ຂ່າວ

ຄໍາຮ້ອງສະຫມັກການປະມວນຜົນຂໍ້ມູນໃນໂລກທີ່ແທ້ຈິງຮຽກຮ້ອງໃຫ້ມີລະບົບຄອມພິວເຕີທີ່ຫນາແຫນ້ນ, latency ຕ່ໍາ, ພະລັງງານຕ່ໍາ. ດ້ວຍຄວາມສາມາດຂອງຄອມພິວເຕີ້ທີ່ຂັບເຄື່ອນໂດຍເຫດການ, ອົງປະກອບປະກອບຂອງໂລຫະ-oxide-semiconductor hybrid memristive neuromorphic ສະຖາປັດຕະຍະກໍາໃຫ້ພື້ນຖານຮາດແວທີ່ເຫມາະສົມສໍາລັບວຽກງານດັ່ງກ່າວ. ເພື່ອສະແດງໃຫ້ເຫັນເຖິງທ່າແຮງອັນເຕັມທີ່ຂອງລະບົບດັ່ງກ່າວ, ພວກເຮົາສະເໜີ ແລະທົດລອງທົດລອງໃຊ້ການແກ້ໄຂການປະມວນຜົນເຊັນເຊີທີ່ສົມບູນແບບສຳລັບແອັບພລິເຄຊັນການປັບແຕ່ງວັດຖຸໃນໂລກຕົວຈິງ. ແຕ້ມແຮງບັນດານໃຈຈາກ neuroanatomy barn owl, ພວກເຮົາໄດ້ພັດທະນາລະບົບການຕັ້ງຖິ່ນຖານວັດຖຸທີ່ຂັບເຄື່ອນໂດຍເຫດການ bioinspired, ເຊິ່ງສົມທົບການ transducer micromechanical piezoelectric ທີ່ທັນສະໄຫມກັບຄວາມຊົງຈໍາຕ້ານທານ neuromorphic graph-based computational. ພວກເຮົາສະແດງໃຫ້ເຫັນການວັດແທກຂອງລະບົບ fabricated ທີ່ປະກອບມີເຄື່ອງກວດຈັບບັງເອີນທີ່ທົນທານຕໍ່ຄວາມຈໍາ, ວົງຈອນເສັ້ນຊັກຊ້າ, ແລະ transducer ultrasonic ທີ່ສາມາດປັບແຕ່ງໄດ້ຢ່າງເຕັມສ່ວນ. ພວກເຮົາໃຊ້ຜົນການທົດລອງເຫຼົ່ານີ້ເພື່ອປັບທຽບການຈຳລອງໃນລະດັບລະບົບ. ການຈຳລອງເຫຼົ່ານີ້ຖືກນຳໃຊ້ເພື່ອປະເມີນຄວາມລະອຽດເປັນລ່ຽມ ແລະ ປະສິດທິພາບພະລັງງານຂອງຮູບແບບການກຳນົດພື້ນທີ່ວັດຖຸ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າວິທີການຂອງພວກເຮົາສາມາດເປັນຄໍາສັ່ງຫຼາຍຂະຫນາດທີ່ມີປະສິດທິພາບພະລັງງານຫຼາຍກ່ວາ microcontrollers ປະຕິບັດວຽກງານດຽວກັນ.
ພວກເຮົາກ້າວເຂົ້າສູ່ຍຸກຂອງຄອມພິວເຕີທົ່ວທຸກມຸມທີ່ຈຳນວນອຸປະກອນ ແລະລະບົບທີ່ນຳໃຊ້ກຳລັງເຕີບໃຫຍ່ຂຶ້ນເພື່ອຊ່ວຍພວກເຮົາໃນຊີວິດປະຈຳວັນຂອງພວກເຮົາ. ລະບົບເຫຼົ່ານີ້ຄາດວ່າຈະດໍາເນີນການຢ່າງຕໍ່ເນື່ອງ, ການໃຊ້ພະລັງງານຫນ້ອຍທີ່ສຸດເທົ່າທີ່ເປັນໄປໄດ້ໃນຂະນະທີ່ຮຽນຮູ້ທີ່ຈະຕີຄວາມຫມາຍຂໍ້ມູນທີ່ພວກເຂົາເກັບກໍາຈາກເຊັນເຊີຫຼາຍໃນເວລາທີ່ແທ້ຈິງແລະຜະລິດຜົນຜະລິດຄູ່ເປັນຜົນມາຈາກວຽກງານການຈັດປະເພດຫຼືການຮັບຮູ້. ຫນຶ່ງໃນຂັ້ນຕອນທີ່ສໍາຄັນທີ່ສຸດທີ່ຕ້ອງການເພື່ອບັນລຸເປົ້າຫມາຍນີ້ແມ່ນການສະກັດຂໍ້ມູນທີ່ເປັນປະໂຫຍດແລະຫນາແຫນ້ນຈາກຂໍ້ມູນທີ່ບໍ່ມີຄວາມຮູ້ສຶກແລະມັກຈະບໍ່ຄົບຖ້ວນ. ວິທີການວິສະວະກໍາແບບດັ້ງເດີມໂດຍທົ່ວໄປແລ້ວຕົວຢ່າງສັນຍານເຊັນເຊີໃນອັດຕາຄົງທີ່ແລະສູງ, ການສ້າງຂໍ້ມູນຈໍານວນຫລາຍເຖິງແມ່ນວ່າໃນເວລາທີ່ບໍ່ມີວັດສະດຸປ້ອນທີ່ເປັນປະໂຫຍດ. ນອກຈາກນັ້ນ, ວິທີການເຫຼົ່ານີ້ໃຊ້ເຕັກນິກການປະມວນຜົນສັນຍານດິຈິຕອລທີ່ສັບສົນເພື່ອປະມວນຜົນຂໍ້ມູນປ້ອນເຂົ້າ (ມັກຈະບໍ່ມີສຽງດັງ). ແທນທີ່ຈະ, ຊີວະສາດສະເໜີວິທີແກ້ໄຂທາງເລືອກສຳລັບການປະມວນຜົນຂໍ້ມູນ sensory noisy ໂດຍໃຊ້ວິທີການປະຢັດພະລັງງານ, asynchronous, event-driven (spikes)2,3. Neuromorphic computing ໃຊ້ແຮງບັນດານໃຈຈາກລະບົບຊີວະພາບເພື່ອຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນຄອມພິວເຕີ້ໃນຂໍ້ກໍານົດຂອງພະລັງງານແລະຄວາມຈໍາທຽບກັບວິທີການປະມວນຜົນສັນຍານແບບດັ້ງເດີມ4,5,6. ບໍ່ດົນມານີ້, ມີນະວັດຕະກໍາໃຫມ່ຂອງລະບົບສະຫມອງທີ່ມີຈຸດປະສົງທົ່ວໄປທີ່ປະຕິບັດເຄືອຂ່າຍ neural impulse (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) ໄດ້ຖືກສະແດງໃຫ້ເຫັນ. ໂປເຊດເຊີເຫຼົ່ານີ້ສະຫນອງພະລັງງານຕ່ໍາ, ການແກ້ໄຂການຊັກຊ້າຕ່ໍາສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກແລະການສ້າງແບບຈໍາລອງວົງຈອນ cortical. ເພື່ອຂຸດຄົ້ນປະສິດທິພາບພະລັງງານຂອງເຂົາເຈົ້າຢ່າງເຕັມສ່ວນ, ໂປເຊດເຊີ neuromorphic ເຫຼົ່ານີ້ຕ້ອງໄດ້ຮັບການເຊື່ອມຕໍ່ໂດຍກົງກັບ sensors ຂັບເຄື່ອນເຫດການ12,13. ຢ່າງໃດກໍຕາມ, ໃນມື້ນີ້ມີພຽງແຕ່ອຸປະກອນສໍາພັດຈໍານວນຫນ້ອຍທີ່ສະຫນອງຂໍ້ມູນເຫດການທີ່ຂັບເຄື່ອນໂດຍກົງ. ຕົວຢ່າງທີ່ໂດດເດັ່ນແມ່ນເຊັນເຊີສາຍຕາແບບເຄື່ອນໄຫວ (DVS) ສໍາລັບການນໍາໃຊ້ການເບິ່ງເຫັນເຊັ່ນ: ການຕິດຕາມແລະການກວດສອບການເຄື່ອນໄຫວ14,15,16,17 silicon cochlea18 ແລະເຊັນເຊີ neuromorphic auditory (NAS)19 ສໍາລັບການປະມວນຜົນສັນຍານສຽງ, ເຊັນເຊີ olfactory20 ແລະຕົວຢ່າງຈໍານວນຫລາຍ 21,22 ຂອງການສໍາພັດ. . ເຊັນເຊີໂຄງສ້າງ.
ໃນເອກະສານສະບັບນີ້, ພວກເຮົານຳສະເໜີລະບົບການປະມວນຜົນການຟັງທີ່ເກີດຈາກເຫດການທີ່ພັດທະນາໃໝ່ທີ່ນຳໃຊ້ເຂົ້າໃນການຕັ້ງວັດຖຸ. ທີ່ນີ້, ເປັນຄັ້ງທໍາອິດ, ພວກເຮົາອະທິບາຍລະບົບ end-to-end ສໍາລັບທ້ອງຖິ່ນຂອງວັດຖຸທີ່ໄດ້ຮັບໂດຍການເຊື່ອມຕໍ່ piezoelectric micromachined ultrasonic transducer (pMUT) ທີ່ທັນສະໄຫມທີ່ມີເສັ້ນສະແດງການຄິດໄລ່ໂດຍອີງໃສ່ຄວາມຊົງຈໍາຕ້ານ neuromorphic (RRAM). ສະຖາປັດຕະຍະກໍາຄອມພິວເຕີໃນຫນ່ວຍຄວາມຈໍາທີ່ໃຊ້ RRAM ເປັນການແກ້ໄຂທີ່ດີສໍາລັບການຫຼຸດຜ່ອນການໃຊ້ພະລັງງານ23,24,25,26,27,28,29. ຄວາມບໍ່ເຫນັງຕີງຂອງພວກມັນ - ບໍ່ຮຽກຮ້ອງໃຫ້ມີການໃຊ້ພະລັງງານຢ່າງຫ້າວຫັນເພື່ອເກັບຮັກສາຫຼືປັບປຸງຂໍ້ມູນ - ແມ່ນເຫມາະສົມທີ່ສົມບູນແບບກັບລັກສະນະທີ່ບໍ່ສອດຄ່ອງ, ເຫດການທີ່ຂັບເຄື່ອນຂອງຄອມພິວເຕີ້ neuromorphic, ສົ່ງຜົນໃຫ້ເກືອບບໍ່ມີການໃຊ້ພະລັງງານໃນເວລາທີ່ລະບົບບໍ່ເຮັດວຽກ. Piezoelectric micromachined ultrasonic transducers (pMUTs) ລາຄາບໍ່ແພງ, transducers ultrasonic ຊິລິຄອນ miniaturized ສາມາດເຮັດຫນ້າທີ່ເປັນ transmitters ແລະ receivers30,31,32,33,34. ເພື່ອປະມວນຜົນສັນຍານທີ່ໄດ້ຮັບໂດຍເຊັນເຊີໃນຕົວ, ພວກເຮົາໄດ້ດຶງແຮງບັນດານໃຈຈາກ barn owl neuroanatomy35,36,37. Tyto alba ຂອງ barn owl ແມ່ນເປັນທີ່ຮູ້ຈັກສໍາລັບຄວາມສາມາດໃນການລ່າສັດໃນຕອນກາງຄືນທີ່ຫນ້າສັງເກດຈາກລະບົບການຟັງສຽງທີ່ມີປະສິດທິພາບຫຼາຍ. ເພື່ອຄິດໄລ່ສະຖານທີ່ຂອງຜູ້ຖືກລ້າ, ລະບົບທ້ອງຖິ່ນຂອງ barn owl ຈະເຂົ້າລະຫັດເວລາຂອງການບິນ (ToF) ເມື່ອຄື້ນສຽງຈາກຜູ້ຖືກລ້າໄປຫາຫູຂອງນົກກົກຫຼືຕົວຮັບສຽງແຕ່ລະຄົນ. ເນື່ອງຈາກໄລຍະຫ່າງລະຫວ່າງຫູ, ຄວາມແຕກຕ່າງລະຫວ່າງສອງການວັດແທກ ToF (ຄວາມແຕກຕ່າງລະຫວ່າງເວລາ Interaural, ITD) ເຮັດໃຫ້ມັນເປັນໄປໄດ້ໃນການວິເຄາະການຄິດໄລ່ຕໍາແຫນ່ງ azimuth ຂອງເປົ້າຫມາຍ. ເຖິງແມ່ນວ່າລະບົບຊີວະວິທະຍາແມ່ນບໍ່ດີພໍທີ່ຈະແກ້ໄຂສົມຜົນກ່ຽວກັບພຶດຊະຄະນິດ, ພວກເຂົາສາມາດແກ້ໄຂບັນຫາການກໍານົດທ້ອງຖິ່ນຢ່າງມີປະສິດທິພາບ. ລະບົບປະສາດຂອງ barn owl ໃຊ້ຊຸດຂອງ coincidence detector (CD) 35 neurons (ie, neurons ສາມາດກວດພົບຄວາມກ່ຽວຂ້ອງຊົ່ວຄາວລະຫວ່າງ spikes ທີ່ propagate downward to convergent excitatory endings) 38,39 ຈັດເປັນເສັ້ນສະແດງການຄິດໄລ່ເພື່ອແກ້ໄຂບັນຫາການຈັດຕໍາແຫນ່ງ.
ການຄົ້ນຄວ້າທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນວ່າອຸປະກອນເສີມໂລຫະ-oxide-semiconductor (CMOS) ແລະຮາດແວ neuromorphic RRAM ທີ່ດົນໃຈໂດຍ colliculus inferior ("auditory cortex") ຂອງ barn owl ແມ່ນວິທີການທີ່ມີປະສິດທິພາບສໍາລັບການຄິດໄລ່ຕໍາແຫນ່ງໂດຍໃຊ້ ITD13, 40, 41, 42, 43, 44, 45, 46. ຢ່າງໃດກໍຕາມ, ທ່າແຮງຂອງສົມບູນ ລະບົບ neuromorphic ທີ່ເຊື່ອມຕໍ່ cues auditory ກັບເສັ້ນສະແດງການຄິດໄລ່ neuromorphic ຍັງບໍ່ທັນໄດ້ສະແດງໃຫ້ເຫັນ. ບັນຫາຕົ້ນຕໍແມ່ນການປ່ຽນແປງຂອງວົງຈອນ CMOS ອະນາລັອກ, ເຊິ່ງຜົນກະທົບຕໍ່ຄວາມຖືກຕ້ອງຂອງການກວດສອບການຈັບຄູ່. ບໍ່ດົນມານີ້, ການປະຕິບັດຕົວເລກທາງເລືອກຂອງການຄາດຄະເນ ITD47 ໄດ້ຖືກສະແດງໃຫ້ເຫັນ. ໃນເອກະສານນີ້, ພວກເຮົາສະເຫນີໃຫ້ໃຊ້ຄວາມສາມາດຂອງ RRAM ເພື່ອປ່ຽນຄ່າການນໍາໃນລັກສະນະທີ່ບໍ່ປ່ຽນແປງເພື່ອຕ້ານກັບການປ່ຽນແປງໃນວົງຈອນການປຽບທຽບ. ພວກ​ເຮົາ​ໄດ້​ປະ​ຕິ​ບັດ​ລະ​ບົບ​ການ​ທົດ​ລອງ​ປະ​ກອບ​ດ້ວຍ​ຫນຶ່ງ pMUT transmitting membrane ປະ​ຕິ​ບັດ​ການ​ຢູ່​ໃນ​ຄວາມ​ຖີ່​ຂອງ 111.9 kHz​, ສອງ pMUT ເຍື່ອ​ຮັບ (ເຊັນ​ເຊີ​) simulating ຫູ barn owl​, ແລະ​ຫນຶ່ງ . ພວກເຮົາທົດລອງລັກສະນະລະບົບການກວດຫາ pMUT ແລະເສັ້ນສະແດງການຄິດໄລ່ ITD ທີ່ອີງໃສ່ RRAM ເພື່ອທົດສອບລະບົບທ້ອງຖິ່ນຂອງພວກເຮົາແລະປະເມີນຄວາມລະອຽດຂອງມຸມຂອງມັນ.
ພວກເຮົາສົມທຽບວິທີການຂອງພວກເຮົາກັບການປະຕິບັດດິຈິຕອນກ່ຽວກັບ microcontroller ປະຕິບັດວຽກງານທ້ອງຖິ່ນດຽວກັນໂດຍໃຊ້ວິທີການ beamforming ທໍາມະດາຫຼື neuromorphic, ເຊັ່ນດຽວກັນກັບ array ປະຕູທີ່ມີໂຄງການພາກສະຫນາມ (FPGA) ສໍາລັບການຄາດຄະເນຂອງ ITD ທີ່ສະເຫນີໃນເອກະສານອ້າງອີງ. 47. ການປຽບທຽບນີ້ຊີ້ໃຫ້ເຫັນເຖິງປະສິດທິພາບພະລັງງານທີ່ມີການແຂ່ງຂັນຂອງລະບົບ neuromorphic analog RRAM ທີ່ສະເຫນີ.
