impulse Response (FIR) Filter ze benotzen fir Fraktiounsverzögerungen ze synthetiséieren. Mir huelen un datt d'Komplexitéit vum Strahlforming Algorithmus haaptsächlech vun der Zäitverschiebung bestëmmt gëtt, well all Kanal mat engem FIR-Filter mat 16 Krunn an all Richtung konvolvéiert ass. Fir d'Zuel vun de MIPS, déi fir dës Operatioun erfuerderlech ass, ze berechnen, betruechte mir eng Fënster vu 6ms pro Messung fir e Beräich vun 1 Meter, 5 Kanäl, 11 Strahlforméierungsrichtungen (Gamme +/- 50° an 10° Schrëtt) z'erreechen. 75 Miessunge pro Sekonn hunn de Mikrokontroller op säi Maximum vun 100 MIPS gedréckt. Link. 68, wat zu enger Kraaftverschwendung vun 11,26 mW fir eng Gesamtkraaftofléisung vun 11,71 mW resultéiert nodeems den onboard ADC Bäitrag bäigefüügt gouf.
Daten déi d'Resultater vun dëser Etude ënnerstëtzen sinn vum jeweilegen Auteur, FM, op ​​raisonnabel Ufro verfügbar.
Indiveri, G. & Sandamirskaya, Y. D'Wichtegkeet vu Raum an Zäit fir Signalveraarbechtung an neuromorpheschen Agenten: D'Erausfuerderung fir Low-Power, autonom Agenten z'entwéckelen, déi mat der Ëmwelt interagéieren. Indiveri, G. & Sandamirskaya, Y. D'Wichtegkeet vu Raum an Zäit fir Signalveraarbechtung an neuromorpheschen Agenten: D'Erausfuerderung fir Low-Power, autonom Agenten z'entwéckelen, déi mat der Ëmwelt interagéieren.Indiveri G. an Sandamirskaya Y. D'Wichtegkeet vu Raum an Zäit fir Signalveraarbechtung an neuromorpheschen Agenten: d'Erausfuerderung fir Low-Power autonom Agenten z'entwéckelen, déi mat der Ëmwelt interagéieren. Indiveri, G. & Sandamirskaya, Y.空间和时间对于神经形态代理中信号处理的重要性：开发与环境交互的低功耗、自主代理的挑战。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. an Sandamirskaya Y. D'Wichtegkeet vu Raum an Zäit fir Signalveraarbechtung an neuromorpheschen Agenten: d'Erausfuerderung fir Low-Power autonom Agenten z'entwéckelen, déi mat der Ëmwelt interagéieren.IEEE Signalveraarbechtung. Journal 36, 16–28 (2019).
Thorpe, SJ Peak Arrivée Zäit: En efficace Neural Network Coding Scheme. in Eckmiller, R., Hartmann, G. & Hauske, G. (eds). in Eckmiller, R., Hartmann, G. & Hauske, G. (eds).in Eckmiller, R., Hartmann, G. and Hauske, G. (eds.).In Eckmiller, R., Hartmann, G., and Hauske, G. (eds.). Parallel Veraarbechtung an neurale Systemer a Computeren 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Kommunikatioun verbraucht 35 Mol méi Energie wéi d'Berechnung am mënschleche Cortex, awer béid Käschten sinn néideg fir d'Synapsnummer virauszesoen. Levy, WB & Calvert, VG Kommunikatioun verbraucht 35 Mol méi Energie wéi d'Berechnung am mënschleche Cortex, awer béid Käschten sinn néideg fir d'Synapsnummer virauszesoen.Levy, WB a Calvert, WG Communication verbraucht 35 Mol méi Energie wéi Berechnung am mënschleche Cortex, awer béid Käschten sinn néideg fir d'Zuel vu Synapsen virauszesoen. Levy, WB & Calvert, VG Communication. Levy, WB & Calvert, VG KommunikatiounLevy, WB a Calvert, WG Communication verbraucht 35 Mol méi Energie wéi d'Berechnung am mënschleche Cortex, awer béid Käschten erfuerderen d'Zuel vu Synapsen virauszesoen.Prozess. National Academy of Science. d'Wëssenschaft. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insekt-inspiréiert neuromorphic Computing. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insekt-inspiréiert neuromorphic Computing.Dalgati, T., Vianello, E., DeSalvo, B. a Casas, J. Insekt-inspiréiert neuromorphic Computing.Dalgati T., Vianello E., DeSalvo B. and Casas J. Insekt-inspiréiert neuromorphic Computing. Aktuell. Meenung. Insekt Wëssenschaft. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Richtung Spike-baséiert Maschinn Intelligenz mat neuromorphic Computing. Roy, K., Jaiswal, A. & Panda, P. Richtung Spike-baséiert Maschinn Intelligenz mat neuromorphic Computing. Roy, K., Jaiswal, A. & Panda, P. Richtung Spike-baséiert Maschinn Intelligenz mat Neuromorphic Computing.Roy K, Jaiswal A, an Panda P. Pulse-baséiert kënschtlech Intelligenz mat neuromorphic Computing. Natur 575, 607-617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G., Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G., Liu, S.-K.Erënnerung an Informatiounsveraarbechtung an neuromorphesche Systemer. Prozess. IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: Design an Toolkit fir e 65 mW 1 Milliounen Neuron programméierbare synaptesche Chip. IEEE Transaktiounen. Computer Design vun integréiert Circuit Systemer. 34, 1537–1557 (2015).
