बातम्या

रिअल-वर्ल्ड डेटा प्रोसेसिंग ऍप्लिकेशन्सना कॉम्पॅक्ट, लो-लेटन्सी, लो-पॉवर कॉम्प्युटिंग सिस्टम आवश्यक आहे. इव्हेंट-चालित संगणन क्षमतांसह, पूरक मेटल-ऑक्साइड-सेमीकंडक्टर हायब्रीड मेम्रिस्टिव्ह न्यूरोमॉर्फिक आर्किटेक्चर अशा कार्यांसाठी एक आदर्श हार्डवेअर पाया प्रदान करतात. अशा प्रणालींची पूर्ण क्षमता प्रदर्शित करण्यासाठी, आम्ही वास्तविक-जगातील ऑब्जेक्ट लोकॅलायझेशन ऍप्लिकेशन्ससाठी सर्वसमावेशक सेन्सर प्रक्रिया समाधान प्रस्तावित करतो आणि प्रायोगिकरित्या प्रदर्शित करतो. धान्याचे कोठार घुबड न्यूरोअनाटॉमीपासून प्रेरणा घेऊन, आम्ही एक बायोइन्स्पायर्ड, इव्हेंट-चालित ऑब्जेक्ट लोकॅलायझेशन सिस्टम विकसित केली आहे जी एक अत्याधुनिक पायझोइलेक्ट्रिक मायक्रोमेकॅनिकल ट्रान्सड्यूसर ट्रान्सड्यूसरला कॉम्प्युटेशनल ग्राफ-आधारित न्यूरोमॉर्फिक रेझिस्टिव्ह मेमरीसह एकत्रित करते. आम्ही मेमरी-आधारित प्रतिरोधक योगायोग डिटेक्टर, विलंब लाइन सर्किटरी आणि पूर्णपणे सानुकूलित अल्ट्रासोनिक ट्रान्सड्यूसर समाविष्ट असलेल्या फॅब्रिकेटेड सिस्टमचे मोजमाप दाखवतो. आम्ही हे प्रायोगिक परिणाम सिम्युलेशन कॅलिब्रेट करण्यासाठी सिस्टम स्तरावर वापरतो. हे सिम्युलेशन नंतर ऑब्जेक्ट लोकॅलायझेशन मॉडेलच्या कोनीय रिझोल्यूशन आणि ऊर्जा कार्यक्षमतेचे मूल्यांकन करण्यासाठी वापरले जातात. परिणाम दर्शवितात की आमचा दृष्टीकोन समान कार्य करत असलेल्या मायक्रोकंट्रोलर्सपेक्षा अधिक ऊर्जा कार्यक्षमतेचा अनेक ऑर्डर असू शकतो.
आम्ही सर्वव्यापी संगणनाच्या युगात प्रवेश करत आहोत जिथे आमच्या दैनंदिन जीवनात आम्हाला मदत करण्यासाठी उपयोजित उपकरणे आणि प्रणालींची संख्या झपाट्याने वाढत आहे. रिअल टाईममध्ये एकाधिक सेन्सरमधून गोळा केलेल्या डेटाचा अर्थ लावणे आणि वर्गीकरण किंवा ओळख कार्यांच्या परिणामी बायनरी आउटपुट तयार करणे शिकत असताना, या प्रणाली सतत चालू राहतील, शक्य तितक्या कमी शक्तीचा वापर करणे अपेक्षित आहे. हे उद्दिष्ट साध्य करण्यासाठी आवश्यक असलेल्या सर्वात महत्त्वाच्या पायऱ्यांपैकी एक म्हणजे गोंगाटयुक्त आणि अनेकदा अपूर्ण संवेदी डेटामधून उपयुक्त आणि संक्षिप्त माहिती काढणे. पारंपारिक अभियांत्रिकी दृष्टीकोन सामान्यत: स्थिर आणि उच्च दराने सेन्सर सिग्नलचा नमुना घेतात, उपयुक्त इनपुट नसतानाही मोठ्या प्रमाणात डेटा तयार करतात. याव्यतिरिक्त, या पद्धती (बहुतेकदा गोंगाट करणारा) इनपुट डेटा पूर्व-प्रक्रिया करण्यासाठी जटिल डिजिटल सिग्नल प्रक्रिया तंत्र वापरतात. त्याऐवजी, जीवशास्त्र