ຫນຶ່ງໃນຕົວຢ່າງທີ່ໂດດເດັ່ນທີ່ສຸດຂອງລະບົບການທ້ອງຖິ່ນຂອງວັດຖຸທີ່ຖືກຕ້ອງແລະມີປະສິດທິພາບສາມາດພົບເຫັນຢູ່ໃນ barn owl35,37,48. ໃນເວລາກາງຄືນ ແລະ ຮຸ່ງອາລຸນ, ນົກກົກໃນບ້ານ (Tyto Alba) ຕົ້ນຕໍແມ່ນອາໄສການຟັງແບບບໍ່ມີຕົວຕົນ, ຊອກຫາຜູ້ຖືກລ້ານ້ອຍໆເຊັ່ນ: ໜູ ຫຼື ໜູ. ຜູ້ຊ່ຽວຊານດ້ານການຟັງເຫຼົ່ານີ້ສາມາດປັບສັນຍານການຟັງຈາກຜູ້ຖືກລ້າດ້ວຍຄວາມຖືກຕ້ອງທີ່ຫນ້າປະຫລາດໃຈ (ປະມານ 2°)35, ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບ 1a. Barn owls infer ສະຖານທີ່ຂອງແຫຼ່ງສຽງໃນຍົນ azimuth (ແນວນອນ) ຈາກຄວາມແຕກຕ່າງຂອງເວລາຂາເຂົ້າຂອງການບິນ (ITD) ຈາກແຫຼ່ງສຽງໄປຫາສອງຫູ. ກົນໄກການຄິດໄລ່ ITD ໄດ້ຖືກສະເຫນີໂດຍ Jeffress49,50 ເຊິ່ງອີງໃສ່ເລຂາຄະນິດ neural ແລະຕ້ອງການສອງອົງປະກອບທີ່ສໍາຄັນ: axon, ເສັ້ນປະສາດເສັ້ນປະສາດຂອງ neuron ເຮັດຫນ້າທີ່ເປັນເສັ້ນຊັກຊ້າ, ແລະ array ຂອງ neurons detector coincidence ຈັດຢູ່ໃນລະບົບຄອມພິວເຕີ້. ເສັ້ນສະແດງດັ່ງທີ່ສະແດງຢູ່ໃນຮູບ 1b. ສຽງຮອດຫູດ້ວຍການລ່າຊ້າເວລາຂຶ້ນກັບ azimuth (ITD). ຫຼັງຈາກນັ້ນ, ສຽງຈະຖືກປ່ຽນເປັນແບບຮວງຕັ້ງແຈບໃນແຕ່ລະຫູ. axons ຂອງຫູຊ້າຍແລະຂວາເຮັດຫນ້າທີ່ເປັນສາຍຊັກຊ້າແລະ converge ກັບ neurons CD. ໃນທາງທິດສະດີ, ມີພຽງແຕ່ neuron ຫນຶ່ງໃນ array ຂອງ neurons ທີ່ກົງກັນຈະໄດ້ຮັບການປ້ອນຂໍ້ມູນໃນເວລາ (ບ່ອນທີ່ການຊັກຊ້າຍົກເລີກຢ່າງແນ່ນອນ) ແລະຈະໄຟໄຫມ້ສູງສຸດ (ຈຸລັງໃກ້ຄຽງຈະໄຟໄຫມ້, ແຕ່ຢູ່ໃນຄວາມຖີ່ຕ່ໍາ). ການເປີດໃຊ້ neurons ບາງຢ່າງເຂົ້າລະຫັດຕໍາແຫນ່ງຂອງເປົ້າຫມາຍໃນອາວະກາດໂດຍບໍ່ມີການປ່ຽນ ITD ເປັນມຸມຕື່ມອີກ. ແນວຄວາມຄິດນີ້ແມ່ນສະຫຼຸບໃນຮູບ 1c: ສໍາລັບຕົວຢ່າງ, ຖ້າສຽງແມ່ນມາຈາກເບື້ອງຂວາໃນເວລາທີ່ສັນຍານເຂົ້າຈາກຫູຂວາໄດ້ເດີນທາງໄປສູ່ເສັ້ນທາງທີ່ຍາວກວ່າເສັ້ນທາງຈາກຫູຊ້າຍ, ການຊົດເຊີຍຈໍານວນ ITDs, ສໍາລັບຕົວຢ່າງ, ເມື່ອ neuron 2 ກົງກັນ. ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ແຕ່ລະ CD ຕອບສະຫນອງກັບ ITD ທີ່ແນ່ນອນ (ຍັງເອີ້ນວ່າການຊັກຊ້າທີ່ດີທີ່ສຸດ) ເນື່ອງຈາກການຊັກຊ້າ axonal. ດັ່ງນັ້ນ, ສະຫມອງປ່ຽນຂໍ້ມູນທາງໂລກເປັນຂໍ້ມູນທາງພື້ນທີ່. ຫຼັກຖານທາງວິພາກສໍາລັບກົນໄກນີ້ໄດ້ຖືກພົບເຫັນ37,51. ເສັ້ນປະສາດ macronucleus ທີ່ຖືກລັອກໄລຍະຊົ່ວຄາວເກັບຮັກສາຂໍ້ມູນຊົ່ວຄາວກ່ຽວກັບສຽງທີ່ເຂົ້າມາ: ຕາມຊື່ຂອງມັນຫມາຍເຖິງ, ພວກມັນໄຟໄຫມ້ຢູ່ໃນບາງໄລຍະສັນຍານ. neurons ເຄື່ອງກວດຈັບບັງເອີນຂອງຮູບແບບ Jeffress ສາມາດພົບເຫັນຢູ່ໃນແກນ laminar. ພວກເຂົາໄດ້ຮັບຂໍ້ມູນຈາກ neurons macronuclear, ເຊິ່ງ axons ເຮັດຫນ້າທີ່ເປັນສາຍຊັກຊ້າ. ຈໍານວນການຊັກຊ້າທີ່ສະຫນອງໂດຍເສັ້ນຊັກຊ້າສາມາດອະທິບາຍໄດ້ໂດຍຄວາມຍາວຂອງ axon, ເຊັ່ນດຽວກັນກັບຮູບແບບ myelination ອື່ນທີ່ປ່ຽນແປງຄວາມໄວ conduction. ໂດຍໄດ້ຮັບແຮງບັນດານໃຈຈາກລະບົບສຽງຂອງນົກກົກ, ພວກເຮົາໄດ້ພັດທະນາລະບົບ biomimetic ສໍາລັບທ້ອງຖິ່ນຂອງວັດຖຸ. ສອງຫູແມ່ນເປັນຕົວແທນໂດຍສອງເຄື່ອງຮັບ pMUT. ແຫຼ່ງສຽງແມ່ນເຄື່ອງສົ່ງສັນຍານ pMUT ທີ່ຕັ້ງຢູ່ລະຫວ່າງພວກມັນ (ຮູບ 1a), ແລະເສັ້ນສະແດງການຄິດໄລ່ແມ່ນສ້າງຕັ້ງຂຶ້ນໂດຍຕາຂ່າຍໄຟຟ້າຂອງວົງຈອນ CD ທີ່ອີງໃສ່ RRAM (ຮູບ 1b, ສີຂຽວ), ຫຼິ້ນບົດບາດຂອງ CD neurons ທີ່ມີການປ້ອນຂໍ້ມູນຊັກຊ້າ. ໂດຍຜ່ານວົງຈອນ, ສາຍຊັກຊ້າ (ສີຟ້າ) ປະຕິບັດຄືກັບ axons ໃນຄູ່ຮ່ວມທາງຊີວະພາບ. ລະບົບ sensory ທີ່ສະເຫນີມີຄວາມແຕກຕ່າງກັນໃນຄວາມຖີ່ຂອງການດໍາເນີນງານຈາກນົກກົກ, ເຊິ່ງລະບົບການຟັງດໍາເນີນການຢູ່ໃນລະດັບ 1-8 kHz, ແຕ່ເຊັນເຊີ pMUT ທີ່ປະຕິບັດງານຢູ່ທີ່ປະມານ 117 kHz ແມ່ນໃຊ້ໃນການເຮັດວຽກນີ້. ການຄັດເລືອກຂອງ transducer ultrasonic ແມ່ນພິຈາລະນາຕາມເງື່ອນໄຂດ້ານວິຊາການແລະການເພີ່ມປະສິດທິພາບ. ທໍາອິດ, ການຈໍາກັດແບນວິດທີ່ໄດ້ຮັບໃນຄວາມຖີ່ດຽວ, ເຫມາະສົມຈະຊ່ວຍປັບປຸງຄວາມຖືກຕ້ອງຂອງການວັດແທກແລະງ່າຍດາຍຂັ້ນຕອນຫລັງການປຸງແຕ່ງ. ນອກຈາກນັ້ນ, ການປະຕິບັດງານໃນ ultrasound ມີປະໂຫຍດທີ່ກໍາມະຈອນທີ່ປ່ອຍອອກມາແມ່ນບໍ່ສາມາດຟັງໄດ້, ດັ່ງນັ້ນຈຶ່ງບໍ່ລົບກວນຄົນ, ເພາະວ່າລະດັບການຟັງຂອງພວກເຂົາແມ່ນ ~ 20-20 kHz.
ນົກກົກຂອງ barn ໄດ້ຮັບຄື້ນຟອງສຽງຈາກເປົ້າຫມາຍໃດຫນຶ່ງ, ໃນກໍລະນີນີ້ການເຄື່ອນຍ້າຍຜູ້ຖືກລ້າ. ເວລາຂອງການບິນ (ToF) ຂອງຄື້ນສຽງແມ່ນແຕກຕ່າງກັນສໍາລັບແຕ່ລະຫູ (ເວັ້ນເສຍແຕ່ວ່າຜູ້ຖືກລ້າແມ່ນໂດຍກົງຢູ່ທາງຫນ້າຂອງນົກຮູກ). ເສັ້ນຈຸດສະແດງໃຫ້ເຫັນເສັ້ນທາງທີ່ຄື້ນສຽງໄປຮອດຫູຂອງນົກກົກ. ຜູ້ຖືກລ້າສາມາດຖືກທ້ອງຖິ່ນຢ່າງຖືກຕ້ອງຢູ່ໃນຍົນຕາມລວງນອນໂດຍອີງໃສ່ຄວາມແຕກຕ່າງຂອງຄວາມຍາວລະຫວ່າງສອງເສັ້ນທາງ acoustic ແລະຄວາມແຕກຕ່າງຂອງເວລາ interaural (ITD) ທີ່ສອດຄ້ອງກັນ (ຮູບຊ້າຍໄດ້ຮັບການດົນໃຈໂດຍອ້າງອີງ 74, ລິຂະສິດ 2002, ສະມາຄົມສໍາລັບ Neuroscience). ໃນລະບົບຂອງພວກເຮົາ, ເຄື່ອງສົ່ງສັນຍານ pMUT (ສີຟ້າເຂັ້ມ) ສ້າງຄື້ນສຽງທີ່ bounce ອອກເປົ້າຫມາຍ. ຄື້ນ ultrasound ທີ່ສະທ້ອນອອກມາແມ່ນໄດ້ຮັບໂດຍສອງເຄື່ອງຮັບ pMUT (ສີຂຽວອ່ອນ) ແລະປຸງແຕ່ງໂດຍໂປເຊດເຊີ neuromorphic (ຂວາ). b ຮູບແບບການຄຳນວນແບບ ITD (Jeffress) ທີ່ອະທິບາຍວ່າສຽງທີ່ເຂົ້າໄປໃນຫູຂອງນົກກົກຂອງ barn owl ແມ່ນຖືກເຂົ້າລະຫັດເປັນອັນທຳອິດເປັນຮວງເຂົ້າໄລຍະທີ່ຖືກລັອກຢູ່ໃນແກນຂະໜາດໃຫຍ່ (NM) ແລະຫຼັງຈາກນັ້ນໃຊ້ຕາໜ່າງທີ່ຈັດລຽງຕາມທາງເລຂາຄະນິດຂອງ neurons ເຄື່ອງກວດຈັບທີ່ກົງກັນຢູ່ໃນແກນ lamellar nucleus. ການປຸງແຕ່ງ (ເນເທີແລນ) (ຊ້າຍ). ຮູບປະກອບຂອງເສັ້ນສະແດງການຄິດໄລ່ neuroITD ປະສົມປະສານເສັ້ນຊັກຊ້າແລະ neurons ເຄື່ອງກວດຈັບບັງເອີນ, ລະບົບ biosensor owl ສາມາດສ້າງແບບຈໍາລອງໂດຍໃຊ້ວົງຈອນ neuromorphic ທີ່ອີງໃສ່ RRAM (ຂວາ). c Schematic ຂອງກົນໄກ Jeffress ຕົ້ນຕໍ, ເນື່ອງຈາກຄວາມແຕກຕ່າງຂອງ ToF, ສອງຫູໄດ້ຮັບການກະຕຸ້ນສຽງໃນເວລາທີ່ແຕກຕ່າງກັນແລະສົ່ງ axons ຈາກທັງສອງສົ້ນໄປຫາເຄື່ອງກວດຈັບ. axons ແມ່ນສ່ວນຫນຶ່ງຂອງຊຸດຂອງ neurons ເຄື່ອງກວດຈັບ coincidence (CD), ແຕ່ລະອັນທີ່ຕອບສະຫນອງການຄັດເລືອກຢ່າງແຂງແຮງກັບວັດສະດຸປ້ອນທີ່ກ່ຽວຂ້ອງກັບເວລາ. ດັ່ງນັ້ນ, ພຽງແຕ່ CDs ທີ່ວັດສະດຸປ້ອນເຂົ້າກັບຄວາມແຕກຕ່າງຂອງເວລານ້ອຍທີ່ສຸດແມ່ນມີຄວາມຕື່ນເຕັ້ນທີ່ສຸດ (ITD ແມ່ນການຊົດເຊີຍຢ່າງແທ້ຈິງ). CD ຫຼັງຈາກນັ້ນຈະເຂົ້າລະຫັດຕໍາແຫນ່ງມຸມຂອງເປົ້າຫມາຍ.
Piezoelectric micromechanical ultrasonic transducers ເປັນ transducers ultrasonic scalable ທີ່ສາມາດໄດ້ຮັບການປະສົມປະສານກັບເຕັກໂນໂລຊີ CMOS ກ້າວຫນ້າທາງດ້ານ 31,32,33,52 ແລະມີແຮງດັນໄຟຟ້າເບື້ອງຕົ້ນຕ່ໍາກວ່າແລະການບໍລິໂພກພະລັງງານກ່ວາ transducers volumetric ດັ້ງເດີມ53. ໃນການເຮັດວຽກຂອງພວກເຮົາ, ເສັ້ນຜ່າສູນກາງຂອງເຍື່ອແມ່ນ 880 µm, ແລະຄວາມຖີ່ resonant ໄດ້ຖືກແຈກຢາຍຢູ່ໃນລະດັບ 110-117 kHz (ຮູບ 2a, ເບິ່ງວິທີການສໍາລັບລາຍລະອຽດ). ໃນ batch ຂອງສິບອຸປະກອນການທົດສອບ, ປັດໄຈທີ່ມີຄຸນນະພາບສະເລ່ຍແມ່ນປະມານ 50 (ອ້າງອີງ 31). ເຕັກ ໂນ ໂລ ຊີ ໄດ້ ບັນ ລຸ ການ ໃຫຍ່ ເຕັມ ຕົວ ອຸດ ສາ ຫະ ກໍາ ແລະ ບໍ່ ໄດ້ bioinspired ຕໍ່ se. ການສົມທົບຂໍ້ມູນຈາກຮູບເງົາ pMUT ທີ່ແຕກຕ່າງກັນແມ່ນເຕັກນິກທີ່ມີຊື່ສຽງ, ແລະຂໍ້ມູນມຸມສາມາດໄດ້ຮັບຈາກ pMUTs ໂດຍໃຊ້ຕົວຢ່າງເຊັ່ນ: beamforming techniques31,54. ຢ່າງໃດກໍ່ຕາມ, ການປະມວນຜົນສັນຍານທີ່ຕ້ອງການເພື່ອສະກັດຂໍ້ມູນມຸມແມ່ນບໍ່ເຫມາະສົມສໍາລັບການວັດແທກພະລັງງານຕ່ໍາ. ລະບົບທີ່ສະເຫນີໄດ້ລວມເອົາວົງຈອນການປຸງແຕ່ງຂໍ້ມູນ neuromorphic preprocessing pMUT ກັບ RRAM-based neuromorphic graphing computing ແຮງບັນດານໃຈໂດຍຮູບແບບ Jeffress (ຮູບ 2c), ສະຫນອງທາງເລືອກໃນການພະລັງງານປະສິດທິພາບແລະຊັບພະຍາກອນຈໍາກັດການແກ້ໄຂຮາດແວ. ພວກເຮົາໄດ້ເຮັດການທົດລອງທີ່ເຊັນເຊີ pMUT ສອງອັນຖືກວາງໄວ້ຫ່າງກັນປະມານ 10 ຊຕມເພື່ອຂຸດຄົ້ນສຽງ ToF ທີ່ແຕກຕ່າງກັນທີ່ໄດ້ຮັບໂດຍສອງເຍື່ອຮັບ. ຫນຶ່ງ pMUT ເຮັດຫນ້າທີ່ເປັນເຄື່ອງສົ່ງແມ່ນຕັ້ງຢູ່ລະຫວ່າງເຄື່ອງຮັບ. ເປົ້າຫມາຍແມ່ນແຜ່ນ PVC ກວ້າງ 12 ຊຕມ, ຕັ້ງຢູ່ໃນໄລຍະ D ຢູ່ທາງຫນ້າຂອງອຸປະກອນ pMUT (ຮູບ 2b). ເຄື່ອງຮັບບັນທຶກສຽງທີ່ສະທ້ອນຈາກວັດຖຸແລະປະຕິກິລິຍາຫຼາຍເທົ່າທີ່ເປັນໄປໄດ້ໃນລະຫວ່າງການຖ່າຍທອດຂອງຄື້ນສຽງ. ເຮັດຊ້ໍາການທົດລອງໂດຍການປ່ຽນຕໍາແຫນ່ງຂອງວັດຖຸ, ກໍານົດໂດຍໄລຍະຫ່າງ D ແລະມຸມθ. ແຮງບັນດານໃຈໂດຍການເຊື່ອມຕໍ່. 55, ພວກເຮົາສະເຫນີການປຸງແຕ່ງທາງສ່ວນຫນ້າຂອງ neuromorphic ຂອງສັນຍານວັດຖຸດິບ pMUT ເພື່ອປ່ຽນຄື້ນທີ່ສະທ້ອນອອກມາເປັນຈຸດສູງສຸດເພື່ອປ້ອນເສັ້ນສະແດງການຄິດໄລ່ neuromorphic. ToF ທີ່ສອດຄ້ອງກັນກັບຄວາມກວ້າງໃຫຍ່ຂອງຈຸດສູງສຸດແມ່ນສະກັດອອກຈາກແຕ່ລະຊ່ອງສອງແລະຖືກເຂົ້າລະຫັດເປັນໄລຍະເວລາທີ່ແນ່ນອນຂອງຈຸດສູງສຸດຂອງແຕ່ລະຄົນ. ໃນຮູບ. 2c ສະແດງໃຫ້ເຫັນວົງຈອນທີ່ຕ້ອງການເພື່ອຕິດຕໍ່ກັບເຊັນເຊີ pMUT ກັບເສັ້ນສະແດງການຄິດໄລ່ທີ່ອີງໃສ່ RRAM: ສໍາລັບແຕ່ລະເຄື່ອງຮັບ pMUT ສອງ, ສັນຍານດິບແມ່ນ band-pass ການກັ່ນຕອງເພື່ອໃຫ້ກ້ຽງ, ແກ້ໄຂ, ແລະຫຼັງຈາກນັ້ນສົ່ງຜ່ານອຸປະກອນການຮົ່ວໄຫຼໃນຮູບແບບການເອົາຊະນະ. threshold dynamic (ຮູບ 2d) ສ້າງເຫດການຜົນຜະລິດ (spike) ແລະ firing (LIF) neuron: ເວລາທີ່ output spike encodes ເວລາການບິນທີ່ກວດພົບ. ເກນ LIF ຖືກປັບທຽບກັບການຕອບສະ ໜອງ pMUT, ດັ່ງນັ້ນການຫຼຸດຜ່ອນຄວາມຜັນຜວນ pMUT ຈາກອຸປະກອນໄປຫາອຸປະກອນ. ດ້ວຍວິທີການນີ້, ແທນທີ່ຈະເກັບຮັກສາຄື້ນສຽງທັງຫມົດໄວ້ໃນຫນ່ວຍຄວາມຈໍາແລະການປຸງແຕ່ງມັນຕໍ່ມາ, ພວກເຮົາພຽງແຕ່ສ້າງຈຸດສູງສຸດທີ່ສອດຄ້ອງກັນກັບ ToF ຂອງຄື້ນສຽງ, ເຊິ່ງປະກອບເຂົ້າໃນເສັ້ນສະແດງການຄິດໄລ່ຄວາມຊົງຈໍາທີ່ທົນທານ. spikes ຖືກສົ່ງໂດຍກົງໄປຫາເສັ້ນຊັກຊ້າແລະຂະຫນານກັບໂມດູນການຈັບຄູ່ໃນຕາຕະລາງການຄິດໄລ່ neuromorphic. ເນື່ອງຈາກວ່າພວກມັນຖືກສົ່ງໄປຫາປະຕູຂອງ transistors, ບໍ່ຈໍາເປັນຕ້ອງມີວົງຈອນຂະຫຍາຍເພີ່ມເຕີມ (ເບິ່ງລາຍລະອຽດເພີ່ມເຕີມໃນຮູບ 4). ເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງມຸມສາກທ້ອງຖິ່ນທີ່ສະຫນອງໂດຍ pMUT ແລະວິທີການປະມວນຜົນສັນຍານທີ່ສະເຫນີ, ພວກເຮົາໄດ້ວັດແທກ ITD (ນັ້ນແມ່ນ, ຄວາມແຕກຕ່າງຂອງເວລາລະຫວ່າງເຫດການສູງສຸດທີ່ສ້າງຂຶ້ນໂດຍສອງຕົວຮັບ) ຍ້ອນວ່າໄລຍະຫ່າງແລະມຸມຂອງວັດຖຸແຕກຕ່າງກັນ. ຫຼັງຈາກນັ້ນ, ການວິເຄາະ ITD ໄດ້ຖືກປ່ຽນເປັນມຸມ (ເບິ່ງວິທີການ) ແລະວາງແຜນຕໍ່ກັບຕໍາແຫນ່ງຂອງວັດຖຸ: ຄວາມບໍ່ແນ່ນອນໃນ ITD ທີ່ວັດແທກໄດ້ເພີ່ມຂຶ້ນກັບໄລຍະຫ່າງແລະມຸມກັບວັດຖຸ (ຮູບ 2e, f). ບັນຫາຕົ້ນຕໍແມ່ນອັດຕາສ່ວນສູງສຸດຕໍ່ສິ່ງລົບກວນ (PNR) ໃນການຕອບສະຫນອງ pMUT. ວັດຖຸທີ່ໄກກວ່າ, ສັນຍານສຽງທີ່ຕໍ່າລົງ, ດັ່ງນັ້ນຈຶ່ງຫຼຸດລົງ PNR (ຮູບ 2f, ເສັ້ນສີຂຽວ). ການຫຼຸດລົງຂອງ PNR ນໍາໄປສູ່ການເພີ່ມຂື້ນຂອງຄວາມບໍ່ແນ່ນອນໃນການຄາດຄະເນຂອງ ITD, ເຮັດໃຫ້ມີຄວາມຖືກຕ້ອງຂອງທ້ອງຖິ່ນເພີ່ມຂຶ້ນ (ຮູບ 2f, ເສັ້ນສີຟ້າ). ສໍາລັບວັດຖຸຢູ່ໃນໄລຍະ 50 ຊຕມຈາກເຄື່ອງສົ່ງ, ຄວາມຖືກຕ້ອງຂອງມຸມຂອງລະບົບແມ່ນປະມານ 10 °. ຂໍ້ຈໍາກັດນີ້ imposed ໂດຍລັກສະນະຂອງ sensor ສາມາດປັບປຸງໄດ້. ສໍາລັບຕົວຢ່າງ, ຄວາມກົດດັນທີ່ສົ່ງໂດຍ emitter ສາມາດເພີ່ມຂຶ້ນ, ດັ່ງນັ້ນການເພີ່ມແຮງດັນທີ່ຂັບເຄື່ອນເຍື່ອ pMUT. ການແກ້ໄຂອີກປະການຫນຶ່ງເພື່ອຂະຫຍາຍສັນຍານທີ່ສົ່ງຕໍ່ແມ່ນການເຊື່ອມຕໍ່ຕົວສົ່ງຫຼາຍ 56. ວິທີແກ້ໄຂເຫຼົ່ານີ້ຈະເພີ່ມລະດັບການຊອກຄົ້ນຫາໂດຍຄ່າໃຊ້ຈ່າຍຂອງພະລັງງານທີ່ເພີ່ມຂຶ້ນ. ການປັບປຸງເພີ່ມເຕີມສາມາດເຮັດໄດ້ໃນດ້ານທີ່ໄດ້ຮັບ. ພື້ນເຮືອນສຽງລົບກວນຂອງເຄື່ອງຮັບ pMUT ສາມາດຫຼຸດລົງຢ່າງຫຼວງຫຼາຍໂດຍການປັບປຸງການເຊື່ອມຕໍ່ລະຫວ່າງ pMUT ແລະເຄື່ອງຂະຫຍາຍສຽງຂັ້ນຕອນທໍາອິດ, ເຊິ່ງປະຈຸບັນເຮັດດ້ວຍການເຊື່ອມຕໍ່ສາຍແລະສາຍ RJ45.
