Jaunumi

Reālās pasaules datu apstrādes lietojumprogrammām ir nepieciešamas kompaktas, zema latentuma un mazjaudas skaitļošanas sistēmas. Ar notikumu vadītām skaitļošanas iespējām papildinošas metāla oksīda un pusvadītāju hibrīda memristīvās neiromorfās arhitektūras nodrošina ideālu aparatūras pamatu šādiem uzdevumiem. Lai demonstrētu visu šādu sistēmu potenciālu, mēs piedāvājam un eksperimentāli demonstrējam visaptverošu sensoru apstrādes risinājumu reālās pasaules objektu lokalizācijas lietojumprogrammām. Iedvesmojoties no meža pūces neiroanatomijas, esam izstrādājuši bioiedvesmotu, notikumiem balstītu objektu lokalizācijas sistēmu, kas apvieno mūsdienīgu pjezoelektrisko mikromehānisko devēju devēju ar skaitļošanas grafiku balstītu neiromorfisko pretestības atmiņu. Mēs parādām izgatavotas sistēmas mērījumus, kas ietver uz atmiņu balstītu pretestības sakritības detektoru, aizkaves līnijas shēmu un pilnībā pielāgojamu ultraskaņas devēju. Mēs izmantojam šos eksperimentālos rezultātus, lai kalibrētu simulācijas sistēmas līmenī. Pēc tam šīs simulācijas tiek izmantotas, lai novērtētu objekta lokalizācijas modeļa leņķisko izšķirtspēju un energoefektivitāti. Rezultāti liecina, ka mūsu pieeja var būt par vairākām kārtām energoefektīvāka nekā mikrokontrolleri, kas veic vienu un to pašu uzdevumu.
Mēs ieejam visuresošas skaitļošanas laikmetā, kurā eksponenciāli pieaug izvietoto ierīču un sistēmu skaits, lai palīdzētu mums ikdienas dzīvē. Paredzams, ka šīs sistēmas darbosies nepārtraukti, patērējot pēc iespējas mazāk enerģijas, vienlaikus mācoties interpretēt datus, ko tās savāc no vairākiem sensoriem reāllaikā un klasificēšanas vai atpazīšanas uzdevumu rezultātā radīs bināro izvadi. Viens no svarīgākajiem soļiem, kas jāveic, lai sasniegtu šo mērķi, ir noderīgas un kompaktas informācijas iegūšana no trokšņainiem un bieži vien nepilnīgiem sensoriem datiem. Tradicionālās inženierijas pieejas parasti ņem sensoru signālu paraugus nemainīgā un lielā ātrumā, ģenerējot lielu datu apjomu pat tad, ja nav noderīgas ievades. Turklāt šīs metodes izmanto sarežģītas ciparu signālu apstrādes metodes, lai iepriekš apstrādātu (bieži trokšņainos) ievades datus. Tā vietā bioloģija piedāvā alternatīvus risinājumus trokšņainu sensoro datu apstrādei, izmantojot energoefektīvas, asinhronas, uz notikumiem balstītas pieejas (smailes)2,3. Neiromorfā skaitļošana smeļas iedvesmu no bioloģiskām sistēmām, lai samazinātu skaitļošanas izmaksas enerģijas un atmiņas prasību ziņā salīdzinājumā ar tradicionālajām signālu apstrādes metodēm4,5,6. Nesen tika demonstrētas novatoriskas vispārējas nozīmes smadzeņu sistēmas, kas ievieš impulsu neironu tīklus (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11). Šie procesori nodrošina mazjaudas un zema latentuma risinājumus mašīnmācībai un kortikālās ķēdes modelēšanai. Lai pilnībā izmantotu to energoefektivitāti, šiem neiromorfiskajiem procesoriem jābūt tieši savienotiem ar notikumu vadītiem sensoriem 12, 13. Tomēr šodien ir tikai dažas skārienierīces, kas tieši nodrošina uz notikumiem balstītus datus. Ievērojami piemēri ir dinamiskie vizuālie sensori (DVS) tādiem redzes lietojumiem kā izsekošana un kustības noteikšana14,15,16,17, silīcija gliemežnīca18 un neiromorfie dzirdes sensori (NAS)19 dzirdes signālu apstrādei, ožas sensori20 un daudzi pieskāriena piemēri21,22. . tekstūras sensori.
Šajā rakstā mēs iepazīstinām ar jaunizveidotu uz notikumiem balstītu dzirdes apstrādes sistēmu, kas tiek izmantota objektu lokalizācijai. Šeit pirmo reizi mēs aprakstām objektu lokalizācijas sistēmu no gala līdz galam, kas iegūta, savienojot mūsdienīgu pjezoelektrisko mikromehānisko ultraskaņas devēju (pMUT) ar skaitļošanas grafiku, kura pamatā ir neiromorfā pretestības atmiņa (RRAM). Atmiņas skaitļošanas arhitektūras, kurās izmanto RRAM, ir daudzsološs risinājums enerģijas patēriņa samazināšanai23,24,25,26,27,28,29. To raksturīgā nepastāvība — informācijas glabāšanai vai atjaunināšanai nav nepieciešams aktīvs enerģijas patēriņš — lieliski saskan ar neiromorfās skaitļošanas asinhrono, uz notikumiem balstīto raksturu, kā rezultātā sistēmai dīkstāvē gandrīz nav enerģijas patēriņa. Pjezoelektriskie mikromehāniski apstrādāti ultraskaņas devēji (pMUT) ir lēti, miniatūrizēti uz silīcija bāzes izgatavoti ultraskaņas devēji, kas spēj darboties kā raidītāji un uztvērēji30,31,32,33,34. Lai apstrādātu signālus, ko saņem iebūvētie sensori, mēs smēlāmies iedvesmu no meža pūces neiroanatomijas35,36,37. Pūce Tyto alba ir pazīstama ar savām ievērojamajām nakts medību spējām, pateicoties ļoti efektīvai dzirdes lokalizācijas sistēmai. Lai aprēķinātu laupījuma atrašanās vietu, meža pūces lokalizācijas sistēma kodē lidojuma laiku (ToF), kad skaņas viļņi no medījuma sasniedz katru no pūces ausīm vai skaņas receptoriem. Ņemot vērā attālumu starp ausīm, atšķirība starp diviem ToF mērījumiem (Interaural Time Difference, ITD) ļauj analītiski aprēķināt mērķa azimuta pozīciju. Lai gan bioloģiskās sistēmas ir slikti piemērotas algebrisko vienādojumu risināšanai, tās var ļoti efektīvi atrisināt lokalizācijas problēmas. Pūces nervu sistēma izmanto sakritības detektoru (CD)35 neironu kopu (ti, neironus, kas spēj noteikt laika korelācijas starp smailēm, kas izplatās lejup uz konverģentiem ierosmes galiem)38,39, kas sakārtoti skaitļošanas grafikos, lai atrisinātu pozicionēšanas problēmas.
Iepriekšējie pētījumi ir parādījuši, ka komplementāra metāla oksīda pusvadītāju (CMOS) aparatūra un uz RRAM balstīta neiromorfā aparatūra, ko iedvesmojusi meža pūces inferior colliculus (“dzirdes garoza”), ir efektīva metode pozīcijas aprēķināšanai, izmantojot ITD13, 40, 41, 42, 43, 44, 45, 46. Tomēr vēl ir jāpierāda pilnīgu neiromorfu sistēmu potenciāls, kas saista dzirdes signālus ar neiromorfiskām skaitļošanas grafikiem. Galvenā problēma ir analogo CMOS shēmu raksturīgā mainīgums, kas ietekmē atbilstības noteikšanas precizitāti. Nesen tika demonstrētas ITD47 aplēšu alternatīvas skaitliskās ieviešanas. Šajā rakstā mēs piedāvājam izmantot RRAM spēju mainīt vadītspējas vērtību nemainīgā veidā, lai neitralizētu analogo ķēžu mainīgumu. Mēs ieviesām eksperimentālu sistēmu, kas sastāv no vienas pMUT pārraides membrānas, kas darbojas ar frekvenci 111, 9 kHz, divām pMUT uztverošajām membrānām (sensoriem), kas imitē meža pūces ausis, un vienas . Mēs eksperimentāli raksturojām pMUT noteikšanas sistēmu un uz RRAM balstītu ITD skaitļošanas grafiku, lai pārbaudītu mūsu lokalizācijas sistēmu un novērtētu tās leņķisko izšķirtspēju.
Mēs salīdzinām savu metodi ar digitālo ieviešanu mikrokontrollerī, kas veic to pašu lokalizācijas uzdevumu, izmantojot parastās staru formēšanas vai neiromorfās metodes, kā arī ar lauka programmējamo vārtu masīvu (FPGA) ITD novērtēšanai, kas ierosināta atsaucē. 47. Šis salīdzinājums izceļ piedāvātās uz RRAM balstītās analogās neiromorfās sistēmas konkurētspējīgo jaudas efektivitāti.