Schemmel, J. et al. Live Demo: Skaléiert Versioun vum BrainScaleS neuromorphesche System op Plack Skala. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Eng skalierbar Multicore Architektur mat heterogenen Erënnerungsstrukture fir dynamesch neuromorphesch asynchron Prozessoren (DYNAPs). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Eng skalierbar Multicore Architektur mat heterogenen Erënnerungsstrukture fir dynamesch neuromorphesch asynchron Prozessoren (DYNAPs).Moradi S., Qiao N., Stefanini F. an Indiviri G. Eng skalierbar Multicore Architektur mat heterogenen Erënnerungsstrukture fir dynamesch neuromorphesch asynchron Prozessoren (DYNAP). Moradi, S. 、 Qiao, N. , Stefanini, F. & Indiveri, G.的异构内存结构. Moradi, S. 、 Qiao, N. 、 Stefanini, F. & Indiveri, G. Eng Aart vun erweiterbarer Multi-Core Architektur, mat enger eenzegaarteger Erënnerungsstruktur fir dynamesch neural Veraarbechtung (DYNAP).Moradi S., Qiao N., Stefanini F. an Indiviri G. Eng skalierbar Multicore Architektur mat heterogenen Erënnerungsstrukture fir dynamesch neuromorphesch asynchron Prozessoren (DYNAP).IEEE Transaktiounen iwwer Biomedizinesch Wëssenschaft. elektresche System. 12, 106–122 (2018).
Davis, M. et al. Loihi: En neuromorphesche Multi-Core Prozessor mat embedded Léieren. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA De SpiNNaker-Projet. Furber, SB, Galluppi, F., Temple, S. & Plana, LA De SpiNNaker-Projet.Ferber SB, Galluppi F., Temple S. and Plana LA SpiNNaker Project.Ferber SB, Galluppi F., Temple S. and Plana LA SpiNNaker Project. Prozess. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Neuromorphic sensory systems. & Delbruck, T. Neuromorphic sensory systems.an Delbrück T. Neuromorphic sensory systems. & Delbruck, T. 神经形态感觉系统. & Delbruck, T.an Delbrück T. Neuromorphic sensory system.Aktuell. Meenung. Neurobiologie. 20, 288–295 (2010).
Chope, T. et al. Neuromorphic sensoresch Integratioun fir kombinéiert Tounquelle Lokaliséierung a Kollisiounsvermeidung. Am 2019 op der IEEE Conference on Biomedical Circuits and Systems (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Eng Spike-baséiert neuromorphesch Architektur vu Stereo Visioun. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Eng Spike-baséiert neuromorphesch Architektur vu Stereo Visioun.Risi N, Aymar A, Donati E, Solinas S, and Indiveri G. Risi N., Aimar A., ​​Donati E., Solinas S., Indiveri G. 一种基于脉冲的立体视觉神经形态结构。 Risi, N., Aimar, A., Donati, E., Solinas, S., & Indiveri, G.Risi N, Aimar A, Donati E, Solinas S, and Indiveri G. Spike-baséiert neuromorphesch Architektur fir Stereo Visioun.virun. Neurorobotics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G.Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. A 3D Pulséierten Neural Network Perception Model fir Event-Based Neuromorphic Stereo Vision Systemer. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception Osswald, M., Ieng, S.-H., Benosman, R., & Indiveri, G. 3Dperception 脉冲神经网络模型.Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. Spiked 3Dperception Neural Network Model for an Event-Based Neuromorphic Stereo Vision System.d'Wëssenschaft. Rapport 7, 1-11 (2017).
Dalgaty, T. et al. Insekt-inspiréiert Basis Bewegungserkennung enthält resistiv Erënnerung a bursty neural Netzwierker. Bionic biohybrid System. 10928, 115-128 (2018).
D'Angelo, G. et al. Event-baséiert exzentresch Bewegungserkennung mat temporärer Differentialkodéierung. virun. Neurologie. 14, 451 (2020).