ຮູບພາບຂອງຜລຶກ pMUT ທີ່ມີຫົກເຍື່ອ 880 µm ປະສົມປະສານຢູ່ທີ່ 1.5 ມມ. b ແຜນວາດຂອງການຕິດຕັ້ງການວັດແທກ. ເປົ້າຫມາຍແມ່ນຕັ້ງຢູ່ໃນຕໍາແຫນ່ງ azimuth θແລະໃນໄລຍະຫ່າງ D. ເຄື່ອງສົ່ງ pMUT ສ້າງສັນຍານ 117.6 kHz ທີ່ bounces off ເປົ້າຫມາຍແລະໄປຮອດສອງເຄື່ອງຮັບ pMUT ທີ່ມີເວລາຂອງການບິນ (ToF). ຄວາມແຕກຕ່າງນີ້, ກໍານົດເປັນຄວາມແຕກຕ່າງລະຫວ່າງເວລາຂອງຫູ (ITD), ເຂົ້າລະຫັດຕໍາແຫນ່ງຂອງວັດຖຸແລະສາມາດຄາດຄະເນໄດ້ໂດຍການປະເມີນການຕອບສະຫນອງສູງສຸດຂອງສອງເຊັນເຊີຮັບ. c Schematic ຂອງຂັ້ນຕອນກ່ອນການປຸງແຕ່ງສໍາລັບການປ່ຽນສັນຍານ pMUT ດິບເຂົ້າໄປໃນລໍາດັບແບບຮວງຕັ້ງແຈບ (ເຊັ່ນການປ້ອນຂໍ້ມູນໃສ່ເສັ້ນສະແດງການຄິດໄລ່ neuromorphic). ເຊັນເຊີ pMUT ແລະເສັ້ນສະແດງການຄິດໄລ່ neuromorphic ໄດ້ຖືກຜະລິດແລະທົດສອບ, ແລະການປະມວນຜົນກ່ອນ neuromorphic ແມ່ນອີງໃສ່ການຈໍາລອງຊອບແວ. d ການຕອບສະ ໜອງ ຂອງເຍື່ອ pMUT ເມື່ອໄດ້ຮັບສັນຍານແລະການຫັນປ່ຽນໄປສູ່ໂດເມນທີ່ຮວງຕັ້ງແຈບ. e ການທົດລອງຄວາມຖືກຕ້ອງຂອງມຸມສາກທີ່ເປັນການທໍາງານຂອງມຸມວັດຖຸ (Θ) ແລະໄລຍະຫ່າງ (D) ກັບວັດຖຸເປົ້າຫມາຍ. ວິທີການສະກັດເອົາ ITD ຕ້ອງການຄວາມລະອຽດມຸມຕໍ່າສຸດປະມານ 4°C. f ຄວາມຖືກຕ້ອງຂອງມຸມ (ເສັ້ນສີຟ້າ) ແລະອັດຕາສ່ວນສູງສຸດກັບສິ່ງລົບກວນທີ່ສອດຄ້ອງກັນ (ເສັ້ນສີຂຽວ) ທຽບກັບໄລຍະຫ່າງຂອງວັດຖຸສໍາລັບ Θ = 0.
ໜ່ວຍຄວາມຈຳທີ່ຕ້ານທານເກັບຂໍ້ມູນຢູ່ໃນສະຖານະທີ່ບໍ່ເປັນກະແສການລະເຫີຍ. ຫຼັກການພື້ນຖານຂອງວິທີການແມ່ນວ່າການດັດແກ້ຂອງວັດສະດຸໃນລະດັບປະລໍາມະນູເຮັດໃຫ້ເກີດການປ່ຽນແປງຂອງການນໍາໄຟຟ້າຂອງມັນ57. ໃນທີ່ນີ້ພວກເຮົາໃຊ້ຄວາມຊົງຈໍາຕ້ານທານ oxide-based ປະກອບດ້ວຍຊັ້ນ 5nm ຂອງ hafnium dioxide sandwiched ລະຫວ່າງ titanium ເທິງແລະລຸ່ມແລະ titanium nitride electrodes. ການນໍາຂອງອຸປະກອນ RRAM ສາມາດປ່ຽນແປງໄດ້ໂດຍການໃຊ້ຮູບແບບຂອງຄື້ນກະແສໄຟຟ້າ / ແຮງດັນທີ່ສ້າງຫຼືທໍາລາຍ filaments conductive ຂອງອົກຊີເຈນທີ່ຫວ່າງລະຫວ່າງ electrodes. ພວກເຮົາປະສົມປະສານອຸປະກອນດັ່ງກ່າວ 58 ເຂົ້າໄປໃນຂະບວນການ CMOS ມາດຕະຖານ 130 nm ເພື່ອສ້າງວົງຈອນ neuromorphic reconfigurable fabricated ປະຕິບັດເຄື່ອງກວດຈັບບັງເອີນແລະວົງຈອນເສັ້ນຊັກຊ້າ (ຮູບ 3a). ລັກສະນະທີ່ບໍ່ມີການລະເຫີຍແລະການປຽບທຽບຂອງອຸປະກອນ, ສົມທົບກັບລັກສະນະທີ່ຂັບເຄື່ອນໂດຍເຫດການຂອງວົງຈອນ neuromorphic, ຫຼຸດຜ່ອນການໃຊ້ພະລັງງານ. ວົງຈອນມີຟັງຊັນເປີດ / ປິດທັນທີ: ມັນເຮັດວຽກທັນທີຫຼັງຈາກທີ່ເປີດ, ເຮັດໃຫ້ພະລັງງານຈະຖືກປິດຢ່າງສົມບູນໃນເວລາທີ່ວົງຈອນບໍ່ໄດ້ເຮັດວຽກ. ໂຄງສ້າງຕົ້ນຕໍຂອງໂຄງການທີ່ສະເຫນີແມ່ນສະແດງຢູ່ໃນຮູບ. 3 ຂ. ມັນປະກອບດ້ວຍໂຄງສ້າງ N parallel single-resistor single-transistor (1T1R) ທີ່ເຂົ້າລະຫັດ synaptic weights ຈາກກະແສນໍ້າຫນັກທີ່ຖືກປະຕິບັດ, ສັກເຂົ້າໄປໃນ synapse ທົ່ວໄປຂອງຕົວປະສົມປະສານຄູ່ທີ່ແຕກຕ່າງກັນ (DPI)59, ແລະສຸດທ້າຍໄດ້ສີດເຂົ້າໄປໃນ synapse ກັບການເຊື່ອມໂຍງແລະ. ການຮົ່ວໄຫຼ. activated (LIF) neuron 60 (ເບິ່ງວິທີການສໍາລັບລາຍລະອຽດ). ການກະຕຸ້ນການປ້ອນຂໍ້ມູນແມ່ນໃຊ້ກັບປະຕູຮົ້ວຂອງໂຄງສ້າງ 1T1R ໃນຮູບແບບຂອງລໍາດັບຂອງກໍາມະຈອນແຮງດັນທີ່ມີໄລຍະເວລາຕາມລໍາດັບຂອງຫຼາຍຮ້ອຍ nanoseconds. ຄວາມຊົງຈໍາທີ່ຕ້ານທານສາມາດຖືກຈັດໃສ່ໃນສະຖານະ conductive ສູງ (HCS) ໂດຍການນໍາໃຊ້ການອ້າງອິງທາງບວກພາຍນອກກັບ Vtop ເມື່ອ Vbottom ຖືກຮາກຖານ, ແລະຣີເຊັດເປັນສະຖານະ conductive ຕ່ໍາ (LCS) ໂດຍການໃຊ້ແຮງດັນບວກກັບ Vbottom ເມື່ອ Vtop ຖືກຮາກຖານ. ຄ່າສະເລ່ຍຂອງ HCS ສາມາດຄວບຄຸມໄດ້ໂດຍການຈໍາກັດການດໍາເນີນໂຄງການໃນປະຈຸບັນ (ການປະຕິບັດຕາມ) ຂອງ SET (ICC) ໂດຍແຮງດັນປະຕູຮົ້ວຂອງ transistor ຊຸດ (ຮູບ 3c). ຫນ້າທີ່ຂອງ RRAM ໃນວົງຈອນແມ່ນສອງເທົ່າ: ພວກມັນຊີ້ນໍາແລະນ້ໍາຫນັກຂອງກໍາມະຈອນປ້ອນຂໍ້ມູນ.
ການສະແກນກ້ອງຈຸລະທັດອີເລັກໂທຣນິກ (SEM) ຮູບພາບຂອງອຸປະກອນ HfO2 1T1R RRAM ສີຟ້າທີ່ປະສົມປະສານໃນເຕັກໂນໂລຊີ 130 nm CMOS ກັບ transistors ເລືອກ (650 nm ກວ້າງ) ເປັນສີຂຽວ. b ການກໍ່ສ້າງພື້ນຖານຂອງ schema neuromorphic ທີ່ສະເຫນີ. ແຮງດັນໄຟຟ້າຂາເຂົ້າ (ສູງສຸດ) Vin0 ແລະ Vin1 ໃຊ້ Iweight ໃນປັດຈຸບັນ, ເຊິ່ງອັດຕາສ່ວນກັບລັດ conduction G0 ແລະ G1 ຂອງໂຄງສ້າງ 1T1R. ປະຈຸບັນນີ້ຖືກສີດເຂົ້າໄປໃນ DPI synapses ແລະຕື່ນເຕັ້ນ neurons LIF. RRAM G0 ແລະ G1 ຖືກຕິດຕັ້ງຢູ່ໃນ HCS ແລະ LCS ຕາມລໍາດັບ. c ຟັງຊັນຂອງຄວາມຫນາແຫນ້ນຂອງການປະຕິບັດສະສົມສໍາລັບກຸ່ມຂອງອຸປະກອນ 16K RRAM ເປັນຫນ້າທີ່ຂອງການຈັບຄູ່ໃນປະຈຸບັນຂອງ ICC, ເຊິ່ງຄວບຄຸມລະດັບການດໍາເນີນການຢ່າງມີປະສິດທິພາບ. d ການວັດແທກວົງຈອນໃນ (a) ສະແດງໃຫ້ເຫັນວ່າ G1 (ໃນ LCS) ປະສິດທິຜົນສະກັດກັ້ນການປ້ອນຂໍ້ມູນຈາກ Vin1 (ສີຂຽວ), ແລະແທ້ຈິງແລ້ວແຮງດັນຂອງເຍື່ອຂອງ neuron ຕອບສະຫນອງພຽງແຕ່ກັບວັດສະດຸປ້ອນສີຟ້າຈາກ Vin0. RRAM ມີປະສິດຕິຜົນກໍານົດການເຊື່ອມຕໍ່ໃນວົງຈອນ. e ການວັດແທກວົງຈອນໃນ (b) ສະແດງໃຫ້ເຫັນຜົນກະທົບຂອງຄ່າ conductance G0 ກ່ຽວກັບແຮງດັນຂອງເຍື່ອ Vmem ຫຼັງຈາກນໍາໃຊ້ກໍາມະຈອນແຮງດັນ Vin0. ການດໍາເນີນການຫຼາຍ, ການຕອບສະຫນອງທີ່ເຂັ້ມແຂງ: ດັ່ງນັ້ນ, ອຸປະກອນ RRAM ປະຕິບັດການນ້ໍາຫນັກການເຊື່ອມຕໍ່ I / O. ການວັດແທກໄດ້ຖືກດໍາເນີນຢູ່ໃນວົງຈອນແລະສະແດງໃຫ້ເຫັນຫນ້າທີ່ສອງຂອງ RRAM, ເສັ້ນທາງແລະການນ້ໍາຫນັກຂອງກໍາມະຈອນປ້ອນຂໍ້ມູນ.
ຫນ້າທໍາອິດ, ເນື່ອງຈາກວ່າມີສອງລັດ conduction ພື້ນຖານ (HCS ແລະ LCS), RRAMs ສາມາດສະກັດຫຼືພາດການປ້ອນຂໍ້ມູນ pulses ໃນເວລາທີ່ພວກເຂົາຢູ່ໃນລັດ LCS ຫຼື HCS, ຕາມລໍາດັບ. ດັ່ງນັ້ນ, RRAM ປະສິດທິຜົນກໍານົດການເຊື່ອມຕໍ່ໃນວົງຈອນ. ນີ້ແມ່ນພື້ນຖານສໍາລັບການສາມາດ configure ສະຖາປັດຕະ. ເພື່ອສະແດງໃຫ້ເຫັນນີ້, ພວກເຮົາຈະອະທິບາຍການປະຕິບັດວົງຈອນ fabricated ຂອງຕັນວົງຈອນໃນຮູບ 3b. RRAM ທີ່ສອດຄ້ອງກັນກັບ G0 ຖືກຕັ້ງໂຄງການເຂົ້າໄປໃນ HCS, ແລະ RRAM G1 ທີສອງຖືກຕັ້ງໂຄງການເຂົ້າໄປໃນ LCS. ການປ້ອນຂໍ້ມູນແມ່ນໃຊ້ກັບທັງ Vin0 ແລະ Vin1. ຜົນ​ກະ​ທົບ​ຂອງ​ສອງ​ລໍາ​ດັບ​ຂອງ​ກໍາ​ມະ​ຈອນ​ປ້ອນ​ຂໍ້​ມູນ​ໄດ້​ຮັບ​ການ​ວິ​ເຄາະ​ໃນ neurons ຜົນ​ຜະ​ລິດ​ໂດຍ​ການ​ເກັບ​ກໍາ​ແຮງ​ດັນ​ເຍື່ອ neuron ແລະ​ສັນ​ຍານ​ຜົນ​ຜະ​ລິດ​ໂດຍ​ໃຊ້ oscilloscope​. ການທົດລອງໄດ້ປະສົບຜົນສໍາເລັດເມື່ອພຽງແຕ່ອຸປະກອນ HCS (G0) ເຊື່ອມຕໍ່ກັບກໍາມະຈອນຂອງ neuron ເພື່ອກະຕຸ້ນຄວາມກົດດັນຂອງເຍື່ອ. ນີ້ແມ່ນສະແດງໃຫ້ເຫັນໃນຮູບ 3d, ບ່ອນທີ່ລົດໄຟກໍາມະຈອນສີຟ້າເຮັດໃຫ້ແຮງດັນຂອງເຍື່ອສ້າງຕົວເກັບປະຈຸ membrane, ໃນຂະນະທີ່ລົດໄຟກໍາມະຈອນສີຂຽວເຮັດໃຫ້ແຮງດັນຂອງເຍື່ອຢູ່ຄົງທີ່.
ຫນ້າທີ່ທີ່ສໍາຄັນທີສອງຂອງ RRAM ແມ່ນການປະຕິບັດນ້ໍາຫນັກການເຊື່ອມຕໍ່. ການນໍາໃຊ້ການປັບຕົວແບບອະນາລັອກຂອງ RRAM, ການເຊື່ອມຕໍ່ I/O ສາມາດຖືກນ້ໍາຫນັກຕາມຄວາມເຫມາະສົມ. ໃນການທົດລອງທີສອງ, ອຸປະກອນ G0 ໄດ້ຖືກດໍາເນີນໂຄງການໃນລະດັບທີ່ແຕກຕ່າງກັນຂອງ HCS, ແລະກໍາມະຈອນການປ້ອນຂໍ້ມູນຖືກນໍາໃຊ້ກັບວັດສະດຸປ້ອນ VI0. ກໍາມະຈອນການປ້ອນຂໍ້ມູນຈະດຶງກະແສໄຟຟ້າ (Iweight) ຈາກອຸປະກອນ, ເຊິ່ງເທົ່າກັບການປະພຶດ ແລະການຫຼຸດລົງທີ່ມີທ່າແຮງທີ່ສອດຄ້ອງກັນ Vtop − Vbot. ກະແສນ້ຳໜັກນີ້ຈະຖືກໃສ່ເຂົ້າໄປໃນ DPI synapses ແລະ LIF output neurons. ແຮງດັນຂອງເຍື່ອຂອງ neurons ຜົນຜະລິດໄດ້ຖືກບັນທຶກໄວ້ໂດຍໃຊ້ oscilloscope ແລະສະແດງໃນຮູບ 3d. ສູງສຸດຂອງແຮງດັນຂອງເຍື່ອ neuron ໃນການຕອບສະຫນອງຕໍ່ກໍາມະຈອນປ້ອນຂໍ້ມູນດຽວແມ່ນອັດຕາສ່ວນກັບການດໍາເນີນການຂອງຫນ່ວຍຄວາມຈໍາຕ້ານທານ, ສະແດງໃຫ້ເຫັນວ່າ RRAM ສາມາດນໍາໃຊ້ເປັນອົງປະກອບ programmable ຂອງນ້ໍາ synaptic. ທັງສອງການທົດສອບເບື້ອງຕົ້ນເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າເວທີ neuromorphic ທີ່ໃຊ້ RRAM ທີ່ສະເຫນີແມ່ນສາມາດປະຕິບັດອົງປະກອບພື້ນຖານຂອງກົນໄກ Jeffress ພື້ນຖານ, ຄືເສັ້ນຊັກຊ້າແລະວົງຈອນເຄື່ອງກວດຈັບບັງເອີນ. ແພລະຕະຟອມວົງຈອນແມ່ນສ້າງຂຶ້ນໂດຍ stacking ຕັນຢ່າງຕໍ່ເນື່ອງໂດຍຂ້າງ, ເຊັ່ນ: ຕັນໃນຮູບ 3b, ແລະເຊື່ອມຕໍ່ປະຕູຮົ້ວຂອງເຂົາເຈົ້າກັບສາຍ input ທົ່ວໄປ. ພວກເຮົາອອກແບບ, fabricated, ແລະທົດສອບເວທີ neuromorphic ປະກອບດ້ວຍສອງ neurons ຜົນຜະລິດທີ່ໄດ້ຮັບສອງ inputs (ຮູບ 4a). ແຜນວາດວົງຈອນສະແດງຢູ່ໃນຮູບ 4b. ເທິງ 2 × 2 RRAM matrix ອະນຸຍາດໃຫ້ input pulses ຖືກສົ່ງໄປຫາສອງ neurons ຜົນຜະລິດ, ໃນຂະນະທີ່ຕ່ໍາ 2 × 2 matrix ອະນຸຍາດໃຫ້ recurrent ການເຊື່ອມຕໍ່ຂອງສອງ neurons (N0, N1). ພວກເຮົາສະແດງໃຫ້ເຫັນວ່າແພລະຕະຟອມນີ້ສາມາດຖືກນໍາໃຊ້ກັບການຕັ້ງຄ່າເສັ້ນຊັກຊ້າແລະສອງຫນ້າທີ່ເຄື່ອງກວດຈັບຄວາມບັງເອີນທີ່ແຕກຕ່າງກັນ, ດັ່ງທີ່ສະແດງໂດຍການວັດແທກການທົດລອງໃນຮູບ 4c-e.