Viens no spilgtākajiem precīzas un efektīvas objektu lokalizācijas sistēmas piemēriem ir atrodams meža pūcē35,37,48. Krēslā un rītausmā meža pūce (Tyto Alba) galvenokārt paļaujas uz pasīvu klausīšanos, aktīvi meklējot mazus laupījumus, piemēram, pelēm vai peles. Šie dzirdes eksperti var lokalizēt dzirdes signālus no laupījuma ar pārsteidzošu precizitāti (apmēram 2°)35, kā parādīts 1.a attēlā. Pūces secina skaņas avotu atrašanās vietu azimuta (horizontālajā) plaknē no ienākošā lidojuma laika (ITD) starpības no skaņas avota līdz abām ausīm. ITD skaitļošanas mehānismu ierosināja Jeffress49,50, kas balstās uz neironu ģeometriju un prasa divas galvenās sastāvdaļas: aksonu, neirona nervu šķiedras, kas darbojas kā kavēšanās līnija, un sakritības detektoru neironu masīvu, kas sakārtots skaitļošanas sistēmā. grafikā, kā parādīts 1.b attēlā. Skaņa sasniedz ausi ar azimuta atkarīgu laika aizkavi (ITD). Pēc tam skaņa katrā ausī tiek pārveidota par smailes rakstu. Kreisās un labās auss aksoni darbojas kā kavēšanās līnijas un saplūst uz CD neironiem. Teorētiski tikai viens neirons saskaņoto neironu masīvā vienlaikus saņems ievadi (kur aizkave tiek pilnībā atcelta) un tiks maksimāli aktivizēta (arī blakus esošās šūnas darbosies, bet ar zemāku frekvenci). Atsevišķu neironu aktivizēšana kodē mērķa pozīciju telpā, nepārvēršot ITD leņķos. Šī koncepcija ir apkopota 1.c attēlā: piemēram, ja skaņa nāk no labās puses, kad ieejas signāls no labās auss virzās garāku ceļu nekā ceļš no kreisās auss, piemēram, kompensējot ITD skaitu, kad sakrīt neirons 2. Citiem vārdiem sakot, katrs kompaktdisks reaģē uz noteiktu ITD (pazīstams arī kā optimālā aizkave) aksonu kavēšanās dēļ. Tādējādi smadzenes pārvērš laika informāciju telpiskā informācijā. Šim mehānismam ir atrasti anatomiski pierādījumi37,51. Fāzu bloķētie makrokodolu neironi uzglabā īslaicīgu informāciju par ienākošajām skaņām: kā norāda to nosaukums, tie uzliesmo noteiktās signāla fāzēs. Laminārajā kodolā var atrast Džefrisa modeļa sakritības detektoru neironus. Viņi saņem informāciju no makronukleārajiem neironiem, kuru aksoni darbojas kā kavēšanās līnijas. Aizkaves līnijas nodrošināto aizkaves apjomu var izskaidrot ar aksona garumu, kā arī citu mielinizācijas modeli, kas maina vadīšanas ātrumu. Iedvesmojoties no meža pūces dzirdes sistēmas, esam izstrādājuši biomimētisko sistēmu objektu lokalizēšanai. Abas ausis attēlo divi pMUT uztvērēji. Skaņas avots ir pMUT raidītājs, kas atrodas starp tiem (1.a att.), un skaitļošanas grafiku veido uz RRAM balstītu CD shēmu režģis (1.b att., zaļš), spēlējot CD neironu lomu, kuru ieejas ir aizkavētas. caur ķēdi aizkavēšanās līnijas (zilas) darbojas kā aksoni bioloģiskajā ekvivalentā. Piedāvātā sensorā sistēma pēc darbības frekvences atšķiras no pūces, kuras dzirdes sistēma darbojas 1–8 kHz diapazonā, bet šajā darbā tiek izmantoti pMUT sensori, kas darbojas aptuveni 117 kHz. Ultraskaņas devēja izvēle tiek izskatīta atbilstoši tehniskajiem un optimizācijas kritērijiem. Pirmkārt, uztveršanas joslas platuma ierobežošana līdz vienai frekvencei ideālā gadījumā uzlabo mērījumu precizitāti un vienkāršo pēcapstrādes darbību. Turklāt darbībai ultraskaņā ir tā priekšrocība, ka izstarotie impulsi nav dzirdami, tāpēc netraucē cilvēkus, jo viņu dzirdes diapazons ir ~20-20 kHz.
meža pūce saņem skaņas viļņus no mērķa, šajā gadījumā kustīga laupījuma. Skaņas viļņa lidojuma laiks (ToF) katrai ausij ir atšķirīgs (ja vien medījums nav tieši pūces priekšā). Punktētā līnija parāda ceļu, pa kuru skaņas viļņi sasniedz meža pūces ausis. Medījumu var precīzi lokalizēt horizontālajā plaknē, pamatojoties uz garuma starpību starp diviem akustiskajiem ceļiem un atbilstošo interaurālo laika starpību (ITD) (kreisais attēls, iedvesmojoties no 74. atsauces, autortiesības 2002, Society for Neuroscience). Mūsu sistēmā pMUT raidītājs (tumši zils) ģenerē skaņas viļņus, kas atlec no mērķa. Atspoguļotos ultraskaņas viļņus uztver divi pMUT uztvērēji (gaiši zaļi) un apstrādā neiromorfiskais procesors (pa labi). b ITD (Jeffress) skaitļošanas modelis, kas apraksta, kā skaņas, kas nonāk meža pūces ausīs, vispirms tiek kodētas kā fāzē bloķētas tapas lielajā kodolā (NM) un pēc tam tiek izmantots ģeometriski sakārtots saskaņotu detektoru neironu režģis slāņainajā kodolā. Notiek apstrāde (Nīderlande) (pa kreisi). NeuroITD skaitļošanas grafika ilustrācija, kas apvieno aizkaves līnijas un sakritības detektora neironus, pūces biosensoru sistēmu var modelēt, izmantojot uz RRAM balstītas neiromorfās shēmas (pa labi). c Galvenā Jeffress mehānisma shēma, ToF atšķirības dēļ abas ausis saņem skaņas stimulus dažādos laikos un sūta aksonus no abiem galiem uz detektoru. Aksoni ir daļa no sakritības detektora (CD) neironu sērijas, no kuriem katrs selektīvi reaģē uz spēcīgi laika korelāciju. Rezultātā maksimāli tiek ierosināti tikai tie kompaktdiski, kuru ievades pienāk ar mazāko laika starpību (ITD ir precīzi kompensēts). Pēc tam kompaktdiskā tiks kodēta mērķa leņķiskā pozīcija.
Pjezoelektriskie mikromehāniskie ultraskaņas devēji ir mērogojami ultraskaņas devēji, kurus var integrēt ar progresīvu CMOS tehnoloģiju31,32,33,52, un tiem ir zemāks sākotnējais spriegums un enerģijas patēriņš nekā tradicionālajiem tilpuma devējiem53. Mūsu darbā membrānas diametrs ir 880 µm, un rezonanses frekvence ir sadalīta diapazonā no 110 līdz 117 kHz (2.a att., sīkāku informāciju skatiet sadaļā Metodes). Desmit testa ierīču partijā vidējais kvalitātes koeficients bija aptuveni 50 (atsauce 31). Tehnoloģija ir sasniegusi rūpniecisku briedumu, un pati par sevi tā nav bioloģiski iedvesmota. Informācijas apvienošana no dažādām pMUT filmām ir labi zināms paņēmiens, un informāciju par leņķi var iegūt no pMUT, izmantojot, piemēram, staru kūļa veidošanas metodes 31, 54. Tomēr signāla apstrāde, kas nepieciešama, lai iegūtu informāciju par leņķi, nav piemērota mazjaudas mērījumiem. Ierosinātā sistēma apvieno neiromorfo datu priekšapstrādes ķēdi pMUT ar uz RRAM balstītu neiromorfu skaitļošanas grafiku, ko iedvesmojis Džefress modelis (2.c attēls), nodrošinot alternatīvu energoefektīvu un resursiem ierobežotu aparatūras risinājumu. Mēs veicām eksperimentu, kurā divi pMUT sensori tika novietoti aptuveni 10 cm attālumā viens no otra, lai izmantotu dažādās ToF skaņas, ko saņem abas uztverošās membrānas. Viens pMUT, kas darbojas kā raidītājs, atrodas starp uztvērējiem. Mērķis bija 12 cm plata PVC plāksne, kas atrodas attālumā D pMUT ierīces priekšā (2.b att.). Uztvērējs ieraksta no objekta atstaroto skaņu un pēc iespējas vairāk reaģē skaņas viļņa pārejas laikā. Atkārtojiet eksperimentu, mainot objekta pozīciju, ko nosaka attālums D un leņķis θ. Iedvesmojoties no saites. 55, mēs piedāvājam pMUT neapstrādātu signālu neiromorfisku iepriekšēju apstrādi, lai pārveidotu atstarotos viļņus pīķos, lai ievadītu neiromorfisku skaitļošanas grafiku. ToF, kas atbilst pīķa amplitūdai, tiek iegūts no katra no diviem kanāliem un tiek kodēts kā precīzs atsevišķo pīķu laiks. Uz att. c attēlā ir parādīta shēma, kas nepieciešama, lai savienotu pMUT sensoru ar RRAM balstītu skaitļošanas grafiku: katram no diviem pMUT uztvērējiem neapstrādātais signāls tiek filtrēts ar joslas caurlaides filtrēšanu, lai izlīdzinātu, izlabotu un pēc tam pārvarēšanas režīmā tiek nodots noplūdes integratoram. dinamiskais slieksnis (2.d att.) rada izejas notikumu (smaile) un šaušanas (LIF) neironu: izejas smailes laiks kodē konstatēto lidojuma laiku. LIF slieksnis ir kalibrēts pret pMUT reakciju, tādējādi samazinot pMUT mainīgumu dažādās ierīcēs. Izmantojot šo pieeju, tā vietā, lai saglabātu visu skaņas vilni atmiņā un apstrādātu to vēlāk, mēs vienkārši ģenerējam maksimumu, kas atbilst skaņas viļņa ToF, kas veido ievadi rezistīvās atmiņas skaitļošanas grafikā. Smailes tiek nosūtītas tieši uz aizkaves līnijām un paralēlas ar atbilstības noteikšanas moduļiem neiromorfu aprēķinu grafikos. Tā kā tie tiek nosūtīti uz tranzistoru vārtiem, nav nepieciešama papildu pastiprināšanas shēma (sīkāku informāciju skatiet 4. papildu attēlā). Lai novērtētu pMUT nodrošināto lokalizācijas leņķisko precizitāti un piedāvāto signālu apstrādes metodi, mēs izmērījām ITD (tas ir, laika starpību starp divu uztvērēju radītajiem maksimuma notikumiem), jo objekta attālums un leņķis mainījās. Pēc tam ITD analīze tika pārveidota par leņķiem (sk. Metodes) un attēlota attiecībā pret objekta stāvokli: izmērītā ITD nenoteiktība palielinājās līdz ar attālumu un leņķi pret objektu (2.e, f att.). Galvenā problēma ir maksimālā un trokšņa attiecība (PNR) pMUT reakcijā. Jo tālāk atrodas objekts, jo zemāks ir akustiskais signāls, tādējādi samazinot PNR (2.f attēls, zaļā līnija). PNR samazināšanās palielina ITD aplēses nenoteiktību, kā rezultātā palielinās lokalizācijas precizitāte (2.f attēls, zilā līnija). Objektam, kas atrodas 50 cm attālumā no raidītāja, sistēmas leņķiskā precizitāte ir aptuveni 10°. Šo ierobežojumu, ko nosaka sensora raksturlielumi, var uzlabot. Piemēram, var palielināt emitētāja sūtīto spiedienu, tādējādi palielinot pMUT membrānas virzošo spriegumu. Vēl viens risinājums pārraidītā signāla pastiprināšanai ir savienot vairākus raidītājus 56. Šie risinājumi palielinās noteikšanas diapazonu uz palielinātu enerģijas izmaksu rēķina. Saņēmēja pusē var veikt papildu uzlabojumus. pMUT uztvērēja trokšņu līmeni var ievērojami samazināt, uzlabojot savienojumu starp pMUT un pirmās pakāpes pastiprinātāju, kas pašlaik tiek darīts ar vadu savienojumiem un RJ45 kabeļiem.