ऊर्जा-कार्यक्षम, असिंक्रोनस, इव्हेंट-चालित दृष्टिकोन (स्पाइक्स) 2,3 वापरून गोंगाटयुक्त संवेदी डेटावर प्रक्रिया करण्यासाठी पर्यायी उपाय ऑफर करते. पारंपारिक सिग्नल प्रोसेसिंग पद्धती 4,5,6 च्या तुलनेत ऊर्जा आणि स्मरणशक्तीच्या आवश्यकतांच्या बाबतीत संगणकीय खर्च कमी करण्यासाठी न्यूरोमॉर्फिक संगणन जैविक प्रणालींपासून प्रेरणा घेते. अलीकडे, इंपल्स न्यूरल नेटवर्क्स (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) लागू करणाऱ्या नाविन्यपूर्ण सामान्य उद्देश मेंदू-आधारित प्रणालीचे प्रात्यक्षिक दाखवण्यात आले आहे. हे प्रोसेसर मशीन लर्निंग आणि कॉर्टिकल सर्किट मॉडेलिंगसाठी कमी उर्जा, कमी विलंब समाधान प्रदान करतात. त्यांच्या उर्जेच्या कार्यक्षमतेचा पूर्णपणे फायदा घेण्यासाठी, हे न्यूरोमॉर्फिक प्रोसेसर थेट इव्हेंट-चालित सेन्सर 12,13 शी जोडलेले असणे आवश्यक आहे. तथापि, आज फक्त काही टच उपकरणे आहेत जी थेट इव्हेंट-चालित डेटा प्रदान करतात. ट्रॅकिंग आणि मोशन डिटेक्शन सारख्या व्हिजन ऍप्लिकेशन्ससाठी डायनॅमिक व्हिज्युअल सेन्सर्स (DVS) 14,15,16,17 सिलिकॉन कोक्लीआ18 आणि न्यूरोमॉर्फिक ऑडिटरी सेन्सर्स (NAS) 19 ऑडॉटरी सिग्नल प्रोसेसिंगसाठी, घाणेंद्रियाच्या सेन्सर्सची 20 आणि 21 टच उदाहरणे 21, 21 ची प्रमुख उदाहरणे आहेत. . टेक्सचर सेन्सर्स.
या पेपरमध्ये, आम्ही ऑब्जेक्ट लोकॅलायझेशनवर लागू केलेली नवीन विकसित इव्हेंट-चालित श्रवण प्रक्रिया प्रणाली सादर करतो. येथे, प्रथमच, आम्ही न्यूरोमॉर्फिक रेझिस्टिव्ह मेमरी (RRAM) वर आधारित संगणकीय आलेखासह अत्याधुनिक पायझोइलेक्ट्रिक मायक्रोमॅचिन अल्ट्रासोनिक ट्रान्सड्यूसर (pMUT) कनेक्ट करून मिळवलेल्या ऑब्जेक्ट लोकॅलायझेशनसाठी एंड-टू-एंड सिस्टमचे वर्णन करतो. 23,24,25,26,27,28,29 वीज वापर कमी करण्यासाठी RRAM वापरून इन-मेमरी कॉम्प्युटिंग आर्किटेक्चर्स हा एक आशादायक उपाय आहे. त्यांची अंतर्निहित गैर-अस्थिरता-माहिती संचयित करण्यासाठी किंवा अद्यतनित करण्यासाठी सक्रिय उर्जा वापराची आवश्यकता नाही-न्युरोमॉर्फिक संगणनाच्या असिंक्रोनस, इव्हेंट-चालित स्वरूपासह परिपूर्ण फिट आहे, परिणामी सिस्टम निष्क्रिय असताना जवळजवळ वीज वापर होत नाही. Piezoelectric micromachined ultrasonic transducers (pMUTs) स्वस्त, लघु सिलिकॉन-आधारित अल्ट्रासोनिक ट्रान्सड्यूसर आहेत जे ट्रान्समीटर आणि रिसीव्हर 30,31,32,33,34 म्हणून काम करण्यास सक्षम आहेत. अंगभूत सेन्सर्सद्वारे प्राप्त झालेल्या सिग्नलवर प्रक्रिया