ແຜນວາດວົງຈອນທີ່ສ້າງຂຶ້ນໂດຍສອງ neurons ຜົນຜະລິດ N0 ແລະ N1 ໄດ້ຮັບສອງ inputs 0 ແລະ 1. ສີ່ອຸປະກອນເທິງຂອງ array ກໍານົດການເຊື່ອມຕໍ່ synaptic ຈາກ input ກັບ output, ແລະສີ່ຈຸລັງລຸ່ມກໍານົດການເຊື່ອມຕໍ່ recurrent ລະຫວ່າງ neurons. RRAMs ທີ່ມີສີເປັນຕົວແທນຂອງອຸປະກອນທີ່ຖືກຕັ້ງຄ່າໃນ HCS ທາງດ້ານຂວາ: ອຸປະກອນໃນ HCS ອະນຸຍາດໃຫ້ເຊື່ອມຕໍ່ແລະເປັນຕົວແທນຂອງນ້ໍາຫນັກ, ໃນຂະນະທີ່ອຸປະກອນໃນ LCS ຕັນ input pulses ແລະປິດການເຊື່ອມຕໍ່ກັບຜົນໄດ້ຮັບ. b ແຜນວາດຂອງວົງຈອນ (a) ມີແປດໂມດູນ RRAM ທີ່ເນັ້ນເປັນສີຟ້າ. c ເສັ້ນຊັກຊ້າແມ່ນສ້າງຕັ້ງຂຶ້ນໂດຍພຽງແຕ່ນໍາໃຊ້ນະໂຍບາຍດ້ານຂອງ DPI synapses ແລະ LIF neurons. RRAM ສີຂຽວຖືກກໍານົດໃຫ້ດໍາເນີນການສູງພຽງພໍທີ່ຈະສາມາດເຮັດໃຫ້ເກີດຄວາມຜິດປົກກະຕິໃນຜົນຜະລິດຫຼັງຈາກການຊັກຊ້າການປ້ອນຂໍ້ມູນ Δt. d schematic illustration of direction-insensitive CD ກວດພົບສັນຍານທີ່ຂຶ້ນກັບເວລາ. Output neuron 1, N1, fires on inputs 0 and 1 with a short delay. e ວົງຈອນ CD ທີ່ລະອຽດອ່ອນ Direction, ວົງຈອນທີ່ກວດພົບເມື່ອ input 1 ເຂົ້າຫາ input 0 ແລະມາຮອດຫຼັງຈາກ input 0. ຜົນຜະລິດຂອງວົງຈອນແມ່ນສະແດງໂດຍ neuron 1 (N1).
ເສັ້ນການຊັກຊ້າ (ຮູບ 4c) ພຽງແຕ່ໃຊ້ພຶດຕິກໍາແບບເຄື່ອນໄຫວຂອງ DPI synapses ແລະ LIF neurons ເພື່ອແຜ່ພັນຂອງ input spike ຈາກ Vin1 ຫາ Vout1 ໂດຍການຊັກຊ້າ Tdel. ມີພຽງແຕ່ G3 RRAM ທີ່ເຊື່ອມຕໍ່ກັບ Vin1 ແລະ Vout1 ທີ່ຖືກດໍາເນີນໂຄງການໃນ HCS, ສ່ວນທີ່ເຫຼືອຂອງ RRAMs ແມ່ນດໍາເນີນໂຄງການໃນ LCS. ອຸປະກອນ G3 ໄດ້ຖືກຕັ້ງໂຄງການສໍາລັບ 92.6 µs ເພື່ອຮັບປະກັນວ່າແຕ່ລະກໍາມະຈອນປ້ອນເຂົ້າຈະເພີ່ມແຮງດັນຂອງເຍື່ອຂອງ neuron ຜົນຜະລິດໃຫ້ພຽງພໍເພື່ອບັນລຸເປົ້າຫມາຍແລະສ້າງກໍາມະຈອນຜົນຜະລິດຊັກຊ້າ. ການຊັກຊ້າ Tdel ຖືກກໍານົດໂດຍຄ່າຄົງທີ່ຂອງເວລາ synaptic ແລະ neural. ເຄື່ອງກວດຈັບຄວາມບັງເອີນກວດພົບການປະກົດຕົວຂອງສັນຍານການປ້ອນຂໍ້ມູນທີ່ກ່ຽວຂ້ອງຊົ່ວຄາວແຕ່ແຈກຢາຍຕາມພື້ນທີ່. Direction-insensitive CD ຂຶ້ນກັບວັດສະດຸປ້ອນແຕ່ລະອັນທີ່ເຂົ້າກັນເປັນ neuron ຜົນຜະລິດທົ່ວໄປ (ຮູບ 4d). ສອງ RRAMs ທີ່ເຊື່ອມຕໍ່ Vin0 ແລະ Vin1 ກັບ Vout1, G2 ແລະ G4 ຕາມລໍາດັບແມ່ນໂຄງການສໍາລັບການດໍາເນີນການສູງ. ການມາເຖິງພ້ອມໆກັນຂອງຮວງເຂົ້າ Vin0 ແລະ Vin1 ເພີ່ມແຮງດັນຂອງເຍື່ອ N1 neuron ຂ້າງເທິງເກນທີ່ຕ້ອງການເພື່ອສ້າງຄວາມແຮງຂອງຜົນຜະລິດ. ຖ້າວັດສະດຸປ້ອນທັງສອງຢູ່ຫ່າງກັນເກີນໄປໃນໄລຍະເວລາ, ຄ່າແຮງດັນຂອງເຍື່ອທີ່ສະສົມໂດຍການປ້ອນຂໍ້ມູນທໍາອິດອາດມີເວລາທີ່ຈະເສື່ອມໂຊມ, ປ້ອງກັນບໍ່ໃຫ້ເຍື່ອ N1 ທີ່ມີທ່າແຮງເຖິງມູນຄ່າເກນ. G1 ແລະ G2 ຖືກຕັ້ງໂຄງການສໍາລັບປະມານ 65 µs, ເຊິ່ງຮັບປະກັນວ່າການກະຕຸ້ນການປ້ອນຂໍ້ມູນດຽວບໍ່ໄດ້ເພີ່ມແຮງດັນຂອງເຍື່ອພຽງພໍທີ່ຈະເຮັດໃຫ້ເກີດການກະຕຸ້ນຜົນຜະລິດ. ການກວດຫາຄວາມບັງເອີນລະຫວ່າງເຫດການທີ່ແຈກຢາຍຢູ່ໃນອາວະກາດ ແລະເວລາແມ່ນການປະຕິບັດພື້ນຖານທີ່ໃຊ້ໃນວຽກງານການຮັບຮູ້ທີ່ຫຼາກຫຼາຍ ເຊັ່ນ: ການຫຼີກລ່ຽງອຸປະສັກທີ່ອີງໃສ່ການໄຫຼຂອງແສງ ແລະ ການທ້ອງຖິ່ນຂອງແຫຼ່ງສຽງ. ດັ່ງນັ້ນ, CDs ທີ່ມີທິດທາງ-sensitive ແລະ insensitive ຄອມພິວເຕີແມ່ນເປັນຕົວສ້າງພື້ນຖານສໍາລັບການກໍ່ສ້າງລະບົບສາຍຕາແລະສຽງທ້ອງຖິ່ນ. ດັ່ງທີ່ສະແດງໂດຍຄຸນລັກສະນະຂອງຄ່າຄົງທີ່ຂອງເວລາ (ເບິ່ງເພີ່ມເຕີມ Fig. 2), ວົງຈອນທີ່ສະເຫນີປະຕິບັດຂອບເຂດທີ່ເຫມາະສົມຂອງສີ່ຄໍາສັ່ງຂອງຂະຫນາດເວລາຂະຫນາດ. ດັ່ງນັ້ນ, ມັນພ້ອມໆກັນສາມາດຕອບສະຫນອງຄວາມຕ້ອງການຂອງລະບົບສາຍຕາແລະສຽງ. Directional-sensitive CD ແມ່ນວົງຈອນທີ່ມີຄວາມອ່ອນໄຫວຕໍ່ກັບຄໍາສັ່ງທາງພື້ນທີ່ຂອງການມາຮອດຂອງ pulses: ຈາກຂວາຫາຊ້າຍແລະໃນທາງກັບກັນ. ມັນເປັນສິ່ງກໍ່ສ້າງພື້ນຖານໃນເຄືອຂ່າຍກວດຈັບການເຄື່ອນໄຫວພື້ນຖານຂອງລະບົບສາຍຕາ Drosophila, ນໍາໃຊ້ເພື່ອຄິດໄລ່ທິດທາງການເຄື່ອນໄຫວແລະກວດພົບ collisions62. ເພື່ອບັນລຸ CD ທີ່ມີຄວາມອ່ອນໄຫວຕໍ່ກັບທິດທາງ, ສອງວັດສະດຸປ້ອນຕ້ອງຖືກນໍາໄປຫາສອງ neurons ທີ່ແຕກຕ່າງກັນ (N0, N1) ແລະການເຊື່ອມຕໍ່ທິດທາງຕ້ອງໄດ້ຮັບການສ້າງຕັ້ງຂຶ້ນລະຫວ່າງພວກເຂົາ (ຮູບ 4e). ເມື່ອໄດ້ຮັບວັດສະດຸປ້ອນຄັ້ງທໍາອິດ, NO reacts ໂດຍການເພີ່ມແຮງດັນໄຟຟ້າໃນທົ່ວເຍື່ອຂອງມັນເຫນືອຄ່າເກນແລະສົ່ງກະແສໄຟຟ້າ. ເຫດການຜົນຜະລິດນີ້, ໃນທາງກັບກັນ, ໄຟ N1 ຂໍຂອບໃຈກັບການເຊື່ອມຕໍ່ທິດທາງທີ່ເນັ້ນເປັນສີຂຽວ. ຖ້າເຫດການວັດສະດຸປ້ອນ Vin1 ມາຮອດແລະເພີ່ມພະລັງ N1 ໃນຂະນະທີ່ແຮງດັນຂອງເຍື່ອຂອງມັນຍັງສູງ, N1 ຈະສ້າງເຫດການຜົນຜະລິດທີ່ຊີ້ໃຫ້ເຫັນວ່າມີການຈັບຄູ່ລະຫວ່າງສອງວັດສະດຸປ້ອນ. ການເຊື່ອມຕໍ່ທິດທາງອະນຸຍາດໃຫ້ N1 ປ່ອຍຜົນຜະລິດໄດ້ພຽງແຕ່ຖ້າ input 1 ມາຫຼັງຈາກ input 0. G0, G3, ແລະ G7 ຖືກດໍາເນີນໂຄງການເປັນ 73.5 µS, 67.3 µS, ແລະ 40.2 µS, ຕາມລໍາດັບ, ຮັບປະກັນວ່າມີ spike ດຽວກ່ຽວກັບການປ້ອນເຂົ້າ Vin0 ເຮັດໃຫ້ຊັກຊ້າ. ຜົນຜະລິດເພີ່ມຂຶ້ນ, ໃນຂະນະທີ່ທ່າແຮງຂອງເຍື່ອ N1's ພຽງແຕ່ບັນລຸເປົ້າຫມາຍໃນເວລາທີ່ທັງສອງວັດສະດຸປ້ອນ ການລະເບີດມາຮອດໃນ sync. .
ການປ່ຽນແປງແມ່ນແຫຼ່ງຂອງຄວາມບໍ່ສົມບູນແບບໃນລະບົບ neuromorphic ແບບຈໍາລອງ63,64,65. ນີ້ນໍາໄປສູ່ການປະພຶດ heterogeneous ຂອງ neurons ແລະ synapses. ຕົວ​ຢ່າງ​ຂອງ​ຂໍ້​ເສຍ​ດັ່ງ​ກ່າວ​ປະ​ກອບ​ມີ 30% (ມາດ​ຕະ​ຖານ deviation) ການ​ປ່ຽນ​ແປງ​ໃນ​ການ​ເພີ່ມ​ຂຶ້ນ​ຂອງ​ການ​ປ້ອນ​ຂໍ້​ມູນ​, ຄວາມ​ຄົງ​ທີ່​ຂອງ​ເວ​ລາ​, ແລະ​ໄລ​ຍະ​ເວ​ລາ refractory​, ເພື່ອ​ຊື່​ແຕ່​ຈໍາ​ນວນ​ຫນ້ອຍ (ເບິ່ງ​ວິ​ທີ​ການ​)​. ບັນຫານີ້ແມ່ນຈະແຈ້ງຫຼາຍຂຶ້ນເມື່ອວົງຈອນປະສາດຫຼາຍອັນຖືກເຊື່ອມຕໍ່ເຂົ້າກັນ, ເຊັ່ນ CD ທີ່ລະອຽດອ່ອນໃນທິດທາງທີ່ປະກອບດ້ວຍສອງ neurons. ເພື່ອເຮັດວຽກຢ່າງຖືກຕ້ອງ, ເວລາທີ່ຄົງທີ່ຂອງສອງ neurons ຄວນມີຄວາມຄ້າຍຄືກັນເທົ່າທີ່ເປັນໄປໄດ້. ຕົວຢ່າງ, ຄວາມແຕກຕ່າງທີ່ໃຫຍ່ຫຼວງໃນການເພີ່ມຂຶ້ນຂອງການປ້ອນຂໍ້ມູນສາມາດເຮັດໃຫ້ neuron ຫນຶ່ງມີປະຕິກິລິຍາຫຼາຍເກີນໄປກັບກໍາມະຈອນການປ້ອນຂໍ້ມູນໃນຂະນະທີ່ neuron ອື່ນບໍ່ຕອບສະຫນອງ. ໃນຮູບ. ຮູບ 5a ສະແດງໃຫ້ເຫັນວ່າ neurons ທີ່ເລືອກແບບສຸ່ມຕອບສະຫນອງແຕກຕ່າງກັນກັບກໍາມະຈອນການປ້ອນຂໍ້ມູນດຽວກັນ. ການປ່ຽນແປງທາງ neural ນີ້ມີຄວາມກ່ຽວຂ້ອງ, ສໍາລັບການຍົກຕົວຢ່າງ, ກັບຫນ້າທີ່ຂອງ CDs ທີ່ລະອຽດອ່ອນທິດທາງ. ໃນໂຄງການສະແດງໃຫ້ເຫັນໃນຮູບ. 5b, c, ການເພີ່ມຂຶ້ນຂອງການປ້ອນຂໍ້ມູນຂອງ neuron 1 ແມ່ນສູງກວ່າ neuron 0. ດັ່ງນັ້ນ, neuron 0 ຕ້ອງການສາມ pulses input (ແທນທີ່ຈະ 1) ເພື່ອບັນລຸເປົ້າຫມາຍ, ແລະ neuron 1, ຕາມທີ່ຄາດໄວ້, ຕ້ອງການສອງເຫດການ input. ການປະຕິບັດການເປັນພລາສຕິກ biomimetic ທີ່ຂຶ້ນກັບເວລາ (STDP) ເປັນວິທີທີ່ເປັນໄປໄດ້ເພື່ອຫຼຸດຜ່ອນຜົນກະທົບຂອງວົງຈອນ neural ແລະ synaptic ທີ່ບໍ່ຊັດເຈນແລະຊ້າຕໍ່ການປະຕິບັດລະບົບ43. ໃນທີ່ນີ້ພວກເຮົາສະເຫນີໃຫ້ນໍາໃຊ້ພຶດຕິກໍາພາດສະຕິກຂອງຄວາມຊົງຈໍາຕ້ານທານເປັນວິທີການທີ່ມີອິດທິພົນຕໍ່ການເພີ່ມປະສິດທິພາບຂອງວັດສະດຸປ້ອນ neural ແລະຫຼຸດຜ່ອນຜົນກະທົບຂອງການປ່ຽນແປງໃນວົງຈອນ neuromorphic. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບ. 4e, ລະດັບການປະພຶດທີ່ກ່ຽວຂ້ອງກັບ RRAM synaptic mass ໄດ້ modulated ປະສິດທິພາບການຕອບສະຫນອງແຮງດັນຂອງເຍື່ອ neural ທີ່ສອດຄ້ອງກັນ. ພວກເຮົາໃຊ້ຍຸດທະສາດການຂຽນໂປລແກລມ RRAM ຊ້ຳໆ. ສໍາລັບການປ້ອນຂໍ້ມູນໃຫ້, ຄ່າ conductance ຂອງນ້ໍາ synaptic ແມ່ນ reprogrammed ຈົນກ່ວາພຶດຕິກໍາເປົ້າຫມາຍຂອງວົງຈອນໄດ້ຮັບ (ເບິ່ງວິທີການ).
ການທົດລອງການວັດແທກການຕອບສະຫນອງຂອງເກົ້າ neurons ສ່ວນບຸກຄົນທີ່ເລືອກແບບສຸ່ມກັບກໍາມະຈອນປ້ອນຂໍ້ມູນດຽວກັນ. ການຕອບສະ ໜອງ ແຕກຕ່າງກັນໄປທົ່ວປະຊາກອນ, ຜົນກະທົບຕໍ່ການເພີ່ມຂື້ນຂອງວັດສະດຸປ້ອນແລະເວລາຄົງທີ່. b ການທົດລອງການວັດແທກອິດທິພົນຂອງ neurons ກ່ຽວກັບການປ່ຽນແປງຂອງ neurons ຜົນກະທົບຕໍ່ CD ທີ່ລະອຽດອ່ອນທິດທາງ. neurons ຜົນຜະລິດ CD ທີ່ລະອຽດອ່ອນສອງທິດທາງຕອບສະຫນອງແຕກຕ່າງກັນຕໍ່ການກະຕຸ້ນການປ້ອນຂໍ້ມູນເນື່ອງຈາກການປ່ຽນແປງຂອງ neuron-to-neuron. Neuron 0 ມີການເພີ່ມຂຶ້ນຂອງການປ້ອນຂໍ້ມູນຕ່ໍາກວ່າ neuron 1, ສະນັ້ນມັນໃຊ້ເວລາສາມ pulses input (ແທນທີ່ຈະເປັນ 1) ເພື່ອສ້າງ spike ຜົນຜະລິດ. ຕາມທີ່ຄາດໄວ້, neuron 1 ຮອດເກນທີ່ມີສອງເຫດການປ້ອນຂໍ້ມູນ. ຖ້າການປ້ອນຂໍ້ມູນ 1 ມາຮອດ Δt = 50 µs ຫຼັງຈາກໄຟ neuron 0, CD ຍັງຄົງງຽບເພາະວ່າ Δt ແມ່ນຫຼາຍກວ່າເວລາຄົງທີ່ຂອງ neuron 1 (ປະມານ 22 µs). c ຖືກຫຼຸດລົງໂດຍ Δt = 20 µs, ດັ່ງນັ້ນ input 1 ສູງສຸດໃນເວລາທີ່ neuron 1′s firing ຍັງສູງ, ສົ່ງຜົນໃຫ້ມີການກວດພົບພ້ອມໆກັນຂອງສອງເຫດການ input.