pMUT kristāla attēls ar sešām 880 µm membrānām, kas integrētas ar 1, 5 mm soli. b Mērīšanas iestatīšanas diagramma. Mērķis atrodas azimuta pozīcijā θ un attālumā D. pMUT raidītājs ģenerē 117,6 kHz signālu, kas atlec no mērķa un sasniedz divus pMUT uztvērējus ar atšķirīgu lidojuma laiku (ToF). Šī atšķirība, kas definēta kā inter-aural time starpība (ITD), kodē objekta pozīciju, un to var novērtēt, novērtējot divu uztvērēja sensoru maksimālo reakciju. c Priekšapstrādes soļu shēma neapstrādāta pMUT signāla pārvēršanai smailes secībās (ti, ievade neiromorfā skaitļošanas grafikā). Ir izgatavoti un pārbaudīti pMUT sensori un neiromorfie skaitļošanas grafiki, un neiromorfā pirmapstrāde ir balstīta uz programmatūras simulāciju. d pMUT membrānas reakcija pēc signāla saņemšanas un tā pārveidošana smaiļu domēnā. e Eksperimentālās lokalizācijas leņķiskā precizitāte kā objekta leņķa (Θ) un attāluma (D) līdz mērķa objektam funkcija. ITD ekstrakcijas metodei nepieciešama minimālā leņķiskā izšķirtspēja aptuveni 4°C. f Leņķiskā precizitāte (zilā līnija) un atbilstošā maksimālā un trokšņa attiecība (zaļā līnija) pret objekta attālumu, ja Θ = 0.
Rezistīvā atmiņa saglabā informāciju nemainīgā vadošā stāvoklī. Metodes pamatprincips ir tāds, ka materiāla modifikācija atomu līmenī izraisa tā elektriskās vadītspējas izmaiņas57. Šeit mēs izmantojam uz oksīdu balstītu pretestības atmiņu, kas sastāv no 5 nm hafnija dioksīda slāņa, kas iestiprināts starp augšējo un apakšējo titāna un titāna nitrīda elektrodiem. RRAM ierīču vadītspēju var mainīt, pielietojot strāvas/sprieguma viļņu formu, kas starp elektrodiem rada vai salauž vadošus skābekļa vakanču pavedienus. Mēs kopīgi integrējām šādas ierīces58 standarta 130 nm CMOS procesā, lai izveidotu izgatavotu pārkonfigurējamu neiromorfu ķēdi, kas īsteno sakritības detektoru un aizkaves līnijas ķēdi (3.a attēls). Ierīces nepastāvīgais un analogais raksturs apvienojumā ar neiromorfās ķēdes notikumu virzīto raksturu samazina enerģijas patēriņu. Ķēdei ir tūlītējas ieslēgšanas/izslēgšanas funkcija: tā darbojas uzreiz pēc ieslēgšanas, ļaujot pilnībā izslēgt strāvu, kad ķēde ir dīkstāvē. Piedāvātās shēmas galvenie elementi ir parādīti attēlā. 3b. Tas sastāv no N paralēlām viena rezistora viena tranzistora (1T1R) struktūrām, kas kodē sinaptiskos svarus, no kuriem tiek ņemtas svērtās strāvas, ievadītas diferenciālā pāra integratora (DPI)59 kopējā sinapsē un visbeidzot ievadītas sinapsē ar integrāciju un noplūde. aktivizēts (LIF) neirons 60 (sīkāku informāciju skatiet sadaļā Metodes). Ievades pārspriegumi tiek pielietoti 1T1R struktūras vārtiem sprieguma impulsu secības veidā, kuru ilgums ir aptuveni simtiem nanosekunžu. Rezistīvo atmiņu var ievietot augstas vadītspējas stāvoklī (HCS), piemērojot ārēju pozitīvu atsauci uz Vtop, kad Vbottom ir iezemēts, un atiestatīt uz zemas vadītspējas stāvokli (LCS), pieliekot Vbottom pozitīvu spriegumu, kad Vtop ir iezemēts. HCS vidējo vērtību var kontrolēt, ierobežojot SET (ICC) programmēšanas strāvu (atbilstību) ar virknes tranzistora aizslēga avota spriegumu (3.c att.). RRAM funkcijas ķēdē ir divējādas: tās virza un sver ievades impulsus.
Skenējošā elektronu mikroskopa (SEM) attēls zilai HfO2 1T1R RRAM ierīcei, kas integrēta 130 nm CMOS tehnoloģijā ar selektora tranzistoriem (platums 650 nm) zaļā krāsā. b Piedāvātās neiromorfās shēmas pamatelementi. Ieejas sprieguma impulsi (pīķi) Vin0 un Vin1 patērē strāvu Iweight, kas ir proporcionāla 1T1R struktūras vadītspējas stāvokļiem G0 un G1. Šī strāva tiek ievadīta DPI sinapsēs un ierosina LIF neironus. RRAM G0 un G1 ir instalēti attiecīgi HCS un LCS. c Kumulatīvā vadītspējas blīvuma funkcija 16K RRAM ierīču grupai kā ICC strāvas saskaņošanas funkcija, kas efektīvi kontrolē vadītspējas līmeni. d Ķēdes mērījumi a) apakšpunktā, kas parāda, ka G1 (LCS) efektīvi bloķē ievadi no Vin1 (zaļš), un patiešām izejas neirona membrānas spriegums reaģē tikai uz zilo ievadi no Vin0. RRAM efektīvi nosaka savienojumus ķēdē. e Ķēdes mērījums b) punktā, parādot vadītspējas vērtības G0 ietekmi uz membrānas spriegumu Vmem pēc sprieguma impulsa Vin0 pielikšanas. Jo lielāka vadītspēja, jo spēcīgāka ir reakcija: tādējādi RRAM ierīce ievieš I/O savienojuma svērumu. Mērījumi tika veikti ķēdē un demonstrē RRAM divkāršo funkciju, maršrutēšanu un ievades impulsu svēršanu.
Pirmkārt, tā kā ir divi pamata vadīšanas stāvokļi (HCS un LCS), RRAM var bloķēt vai palaist garām ievades impulsus, kad tie atrodas attiecīgi LCS vai HCS stāvoklī. Rezultātā RRAM efektīvi nosaka savienojumus ķēdē. Tas ir pamats, lai varētu pārkonfigurēt arhitektūru. Lai to parādītu, mēs aprakstīsim ķēdes bloka izgatavotu shēmas realizāciju 3.b attēlā. RRAM, kas atbilst G0, ir ieprogrammēts HCS, un otrais RRAM G1 ir ieprogrammēts LCS. Ievades impulsi tiek lietoti gan Vin0, gan Vin1. Divu ieejas impulsu secību ietekme tika analizēta izejas neironos, savācot neironu membrānas spriegumu un izejas signālu, izmantojot osciloskopu. Eksperiments bija veiksmīgs, kad tikai HCS ierīce (G0) tika savienota ar neirona impulsu, lai stimulētu membrānas spriedzi. Tas ir parādīts 3d attēlā, kur zilā impulsa ķēde izraisa membrānas sprieguma uzkrāšanos uz membrānas kondensatora, bet zaļā impulsu ķēde saglabā membrānas spriegumu nemainīgu.
Otra svarīgā RRAM funkcija ir savienojuma svaru ieviešana. Izmantojot RRAM analogās vadītspējas regulēšanu, I/O savienojumus var attiecīgi svērt. Otrajā eksperimentā G0 ierīce tika ieprogrammēta dažādiem HCS līmeņiem, un ievades impulss tika piemērots VIn0 ieejai. Ieejas impulss ņem no ierīces strāvu (Iweight), kas ir proporcionāla vadītspējai un atbilstošajam potenciāla kritumam Vtop − Vbot. Pēc tam šī svērtā strāva tiek ievadīta DPI sinapsēs un LIF izejas neironos. Izejas neironu membrānas spriegums tika reģistrēts, izmantojot osciloskopu, un parādīts 3.d attēlā. Neironu membrānas sprieguma maksimums, reaģējot uz vienu ievades impulsu, ir proporcionāls rezistīvās atmiņas vadītspējai, parādot, ka RRAM var izmantot kā programmējamu sinaptiskā svara elementu. Šie divi provizoriskie testi liecina, ka piedāvātā uz RRAM balstītā neiromorfā platforma spēj ieviest Jeffress pamata mehānisma pamatelementus, proti, aizkaves līniju un sakritības detektora ķēdi. Ķēdes platforma ir veidota, saliekot blakus secīgus blokus, piemēram, blokus 3.b attēlā, un savienojot to vārtus ar kopēju ievades līniju. Mēs izstrādājām, izgatavojām un pārbaudījām neiromorfisku platformu, kas sastāv no diviem izejas neironiem, kas saņem divas ievades (4.a attēls). Ķēdes shēma ir parādīta 4.b attēlā. Augšējā 2 × 2 RRAM matrica ļauj novirzīt ievades impulsus uz diviem izejas neironiem, savukārt apakšējā 2 × 2 matrica pieļauj divu neironu (N0, N1) atkārtotus savienojumus. Mēs demonstrējam, ka šo platformu var izmantot ar aizkaves līnijas konfigurāciju un divām dažādām sakritības detektora funkcijām, kā parādīts eksperimentālajos mērījumos 4.c-e attēlā.