करण्यासाठी, आम्ही धान्याचे कोठार घुबड neuroanatomy35,36,37 पासून प्रेरणा घेतली. खळ्याचे घुबड टायटो अल्बा अतिशय कार्यक्षम श्रवण स्थानिकीकरण प्रणालीमुळे रात्रीच्या शिकार करण्याच्या उल्लेखनीय क्षमतेसाठी ओळखले जाते. शिकाराच्या स्थानाची गणना करण्यासाठी, धान्याचे कोठार घुबडाची स्थानिकीकरण प्रणाली उड्डाणाची वेळ (ToF) एन्कोड करते जेव्हा शिकारमधून ध्वनी लहरी प्रत्येक घुबडाच्या कानापर्यंत किंवा ध्वनी रिसेप्टर्सपर्यंत पोहोचतात. कानांमधील अंतर पाहता, दोन ToF मापांमधील फरक (इंटरॅरल टाइम डिफरन्स, ITD) लक्ष्याच्या अजिमथ स्थितीची विश्लेषणात्मक गणना करणे शक्य करते. जरी जैविक प्रणाली बीजगणितीय समीकरणे सोडविण्यास योग्य नसली तरी ते स्थानिकीकरण समस्या अतिशय प्रभावीपणे सोडवू शकतात. धान्याचे कोठार घुबड मज्जासंस्था योगायोग डिटेक्टर (CD) 35 न्यूरॉन्सचा संच वापरते (म्हणजे, अभिसरण उत्तेजक शेवटपर्यंत खाली पसरलेल्या स्पाइक्समधील तात्पुरती सहसंबंध शोधण्यास सक्षम न्यूरॉन्स) 38,39 पोझिशनिंग समस्या सोडवण्यासाठी संगणकीय आलेखांमध्ये आयोजित केले जातात.
मागील संशोधनात असे दिसून आले आहे की पूरक मेटल-ऑक्साइड-सेमिकंडक्टर (CMOS) हार्डवेअर आणि RRAM-आधारित न्यूरोमॉर्फिक हार्डवेअर बार्न घुबडाच्या निकृष्ट कॉलिक्युलस (“श्रवण कॉर्टेक्स”) द्वारे प्रेरित ITD13, 40, 41, वापरून स्थितीची गणना करण्यासाठी एक कार्यक्षम पद्धत आहे. ४२, ४३, ४४, ४५, 46. ​​तथापि, श्रवणविषयक संकेतांना न्यूरोमॉर्फिक संगणकीय आलेखांशी जोडणाऱ्या संपूर्ण न्यूरोमॉर्फिक सिस्टीमची क्षमता अद्याप प्रदर्शित करणे बाकी आहे. मुख्य समस्या ॲनालॉग CMOS सर्किट्सची अंतर्निहित परिवर्तनशीलता आहे, जी जुळणी शोधण्याच्या अचूकतेवर परिणाम करते. अलीकडे, ITD47 अंदाजांची पर्यायी संख्यात्मक अंमलबजावणी प्रदर्शित केली गेली आहे. या पेपरमध्ये, आम्ही ॲनालॉग सर्किट्समधील परिवर्तनशीलतेचा प्रतिकार करण्यासाठी नॉन-अस्थिर पद्धतीने कंडक्टन्स व्हॅल्यू बदलण्यासाठी RRAM ची क्षमता वापरण्याचा प्रस्ताव देतो. आम्ही एक प्रायोगिक प्रणाली लागू केली आहे ज्यामध्ये एक pMUT ट्रान्समिटिंग मेम्ब्रेन 111.9 kHz च्या वारंवारतेवर कार्यरत आहे, दोन pMUT प्राप्त करणारे झिल्ली (सेन्सर) बार्न घुबडाच्या कानांचे अनुकरण करतात आणि एक. आमच्या स्थानिकीकरण प्रणालीची चाचणी घेण्यासाठी आणि त्याच्या कोनीय रिझोल्यूशनचे मूल्यांकन करण्यासाठी आम्ही प्रायोगिकपणे pMUT शोध प्रणाली आणि RRAM-आधारित ITD संगणकीय आलेख वैशिष्ट्यीकृत केले.