ສອງອົງປະກອບທີ່ໃຊ້ໃນຄໍລໍາການຄໍານວນ ITD ແມ່ນເສັ້ນຊັກຊ້າແລະ CD ທິດທາງທີ່ບໍ່ມີຄວາມຮູ້ສຶກ. ວົງຈອນທັງສອງຮຽກຮ້ອງໃຫ້ມີການປັບທຽບທີ່ຊັດເຈນເພື່ອຮັບປະກັນການປະຕິບັດຕໍາແຫນ່ງວັດຖຸທີ່ດີ. ເສັ້ນຄວາມລ່າຊ້າຕ້ອງສົ່ງສະບັບລ່າຊ້າທີ່ຊັດເຈນຂອງຈຸດສູງສຸດຂອງວັດສະດຸປ້ອນ (ຮູບ 6a), ແລະ CD ຕ້ອງຖືກເປີດໃຊ້ພຽງແຕ່ເມື່ອວັດສະດຸປ້ອນເຂົ້າຢູ່ພາຍໃນຂອບເຂດການຊອກຄົ້ນຫາເປົ້າໝາຍ. ສໍາລັບເສັ້ນຊັກຊ້າ, ນ້ໍາຫນັກ synaptic ຂອງການເຊື່ອມຕໍ່ຂາເຂົ້າ (G3 ໃນຮູບ 4a) ໄດ້ຖືກ reprogrammed ຈົນກ່ວາຄວາມລ່າຊ້າເປົ້າຫມາຍໄດ້ຮັບ. ກໍານົດຄວາມທົນທານປະມານຄວາມລ່າຊ້າເປົ້າຫມາຍທີ່ຈະຢຸດໂຄງການ: ຄວາມທົນທານຂະຫນາດນ້ອຍກວ່າ, ມັນມີຄວາມຫຍຸ້ງຍາກຫຼາຍທີ່ຈະປະສົບຜົນສໍາເລັດກໍານົດເສັ້ນຊັກຊ້າ. ໃນຮູບ. ຮູບ 6b ສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບຂອງຂະບວນການປັບເສັ້ນຊັກຊ້າ: ມັນສາມາດເຫັນໄດ້ວ່າໂຄງການທີ່ສະເຫນີສາມາດສະຫນອງຄວາມລ່າຊ້າທັງຫມົດທີ່ຕ້ອງການໃນໂຄງການອອກແບບ (ຈາກ 10 ຫາ 300 μs). ຈໍານວນສູງສຸດຂອງ calibration iterations ຜົນກະທົບຕໍ່ຄຸນນະພາບຂອງຂະບວນການ calibration: 200 iterations ສາມາດຫຼຸດຜ່ອນຄວາມຜິດພາດໄດ້ຫນ້ອຍກວ່າ 5%. ການ​ປັບ​ທຽບ​ເທື່ອ​ໜຶ່ງ​ກົງ​ກັບ​ການ​ດຳ​ເນີນ​ການ​ຕັ້ງ / ຣີ​ເຊັດ​ຂອງ​ເຊ​ລ RRAM. ຂະ​ບວນ​ການ​ປັບ​ແມ່ນ​ສໍາ​ຄັນ​ໃນ​ການ​ປັບ​ປຸງ​ຄວາມ​ຖືກ​ຕ້ອງ​ຂອງ CD module ການ​ຊອກ​ຫາ​ເຫດ​ການ​ໃກ້​ຊິດ​ທັນ​ທີ​. ມັນໃຊ້ເວລາ 10 ຂັ້ນຕອນການປັບທຽບເພື່ອບັນລຸອັດຕາຜົນບວກທີ່ແທ້ຈິງ (ເຊັ່ນ: ອັດຕາເຫດການທີ່ຖືກກໍານົດຢ່າງຖືກຕ້ອງວ່າມີຄວາມກ່ຽວຂ້ອງ) ຂ້າງເທິງ 95% (ເສັ້ນສີຟ້າໃນຮູບ 6c). ຢ່າງໃດກໍ່ຕາມ, ຂະບວນການປັບບໍ່ໄດ້ສົ່ງຜົນກະທົບຕໍ່ເຫດການໃນທາງບວກທີ່ບໍ່ຖືກຕ້ອງ (ນັ້ນແມ່ນ, ຄວາມຖີ່ຂອງເຫດການທີ່ຖືກກໍານົດຢ່າງຜິດພາດວ່າມີຄວາມກ່ຽວຂ້ອງ). ວິທີການອື່ນທີ່ສັງເກດເຫັນໃນລະບົບທາງຊີວະພາບສໍາລັບການເອົາຊະນະຂໍ້ຈໍາກັດທີ່ໃຊ້ເວລາຂອງເສັ້ນທາງການກະຕຸ້ນຢ່າງໄວວາແມ່ນຊ້ໍາຊ້ອນ (ນັ້ນແມ່ນ, ສໍາເນົາຫຼາຍຂອງວັດຖຸດຽວກັນຖືກນໍາໃຊ້ເພື່ອປະຕິບັດຫນ້າທີ່ກໍານົດ). ໄດ້ຮັບການດົນໃຈໂດຍ biology66, ພວກເຮົາໄດ້ວາງວົງຈອນ CD ຫຼາຍໆອັນໃນແຕ່ລະໂມດູນ CD ລະຫວ່າງສອງເສັ້ນຊັກຊ້າເພື່ອຫຼຸດຜ່ອນຜົນກະທົບຂອງຜົນບວກທີ່ບໍ່ຖືກຕ້ອງ. ດັ່ງທີ່ສະແດງຢູ່ໃນຮູບ. 6c (ເສັ້ນສີຂຽວ), ການວາງສາມອົງປະກອບ CD ໃນແຕ່ລະໂມດູນ CD ສາມາດຫຼຸດຜ່ອນອັດຕາການປຸກທີ່ບໍ່ຖືກຕ້ອງໃຫ້ຫນ້ອຍກວ່າ 10–2.
ຜົນ​ກະ​ທົບ​ຂອງ​ການ​ປ່ຽນ​ແປງ neuronal ກ່ຽວ​ກັບ​ວົງ​ຈອນ​ເສັ້ນ​ຊັກ​ຊ້າ​. b ວົງຈອນເສັ້ນຄວາມລ່າຊ້າສາມາດປັບຂະຫນາດໄດ້ເຖິງຄວາມລ່າຊ້າຂະຫນາດໃຫຍ່ໂດຍການກໍານົດເວລາຄົງທີ່ຂອງ neurons LIF ທີ່ສອດຄ້ອງກັນແລະ DPI synapses ກັບຄ່າຂະຫນາດໃຫຍ່. ການເພີ່ມຈໍານວນ iterations ຂອງຂັ້ນຕອນການ calibration RRAM ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະປັບປຸງຄວາມຖືກຕ້ອງຂອງການຊັກຊ້າເປົ້າຫມາຍຢ່າງຫຼວງຫຼາຍ: 200 iterations ຫຼຸດລົງຄວາມຜິດພາດຫນ້ອຍກວ່າ 5%. ການຊໍ້າຄືນອັນໜຶ່ງກົງກັບຄຳສັ່ງ SET/RESET ໃນເຊລ RRAM. ແຕ່ລະໂມດູນ CD ໃນແບບຈໍາລອງ c Jeffress ສາມາດປະຕິບັດໄດ້ໂດຍໃຊ້ອົງປະກອບ CD ຂະຫນານ N ເພື່ອຄວາມຍືດຫຍຸ່ນຫຼາຍກວ່າເກົ່າກ່ຽວກັບຄວາມລົ້ມເຫຼວຂອງລະບົບ. d ເພີ່ມເຕີມ RRAM calibration iterations ເພີ່ມຂຶ້ນອັດຕາບວກທີ່ແທ້ຈິງ (ເສັ້ນສີຟ້າ), ໃນຂະນະທີ່ອັດຕາບວກທີ່ບໍ່ຖືກຕ້ອງແມ່ນເອກະລາດຂອງຈໍານວນຂອງ iterations (ເສັ້ນສີຂຽວ). ການວາງອົງປະກອບ CD ຫຼາຍຂື້ນໃນຂະໜານກັນ ຫຼີກລ່ຽງການກວດຫາການຈັບຄູ່ CD ທີ່ບໍ່ຖືກຕ້ອງ.
ຕອນນີ້ພວກເຮົາປະເມີນປະສິດທິພາບ ແລະການໃຊ້ພະລັງງານຂອງລະບົບການຕັ້ງຖິ່ນຖານຂອງວັດຖຸປະສົມປະສານທີ່ສະແດງຢູ່ໃນຮູບທີ 2 ໂດຍໃຊ້ການວັດແທກຄຸນສົມບັດທາງສຽງຂອງເຊັນເຊີ pMUT, CD ແລະວົງຈອນເສັ້ນຊັກຊ້າທີ່ປະກອບເປັນເສັ້ນປະສາດຂອງຄອມພິວເຕີ neuromorphic. ຮູບແບບ Jeffress (ຮູບ 1a). ສໍາລັບເສັ້ນປະສາດຄອມພິວເຕີ້ neuromorphic, ຈໍານວນໂມດູນ CD ຫຼາຍ, ການແກ້ໄຂມຸມກວ້າງ, ແຕ່ຍັງມີພະລັງງານຂອງລະບົບທີ່ສູງຂຶ້ນ (ຮູບ 7a). ການປະນີປະນອມສາມາດບັນລຸໄດ້ໂດຍການປຽບທຽບຄວາມຖືກຕ້ອງຂອງອົງປະກອບສ່ວນບຸກຄົນ (ເຊັນເຊີ pMUT, neurons, ແລະວົງຈອນ synaptic) ກັບຄວາມຖືກຕ້ອງຂອງລະບົບທັງຫມົດ. ຄວາມລະອຽດຂອງເສັ້ນຊັກຊ້າແມ່ນຖືກຈໍາກັດໂດຍເວລາຄົງທີ່ຂອງ synapses ແລະ neurons ທີ່ຈໍາລອງ, ເຊິ່ງໃນໂຄງການຂອງພວກເຮົາເກີນ 10 µs, ເຊິ່ງກົງກັບຄວາມລະອຽດມຸມມຸມຂອງ 4 ° (ເບິ່ງວິທີການ). nodes ກ້າວຫນ້າທາງດ້ານຫຼາຍທີ່ມີເຕັກໂນໂລຊີ CMOS ຈະຊ່ວຍໃຫ້ການອອກແບບຂອງ neural ແລະ synaptic ວົງຈອນທີ່ມີຄ່າຄົງທີ່ຂອງທີ່ໃຊ້ເວລາຕ່ໍາ, ເຮັດໃຫ້ມີຄວາມຖືກຕ້ອງສູງຂອງອົງປະກອບຂອງເສັ້ນຊັກຊ້າ. ຢ່າງໃດກໍ່ຕາມ, ໃນລະບົບຂອງພວກເຮົາ, ຄວາມຖືກຕ້ອງແມ່ນຖືກຈໍາກັດໂດຍຄວາມຜິດພາດ pMUT ໃນການຄາດຄະເນຕໍາແຫນ່ງມຸມ, ie 10 ° (ເສັ້ນນອນສີຟ້າໃນຮູບ 7a). ພວກເຮົາແກ້ໄຂຈໍານວນຂອງ CD ໂມດູນຢູ່ທີ່ 40, ເຊິ່ງກົງກັບຄວາມລະອຽດເປັນລ່ຽມປະມານ 4°, ie, ຄວາມຖືກຕ້ອງຂອງມຸມສາກຂອງກາຟການຄິດໄລ່ (ເສັ້ນແນວນອນສີຟ້າອ່ອນໃນຮູບ 7a). ໃນ​ລະ​ດັບ​ລະ​ບົບ​, ນີ້​ເຮັດ​ໃຫ້​ມີ​ຄວາມ​ລະ​ອຽດ​ຂອງ 4° ແລະ​ຄວາມ​ຖືກ​ຕ້ອງ​ຂອງ 10° ສໍາ​ລັບ​ວັດ​ຖຸ​ທີ່​ຕັ້ງ​ຢູ່ 50 ຊ​ມ​ຕໍ່​ຫນ້າ​ຂອງ​ລະ​ບົບ​ເຊັນ​ເຊີ​. ຄ່ານີ້ແມ່ນທຽບໄດ້ກັບລະບົບການທ້ອງຖິ່ນສຽງ neuromorphic ລາຍງານໃນ ref. 67. ການປຽບທຽບລະບົບທີ່ສະເໜີກັບສະຖານະຂອງສິລະປະສາມາດພົບໄດ້ໃນຕາຕະລາງເສີມ 1. ການເພີ່ມ pMUTs ເພີ່ມເຕີມ, ການເພີ່ມລະດັບສັນຍານສຽງ ແລະ ການຫຼຸດຜ່ອນສິ່ງລົບກວນທາງອີເລັກໂທຣນິກແມ່ນວິທີທີ່ເປັນໄປໄດ້ເພື່ອປັບປຸງຄວາມຖືກຕ້ອງຂອງທ້ອງຖິ່ນຕື່ມອີກ. ) ຄາດຄະເນຢູ່ທີ່ 9.7. nz. 55. ໂດຍໃຫ້ 40 ຫນ່ວຍ CD ຢູ່ໃນເສັ້ນສະແດງການຄິດໄລ່, ການຈໍາລອງ SPICE ໄດ້ຄາດຄະເນພະລັງງານຕໍ່ການດໍາເນີນງານ (ເຊັ່ນ: ພະລັງງານຕໍາແຫນ່ງວັດຖຸ) ເປັນ 21.6 nJ. ລະບົບ neuromorphic ຈະຖືກເປີດໃຊ້ພຽງແຕ່ເມື່ອເຫດການປ້ອນຂໍ້ມູນມາຮອດ, ie ເມື່ອຄື້ນສຽງໄປຮອດຕົວຮັບ pMUT ແລະເກີນຂອບເຂດການກວດສອບ, ຖ້າບໍ່ດັ່ງນັ້ນມັນຍັງຄົງບໍ່ເຄື່ອນໄຫວ. ນີ້ຫຼີກເວັ້ນການບໍລິໂພກພະລັງງານທີ່ບໍ່ຈໍາເປັນໃນເວລາທີ່ບໍ່ມີສັນຍານເຂົ້າ. ພິຈາລະນາຄວາມຖີ່ຂອງການດໍາເນີນການທ້ອງຖິ່ນຂອງ 100 Hz ແລະໄລຍະເວລາການກະຕຸ້ນຂອງ 300 µs ຕໍ່ການດໍາເນີນງານ (ສູງສຸດທີ່ເປັນໄປໄດ້ ITD), ການບໍລິໂພກພະລັງງານຂອງເສັ້ນປະສາດຄອມພິວເຕີ neuromorphic ແມ່ນ 61.7 nW. ດ້ວຍການປະມວນຜົນກ່ອນ neuromorphic ນໍາໃຊ້ກັບແຕ່ລະເຄື່ອງຮັບ pMUT, ການບໍລິໂພກພະລັງງານຂອງລະບົບທັງຫມົດເຖິງ 81.6 nW. ເພື່ອເຂົ້າໃຈປະສິດທິພາບພະລັງງານຂອງວິທີການ neuromorphic ທີ່ສະເຫນີເມື່ອທຽບກັບຮາດແວທໍາມະດາ, ພວກເຮົາໄດ້ປຽບທຽບຈໍານວນນີ້ກັບພະລັງງານທີ່ຕ້ອງການເພື່ອປະຕິບັດວຽກງານດຽວກັນໃນ microcontroller ພະລັງງານຕ່ໍາທີ່ທັນສະໄຫມໂດຍໃຊ້ neuromorphic ຫຼື beamforming68 ທໍາມະດາ. ວິທີການ neuromorphic ພິຈາລະນາຂັ້ນຕອນຂອງຕົວແປງອະນາລັອກເປັນດິຈິຕອນ (ADC), ຕິດຕາມດ້ວຍຕົວກອງ band-pass ແລະຂັ້ນຕອນການສະກັດເອົາຊອງຈົດຫມາຍ (ວິທີ Teeger-Kaiser). ສຸດທ້າຍ, ການປະຕິບັດຂອບເຂດຖືກປະຕິບັດເພື່ອສະກັດ ToF. ພວກເຮົາໄດ້ຍົກເລີກການຄິດໄລ່ຂອງ ITD ໂດຍອີງໃສ່ ToF ແລະການປ່ຽນເປັນມຸມທີ່ຄາດຄະເນນັບຕັ້ງແຕ່ນີ້ເກີດຂຶ້ນຄັ້ງດຽວສໍາລັບການວັດແທກແຕ່ລະຄັ້ງ (ເບິ່ງວິທີການ). ສົມມຸດວ່າອັດຕາການເກັບຕົວຢ່າງຂອງ 250 kHz ໃນທັງສອງຊ່ອງທາງ (ເຄື່ອງຮັບ pMUT), ການດໍາເນີນງານການກັ່ນຕອງ 18 band pass, 3 ການດໍາເນີນງານການສະກັດເອົາຊອງຈົດຫມາຍ, ແລະການດໍາເນີນງານ 1 threshold ຕໍ່ຕົວຢ່າງ, ການໃຊ້ພະລັງງານທັງຫມົດແມ່ນປະມານ 245 microwatts. ອັນນີ້ໃຊ້ໂໝດພະລັງງານຕໍ່າຂອງໄມໂຄຣຄອນໂທລເລີ 69, ເຊິ່ງເປີດຂຶ້ນເມື່ອ algorithms ບໍ່ເຮັດວຽກ, ເຊິ່ງຫຼຸດການໃຊ້ພະລັງງານລົງເປັນ 10.8 µW. ການບໍລິໂພກພະລັງງານຂອງການແກ້ໄຂການປະມວນຜົນສັນຍານ beamforming ທີ່ສະເຫນີໃນເອກະສານອ້າງອີງ. 31, ດ້ວຍ 5 ເຄື່ອງຮັບ pMUT ແລະ 11 beams ທີ່ແຈກຢາຍຢ່າງເປັນເອກະພາບໃນຍົນ azimuth [-50°, +50°], ແມ່ນ 11.71 mW (ເບິ່ງລາຍລະອຽດໃນພາກວິທີການ). ນອກຈາກນັ້ນ, ພວກເຮົາລາຍງານການໃຊ້ພະລັງງານຂອງຕົວເຂົ້າລະຫັດຄວາມແຕກຕ່າງຂອງເວລາ FPGA47 (TDE) ທີ່ຄາດຄະເນຢູ່ທີ່ 1.5 mW ເປັນການທົດແທນຮູບແບບ Jeffress ສໍາລັບການທ້ອງຖິ່ນຂອງວັດຖຸ. ອີງຕາມການຄາດຄະເນເຫຼົ່ານີ້, ວິທີການ neuromorphic ທີ່ສະເຫນີຫຼຸດຜ່ອນການບໍລິໂພກພະລັງງານໂດຍຫ້າຄໍາສັ່ງຂອງຂະຫນາດເມື່ອທຽບກັບ microcontroller ໃຊ້ເຕັກນິກການ beamforming ຄລາສສິກສໍາລັບການດໍາເນີນງານທ້ອງຖິ່ນວັດຖຸ. ການຮັບຮອງເອົາວິທີການ neuromorphic ໃນການປະມວນຜົນສັນຍານໃນ microcontroller ຄລາສສິກຫຼຸດຜ່ອນການໃຊ້ພະລັງງານປະມານສອງຄໍາສັ່ງຂອງຂະຫນາດ. ປະສິດທິຜົນຂອງລະບົບທີ່ສະເຫນີສາມາດອະທິບາຍໄດ້ໂດຍການລວມກັນຂອງວົງຈອນການຕ້ານທານ - ຫນ່ວຍຄວາມຈໍາ asynchronous ທີ່ສາມາດປະຕິບັດການຄິດໄລ່ໃນຫນ່ວຍຄວາມຈໍາແລະການຂາດການແປງອະນາລັອກເປັນດິຈິຕອນທີ່ຕ້ອງການເພື່ອຮັບຮູ້ສັນຍານ.