Shēmas diagramma, ko veido divi izejas neironi N0 un N1, kas saņem divus ieejas 0 un 1. Masīva četras augšējās ierīces nosaka sinaptiskos savienojumus no ieejas līdz izejai, un četras apakšējās šūnas nosaka atkārtotus savienojumus starp neironiem. Krāsainie RRAM attēlo ierīces, kas konfigurētas HCS labajā pusē: HCS ierīces pieļauj savienojumus un attēlo svarus, savukārt LCS ierīces bloķē ievades impulsus un atspējo savienojumus ar izejām. b Ķēdes diagramma (a) ar astoņiem RRAM moduļiem, kas iezīmēti zilā krāsā. c Aizkaves līnijas tiek veidotas, vienkārši izmantojot DPI sinapses un LIF neironu dinamiku. Zaļajai RRAM ir iestatīta pietiekami augsta vadītspēja, lai pēc ievades aizkaves Δt varētu izraisīt traucējumus izejā. d Shematisks ilustrācija virzienam nejutīgai no laika atkarīgu signālu CD noteikšanai. Izejas neirons 1, N1, ieslēdzas ieejās 0 un 1 ar nelielu aizkavi. e Virziena jutīga CD ķēde, ķēde, kas nosaka, kad ieeja 1 tuvojas ieejai 0 un nonāk pēc ievades 0. Ķēdes izvadi attēlo neirons 1 (N1).
Aizkaves līnija (4.c attēls) vienkārši izmanto DPI sinapses un LIF neironu dinamisko uzvedību, lai reproducētu ievades smaile no Vin1 uz Vout1, aizkavējot Tdel. Tikai G3 RRAM, kas savienots ar Vin1 un Vout1, ir ieprogrammēts HCS, pārējās RRAM ir ieprogrammētas LCS. G3 ierīce tika ieprogrammēta uz 92,6 µs, lai nodrošinātu, ka katrs ieejas impulss pietiekami palielina izejas neirona membrānas spriegumu, lai sasniegtu slieksni un radītu aizkavētu izejas impulsu. Aizkavi Tdel nosaka sinaptiskās un neironu laika konstantes. Sakritības detektori nosaka īslaicīgi korelētu, bet telpiski sadalītu ieejas signālu rašanos. Virziena nejutīgs kompaktdisks ir atkarīgs no atsevišķām ieejām, kas saplūst ar kopējo izvades neironu (4.d attēls). Divas RRAM, kas attiecīgi savieno Vin0 un Vin1 ar Vout1, G2 un G4, ir ieprogrammētas augstai vadītspējai. Vienlaicīga smailu parādīšanās uz Vin0 un Vin1 palielina N1 neironu membrānas spriegumu virs sliekšņa, kas nepieciešams izejas smaile ģenerēšanai. Ja abas ieejas atrodas pārāk tālu viena no otras, pirmās ieejas uzkrātajam membrānas spriegumam var būt laiks samazināties, neļaujot membrānas potenciālam N1 sasniegt sliekšņa vērtību. G1 un G2 ir ieprogrammēti aptuveni 65 µs, kas nodrošina, ka viens ieejas pārspriegums nepalielina membrānas spriegumu pietiekami, lai izraisītu izejas pārspriegumu. Telpā un laikā sadalīto notikumu sakritības noteikšana ir fundamentāla darbība, ko izmanto plašā uztveršanas uzdevumu klāstā, piemēram, uz optisko plūsmu balstītā šķēršļu novēršana un skaņas avota lokalizācija. Tādējādi virzienjutīgu un nejutīgu kompaktdisku skaitļošana ir būtisks pamatelements vizuālo un audio lokalizācijas sistēmu konstruēšanai. Kā liecina laika konstantu raksturlielumi (sk. Papildu 2. att.), piedāvātā shēma īsteno piemērotu četru lieluma kārtu laika skalu diapazonu. Tādējādi tas var vienlaikus izpildīt vizuālo un skaņas sistēmu prasības. Virziena jutīgs CD ir ķēde, kas ir jutīga pret impulsu ienākšanas telpisko secību: no labās uz kreiso un otrādi. Tas ir Drosophila vizuālās sistēmas pamata kustības noteikšanas tīkla pamatelements, ko izmanto kustības virzienu aprēķināšanai un sadursmju noteikšanai62. Lai panāktu virzienjutīgu CD, divas ieejas ir jānovirza uz diviem dažādiem neironiem (N0, N1) un starp tiem jāizveido virziena savienojums (4.e att.). Kad tiek saņemta pirmā ievade, NO reaģē, palielinot spriegumu pāri tās membrānai virs sliekšņa vērtības un izraidot pārspriegumu. Šis izvades notikums savukārt aktivizē N1, pateicoties virziena savienojumam, kas iezīmēts zaļā krāsā. Ja pienāk ievades notikums Vin1 un aktivizē N1, kamēr tā membrānas spriegums joprojām ir augsts, N1 ģenerē izejas notikumu, kas norāda, ka ir atrasta atbilstība starp abām ieejām. Virziena savienojumi ļauj N1 izstarot izvadi tikai tad, ja 1. ieeja nāk aiz ievades 0. G0, G3 un G7 ir ieprogrammēti attiecīgi 73,5 µS, 67,3 µS un 40,2 µS, nodrošinot, ka viens smails uz ieejas Vin0 izraisa aizkavi. izejas smaile, savukārt N1 membrānas potenciāls sasniedz slieksni tikai tad, kad abi ievades pārrāvumi nonāk sinhroni. .
Mainīgums ir modelēto neiromorfo sistēmu nepilnību avots63, 64, 65. Tas noved pie neironu un sinapsu neviendabīgas uzvedības. Šādu trūkumu piemēri ietver 30% (vidējā standarta novirze) mainīgumu ievades pastiprinājumā, laika konstantē un ugunsizturīgā periodā, lai nosauktu tikai dažus (skatiet sadaļu Metodes). Šī problēma ir vēl izteiktāka, ja vairākas neironu ķēdes ir savienotas kopā, piemēram, orientācijas jutīgs CD, kas sastāv no diviem neironiem. Lai darbotos pareizi, abu neironu pastiprināšanas un samazināšanās laika konstantēm jābūt pēc iespējas līdzīgākām. Piemēram, liela ievades pastiprinājuma atšķirība var izraisīt vienu neironu pārmērīgu reakciju uz ievades impulsu, kamēr otrs neirons tik tikko reaģē. Uz att. 5.a attēlā parādīts, ka nejauši atlasīti neironi atšķirīgi reaģē uz vienu un to pašu ievades impulsu. Šī neironu mainīgums attiecas, piemēram, uz virzienjutīgu kompaktdisku darbību. Shēmā, kas parādīta attēlā. 5b, c, 1. neirona ievades pastiprinājums ir daudz lielāks nekā neironam 0. Tādējādi neironam 0 ir nepieciešami trīs ievades impulsi (nevis 1), lai sasniegtu slieksni, un 1. neironam, kā paredzēts, ir nepieciešami divi ievades notikumi. No smailes laika atkarīgās biomimētiskās plastiskuma (STDP) ieviešana ir iespējams veids, kā mazināt neprecīzo un gauso neironu un sinaptisko ķēžu ietekmi uz sistēmas veiktspēju43. Šeit mēs ierosinām izmantot pretestības atmiņas plastisko uzvedību kā līdzekli, lai ietekmētu neironu ievades uzlabošanos un samazinātu neiromorfo ķēžu mainīguma ietekmi. Kā parādīts attēlā. 4e, vadītspējas līmeņi, kas saistīti ar RRAM sinaptisko masu, efektīvi modulēja atbilstošo neironu membrānas sprieguma reakciju. Mēs izmantojam iteratīvu RRAM programmēšanas stratēģiju. Noteiktai ievadei sinaptisko svaru vadītspējas vērtības tiek pārprogrammētas, līdz tiek iegūta ķēdes mērķa uzvedība (skatiet sadaļu Metodes).
a Eksperimentālie mērījumi deviņu nejauši atlasītu atsevišķu neironu reakcijai uz vienu un to pašu ievades impulsu. Reakcija dažādās populācijās atšķiras, ietekmējot ievades pieaugumu un laika konstanti. b Eksperimentālie mērījumi par neironu ietekmi uz neironu mainīgumu, kas ietekmē virziena jutīgo CD. Divi virziena jutīgie CD izejas neironi atšķirīgi reaģē uz ievades stimuliem neironu-neironu mainīguma dēļ. Neironam 0 ir mazāks ievades pastiprinājums nekā neironam 1, tāpēc ir nepieciešami trīs ievades impulsi (nevis 1), lai izveidotu izejas smaili. Kā gaidīts, 1. neirons sasniedz slieksni ar diviem ievades notikumiem. Ja 1. ievade pienāk Δt = 50 µs pēc neirona 0 aizdegšanās, CD paliek kluss, jo Δt ir lielāks par 1. neirona laika konstanti (apmēram 22 µs). c tiek samazināts par Δt = 20 µs, lai 1. ievade sasniegtu maksimumu, kad 1. neirona darbība joprojām ir augsta, kā rezultātā vienlaikus tiek atklāti divi ievades notikumi.