ຄວາມລະອຽດມຸມ (ສີຟ້າ) ແລະການໃຊ້ພະລັງງານ (ສີຂຽວ) ຂອງການດໍາເນີນການທ້ອງຖິ່ນຂຶ້ນກັບຈໍານວນໂມດູນ CD. ແຖບແນວນອນສີຟ້າເຂັ້ມສະແດງເຖິງຄວາມຖືກຕ້ອງເປັນລ່ຽມຂອງ PMUT ແລະແຖບແນວນອນສີຟ້າອ່ອນສະແດງເຖິງຄວາມຖືກຕ້ອງເປັນມຸມຂອງເສັ້ນສະແດງການຄິດໄລ່ neuromorphic. b ການບໍລິໂພກພະລັງງານຂອງລະບົບທີ່ສະເຫນີແລະການປຽບທຽບກັບສອງການປະຕິບັດການຄວບຄຸມຈຸລະພາກທີ່ສົນທະນາແລະການປະຕິບັດດິຈິຕອນຂອງຕົວເຂົ້າລະຫັດຄວາມແຕກຕ່າງເວລາ (TDE)47 FPGA.
ເພື່ອຫຼຸດຜ່ອນການໃຊ້ພະລັງງານຂອງລະບົບທ້ອງຖິ່ນເປົ້າຫມາຍດັ່ງກ່າວ, ພວກເຮົາໄດ້ຄິດ, ອອກແບບແລະປະຕິບັດວົງຈອນ neuromorphic RRAM ທີ່ຂັບເຄື່ອນດ້ວຍເຫດການທີ່ມີປະສິດທິພາບ, ເຊິ່ງປະມວນຜົນຂໍ້ມູນສັນຍານທີ່ສ້າງຂຶ້ນໂດຍເຊັນເຊີໃນຕົວເພື່ອຄິດໄລ່ຕໍາແຫນ່ງຂອງວັດຖຸເປົ້າຫມາຍທີ່ແທ້ຈິງ. ເວລາ. . ໃນຂະນະທີ່ວິທີການປຸງແຕ່ງແບບດັ້ງເດີມຢ່າງຕໍ່ເນື່ອງຕົວຢ່າງໄດ້ກວດພົບສັນຍານແລະປະຕິບັດການຄິດໄລ່ເພື່ອສະກັດຂໍ້ມູນທີ່ເປັນປະໂຫຍດ, ການແກ້ໄຂ neuromorphic ທີ່ສະເຫນີປະຕິບັດການຄິດໄລ່ asynchronously ເມື່ອຂໍ້ມູນທີ່ເປັນປະໂຫຍດມາຮອດ, ເພີ່ມປະສິດທິພາບພະລັງງານຂອງລະບົບສູງສຸດໂດຍຫ້າຄໍາສັ່ງຂອງຂະຫນາດ. ນອກຈາກນັ້ນ, ພວກເຮົາເນັ້ນເຖິງຄວາມຍືດຫຍຸ່ນຂອງວົງຈອນ neuromorphic ທີ່ອີງໃສ່ RRAM. ຄວາມສາມາດຂອງ RRAM ໃນການປ່ຽນແປງການປະພຶດໃນລັກສະນະທີ່ບໍ່ປ່ຽນແປງໄດ້ (ພາດສະຕິກ) ຊົດເຊີຍຄວາມປ່ຽນແປງທີ່ເກີດມາຈາກການປຽບທຽບພະລັງງານຕ່ໍາສຸດຂອງ DPI ຂອງ synaptic ແລະ neural circuits. ນີ້ເຮັດໃຫ້ວົງຈອນທີ່ອີງໃສ່ RRAM ນີ້ມີຄວາມຫລາກຫລາຍແລະມີປະສິດທິພາບ. ເປົ້າຫມາຍຂອງພວກເຮົາບໍ່ແມ່ນເພື່ອສະກັດຫນ້າທີ່ສະລັບສັບຊ້ອນຫຼືຮູບແບບຈາກສັນຍານ, ແຕ່ເພື່ອ localize ວັດຖຸໃນເວລາທີ່ແທ້ຈິງ. ລະບົບຂອງພວກເຮົາຍັງສາມາດບີບອັດສັນຍານໄດ້ຢ່າງມີປະສິດທິພາບແລະໃນທີ່ສຸດກໍ່ສົ່ງມັນໄປສູ່ຂັ້ນຕອນການປຸງແຕ່ງຕື່ມອີກເພື່ອຕັດສິນໃຈທີ່ສັບສົນຫຼາຍເມື່ອຕ້ອງການ. ໃນສະພາບການຂອງຄໍາຮ້ອງສະຫມັກທ້ອງຖິ່ນ, ຂັ້ນຕອນການປຸງແຕ່ງ neuromorphic ຂອງພວກເຮົາສາມາດສະຫນອງຂໍ້ມູນກ່ຽວກັບສະຖານທີ່ຂອງວັດຖຸ. ຂໍ້ມູນນີ້ສາມາດຖືກນໍາໃຊ້, ສໍາລັບການຍົກຕົວຢ່າງ, ສໍາລັບການກວດສອບການເຄື່ອນໄຫວຫຼືການຮັບຮູ້ gesture. ພວກເຮົາເນັ້ນຫນັກໃສ່ຄວາມສໍາຄັນຂອງການສົມທົບເຊັນເຊີພະລັງງານຕ່ໍາສຸດເຊັ່ນ pMUTs ກັບເອເລັກໂຕຣນິກພະລັງງານຕ່ໍາສຸດ. ສໍາລັບການນີ້, ວິທີການ neuromorphic ແມ່ນສໍາຄັນຍ້ອນວ່າເຂົາເຈົ້າໄດ້ນໍາພາພວກເຮົາເພື່ອພັດທະນາການປະຕິບັດວົງຈອນໃຫມ່ຂອງວິທີການຄອມພິວເຕີທີ່ໄດ້ຮັບການດົນໃຈທາງຊີວະພາບເຊັ່ນ: ຮູບແບບ Jeffress. ໃນສະພາບການຂອງຄໍາຮ້ອງສະຫມັກ sensor fusion, ລະບົບຂອງພວກເຮົາສາມາດຖືກລວມເຂົ້າກັບເຊັນເຊີທີ່ອີງໃສ່ເຫດການທີ່ແຕກຕ່າງກັນຫຼາຍເພື່ອໃຫ້ໄດ້ຂໍ້ມູນທີ່ຖືກຕ້ອງກວ່າ. ເຖິງແມ່ນວ່ານົກກົກຈະດີເລີດໃນການຄົ້ນຫາຜູ້ຖືກລ້າໃນຄວາມມືດ, ແຕ່ພວກມັນມີສາຍຕາທີ່ດີເລີດແລະປະຕິບັດການຟັງແລະການຄົ້ນຫາແບບປະສົມປະສານກ່ອນທີ່ຈະຈັບຜູ້ຖືກລ້າ 70. ໃນເວລາທີ່ neuron auditory ໂດຍສະເພາະໄຟໄຫມ້, owl ໄດ້ຮັບຂໍ້ມູນທີ່ມັນຕ້ອງການເພື່ອກໍານົດທິດທາງທີ່ຈະເລີ່ມຕົ້ນການຊອກຫາສາຍຕາຂອງມັນ, ດັ່ງນັ້ນການສຸມໃສ່ຄວາມສົນໃຈຂອງມັນຢູ່ໃນສ່ວນນ້ອຍໆຂອງສາຍຕາ. ການປະສົມປະສານຂອງເຊັນເຊີການເບິ່ງເຫັນ (ກ້ອງຖ່າຍຮູບ DVS) ແລະເຊັນເຊີການຟັງທີ່ສະເຫນີ (ອີງໃສ່ pMUT) ຄວນຖືກຄົ້ນຫາສໍາລັບການພັດທະນາຕົວແທນອັດຕະໂນມັດໃນອະນາຄົດ.
ເຊັນເຊີ pMUT ຕັ້ງຢູ່ເທິງ PCB ທີ່ມີຕົວຮັບສອງເຄື່ອງຢູ່ຫ່າງກັນປະມານ 10 ຊມ, ແລະເຄື່ອງສົ່ງແມ່ນຕັ້ງຢູ່ລະຫວ່າງເຄື່ອງຮັບ. ໃນການເຮັດວຽກນີ້, ແຕ່ລະເຍື່ອແມ່ນໂຄງສ້າງ bimorph ທີ່ຖືກໂຈະປະກອບດ້ວຍສອງຊັ້ນຂອງ piezoelectric aluminium nitride (AlN) 800 nm ຫນາ sandwiched ລະຫວ່າງສາມຊັ້ນຂອງ molybdenum (Mo) 200 nm ຫນາແລະເຄືອບດ້ວຍຊັ້ນຫນາ 200 nm. ຊັ້ນ SiN passivating ເທິງໄດ້ອະທິບາຍໄວ້ໃນເອກະສານອ້າງອີງ. 71. ອິເລັກໂທຣດພາຍໃນ ແລະ ພາຍນອກແມ່ນໃຊ້ກັບຊັ້ນລຸ່ມ ແລະ ຊັ້ນເທິງຂອງໂມລິບິດາມ, ໃນຂະນະທີ່ electrode molybdenum ກາງແມ່ນບໍ່ມີຮູບແບບ ແລະ ໃຊ້ເປັນພື້ນດິນ, ສົ່ງຜົນໃຫ້ເຍື່ອທີ່ມີ electrodes ສີ່ຄູ່.
ສະຖາປັດຕະຍະກໍານີ້ອະນຸຍາດໃຫ້ນໍາໃຊ້ການຜິດປົກກະຕິຂອງເຍື່ອຫຸ້ມຫໍ່ທົ່ວໄປ, ເຮັດໃຫ້ການປັບປຸງການຖ່າຍທອດແລະໄດ້ຮັບຄວາມອ່ອນໄຫວ. pMUT ດັ່ງກ່າວປົກກະຕິແລ້ວສະແດງຄວາມອ່ອນໄຫວຂອງຄວາມຕື່ນເຕັ້ນຂອງ 700 nm / V ເປັນ emitter, ສະຫນອງຄວາມກົດດັນດ້ານຂອງ 270 Pa / V. ໃນຖານະຜູ້ຮັບ, ຟີມ pMUT ໜ່ວຍໜຶ່ງສະແດງຄວາມອ່ອນໄຫວຂອງວົງຈອນສັ້ນຂອງ 15 nA/Pa, ເຊິ່ງກ່ຽວຂ້ອງໂດຍກົງກັບຄ່າສຳປະສິດ piezoelectric ຂອງ AlN. ການປ່ຽນແປງທາງວິຊາການຂອງແຮງດັນໄຟຟ້າໃນຊັ້ນ AlN ນໍາໄປສູ່ການປ່ຽນແປງຂອງຄວາມຖີ່ resonant, ເຊິ່ງສາມາດໄດ້ຮັບການຊົດເຊີຍໂດຍການໃຊ້ຄວາມລໍາອຽງຂອງ DC ກັບ pMUT. ຄວາມອ່ອນໄຫວຂອງ DC ໄດ້ຖືກວັດແທກຢູ່ທີ່ 0.5 kHz/V. ສໍາລັບການກໍານົດລັກສະນະສຽງ, ໄມໂຄໂຟນຖືກນໍາໃຊ້ຢູ່ທາງຫນ້າຂອງ pMUT.
ເພື່ອວັດແທກກໍາມະຈອນຂອງສຽງສະທ້ອນ, ພວກເຮົາວາງແຜ່ນສີ່ຫລ່ຽມທີ່ມີພື້ນທີ່ປະມານ 50 cm2 ຢູ່ທາງຫນ້າຂອງ pMUT ເພື່ອສະທ້ອນເຖິງຄື້ນຟອງສຽງທີ່ປ່ອຍອອກມາ. ທັງໄລຍະຫ່າງລະຫວ່າງແຜ່ນແລະມຸມທີ່ກ່ຽວຂ້ອງກັບຍົນ pMUT ແມ່ນຄວບຄຸມໂດຍໃຊ້ຕົວຍຶດພິເສດ. ແຫຼ່ງແຮງດັນຂອງ Tectronix CPX400DP ມີອະຄະຕິສາມເຍື່ອ pMUT, ປັບຄວາມຖີ່ resonant ເປັນ 111.9 kHz31, ໃນຂະນະທີ່ເຄື່ອງສົ່ງສັນຍານຖືກຂັບເຄື່ອນໂດຍເຄື່ອງກໍາເນີດກໍາມະຈອນ Tectronix AFG 3102 ປັບກັບຄວາມຖີ່ resonant (111.9 kHz. ແລະວົງຈອນການທໍາງານຂອງ 1 Hz). ກະແສທີ່ອ່ານຈາກສີ່ພອດຜົນຜະລິດຂອງແຕ່ລະເຄື່ອງຮັບ pMUT ຖືກປ່ຽນເປັນແຮງດັນໂດຍໃຊ້ສະຖາປັດຕະຍະກໍາທີ່ແຕກຕ່າງກັນໃນປະຈຸບັນແລະແຮງດັນ, ແລະສັນຍານທີ່ໄດ້ຮັບຜົນໄດ້ຖືກແຍກເປັນດິຈິຕອນໂດຍລະບົບການຊື້ຂໍ້ມູນ Spektrum. ຂອບເຂດຈໍາກັດຂອງການກວດຫາແມ່ນມີລັກສະນະການໄດ້ຮັບສັນຍານ pMUT ພາຍໃຕ້ເງື່ອນໄຂທີ່ແຕກຕ່າງກັນ: ພວກເຮົາໄດ້ຍ້າຍຕົວສະທ້ອນກັບໄລຍະຫ່າງທີ່ແຕກຕ່າງກັນ [30, 40, 50, 60, 80, 100] cm ແລະປ່ຽນມຸມສະຫນັບສະຫນູນ pMUT ([0, 20, 40] o. ) ຮູບ 2b ສະແດງໃຫ້ເຫັນການແກ້ໄຂການກວດພົບ ITD ຊົ່ວຄາວໂດຍອີງຕາມຕໍາແຫນ່ງມຸມທີ່ສອດຄ້ອງກັນໃນອົງສາ.
ບົດຄວາມນີ້ໃຊ້ສອງວົງຈອນ RRAM ທີ່ແຕກຕ່າງກັນ. ທໍາອິດແມ່ນ array ຂອງ 16,384 (16,000) ອຸປະກອນ (128 × 128 ອຸປະກອນ) ໃນການຕັ້ງຄ່າ 1T1R ກັບຫນຶ່ງ transistor ແລະຫນຶ່ງ resistor. ຊິບທີສອງແມ່ນເວທີ neuromorphic ສະແດງໃຫ້ເຫັນໃນຮູບ 4a. ເຊລ RRAM ປະກອບດ້ວຍຟິມ HfO2 ໜາ 5 nm ທີ່ຝັງຢູ່ໃນສະຕັກ TiN/HfO2/Ti/TiN. stack RRAM ຖືກລວມເຂົ້າກັບ back-of-line (BEOL) ຂອງຂະບວນການ CMOS ມາດຕະຖານ 130nm. ວົງຈອນ neuromorphic ທີ່ອີງໃສ່ RRAM ນໍາສະເຫນີສິ່ງທ້າທາຍໃນການອອກແບບສໍາລັບລະບົບອີເລັກໂທຣນິກແບບອະນາລັອກທັງຫມົດທີ່ອຸປະກອນ RRAM ຮ່ວມມືກັບເຕັກໂນໂລຢີ CMOS ແບບດັ້ງເດີມ. ໂດຍສະເພາະ, ສະພາບການປະຕິບັດຂອງອຸປະກອນ RRAM ຕ້ອງໄດ້ຮັບການອ່ານແລະໃຊ້ເປັນຕົວແປຂອງຫນ້າທີ່ສໍາລັບລະບົບ. ເພື່ອເຮັດສິ່ງນີ້, ວົງຈອນໄດ້ຖືກອອກແບບ, ຜະລິດແລະທົດສອບທີ່ອ່ານກະແສໄຟຟ້າຈາກອຸປະກອນໃນເວລາທີ່ກໍາມະຈອນປ້ອນຂໍ້ມູນໄດ້ຮັບແລະນໍາໃຊ້ກະແສໄຟຟ້ານີ້ເພື່ອນ້ໍາຫນັກການຕອບສະຫນອງຂອງ synapse ຂອງຄູ່ທີ່ແຕກຕ່າງກັນ (DPI). ວົງຈອນນີ້ແມ່ນສະແດງຢູ່ໃນຮູບ 3a, ເຊິ່ງເປັນຕົວແທນຂອງການກໍ່ສ້າງພື້ນຖານຂອງເວທີ neuromorphic ໃນຮູບ 4a. ກໍາມະຈອນການປ້ອນຂໍ້ມູນກະຕຸ້ນປະຕູຂອງອຸປະກອນ 1T1R, ກະຕຸ້ນກະແສຜ່ານ RRAM ອັດຕາສ່ວນກັບຕົວນໍາຂອງອຸປະກອນ G (Iweight = G(Vtop – Vx)). inverting input ຂອງວົງຈອນເຄື່ອງຂະຫຍາຍສຽງປະຕິບັດງານ (op-amp) ມີແຮງດັນ DC bias Vtop ຄົງທີ່. ຄໍາຕິຊົມທາງລົບຂອງ op-amp ຈະສະຫນອງ Vx = Vtop ໂດຍການສະຫນອງກະແສໄຟຟ້າເທົ່າທຽມກັນຈາກ M1. ນ້ ຳ ໜັກ ປະຈຸບັນທີ່ດຶງມາຈາກອຸປະກອນແມ່ນຖືກໃສ່ເຂົ້າໃນ DPI synapse. ກະແສໄຟຟ້າທີ່ເຂັ້ມແຂງຈະສົ່ງຜົນໃຫ້ depolarization ຫຼາຍຂຶ້ນ, ດັ່ງນັ້ນການປະພຶດຂອງ RRAM ມີປະສິດທິພາບປະຕິບັດນ້ໍາຫນັກ synaptic. ປະຈຸບັນ synaptic exponential ນີ້ໄດ້ຖືກສີດຜ່ານ capacitor ເຍື່ອຂອງ neurons Leaky Integration and Excitation (LIF), ບ່ອນທີ່ມັນຖືກປະສົມປະສານເປັນແຮງດັນ. ຖ້າແຮງດັນຂອງເສັ້ນຜ່າສູນກາງຂອງເຍື່ອ (ແຮງດັນສະຫຼັບຂອງ inverter) ຖືກເອົາຊະນະ, ພາກສ່ວນຜົນຜະລິດຂອງ neuron ໄດ້ຖືກເປີດໃຊ້, ເຮັດໃຫ້ມີຜົນຜະລິດເພີ່ມຂຶ້ນ. ກໍາມະຈອນນີ້ກັບຄືນແລະ shunts ເຍື່ອຫຸ້ມຂອງ neuron ກັບດິນ, ເຮັດໃຫ້ມັນໄຫຼອອກ. ຫຼັງຈາກນັ້ນ, ວົງຈອນນີ້ໄດ້ຖືກເສີມດ້ວຍຕົວຂະຫຍາຍກໍາມະຈອນ (ບໍ່ສະແດງຢູ່ໃນຮູບ 3a), ເຊິ່ງເຮັດໃຫ້ກໍາມະຈອນຜົນຜະລິດຂອງ LIF neuron ໄປສູ່ຄວາມກວ້າງຂອງກໍາມະຈອນເປົ້າຫມາຍ. Multiplexers ຍັງຖືກສ້າງຂື້ນໃນແຕ່ລະສາຍ, ໃຫ້ແຮງດັນໄຟຟ້າໃຊ້ກັບ electrodes ເທິງແລະລຸ່ມຂອງອຸປະກອນ RRAM.