Divi ITD aprēķina kolonnā izmantotie elementi ir aizkaves līnija un virziena nejutīgais kompaktdisks. Abām shēmām ir nepieciešama precīza kalibrēšana, lai nodrošinātu labu objekta pozicionēšanas veiktspēju. Aizkaves līnijai ir jānodrošina precīzi aizkavēta ievades maksimuma versija (6.a attēls), un kompaktdisks ir jāaktivizē tikai tad, kad ieeja ir mērķa noteikšanas diapazonā. Aizkaves līnijai ievades savienojumu sinaptiskie svari (G3 4.a attēlā) tika pārprogrammēti, līdz tika iegūta mērķa aizkave. Iestatiet pielaidi ap mērķa aizkavi, lai apturētu programmu: jo mazāka ir pielaide, jo grūtāk ir veiksmīgi iestatīt aizkaves līniju. Uz att. 6.b attēlā parādīti aizkaves līnijas kalibrēšanas procesa rezultāti: redzams, ka piedāvātā shēma var precīzi nodrošināt visus projektēšanas shēmā nepieciešamos aizkaves (no 10 līdz 300 μs). Maksimālais kalibrēšanas iterāciju skaits ietekmē kalibrēšanas procesa kvalitāti: 200 iterācijas var samazināt kļūdu līdz mazāk nekā 5%. Viena kalibrēšanas iterācija atbilst RRAM šūnas iestatīšanas/atiestatīšanas darbībai. Noregulēšanas process ir arī ļoti svarīgs, lai uzlabotu CD moduļa tūlītējas aizvēršanas notikumu noteikšanas precizitāti. Bija vajadzīgas desmit kalibrēšanas iterācijas, lai sasniegtu patiesi pozitīvu ātrumu (ti, notikumu biežumu, kas pareizi identificēti kā atbilstoši) virs 95% (zilā līnija 6.c attēlā). Tomēr regulēšanas process neietekmēja viltus pozitīvus notikumus (tas ir, to notikumu biežumu, kas kļūdaini tika identificēti kā atbilstoši). Vēl viena metode, kas tiek novērota bioloģiskajās sistēmās, lai pārvarētu ātri aktivizējošos ceļu laika ierobežojumus, ir dublēšana (tas ir, daudzas viena un tā paša objekta kopijas tiek izmantotas noteiktas funkcijas veikšanai). Iedvesmojoties no bioloģijas66, mēs ievietojām vairākas CD shēmas katrā CD modulī starp divām aizkaves līnijām, lai samazinātu viltus pozitīvu ietekmi. Kā parādīts attēlā. 6c (zaļā līnija), ievietojot trīs CD elementus katrā CD modulī, var samazināt viltus trauksmes līmeni līdz mazāk nekā 10–2.
Neironu mainīguma ietekme uz aizkaves līnijas shēmām. b Aizkaves līniju shēmas var mērogot līdz lielai aizkavei, iestatot atbilstošo LIF neironu un DPI sinapšu laika konstantes uz lielām vērtībām. RRAM kalibrēšanas procedūras iterāciju skaita palielināšana ļāva ievērojami uzlabot mērķa aizkaves precizitāti: 200 iterācijas samazināja kļūdu līdz mazāk nekā 5%. Viena iterācija atbilst SET/RESET darbībai RRAM šūnā. Katrs c Jeffress modeļa CD modulis var tikt ieviests, izmantojot N paralēlus CD elementus, lai nodrošinātu lielāku elastību attiecībā uz sistēmas kļūmēm. d Vairāk RRAM kalibrēšanas iterāciju palielina patieso pozitīvo ātrumu (zilā līnija), savukārt viltus pozitīvais rādītājs nav atkarīgs no iterāciju skaita (zaļā līnija). Vairāku CD elementu izvietošana paralēli novērš CD moduļu sakritību viltus noteikšanu.
Tagad mēs novērtējam 2. attēlā parādītās pilnīgas integrētās objektu lokalizācijas sistēmas veiktspēju un enerģijas patēriņu, izmantojot pMUT sensora, CD un aiztures līniju ķēžu, kas veido neiromorfo skaitļošanas grafiku, akustisko īpašību mērījumus. Džefresa modelis (1.a att.). Kas attiecas uz neiromorfo skaitļošanas grafiku, jo lielāks ir CD moduļu skaits, jo labāka ir leņķiskā izšķirtspēja, bet arī lielāka sistēmas enerģija (7.a att.). Kompromisu var panākt, salīdzinot atsevišķu komponentu (pMUT sensoru, neironu un sinaptisko ķēžu) precizitāti ar visas sistēmas precizitāti. Aizkaves līnijas izšķirtspēju ierobežo simulēto sinapsu un neironu laika konstantes, kas mūsu shēmā pārsniedz 10 µs, kas atbilst 4° leņķiskajai izšķirtspējai (skatīt metodes). Uzlabotāki mezgli ar CMOS tehnoloģiju ļaus izveidot neironu un sinaptiskās shēmas ar zemākām laika konstantēm, kā rezultātā tiks nodrošināta augstāka aizkaves līnijas elementu precizitāte. Tomēr mūsu sistēmā precizitāti ierobežo kļūda pMUT leņķiskās pozīcijas novērtēšanā, ti, 10° (zila horizontāla līnija 7.a attēlā). Mēs fiksējām CD moduļu skaitu uz 40, kas atbilst aptuveni 4° leņķiskajai izšķirtspējai, ti, skaitļošanas grafika leņķiskajai precizitātei (gaiši zila horizontāla līnija 7.a attēlā). Sistēmas līmenī tas nodrošina 4° izšķirtspēju un 10° precizitāti objektiem, kas atrodas 50 cm sensoru sistēmas priekšā. Šī vērtība ir salīdzināma ar neiromorfo skaņas lokalizācijas sistēmām, kas norādītas atsaucē. 67. Ierosinātās sistēmas salīdzinājums ar jaunākajiem sasniegumiem ir atrodams 1. papildu tabulā. Papildu pMUT pievienošana, akustiskā signāla līmeņa paaugstināšana un elektroniskā trokšņa samazināšana ir iespējami veidi, kā vēl vairāk uzlabot lokalizācijas precizitāti. ) tiek lēsts uz 9,7. nz. 55. Ņemot vērā 40 CD vienības skaitļošanas grafikā, SPICE simulācija noteica, ka vienas operācijas enerģija (ti, objekta pozicionēšanas enerģija) ir 21,6 nJ. Neiromorfā sistēma tiek aktivizēta tikai tad, kad pienāk ievades notikums, ti, kad akustiskais vilnis sasniedz jebkuru pMUT uztvērēju un pārsniedz noteikšanas slieksni, pretējā gadījumā tā paliek neaktīva. Tas ļauj izvairīties no nevajadzīga enerģijas patēriņa, ja nav ieejas signāla. Ņemot vērā lokalizācijas darbību frekvenci 100 Hz un aktivizācijas periodu 300 µs vienai darbībai (maksimālais iespējamais ITD), neiromorfā skaitļošanas grafika enerģijas patēriņš ir 61,7 nW. Katram pMUT uztvērējam pielietojot neiromorfisku priekšapstrādi, visas sistēmas enerģijas patēriņš sasniedz 81,6 nW. Lai saprastu ierosinātās neiromorfās pieejas energoefektivitāti salīdzinājumā ar parasto aparatūru, mēs salīdzinājām šo skaitli ar enerģiju, kas nepieciešama, lai veiktu to pašu uzdevumu modernā mazjaudas mikrokontrollerā, izmantojot neiromorfu vai parasto staru veidošanu68 prasme. Neiromorfiskajā pieejā tiek ņemta vērā analogā-digitālā pārveidotāja (ADC) stadija, kam seko joslas caurlaides filtrs un aploksnes ekstrakcijas stadija (Tīgera-Kaisera metode). Visbeidzot, tiek veikta sliekšņa darbība, lai iegūtu ToF. Mēs esam izlaiduši ITD aprēķinu, pamatojoties uz ToF, un konvertēšanu uz aptuveno leņķisko pozīciju, jo tas notiek vienu reizi katram mērījumam (skatiet sadaļu Metodes). Pieņemot, ka paraugu ņemšanas frekvence ir 250 kHz abos kanālos (pMUT uztvērēji), 18 joslas caurlaides filtru darbības, 3 apvalka ekstrakcijas darbības un 1 sliekšņa darbība vienam paraugam, kopējais enerģijas patēriņš tiek lēsts 245 mikrovati. Tas izmanto mikrokontrollera mazjaudas režīmu69, kas ieslēdzas, kad algoritmi nedarbojas, un tas samazina enerģijas patēriņu līdz 10,8 µW. Atsaucē piedāvātais staru kūļa formēšanas signālu apstrādes risinājuma jaudas patēriņš. 31, ar 5 pMUT uztvērējiem un 11 stariem, kas vienmērīgi sadalīti azimuta plaknē [-50°, +50°], ir 11,71 mW (sīkāku informāciju skatiet sadaļā Metodes). Turklāt mēs ziņojam par FPGA47 bāzes laika starpības kodētāja (TDE) enerģijas patēriņu, kas tiek lēsts uz 1,5 mW, kas aizstāj Jeffress modeli objektu lokalizācijai. Pamatojoties uz šiem aprēķiniem, piedāvātā neiromorfiskā pieeja samazina enerģijas patēriņu par piecām kārtām, salīdzinot ar mikrokontrolleri, izmantojot klasiskās staru kūļa veidošanas metodes objektu lokalizācijas operācijām. Neiromorfas pieejas pieņemšana signālu apstrādei klasiskajā mikrokontrollerī samazina enerģijas patēriņu par aptuveni divām kārtām. Piedāvātās sistēmas efektivitāti var izskaidrot ar asinhronās rezistīvās atmiņas analogās shēmas kombināciju, kas spēj veikt aprēķinus atmiņā, un analogās-digitālās pārveides trūkumu, kas nepieciešama signālu uztveršanai.
a Lokalizācijas darbības leņķiskā izšķirtspēja (zils) un enerģijas patēriņš (zaļš) atkarībā no CD moduļu skaita. Tumši zilā horizontālā josla apzīmē PMUT leņķisko precizitāti un gaiši zilā horizontālā josla apzīmē neiromorfā skaitļošanas grafika leņķisko precizitāti. b Piedāvātās sistēmas enerģijas patēriņš un salīdzinājums ar diviem apspriestajiem mikrokontrolleru implementācijām un Time Difference Encoder (TDE)47 FPGA digitālo ieviešanu.
Lai samazinātu mērķa lokalizācijas sistēmas enerģijas patēriņu, mēs izstrādājām, izstrādājām un ieviesām efektīvu, uz notikumiem balstītu RRAM balstītu neiromorfu shēmu, kas apstrādā iebūvēto sensoru ģenerēto signāla informāciju, lai aprēķinātu mērķa objekta atrašanās vietu reālajā dzīvē. laiks. . Kamēr tradicionālās apstrādes metodes nepārtraukti parauga atklātos signālus un veic aprēķinus, lai iegūtu noderīgu informāciju, piedāvātais neiromorfiskais risinājums veic aprēķinus asinhroni, tiklīdz tiek saņemta noderīga informācija, palielinot sistēmas jaudas efektivitāti par piecām lieluma kārtām. Turklāt mēs izceļam uz RRAM balstīto neiromorfo ķēžu elastību. RRAM spēja mainīt vadītspēju nemainīgā veidā (plastiskums) kompensē īpaši mazjaudas analogo DPI sinaptisko un neironu ķēžu mainīgumu. Tas padara šo uz RRAM balstīto shēmu daudzpusīgu un jaudīgu. Mūsu mērķis nav iegūt no signāliem sarežģītas funkcijas vai modeļus, bet gan lokalizēt objektus reāllaikā. Mūsu sistēma var arī efektīvi saspiest signālu un galu galā nosūtīt to tālākām apstrādes darbībām, lai vajadzības gadījumā pieņemtu sarežģītākus lēmumus. Lokalizācijas lietojumprogrammu kontekstā mūsu neiromorfās priekšapstrādes solis var sniegt informāciju par objektu atrašanās vietu. Šo informāciju var izmantot, piemēram, kustības noteikšanai vai žestu atpazīšanai. Mēs uzsveram, cik svarīgi ir apvienot īpaši mazjaudas sensorus, piemēram, pMUT ar īpaši mazjaudas elektroniku. Šim nolūkam neiromorfās pieejas ir bijušas galvenās, jo tās ir likušas mums izstrādāt jaunas bioloģiski iedvesmotas skaitļošanas metodes, piemēram, Džefresa modeli, shēmas. Sensoru saplūšanas lietojumprogrammu kontekstā mūsu sistēmu var apvienot ar vairākiem dažādiem uz notikumiem balstītiem sensoriem, lai iegūtu precīzāku informāciju. Lai gan pūces lieliski spēj atrast laupījumu tumsā, tām ir lieliska redze un tās pirms medījuma noķeršanas veic kombinētu dzirdes un vizuālo meklēšanu70. Konkrētam dzirdes neironam uzliesmojoties, pūce saņem informāciju, kas tai nepieciešama, lai noteiktu, kurā virzienā sākt vizuālo meklēšanu, tādējādi koncentrējot uzmanību uz nelielu vizuālās ainas daļu. Nākotnes autonomo aģentu izstrādei ir jāizpēta vizuālo sensoru (DVS kameras) un ierosinātā klausīšanās sensora (pamatojoties uz pMUT) kombinācija.
pMUT sensors atrodas uz PCB ar diviem uztvērējiem aptuveni 10 cm attālumā viens no otra, un raidītājs atrodas starp uztvērējiem. Šajā darbā katra membrāna ir suspendēta bimorfa struktūra, kas sastāv no diviem 800 nm bieza pjezoelektriskā alumīnija nitrīda (AlN) slāņiem, kas iestiprināti starp trim 200 nm bieziem molibdēna (Mo) slāņiem un pārklāti ar 200 nm biezu slāni. augšējais pasivējošais SiN slānis, kā aprakstīts atsaucē. 71. Iekšējais un ārējais elektrods tiek uzklāts uz apakšējā un augšējā molibdēna slāņa, bet vidējais molibdēna elektrods ir bez raksta un tiek izmantots kā zemējums, kā rezultātā veidojas membrāna ar četriem elektrodu pāriem.
Šī arhitektūra ļauj izmantot kopēju membrānas deformāciju, kā rezultātā tiek uzlabota pārraides un uztveršanas jutība. Šāda pMUT kā emitētājs parasti uzrāda ierosmes jutību 700 nm/V, nodrošinot virsmas spiedienu 270 Pa/V. Kā uztvērējs vienai pMUT plēvei ir īssavienojuma jutība 15 nA / Pa, kas ir tieši saistīta ar AlN pjezoelektrisko koeficientu. Sprieguma tehniskā mainīgums AlN slānī izraisa izmaiņas rezonanses frekvencē, ko var kompensēt, piemērojot pMUT līdzstrāvas novirzi. Līdzstrāvas jutība tika mērīta pie 0,5 kHz/V. Akustiskai raksturošanai pMUT priekšā tiek izmantots mikrofons.
Lai izmērītu atbalss impulsu, pMUT priekšā novietojām taisnstūrveida plāksni ar aptuveni 50 cm2 laukumu, lai atspoguļotu izstarotos skaņas viļņus. Gan attālumu starp plāksnēm, gan leņķi attiecībā pret pMUT plakni kontrolē, izmantojot īpašus turētājus. Tectronix CPX400DP sprieguma avots nobīda trīs pMUT membrānas, noregulējot rezonanses frekvenci līdz 111,9 kHz31, savukārt raidītājus darbina Tectronix AFG 3102 impulsu ģenerators, kas noregulēts uz rezonanses frekvenci (111,9 kHz) un darba ciklu 0,01. No katra pMUT uztvērēja četriem izejas portiem nolasītās strāvas tiek pārveidotas spriegumos, izmantojot īpašu diferenciālo strāvas un sprieguma arhitektūru, un iegūtos signālus digitalizē Spektrum datu iegūšanas sistēma. Noteikšanas robežu raksturoja pMUT signāla iegūšana dažādos apstākļos: mēs pārvietojām reflektoru dažādos attālumos [30, 40, 50, 60, 80, 100] cm un mainījām pMUT atbalsta leņķi ([0, 20, 40] o ) 2.b attēlā parādīta laika ITD noteikšanas izšķirtspēja atkarībā no atbilstošās leņķiskās pozīcijas grādos.
Šajā rakstā tiek izmantotas divas dažādas gatavās RRAM shēmas. Pirmais ir 16 384 (16 000) ierīču (128 × 128 ierīču) masīvs 1T1R konfigurācijā ar vienu tranzistoru un vienu rezistoru. Otrā mikroshēma ir neiromorfā platforma, kas parādīta 4.a attēlā. RRAM šūna sastāv no 5 nm biezas HfO2 plēves, kas iestrādāta TiN/HfO2/Ti/TiN kaudzē. RRAM steks ir integrēts standarta 130 nm CMOS procesa aizmugurējā daļā (BEOL). Uz RRAM balstītas neiromorfās shēmas rada dizaina izaicinājumu visām analogajām elektroniskajām sistēmām, kurās RRAM ierīces pastāv līdzās tradicionālajai CMOS tehnoloģijai. Jo īpaši RRAM ierīces vadītspējas stāvoklis ir jālasa un jāizmanto kā sistēmas funkcijas mainīgais. Šim nolūkam tika izstrādāta, izgatavota un pārbaudīta ķēde, kas nolasa strāvu no ierīces, kad tiek saņemts ievades impulss, un izmanto šo strāvu, lai nosvērtu diferenciālā pāra integratora (DPI) sinapses reakciju. Šī shēma ir parādīta 3.a attēlā, kas attēlo neiromorfās platformas pamatelementus 4.a attēlā. Ievades impulss aktivizē 1T1R ierīces aizbīdni, inducējot strāvu caur RRAM, kas ir proporcionāla ierīces vadītspējai G (Iweight = G(Vtop – Vx)). Operacionālā pastiprinātāja (operācijas pastiprinātāja) ķēdes invertējošajai ieejai ir pastāvīgs līdzstrāvas nobīdes spriegums Vtop. Operētājsistēmas pastiprinātāja negatīvā atgriezeniskā saite nodrošinās Vx = Vtop, nodrošinot vienādu strāvu no M1. Pašreizējais Iweight, kas iegūts no ierīces, tiek ievadīts DPI sinapsē. Spēcīgāka strāva radīs lielāku depolarizāciju, tāpēc RRAM vadītspēja efektīvi ievieš sinaptiskos svarus. Šī eksponenciālā sinaptiskā strāva tiek ievadīta caur LIF (leaky Integration and Excitation) neironu membrānas kondensatoru, kur tā tiek integrēta kā spriegums. Ja membrānas sliekšņa spriegums (invertora pārslēgšanas spriegums) tiek pārvarēts, tiek aktivizēta neirona izejas daļa, radot izejas smaili. Šis impulss atgriežas un šuntē neirona membrānas kondensatoru uz zemi, izraisot tā izlādi. Pēc tam šī ķēde tiek papildināta ar impulsa paplašinātāju (nav parādīts 3.a attēlā), kas LIF neirona izejas impulsu veido mērķa impulsa platumā. Katrā līnijā ir iebūvēti arī multipleksori, kas ļauj pievadīt spriegumu RRAM ierīces augšējam un apakšējam elektrodam.