ການທົດສອບໄຟຟ້າປະກອບມີການວິເຄາະແລະບັນທຶກພຶດຕິກໍາແບບເຄື່ອນໄຫວຂອງວົງຈອນອະນາລັອກ, ເຊັ່ນດຽວກັນກັບການຂຽນໂປຼແກຼມແລະການອ່ານອຸປະກອນ RRAM. ທັງສອງຂັ້ນຕອນຕ້ອງການເຄື່ອງມືພິເສດ, ທັງຫມົດແມ່ນເຊື່ອມຕໍ່ກັບກະດານເຊັນເຊີໃນເວລາດຽວກັນ. ການເຂົ້າເຖິງອຸປະກອນ RRAM ໃນວົງຈອນ neuromorphic ແມ່ນດໍາເນີນການຈາກເຄື່ອງມືພາຍນອກໂດຍຜ່ານ multiplexer (MUX). MUX ແຍກເຊນ 1T1R ຈາກສ່ວນທີ່ເຫຼືອຂອງວົງຈອນທີ່ມັນຂຶ້ນກັບ, ອະນຸຍາດໃຫ້ອຸປະກອນສາມາດອ່ານ ແລະ/ຫຼື ດໍາເນີນໂຄງການ. ເພື່ອຂຽນໂປລແກລມແລະອ່ານອຸປະກອນ RRAM, ເຄື່ອງ Keithley 4200 SCS ຖືກນໍາໃຊ້ຮ່ວມກັນກັບ microcontroller Arduino: ທໍາອິດສໍາລັບການຜະລິດກໍາມະຈອນທີ່ຖືກຕ້ອງແລະການອ່ານໃນປະຈຸບັນ, ແລະທີສອງສໍາລັບການເຂົ້າເຖິງໄວຂອງແຕ່ລະອົງປະກອບ 1T1R ໃນຫນ່ວຍຄວາມຈໍາ. ການດໍາເນີນງານທໍາອິດແມ່ນເພື່ອປະກອບອຸປະກອນ RRAM. ຈຸລັງຖືກເລືອກຫນຶ່ງຄັ້ງແລະແຮງດັນບວກແມ່ນຖືກນໍາໃຊ້ລະຫວ່າງ electrodes ເທິງແລະລຸ່ມ. ໃນກໍລະນີນີ້, ປະຈຸບັນໄດ້ຖືກຈໍາກັດຢູ່ໃນຄໍາສັ່ງຂອງສິບ microamperes ເນື່ອງຈາກການສະຫນອງແຮງດັນປະຕູຮົ້ວທີ່ສອດຄ້ອງກັນກັບ transistor ເລືອກ. ຫຼັງຈາກນັ້ນ, ເຊນ RRAM ສາມາດຮອບວຽນລະຫວ່າງສະຖານະ conductive ຕ່ໍາ (LCS) ແລະສະຖານະ conductive ສູງ (HCS) ໂດຍໃຊ້ການດໍາເນີນງານ RESET ແລະ SET, ຕາມລໍາດັບ. ການດໍາເນີນງານຂອງ SET ແມ່ນປະຕິບັດໂດຍການນໍາໃຊ້ກໍາມະຈອນແຮງດັນສີ່ຫລ່ຽມທີ່ມີໄລຍະເວລາຂອງ 1 μsແລະແຮງດັນສູງສຸດຂອງ 2.0-2.5 V ກັບ electrode ເທິງ, ແລະກໍາມະຈອນ sync ຂອງຮູບຮ່າງທີ່ຄ້າຍຄືກັນກັບແຮງດັນສູງສຸດຂອງ 0.9-1.3 V ກັບ. ປະຕູຂອງ transistor ເລືອກ. ຄ່າເຫຼົ່ານີ້ອະນຸຍາດໃຫ້ modulate RRAM conductance ໃນໄລຍະ 20-150 µs. ສໍາລັບ RESET, ກວ້າງ 1 µs, 3 V peak pulse ຖືກນໍາໃຊ້ກັບ electrode ລຸ່ມ (ເສັ້ນບິດ) ຂອງ cell ເມື່ອແຮງດັນປະຕູຮົ້ວຢູ່ໃນລະດັບ 2.5-3.0 V. ວັດສະດຸປ້ອນແລະຜົນຜະລິດຂອງວົງຈອນອະນາລັອກແມ່ນສັນຍານເຄື່ອນໄຫວ. . ສໍາລັບການປ້ອນຂໍ້ມູນ, ພວກເຮົາ interleaved ສອງເຄື່ອງກໍາເນີດກໍາມະຈອນ HP 8110 ກັບເຄື່ອງກໍາເນີດສັນຍານ Tektronix AFG3011. ກໍາມະຈອນການປ້ອນຂໍ້ມູນມີຄວາມກວ້າງ 1 µs ແລະຂອບຂຶ້ນ/ຕົກ 50 ns. ປະເພດຂອງກໍາມະຈອນນີ້ແມ່ນສົມມຸດວ່າເປັນ glitch ປົກກະຕິໃນວົງຈອນການປຽບທຽບ glitch. ສໍາລັບສັນຍານຜົນຜະລິດ, ສັນຍານຜົນຜະລິດໄດ້ຖືກບັນທຶກໄວ້ໂດຍໃຊ້ Teledyne LeCroy 1 GHz oscilloscope. ຄວາມໄວຂອງການໄດ້ຮັບຂອງ oscilloscope ໄດ້ຖືກພິສູດວ່າບໍ່ແມ່ນປັດໃຈຈໍາກັດໃນການວິເຄາະແລະການໄດ້ຮັບຂໍ້ມູນວົງຈອນ.
ການນໍາໃຊ້ນະໂຍບາຍດ້ານຂອງເອເລັກໂຕຣນິກການປຽບທຽບເພື່ອຈໍາລອງພຶດຕິກໍາຂອງ neurons ແລະ synapses ແມ່ນການແກ້ໄຂທີ່ສະຫງ່າງາມແລະມີປະສິດທິພາບເພື່ອປັບປຸງການຄິດໄລ່ທີ່ມີປະສິດທິພາບ. ຂໍ້ເສຍຂອງ underlay ຄອມພິວເຕີ້ນີ້ແມ່ນວ່າມັນຈະແຕກຕ່າງກັນໄປຕາມໂຄງການ. ພວກເຮົາປະເມີນຄວາມປ່ຽນແປງຂອງ neurons ແລະວົງຈອນ synaptic (ຕື່ມ Fig. 2a,b). ຂອງການສະແດງອອກທັງຫມົດຂອງການປ່ຽນແປງ, ທີ່ກ່ຽວຂ້ອງກັບການຄົງທີ່ຂອງເວລາແລະການປ້ອນຂໍ້ມູນມີຜົນກະທົບຫຼາຍທີ່ສຸດໃນລະດັບລະບົບ. ເວລາຄົງທີ່ຂອງ LIF neuron ແລະ DPI synapse ຖືກກໍານົດໂດຍວົງຈອນ RC, ບ່ອນທີ່ຄ່າຂອງ R ຖືກຄວບຄຸມໂດຍແຮງດັນທີ່ລໍາອຽງທີ່ໃຊ້ກັບປະຕູຂອງ transistor (Vlk ສໍາລັບ neuron ແລະ Vtau ສໍາລັບ synapse), ການກໍານົດຄ່າ. ອັດຕາການຮົ່ວໄຫຼ. ການເພີ່ມຂຶ້ນຂອງການປ້ອນຂໍ້ມູນແມ່ນຖືກກໍານົດເປັນແຮງດັນສູງສຸດທີ່ບັນລຸໄດ້ໂດຍຕົວເກັບປະຈຸ synaptic ແລະ neuronal ກະຕຸ້ນໂດຍກໍາມະຈອນປ້ອນຂໍ້ມູນ. ການເພີ່ມການປ້ອນຂໍ້ມູນຖືກຄວບຄຸມໂດຍ transistor bias ອື່ນທີ່ modulates ປະຈຸບັນ input. ການຈຳລອງ Monte Carlo ທີ່ໄດ້ປັບທຽບກັບຂະບວນການ 130nm ຂອງ ST Microelectronics ໄດ້ຖືກປະຕິບັດເພື່ອເກັບກຳສະຖິຕິການເພີ່ມເຂົ້າ ແລະເວລາຄົງທີ່ຈຳນວນໜຶ່ງ. ຜົນໄດ້ຮັບແມ່ນໄດ້ນໍາສະເຫນີໃນຮູບການເສີມ 2, ບ່ອນທີ່ການເພີ່ມຂຶ້ນຂອງການປ້ອນຂໍ້ມູນແລະເວລາຄົງທີ່ຖືກຄິດໄລ່ເປັນຫນ້າທີ່ຂອງແຮງດັນ bias ຄວບຄຸມອັດຕາການຮົ່ວໄຫຼ. ເຄື່ອງໝາຍສີຂຽວໃຫ້ປະລິມານການບ່ຽງເບນມາດຕະຖານຂອງເວລາຄົງທີ່ຈາກຄ່າສະເລ່ຍ. ທັງສອງ neurons ແລະ synaptic ວົງຈອນສາມາດສະແດງລະດັບຄວາມກ້ວາງຂອງຄວາມຄົງທີ່ຂອງທີ່ໃຊ້ເວລາໃນຂອບເຂດຂອງ 10-5-10-2 s, ດັ່ງທີ່ສະແດງໃຫ້ເຫັນໃນ Supplementary Fig. scheme. Input amplification (ຕື່ມ Fig. 2e,d) ຂອງ neuronal ແລະ synapse variability ແມ່ນປະມານ 8% ແລະ 3%, ຕາມລໍາດັບ. ການຂາດແຄນດັ່ງກ່າວແມ່ນຖືກບັນທຶກໄວ້ໃນວັນນະຄະດີ: ການວັດແທກຕ່າງໆໄດ້ຖືກປະຕິບັດຢູ່ໃນອາເລຂອງຊິບ DYNAP ເພື່ອປະເມີນຄວາມບໍ່ສອດຄ່ອງລະຫວ່າງປະຊາກອນຂອງ LIF63 neurons. synapses ໃນຊິບສັນຍານປະສົມ BrainScale ໄດ້ຖືກວັດແທກແລະຄວາມບໍ່ສອດຄ່ອງຂອງພວກມັນຖືກວິເຄາະ, ແລະຂັ້ນຕອນການປັບທຽບໄດ້ຖືກສະເຫນີເພື່ອຫຼຸດຜ່ອນຜົນກະທົບຂອງຄວາມແຕກຕ່າງກັນໃນລະດັບລະບົບ64.
ຫນ້າທີ່ຂອງ RRAM ໃນວົງຈອນ neuromorphic ແມ່ນສອງເທົ່າ: ການກໍານົດຖາປັດຕະຍະ (ການນໍາທາງໄປຫາຜົນໄດ້ຮັບ) ແລະການປະຕິບັດນ້ໍາຫນັກ synaptic. ຊັບສິນສຸດທ້າຍສາມາດຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາຂອງການປ່ຽນແປງຂອງວົງຈອນ neuromorphic ແບບຈໍາລອງ. ພວກ​ເຮົາ​ໄດ້​ພັດ​ທະ​ນາ​ຂັ້ນ​ຕອນ​ການ​ປັບ​ທຽບ​ງ່າຍ​ດາຍ​ທີ່​ກ່ຽວ​ຂ້ອງ​ກັບ reprogramming ອຸ​ປະ​ກອນ RRAM ຈົນ​ກ​່​ວາ​ວົງ​ຈອນ​ທີ່​ໄດ້​ຮັບ​ການ​ວິ​ເຄາະ​ມີ​ຄວາມ​ຕ້ອງ​ການ​ທີ່​ແນ່​ນອນ​. ສໍາ​ລັບ​ການ​ປ້ອນ​ຂໍ້​ມູນ​ໃຫ້​, ຜົນ​ຜະ​ລິດ​ແມ່ນ​ຕິດ​ຕາມ​ກວດ​ກາ​ແລະ RRAM ແມ່ນ reprogrammed ຈົນ​ກ​່​ວາ​ພຶດ​ຕິ​ກໍາ​ເປົ້າ​ຫມາຍ​ແມ່ນ​ບັນ​ລຸ​ໄດ້​. ເວລາລໍຖ້າຂອງ 5 s ໄດ້ຖືກນໍາສະເຫນີລະຫວ່າງການດໍາເນີນງານການຂຽນໂປຼແກຼມເພື່ອແກ້ໄຂບັນຫາການຜ່ອນຄາຍ RRAM ທີ່ເຮັດໃຫ້ເກີດຄວາມຜັນຜວນຂອງການປະຕິບັດຊົ່ວຄາວ (ຂໍ້ມູນເສີມ). ນ້ໍາຫນັກ Synaptic ຖືກປັບຫຼືປັບຕາມຄວາມຕ້ອງການຂອງວົງຈອນ neuromorphic ທີ່ຖືກສ້າງແບບຈໍາລອງ. ຂັ້ນຕອນການ calibration ແມ່ນສະຫຼຸບໃນ algorithms ເພີ່ມເຕີມ [1, 2] ທີ່ສຸມໃສ່ສອງລັກສະນະພື້ນຖານຂອງເວທີ neuromorphic, ເສັ້ນຊັກຊ້າແລະ CD insensitive ທິດທາງ. ສໍາລັບວົງຈອນທີ່ມີເສັ້ນຊັກຊ້າ, ພຶດຕິກໍາເປົ້າຫມາຍແມ່ນເພື່ອສະຫນອງກໍາມະຈອນຜົນຜະລິດທີ່ມີການຊັກຊ້າ Δt. ຖ້າຄວາມລ່າຊ້າຂອງວົງຈອນຕົວຈິງແມ່ນຫນ້ອຍກວ່າຄ່າເປົ້າຫມາຍ, ນ້ໍາຫນັກ synaptic ຂອງ G3 ຄວນຖືກຫຼຸດລົງ (G3 ຄວນຖືກຕັ້ງຄ່າໃຫມ່ແລະຫຼັງຈາກນັ້ນກໍານົດເປັນ Icc ປະຈຸບັນທີ່ກົງກັນຕ່ໍາ). ໃນທາງກົງກັນຂ້າມ, ຖ້າຄວາມລ່າຊ້າທີ່ແທ້ຈິງແມ່ນຫຼາຍກ່ວາມູນຄ່າເປົ້າຫມາຍ, ການປະພຶດຂອງ G3 ຕ້ອງໄດ້ຮັບການເພີ່ມຂຶ້ນ (G3 ທໍາອິດຕ້ອງໄດ້ຮັບການຕັ້ງຄ່າໃຫມ່ແລະຫຼັງຈາກນັ້ນໃຫ້ຄ່າ Icc ສູງກວ່າ). ຂະບວນການນີ້ຖືກເຮັດຊ້ໍາອີກຄັ້ງຈົນກ່ວາຄວາມລ່າຊ້າທີ່ຜະລິດໂດຍວົງຈອນກົງກັບຄ່າເປົ້າຫມາຍແລະຄວາມທົນທານຖືກຕັ້ງໄວ້ເພື່ອຢຸດຂະບວນການ calibration. ສໍາລັບ CDs insensitive ປະຖົມນິເທດ, ສອງອຸປະກອນ RRAM, G1 ແລະ G3, ມີສ່ວນຮ່ວມໃນຂະບວນການ calibration. ວົງຈອນນີ້ມີສອງ inputs, Vin0 ແລະ Vin1, ຊັກຊ້າໂດຍ dt. ວົງຈອນຄວນຈະຕອບສະຫນອງພຽງແຕ່ຄວາມລ່າຊ້າຕ່ໍາກວ່າລະດັບການຈັບຄູ່ [0,dtCD]. ຖ້າບໍ່ມີຈຸດສູງສຸດຂອງຜົນຜະລິດ, ແຕ່ຈຸດສູງສຸດຂອງວັດສະດຸປ້ອນແມ່ນໃກ້ຊິດ, ທັງສອງອຸປະກອນ RRAM ຄວນໄດ້ຮັບການຊຸກຍູ້ເພື່ອຊ່ວຍໃຫ້ neuron ບັນລຸເປົ້າຫມາຍ. ໃນທາງກົງກັນຂ້າມ, ຖ້າວົງຈອນຕອບສະຫນອງຄວາມລ່າຊ້າທີ່ເກີນຂອບເຂດເປົ້າຫມາຍຂອງ dtCD, ການປະພຶດຕ້ອງຖືກຫຼຸດລົງ. ເຮັດຊ້ໍາຂະບວນການຈົນກ່ວາໄດ້ພຶດຕິກໍາທີ່ຖືກຕ້ອງ. ການປະຕິບັດຕາມກະແສໄຟຟ້າສາມາດຖືກດັດແປງໂດຍວົງຈອນອະນາລັອກທີ່ສ້າງຂຶ້ນໃນ ref. 72.73. ດ້ວຍວົງຈອນທີ່ສ້າງມານີ້, ຂັ້ນຕອນດັ່ງກ່າວສາມາດຖືກປະຕິບັດເປັນໄລຍະໆເພື່ອປັບລະບົບຫຼືໃຊ້ມັນຄືນໃຫມ່ສໍາລັບຄໍາຮ້ອງສະຫມັກອື່ນ.
ພວກເຮົາປະເມີນການໃຊ້ພະລັງງານຂອງວິທີການປະມວນຜົນສັນຍານ neuromorphic ຂອງພວກເຮົາໃນມາດຕະຖານ 32-bit microcontroller68. ໃນການປະເມີນຜົນນີ້, ພວກເຮົາສົມມຸດວ່າການດໍາເນີນງານທີ່ມີການຕິດຕັ້ງດຽວກັນກັບໃນເອກະສານນີ້, ມີເຄື່ອງສົ່ງ pMUT ຫນຶ່ງແລະເຄື່ອງຮັບ pMUT ສອງເຄື່ອງ. ວິທີການນີ້ໃຊ້ການກັ່ນຕອງ bandpass, ປະຕິບັດຕາມຂັ້ນຕອນການສະກັດເອົາຊອງຈົດຫມາຍ (Teeger-Kaiser), ແລະສຸດທ້າຍການປະຕິບັດການກໍານົດຂອບເຂດຖືກນໍາໃຊ້ກັບສັນຍານເພື່ອສະກັດເວລາຂອງການບິນ. ການຄິດໄລ່ຂອງ ITD ແລະການປ່ຽນຂອງມັນໄປສູ່ມຸມກວດຈັບແມ່ນຖືກຍົກເວັ້ນໃນການປະເມີນຜົນ. ພວກເຮົາພິຈາລະນາການປະຕິບັດການກັ່ນຕອງແຖບຜ່ານໂດຍໃຊ້ຕົວກອງການຕອບໂຕ້ impulse infinite ຄໍາສັ່ງທີ 4 ທີ່ຮຽກຮ້ອງໃຫ້ມີການດໍາເນີນງານ 18 ຈຸດລອຍ. ການສະກັດເອົາຊອງຈົດຫມາຍໃຊ້ສາມການດໍາເນີນງານຈຸດທີ່ເລື່ອນໄດ້, ແລະການດໍາເນີນງານສຸດທ້າຍແມ່ນໃຊ້ເພື່ອກໍານົດຂອບເຂດ. ຈໍາ​ນວນ​ທັງ​ຫມົດ​ຂອງ 22 ການ​ດໍາ​ເນີນ​ງານ​ຈຸດ​ທີ່​ເລື່ອນ​ໄດ້​ແມ່ນ​ຕ້ອງ​ການ​ເພື່ອ preprocess ສັນ​ຍານ​. ສັນຍານທີ່ສົ່ງແມ່ນເປັນການລະເບີດສັ້ນຂອງ 111.9 kHz sine waveform ທີ່ສ້າງຂຶ້ນທຸກໆ 10 ms ສົ່ງຜົນໃຫ້ຄວາມຖີ່ຂອງການດໍາເນີນການຕໍາແຫນ່ງຂອງ 100 Hz. ພວກເຮົາໄດ້ນໍາໃຊ້ອັດຕາການເກັບຕົວຢ່າງຂອງ 250 kHz ເພື່ອປະຕິບັດຕາມ Nyquist ແລະປ່ອງຢ້ຽມ 6 ms ສໍາລັບແຕ່ລະການວັດແທກເພື່ອເກັບກໍາຂອບເຂດຂອງ 1 ແມັດ. ໃຫ້ສັງເກດວ່າ 6 ມິນລິວິນາທີແມ່ນເວລາບິນຂອງວັດຖຸທີ່ຢູ່ຫ່າງຈາກ 1 ແມັດ. ນີ້ສະຫນອງການບໍລິໂພກພະລັງງານຂອງ 180 µW ສໍາລັບການແປງ A / D ທີ່ 0.5 MSPS. ການປະມວນຜົນສັນຍານກ່ອນແມ່ນ 6.60 MIPS (ຄໍາແນະນໍາຕໍ່ວິນາທີ), ສ້າງ 0.75 mW. ຢ່າງໃດກໍຕາມ, ໄມໂຄຄອນຄວບຄຸມອາດຈະປ່ຽນເປັນໂຫມດພະລັງງານຕ່ໍາ 69 ເມື່ອ algorithm ບໍ່ເຮັດວຽກ. ໂຫມດນີ້ສະຫນອງການໃຊ້ພະລັງງານຄົງທີ່ຂອງ 10.8 μWແລະເວລາຕື່ນນອນຂອງ 113 μs. ເນື່ອງຈາກຄວາມຖີ່ໂມງຂອງ 84 MHz, microcontroller ສໍາເລັດການດໍາເນີນການທັງຫມົດຂອງ neuromorphic algorithm ພາຍໃນ 10 ms, ແລະ algorithm ຄິດໄລ່ຮອບວຽນຫນ້າທີ່ຂອງ 6.3%, ດັ່ງນັ້ນການນໍາໃຊ້ຮູບແບບພະລັງງານຕ່ໍາ. ການກະຈາຍພະລັງງານຜົນໄດ້ຮັບແມ່ນ 244.7 μW. ໃຫ້ສັງເກດວ່າພວກເຮົາຍົກເວັ້ນຜົນຜະລິດ ITD ຈາກ ToF ແລະການປ່ຽນເປັນມຸມກວດຈັບ, ດັ່ງນັ້ນການປະເມີນການໃຊ້ພະລັງງານຂອງ microcontroller. ນີ້ສະຫນອງມູນຄ່າເພີ່ມເຕີມສໍາລັບປະສິດທິພາບພະລັງງານຂອງລະບົບທີ່ສະເຫນີ. ໃນ​ຖາ​ນະ​ເປັນ​ເງື່ອນ​ໄຂ​ການ​ປຽບ​ທຽບ​ເພີ່ມ​ເຕີມ​, ພວກ​ເຮົາ​ປະ​ເມີນ​ການ​ບໍ​ລິ​ໂພກ​ພະ​ລັງ​ງານ​ຂອງ​ວິ​ທີ​ການ beamforming ຄລາ​ສ​ສິກ​ທີ່​ສະ​ເຫນີ​ໃນ​ກະ​ສານ​ອ້າງ​ອີງ​. 31.54 ເມື່ອຝັງຢູ່ໃນ microcontroller68 ດຽວກັນຢູ່ທີ່ແຮງດັນການສະຫນອງ 1.8V. ຫ້າເຍື່ອ pMUT ທີ່ມີໄລຍະຫ່າງເທົ່າກັນແມ່ນໃຊ້ເພື່ອໃຫ້ໄດ້ຂໍ້ມູນສໍາລັບການປະກອບ beam. ສໍາລັບການປຸງແຕ່ງຕົວມັນເອງ, ວິທີການ beamforming ທີ່ໃຊ້ແມ່ນການສະຫຼຸບຄວາມລ່າຊ້າ. ມັນພຽງແຕ່ປະກອບດ້ວຍການນໍາໃຊ້ການຊັກຊ້າກັບເລນທີ່ສອດຄ່ອງກັບຄວາມແຕກຕ່າງທີ່ຄາດໄວ້ໃນເວລາມາຮອດລະຫວ່າງຫນຶ່ງເລນແລະເລນອ້າງອີງ. ຖ້າສັນຍານຢູ່ໃນໄລຍະ, ຜົນລວມຂອງສັນຍານເຫຼົ່ານີ້ຈະມີພະລັງງານສູງຫຼັງຈາກການປ່ຽນແປງເວລາ. ຖ້າພວກເຂົາຢູ່ນອກໄລຍະ, ການແຊກແຊງທາງທໍາລາຍຈະຈໍາກັດພະລັງງານຂອງຜົນລວມຂອງພວກເຂົາ. ໃນຄວາມສໍາພັນ. ໃນຮູບ. 31, ອັດຕາຕົວຢ່າງຂອງ 2 MHz ຖືກເລືອກເພື່ອປ່ຽນເວລາຂໍ້ມູນໂດຍຈໍານວນຕົວຢ່າງ. ວິທີການທີ່ອ່ອນໂຍນກວ່າແມ່ນເພື່ອຮັກສາອັດຕາຕົວຢ່າງທີ່ຫຍາບຄາຍຂອງ 250 kHz ແລະໃຊ້ຕົວກອງ Finite Impulse Response (FIR) ເພື່ອສັງເຄາະຄວາມລ່າຊ້າຂອງເສດສ່ວນ. ພວກເຮົາຈະສົມມຸດວ່າຄວາມສັບສົນຂອງສູດການຄິດໄລ່ beamforming ສ່ວນໃຫຍ່ແມ່ນຖືກກໍານົດໂດຍການປ່ຽນເວລາ, ນັບຕັ້ງແຕ່ແຕ່ລະຊ່ອງທາງແມ່ນ convolved ກັບການກັ່ນຕອງ FIR ທີ່ມີ 16 taps ໃນແຕ່ລະທິດທາງ. ເພື່ອຄິດໄລ່ຈໍານວນ MIPS ທີ່ຕ້ອງການສໍາລັບການປະຕິບັດງານນີ້, ພວກເຮົາພິຈາລະນາປ່ອງຢ້ຽມຂອງ 6ms ຕໍ່ການວັດແທກເພື່ອເກັບກໍາໄລຍະ 1 ແມັດ, 5 ຊ່ອງ, 11 ທິດທາງ beamforming (ຊ່ວງ +/- 50 °ໃນ 10 °ຂັ້ນຕອນ). 75 ການວັດແທກຕໍ່ວິນາທີ pushed microcontroller ສູງສຸດຂອງຕົນ 100 MIPS. ເຊື່ອມຕໍ່. 68, ເຮັດໃຫ້ມີການກະຈາຍພະລັງງານ 11.26 mW ສໍາລັບການກະຈາຍພະລັງງານທັງຫມົດ 11.71 mW ຫຼັງຈາກເພີ່ມການປະກອບສ່ວນ onboard ADC.
ຂໍ້​ມູນ​ສະ​ຫນັບ​ສະ​ຫນູນ​ຜົນ​ຂອງ​ການ​ສຶກ​ສາ​ນີ້​ແມ່ນ​ມີ​ຢູ່​ຈາກ​ຜູ້​ຂຽນ​ທີ່​ກ່ຽວ​ຂ້ອງ​, FM​, ຕາມ​ການ​ຮ້ອງ​ຂໍ​ທີ່​ສົມ​ເຫດ​ສົມ​ຜົນ​.
Indiveri, G. & Sandamirskaya, Y. ຄວາມສໍາຄັນຂອງຊ່ອງແລະເວລາສໍາລັບການປະມວນຜົນສັນຍານໃນຕົວແທນ neuromorphic: ສິ່ງທ້າທາຍຂອງການພັດທະນາພະລັງງານຕ່ໍາ, ຕົວແທນເອກະລາດທີ່ພົວພັນກັບສິ່ງແວດລ້ອມ. Indiveri, G. & Sandamirskaya, Y. ຄວາມສໍາຄັນຂອງຊ່ອງແລະເວລາສໍາລັບການປະມວນຜົນສັນຍານໃນຕົວແທນ neuromorphic: ສິ່ງທ້າທາຍຂອງການພັດທະນາພະລັງງານຕ່ໍາ, ຕົວແທນເອກະລາດທີ່ພົວພັນກັບສິ່ງແວດລ້ອມ.Indiveri G. ແລະ Sandamirskaya Y. ຄວາມສໍາຄັນຂອງຊ່ອງແລະເວລາສໍາລັບການປະມວນຜົນສັນຍານໃນຕົວແທນ neuromorphic: ສິ່ງທ້າທາຍຂອງການພັດທະນາຕົວແທນເອກະລາດພະລັງງານຕ່ໍາປະຕິສໍາພັນກັບສະພາບແວດລ້ອມ. 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。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. ແລະ Sandamirskaya Y. ຄວາມສໍາຄັນຂອງຊ່ອງແລະເວລາສໍາລັບການປະມວນຜົນສັນຍານໃນຕົວແທນ neuromorphic: ສິ່ງທ້າທາຍຂອງການພັດທະນາຕົວແທນເອກະລາດພະລັງງານຕ່ໍາປະຕິສໍາພັນກັບສະພາບແວດລ້ອມ.ການປະມວນຜົນສັນຍານ IEEE. ວາລະສານ 36, 16–28 (2019).
Thorpe, SJ Peak ເວລາມາຮອດ: ໂຄງການລະຫັດເຄືອຂ່າຍ Neural ທີ່ມີປະສິດທິພາບ. ໃນ Eckmiller, R., Hartmann, G. & Hauske, G. (eds). ໃນ Eckmiller, R., Hartmann, G. & Hauske, G. (eds).ໃນ Eckmiller, R., Hartmann, G. ແລະ Hauske, G. (eds.).ໃນ Eckmiller, R., Hartmann, G., ແລະ Hauske, G. (eds.). ການປະມວນຜົນຂະໜານໃນລະບົບປະສາດ ແລະຄອມພິວເຕີ 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Communication ໃຊ້ພະລັງງານຫຼາຍກວ່າການຄິດໄລ່ 35 ເທົ່າໃນ cortex ຂອງມະນຸດ, ແຕ່ຄ່າໃຊ້ຈ່າຍທັງສອງແມ່ນຈໍາເປັນເພື່ອຄາດຄະເນຈໍານວນ synapse. Levy, WB & Calvert, VG Communication ໃຊ້ພະລັງງານຫຼາຍກວ່າການຄິດໄລ່ 35 ເທົ່າໃນ cortex ຂອງມະນຸດ, ແຕ່ຄ່າໃຊ້ຈ່າຍທັງສອງແມ່ນຈໍາເປັນເພື່ອຄາດຄະເນຈໍານວນ synapse.Levy, WB ແລະ Calvert, WG Communication ໃຊ້ພະລັງງານຫຼາຍກວ່າການຄິດໄລ່ 35 ເທົ່າໃນ cortex ຂອງມະນຸດ, ແຕ່ຄ່າໃຊ້ຈ່າຍທັງສອງແມ່ນຈໍາເປັນເພື່ອຄາດຄະເນຈໍານວນຂອງ synapses. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的35倍，但这两种成本都需要预测突触数量。 Levy, WB & Calvert, VG CommunicationLevy, WB ແລະ Calvert, WG Communication ໃຊ້ພະລັງງານຫຼາຍກວ່າການຄິດໄລ່ 35 ເທົ່າໃນ cortex ຂອງມະນຸດ, ແຕ່ຄ່າໃຊ້ຈ່າຍທັງສອງຮຽກຮ້ອງໃຫ້ມີການຄາດຄະເນຈໍານວນຂອງ synapses.ຂະ​ບວນ​ການ. ສະຖາບັນວິທະຍາສາດແຫ່ງຊາດ. ວິທະຍາສາດ. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. ຄອມພິວເຕີ neuromorphic ແຮງບັນດານໃຈຈາກແມງໄມ້. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. ຄອມພິວເຕີ neuromorphic ແຮງບັນດານໃຈຈາກແມງໄມ້.Dalgati, T., Vianello, E., DeSalvo, B. ແລະ Casas, J. ຄອມພິວເຕີ neuromorphic ແຮງບັນດານໃຈຈາກແມງໄມ້.Dalgati T., Vianello E., DeSalvo B. ແລະ Casas J. ຄອມພິວເຕີ neuromorphic ແຮງບັນດານໃຈຈາກແມງໄມ້. ປະຈຸບັນ. ຄວາມຄິດເຫັນ. ວິທະຍາສາດແມງໄມ້. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. ໄປສູ່ຄວາມສະຫຼາດຂອງເຄື່ອງຈັກແບບຮວງຕັ້ງແຈບດ້ວຍຄອມພິວເຕີ neuromorphic. Roy, K., Jaiswal, A. & Panda, P. ໄປສູ່ຄວາມສະຫຼາດຂອງເຄື່ອງຈັກແບບຮວງຕັ້ງແຈບດ້ວຍຄອມພິວເຕີ neuromorphic. Roy, K., Jaiswal, A. & Panda, P. Towards Spike-Based Machine Intelligence with Neuromorphic Computing.Roy K, Jaiswal A, ແລະ Panda P. ປັນຍາປະດິດທີ່ໃຊ້ Pulse ໂດຍໃຊ້ຄອມພິວເຕີ້ neuromorphic. ທຳມະຊາດ 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. ແລະ Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. ແລະ Liu, S.-K.ຄວາມຊົງຈໍາແລະການປະມວນຜົນຂໍ້ມູນໃນລະບົບ neuromorphic. ຂະ​ບວນ​ການ. IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: ການອອກແບບ ແລະຊຸດເຄື່ອງມືສຳລັບຊິບ synaptic ທີ່ມີໂປຣແກມ 65 mW 1 ລ້ານ neuron. ການເຮັດທຸລະກໍາ IEEE. ການອອກແບບຄອມພິວເຕີຂອງລະບົບວົງຈອນປະສົມປະສານ. 34, 1537–1557 (2015).
Schemmel, J. et al. ການສາທິດສົດ: ມີການປັບຂະໜາດຂອງລະບົບ neuromorphic BrainScaleS ລົງໃນລະດັບແຜ່ນ. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. A scalable multicore architecture with heterogeneous memory structures for dynamic neuromorphic asynchronous processors (DYNAPs). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. A scalable multicore architecture with heterogeneous memory structures for dynamic neuromorphic asynchronous processors (DYNAPs).Moradi S., Qiao N., Stefanini F. ແລະ Indiviri G. ສະຖາປັດຕະຍະກຳ multicore ທີ່ສາມາດປັບຂະ ໜາດ ໄດ້ດ້ວຍໂຄງສ້າງຄວາມຊົງຈຳທີ່ຫຼາກຫຼາຍສຳລັບໂປຣເຊສເຊີ neuromorphic asynchronous (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. 一种可扩展的多核架构，具有用于动态神经形态异步处理器(DNA)的异构内存结构. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. ປະເພດຂອງສະຖາປັດຕະຍະກໍາຫຼາຍແກນທີ່ສາມາດຂະຫຍາຍໄດ້, ມີໂຄງສ້າງຄວາມຊົງຈໍາທີ່ເປັນເອກະລັກສໍາລັບການປະມວນຜົນທາງປະສາດແບບເຄື່ອນໄຫວ (DYNAP).Moradi S., Qiao N., Stefanini F. ແລະ Indiviri G. ສະຖາປັດຕະຍະກຳ multicore ທີ່ສາມາດປັບຂະ ໜາດ ໄດ້ດ້ວຍໂຄງສ້າງຄວາມຊົງຈຳທີ່ຫຼາກຫຼາຍສຳລັບໂປຣເຊສເຊີ neuromorphic asynchronous (DYNAP).ການເຮັດທຸລະກໍາ IEEE ກ່ຽວກັບວິທະຍາສາດຊີວະພາບ. ລະບົບໄຟຟ້າ. 12, 106–122 (2018).
Davis, M. et al. Loihi: ໂປເຊດເຊີ neuromorphic multi-core ທີ່ມີການຮຽນຮູ້ຝັງ. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA ໂຄງການ SpiNNaker. Furber, SB, Galluppi, F., Temple, S. & Plana, LA ໂຄງການ SpiNNaker.Ferber SB, Galluppi F., Temple S. ແລະໂຄງການ Plana LA SpinNaker.Ferber SB, Galluppi F., Temple S. ແລະໂຄງການ Plana LA SpinNaker. ຂະ​ບວນ​ການ. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. ລະບົບ sensory Neuromorphic. & Delbruck, T. ລະບົບ sensory Neuromorphic.ແລະ Delbrück T. ລະບົບ sensory Neuromorphic. & Delbruck, T. 神经形态感觉系统. & Delbruck, T.ແລະ Delbrück T. ລະບົບ sensory Neuromorphic.ປະຈຸບັນ. ຄວາມຄິດເຫັນ. Neurobiology. 20, 288–295 (2010).
Chope, T. et al. ການປະສົມປະສານຂອງ neuromorphic sensory ສໍາລັບການທ້ອງຖິ່ນຂອງແຫຼ່ງສຽງທີ່ປະສົມປະສານແລະການຫຼີກເວັ້ນການ collision. ໃນປີ 2019 ທີ່ກອງປະຊຸມ IEEE ກ່ຽວກັບວົງຈອນ ແລະລະບົບຊີວະແພດ (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A ສະຖາປັດຕະຍະກຳ neuromorphic ແບບຮວງຕັ້ງແຈບຂອງວິໄສທັດສະເຕີລິໂອ. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A ສະຖາປັດຕະຍະກຳ neuromorphic ແບບຮວງຕັ້ງແຈບຂອງວິໄສທັດສະເຕີລິໂອ.Risi N, Aymar A, Donati E, Solinas S, ແລະ Indiveri G. ສະຖາປັດຕະຍະກຳ neuromorphic stereovision ແບບຮວງຕັ້ງແຈບ. 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, ແລະ Indiveri G. ສະຖາປັດຕະຍະກຳ neuromorphic ແບບຮວງຕັ້ງແຈບສຳລັບວິໄສທັດສະເຕຣິໂອ.ດ້ານໜ້າ. Neurorobottics 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking neural network model of 3Dperception for event-based neuromorphic stereo vision systems . Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. A spiking neural network model of 3Dperception for event-based neuromorphic stereo vision systems .Oswald, M., Ieng, S.-H., Benosman, R., ແລະ Indiveri, G. A 3D Pulsed Neural Network Perception Models for Event-Based Neuromorphic Stereo Vision Systems. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception 脉冲神经网。 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., ແລະ Indiveri, G. Spiked 3Dperception Neural Network Model for the Event-Based Neuromorphic Stereo Vision System.ວິທະຍາສາດ. ບົດລາຍງານ 7, 1–11 (2017).
Dalgaty, T. et al. ການກວດຈັບການເຄື່ອນໄຫວຂັ້ນພື້ນຖານທີ່ດົນໃຈຈາກແມງໄມ້ປະກອບມີຄວາມຊົງຈຳທີ່ຕ້ານທານ ແລະ ເຄືອຂ່າຍ neural ທີ່ແຕກຫັກ. ລະບົບ biohybrid ຊີວະພາບ. 10928, 115–128 (2018).
D'Angelo, G. et al. ການກວດຈັບການເຄື່ອນໄຫວແບບແປກປະຫຼາດໂດຍອີງໃສ່ເຫດການໂດຍໃຊ້ລະຫັດຄວາມແຕກຕ່າງຊົ່ວຄາວ. ດ້ານໜ້າ. ວິທະຍາປະສາດ. 14, 451 (2020).