Elektriskā pārbaude ietver analogo ķēžu dinamiskās uzvedības analīzi un reģistrēšanu, kā arī RRAM ierīču programmēšanu un nolasīšanu. Abām darbībām ir nepieciešami īpaši instrumenti, kas visi vienlaikus ir savienoti ar sensoru paneli. Piekļuve RRAM ierīcēm neiromorfās shēmās tiek veikta no ārējiem instrumentiem, izmantojot multipleksoru (MUX). MUX atdala 1T1R šūnu no pārējās shēmas, kurai tā pieder, ļaujot ierīci nolasīt un/vai programmēt. Lai programmētu un nolasītu RRAM ierīces, Keithley 4200 SCS iekārta tiek izmantota kopā ar Arduino mikrokontrolleri: pirmā precīzai impulsu ģenerēšanai un strāvas nolasīšanai, bet otra - ātrai piekļuvei atsevišķiem 1T1R elementiem atmiņas masīvā. Pirmā darbība ir RRAM ierīces izveide. Šūnas tiek atlasītas pa vienai, un starp augšējo un apakšējo elektrodu tiek pielikts pozitīvs spriegums. Šajā gadījumā strāva ir ierobežota līdz desmitiem mikroampēru, jo selektora tranzistoram tiek piegādāts atbilstošs vārtu spriegums. Pēc tam RRAM šūna var pārvietoties starp zemas vadītspējas stāvokli (LCS) un augstas vadītspējas stāvokli (HCS), izmantojot attiecīgi RESET un SET darbības. SET darbību veic, pieliekot augšējam elektrodam taisnstūrveida sprieguma impulsu ar ilgumu 1 μs un maksimālo spriegumu 2,0-2,5 V, un līdzīgas formas sinhronizācijas impulsu ar maksimālo spriegumu 0,9-1,3 V. selektora tranzistora vārti. Šīs vērtības ļauj modulēt RRAM vadītspēju ar 20-150 µs intervālu. Lai veiktu RESET, 1 µs plats, 3 V maksimālā impulss tiek pievadīts šūnas apakšējam elektrodam (bitu līnijai), ja vārtu spriegums ir diapazonā no 2,5 līdz 3,0 V. Analogo ķēžu ieejas un izejas ir dinamiski signāli. . Ievadei mēs savienojām divus HP 8110 impulsu ģeneratorus ar Tektronix AFG3011 signālu ģeneratoriem. Ievades impulsa platums ir 1 µs, un pieauguma/krituma mala ir 50 ns. Tiek pieņemts, ka šāda veida impulss ir tipisks traucējums shēmās, kuru pamatā ir analogie traucējumi. Runājot par izejas signālu, izejas signāls tika ierakstīts, izmantojot Teledyne LeCroy 1 GHz osciloskopu. Ir pierādīts, ka osciloskopa iegūšanas ātrums nav ierobežojošs faktors ķēdes datu analīzē un iegūšanā.
Analogās elektronikas dinamikas izmantošana, lai modelētu neironu un sinapses uzvedību, ir elegants un efektīvs risinājums skaitļošanas efektivitātes uzlabošanai. Šī skaitļošanas pamatnes trūkums ir tāds, ka tas dažādās shēmās atšķirsies. Mēs kvantitatīvi noteicām neironu un sinaptisko ķēžu mainīgumu (papildu attēls 2a, b). No visām mainīguma izpausmēm sistēmas līmenī vislielākā ietekme ir tām, kas saistītas ar laika konstantēm un ievades pieaugumu. LIF neirona un DPI sinapses laika konstante tiek noteikta ar RC ķēdi, kur R vērtību kontrolē ar nobīdes spriegumu, kas tiek pievadīts tranzistora vārtiem (Vlk neironam un Vtau sinapsei), nosakot noplūdes ātrums. Ievades pastiprinājums ir definēts kā maksimālais spriegums, ko sasniedz sinaptiskās un neironu membrānas kondensatori, kurus stimulē ievades impulss. Ievades pastiprinājumu kontrolē cits slīpo tranzistors, kas modulē ieejas strāvu. Tika veikta Monte Carlo simulācija, kas kalibrēta ST Microelectronics 130 nm procesā, lai savāktu ieejas pastiprinājuma un laika konstantes statistiku. Rezultāti ir parādīti 2. papildu attēlā, kur ieejas pastiprinājums un laika konstante ir kvantificēti kā nobīdes sprieguma funkcija, kas kontrolē noplūdes ātrumu. Zaļie marķieri kvantitatīvi nosaka laika konstantes standarta novirzi no vidējā. Gan neironi, gan sinaptiskās ķēdes spēja izteikt plašu laika konstantu diapazonu 10-5-10-2 s diapazonā, kā parādīts papildu attēlā. Neironu un sinapses mainīguma ievades pastiprinājums (papildu attēls 2e, d) bija attiecīgi aptuveni 8% un 3%. Šāds trūkums ir labi dokumentēts literatūrā: tika veikti dažādi mērījumi DYNAP mikroshēmu masīvam, lai novērtētu neatbilstību starp LIF63 neironu populācijām. Tika izmērītas BrainScale jauktā signāla mikroshēmas sinapses un analizētas to neatbilstības, kā arī tika ierosināta kalibrēšanas procedūra, lai samazinātu sistēmas līmeņa mainīguma ietekmi64.
RRAM funkcija neiromorfajās shēmās ir divējāda: arhitektūras definīcija (maršrutēšana ieejas uz izejām) un sinaptisko svaru ieviešana. Pēdējo īpašību var izmantot, lai atrisinātu modelēto neiromorfo ķēžu mainīguma problēmu. Mēs esam izstrādājuši vienkāršu kalibrēšanas procedūru, kas ietver RRAM ierīces pārprogrammēšanu, līdz analizējamā ķēde atbilst noteiktām prasībām. Noteiktai ievadei izvade tiek uzraudzīta un RRAM tiek pārprogrammēta, līdz tiek sasniegta mērķa darbība. Starp programmēšanas darbībām tika ieviests 5 sekunžu gaidīšanas laiks, lai atrisinātu RRAM relaksācijas problēmu, kas izraisa pārejošas vadītspējas svārstības (papildu informācija). Sinaptiskie svari tiek pielāgoti vai kalibrēti atbilstoši modelējamās neiromorfās ķēdes prasībām. Kalibrēšanas procedūra ir apkopota papildu algoritmos [1, 2], kas koncentrējas uz divām neiromorfo platformu galvenajām iezīmēm, aizkaves līnijām un virziena nejutīgo CD. Ķēdei ar aizkaves līniju mērķis ir nodrošināt izejas impulsu ar aizkavi Δt. Ja faktiskā ķēdes aizkave ir mazāka par mērķa vērtību, G3 sinaptiskais svars ir jāsamazina (G3 ir jāatiestata un pēc tam jāiestata zemāka atbilstošā strāva Icc). Un otrādi, ja faktiskā aizkave ir lielāka par mērķa vērtību, G3 vadītspēja ir jāpalielina (G3 vispirms ir jāatiestata un pēc tam jāiestata uz augstāku Icc vērtību). Šo procesu atkārto, līdz ķēdes radītā aizkave atbilst mērķa vērtībai un tiek iestatīta pielaide, lai apturētu kalibrēšanas procesu. Attiecībā uz kompaktdiskiem, kas nav jutīgi pret orientāciju, kalibrēšanas procesā ir iesaistītas divas RRAM ierīces, G1 un G3. Šai shēmai ir divas ieejas, Vin0 un Vin1, aizkavētas par dt. Ķēdei jāreaģē tikai uz aizkavi, kas ir zemāka par atbilstības diapazonu [0,dtCD]. Ja izvades maksimuma nav, bet ievades maksimums ir tuvu, abas RRAM ierīces ir jāpastiprina, lai palīdzētu neironam sasniegt slieksni. Un otrādi, ja ķēde reaģē uz aizkavi, kas pārsniedz dtCD mērķa diapazonu, vadītspēja ir jāsamazina. Atkārtojiet procesu, līdz tiek iegūta pareizā darbība. Atbilstības strāvu var modulēt ar iebūvēto analogo ķēdi ref. 72.73. Izmantojot šo iebūvēto shēmu, šādas procedūras var veikt periodiski, lai kalibrētu sistēmu vai atkārtoti izmantotu to citai lietojumprogrammai.
Mēs novērtējam mūsu neiromorfo signālu apstrādes pieejas enerģijas patēriņu standarta 32 bitu mikrokontrollerī68. Šajā novērtējumā mēs pieņemam darbību ar tādu pašu iestatījumu kā šajā rakstā, ar vienu pMUT raidītāju un diviem pMUT uztvērējiem. Šajā metodē tiek izmantots joslas caurlaides filtrs, kam seko aploksnes ekstrakcijas solis (Teeger-Kaiser), un visbeidzot signālam tiek piemērota sliekšņa darbība, lai iegūtu lidojuma laiku. ITD aprēķins un tā pārvēršana noteikšanas leņķos novērtējumā ir izlaista. Mēs apsveram joslas caurlaides filtra ieviešanu, izmantojot ceturtās kārtas bezgalīgas impulsa atbildes filtru, kam nepieciešamas 18 peldošā komata darbības. Aploksnes izvilkšanai tiek izmantotas vēl trīs peldošā komata darbības, un pēdējā darbība tiek izmantota, lai iestatītu slieksni. Signāla pirmapstrādei kopā ir nepieciešamas 22 peldošā komata darbības. Pārraidītais signāls ir īss 111,9 kHz sinusoidālās viļņu formas uzliesmojums, kas tiek ģenerēts ik pēc 10 ms, kā rezultātā pozicionēšanas darbības frekvence ir 100 Hz. Mēs izmantojām paraugu ņemšanas frekvenci 250 kHz, lai nodrošinātu atbilstību Nyquist prasībām, un 6 ms logu katram mērījumam, lai uztvertu 1 metra diapazonu. Ņemiet vērā, ka 6 milisekundes ir 1 metra attālumā esoša objekta lidojuma laiks. Tas nodrošina 180 µW enerģijas patēriņu A/D konvertēšanai ar 0,5 MSPS. Signāla priekšapstrāde ir 6,60 MIPS (instrukcijas sekundē), ģenerējot 0,75 mW. Tomēr mikrokontrolleris var pārslēgties uz mazjaudas režīmu 69, kad algoritms nedarbojas. Šis režīms nodrošina 10,8 μW statisko enerģijas patēriņu un 113 μs pamošanās laiku. Ja takts frekvence ir 84 MHz, mikrokontrolleris visas neiromorfā algoritma darbības pabeidz 10 ms laikā, un algoritms aprēķina 6,3% darba ciklu, tādējādi izmantojot mazjaudas režīmu. Rezultātā iegūtā jaudas izkliede ir 244,7 μW. Ņemiet vērā, ka mēs izlaižam ITD izvadi no ToF un pārveidošanu uz noteikšanas leņķi, tādējādi nepietiekami novērtējot mikrokontrollera enerģijas patēriņu. Tas nodrošina papildu vērtību ierosinātās sistēmas energoefektivitātei. Kā papildu salīdzināšanas nosacījumu mēs novērtējam atsaucē piedāvāto klasisko staru kūļa formēšanas metožu jaudas patēriņu. 31,54, kad tas ir iestrādāts tajā pašā mikrokontrollerī68 pie 1,8 V barošanas sprieguma. Lai iegūtu datus staru kūļa veidošanai, tiek izmantotas piecas vienmērīgi izvietotas pMUT membrānas. Kas attiecas uz pašu apstrādi, izmantotā staru kūļa formēšanas metode ir kavēšanās summēšana. Tas vienkārši sastāv no kavēšanās piemērošanas joslām, kas atbilst paredzamajai pienākšanas laika atšķirībai starp vienu joslu un atsauces joslu. Ja signāli ir fāzē, šo signālu summai pēc laika nobīdes būs liela enerģija. Ja tie ir ārpus fāzes, destruktīvi traucējumi ierobežos to summas enerģiju. attiecībās. Uz att. 31, ir izvēlēts paraugu ņemšanas frekvence 2 MHz, lai laikā nobīdītu datus par veselu paraugu skaitu. Pieticīgāka pieeja ir saglabāt rupjāku parauga frekvenci 250 kHz un izmantot ierobežotu impulsu atbildes (FIR) filtru, lai sintezētu daļējas aizkaves. Mēs pieņemsim, ka staru kūļa formēšanas algoritma sarežģītību galvenokārt nosaka laika nobīde, jo katrs kanāls ir konvolēts ar FIR filtru ar 16 pieskārieniem katrā virzienā. Lai aprēķinātu šai darbībai nepieciešamo MIPS skaitu, mēs ņemam vērā 6 ms logu vienam mērījumam, lai uztvertu 1 metra diapazonu, 5 kanālus, 11 staru kūļa veidošanas virzienus (diapazons +/- 50° ar 10 ° soļiem). 75 mērījumi sekundē palielināja mikrokontrolleri līdz maksimālajam 100 MIPS. Saite. 68, kā rezultātā jaudas izkliede ir 11,26 mW ar kopējo jaudas izkliedi 11,71 mW pēc borta ADC ieguldījuma pievienošanas.
Dati, kas apstiprina šī pētījuma rezultātus, pēc pamatota pieprasījuma ir pieejami no attiecīgā autora FM.
Indiveri, G. & Sandamirskaya, Y. Telpas un laika nozīme signālu apstrādei neiromorfiskajos aģentos: izaicinājums izstrādāt mazjaudas, autonomus aģentus, kas mijiedarbojas ar vidi. Indiveri, G. & Sandamirskaya, Y. Telpas un laika nozīme signālu apstrādei neiromorfiskajos aģentos: izaicinājums izstrādāt mazjaudas, autonomus aģentus, kas mijiedarbojas ar vidi.Indiveri G. un Sandamirskaja Y. Telpas un laika nozīme signālu apstrādei neiromorfajos aģentos: izaicinājums izstrādāt mazjaudas autonomus aģentus, kas mijiedarbojas ar vidi. 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：开发与亯自主代理的挑战. Indiveri, G. & Sandamirskaya, Y.Indiveri G. un Sandamirskaja Y. Telpas un laika nozīme signālu apstrādei neiromorfajos aģentos: izaicinājums izstrādāt mazjaudas autonomus aģentus, kas mijiedarbojas ar vidi.IEEE signālu apstrāde. Žurnāls 36, 16–28 (2019).
Thorpe, SJ Maksimālais ierašanās laiks: efektīva neironu tīkla kodēšanas shēma. in Eckmiller, R., Hartmann, G. & Hauske, G. (eds). in Eckmiller, R., Hartmann, G. & Hauske, G. (eds).in Eckmiller, R., Hartmann, G. un Hauske, G. (eds.).Eckmiller, R., Hartmann, G. un Hauske, G. (eds.). Paralēlā apstrāde neironu sistēmās un datoros 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Komunikācija patērē 35 reizes vairāk enerģijas nekā aprēķini cilvēka garozā, taču abas izmaksas ir nepieciešamas, lai prognozētu sinapses skaitu. Levy, WB & Calvert, VG Komunikācija patērē 35 reizes vairāk enerģijas nekā aprēķini cilvēka garozā, taču abas izmaksas ir nepieciešamas, lai prognozētu sinapses skaitu.Levy, WB un Calvert, WG komunikācija patērē 35 reizes vairāk enerģijas nekā aprēķini cilvēka garozā, taču abas izmaksas ir nepieciešamas, lai prognozētu sinapses skaitu. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的35 倍，但这两种成本ヽ需要遰胄测瀪需要遰胄测瀍 Levy, WB & Calvert, VG komunikācijaLevy, WB un Calvert, WG komunikācija patērē 35 reizes vairāk enerģijas nekā skaitļošana cilvēka garozā, taču abām izmaksām ir jāparedz sinapšu skaits.process. Nacionālā Zinātņu akadēmija. zinātne. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing.Dalgati, T., Vianello, E., DeSalvo, B. un Casas, J. Insect-inspired neuromorphic computing.Dalgati T., Vianello E., DeSalvo B. un Casas J. Kukaiņu iedvesmota neiromorfiskā skaitļošana. Pašreizējais. Atzinums. Kukaiņu zinātne. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Ceļā uz smaile balstītu mašīnu inteliģenci ar neiromorfisko skaitļošanu. Roy, K., Jaiswal, A. & Panda, P. Ceļā uz smaile balstītu mašīnu inteliģenci ar neiromorfisko skaitļošanu. Roy, K., Jaiswal, A. & Panda, P. Towards Spike-Based Machine Intelligence with Neuromorphic Computing.Roy K, Jaiswal A un Panda P. Uz impulsiem balstīts mākslīgais intelekts, izmantojot neiromorfisko skaitļošanu. Nature 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. un Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. un Liu, S.-K.Atmiņa un informācijas apstrāde neiromorfās sistēmās. process. IEEE 103, 1379–1397 (2015).
Akopjans F. et al. Truenorth: dizains un rīku komplekts 65 mW 1 miljona neironu programmējamai sinaptiskajai mikroshēmai. IEEE darījumi. Integrālo shēmu sistēmu datorprojektēšana. 34, 1537–1557 (2015).
Schemmel, J. et al. Demonstrācija tiešraidē: samazināta BrainScaleS neiromorfās sistēmas versija plāksnes mērogā. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE red.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Mērogojama daudzkodolu arhitektūra ar heterogēnām atmiņas struktūrām dinamiskiem neiromorfiskiem asinhroniem procesoriem (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Mērogojama daudzkodolu arhitektūra ar heterogēnām atmiņas struktūrām dinamiskiem neiromorfiskiem asinhroniem procesoriem (DYNAP).Moradi S., Qiao N., Stefanini F. un Indiviri G. Mērogojama daudzkodolu arhitektūra ar neviendabīgām atmiņas struktūrām dinamiskiem neiromorfiskiem asinhroniem procesoriem (DYNAP). Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. 一种可扩展的多核架构，具有用于弨态神经形筁儁P构内存结构. Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Sava veida paplašināma daudzkodolu arhitektūra ar unikālu atmiņas struktūru dinamiskai neironu apstrādei (DYNAP).Moradi S., Qiao N., Stefanini F. un Indiviri G. Mērogojama daudzkodolu arhitektūra ar neviendabīgām atmiņas struktūrām dinamiskiem neiromorfiskiem asinhroniem procesoriem (DYNAP).IEEE transakcijas par biomedicīnas zinātni. elektriskā sistēma. 12, 106–122 (2018).
Davis, M. et al. Loihi: neiromorfs daudzkodolu procesors ar iegultu mācīšanos. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker projekts. Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker projekts.Ferber SB, Galluppi F., Temple S. un Plana LA SpiNNaker projekts.Ferber SB, Galluppi F., Temple S. un Plana LA SpiNNaker projekts. process. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Neiromorfās sensorās sistēmas. & Delbruck, T. Neiromorfās sensorās sistēmas.un Delbrück T. Neiromorfās sensorās sistēmas. & Delbruck, T. 神经形态感觉系统. un Delbruka, T.un Delbrück T. Neiromorfā sensorā sistēma.Pašreizējais. Atzinums. Neirobioloģija. 20, 288–295 (2010).
Chope, T. et al. Neiromorfiskā sensorā integrācija apvienotai skaņas avota lokalizācijai un sadursmju novēršanai. 2019. gadā IEEE konferencē par biomedicīnas shēmām un sistēmām (BioCAS), (IEEE Red.) 1.–4. (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A spike-based neuromorphic architecture of stereo vision. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. A spike-based neuromorphic architecture of stereo vision.Risi N, Aymar A, Donati E, Solinas S un Indiveri G. Uz smaile balstīta neiromorfas stereovīzijas arhitektūra. 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 un Indiveri G. Spike-based neuromorphic architecture for stereo vision.priekšā. Neurorobotics 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. un Indiveri, G. 3D impulsa neironu tīkla uztveres modelis notikumu balstītām neiromorfiskām stereoredzes sistēmām. Ossvalds, M., Iengs, S.-H., Benosmans, R. un Indiveri, G. 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., un Indiveri, G. Spiked 3Dperception neironu tīkla modelis uz notikumu balstītai neiromorfai stereoredzes sistēmai.zinātne. 7. ziņojums, 1.–11. (2017).
Dalgaty, T. et al. Kukaiņu iedvesmotā pamata kustības noteikšana ietver rezistīvo atmiņu un sprādzienbīstamus neironu tīklus. Bioniskā biohibrīda sistēma. 10928, 115–128 (2018).
D'Angelo, G. et al. Uz notikumiem balstīta ekscentriskas kustības noteikšana, izmantojot laika diferenciālo kodēšanu. priekšā. Neiroloģija. 14, 451 (2020).