आम्ही आमच्या पद्धतीची तुलना मायक्रोकंट्रोलरवरील डिजिटल अंमलबजावणीशी तुलना करतो जे समान स्थानिकीकरण कार्य पारंपारिक बीमफॉर्मिंग किंवा न्यूरोमॉर्फिक पद्धती वापरून करत आहे, तसेच संदर्भामध्ये प्रस्तावित ITD अंदाजासाठी फील्ड प्रोग्रामेबल गेट ॲरे (FPGA) आहे. 47. ही तुलना प्रस्तावित RRAM-आधारित ॲनालॉग न्यूरोमॉर्फिक प्रणालीची स्पर्धात्मक शक्ती कार्यक्षमतेवर प्रकाश टाकते.

धान्याचे कोठार घुबड एका लक्ष्यातून ध्वनी लहरी प्राप्त करते, या प्रकरणात हलणारे शिकार. ध्वनी तरंगाच्या उड्डाणाची वेळ (ToF) प्रत्येक कानासाठी वेगळी असते (शिकार घुबडाच्या थेट समोर असल्याशिवाय). ठिपके असलेली रेषा घुबडाच्या कानापर्यंत पोहोचण्यासाठी ध्वनी लहरींचा मार्ग दाखवते. दोन ध्वनिक मार्गांमधील लांबीचा फरक आणि संबंधित इंटरऑरल टाइम डिफरन्स (ITD) (संदर्भ 74, कॉपीराइट 2002, सोसायटी फॉर न्यूरोसायन्स द्वारे प्रेरित डावी प्रतिमा) यांच्या आधारे शिकार क्षैतिज विमानात अचूकपणे स्थानिकीकृत केले जाऊ शकते. आमच्या सिस्टीममध्ये, पीएमयूटी ट्रान्समीटर (गडद निळा) ध्वनी लहरी निर्माण करतो ज्या लक्ष्यापासून दूर जातात. परावर्तित अल्ट्रासाऊंड लहरी दोन pMUT रिसीव्हर्स (हलका हिरवा) प्राप्त करतात आणि न्यूरोमॉर्फिक प्रोसेसर (उजवीकडे) द्वारे प्रक्रिया करतात. b एक ITD (जेफ्रेस) कॉम्प्युटेशनल मॉडेल ज्यामध्ये घुबडाच्या कानात येणारे आवाज प्रथम मोठ्या न्यूक्लियस (NM) मध्ये फेज-लॉक स्पाइक्स म्हणून एन्कोड केले जातात आणि नंतर लॅमेलर न्यूक्लियसमध्ये जुळलेल्या डिटेक्टर न्यूरॉन्सच्या भौमितीय पद्धतीने व्यवस्था केलेल्या ग्रिडचा वापर करतात. प्रक्रिया करत आहे (नेदरलँड्स) (डावीकडे). विलंब रेषा आणि योगायोग डिटेक्टर न्यूरॉन्स एकत्रित करणाऱ्या न्यूरोआयटीडी कॉम्प्युटेशनल आलेखाचे चित्रण, घुबड बायोसेन्सर प्रणालीचे मॉडेल RRAM-आधारित न्यूरोमॉर्फिक सर्किट्स (उजवीकडे) वापरून केले जाऊ शकते. c मुख्य जेफ्रेस यंत्रणेचे योजनाबद्ध, ToF मधील फरकामुळे, दोन कान वेगवेगळ्या वेळी ध्वनी उत्तेजक प्राप्त करतात आणि दोन्ही टोकांपासून डिटेक्टरकडे axons पाठवतात. अक्ष हे योगायोग डिटेक्टर (CD) न्यूरॉन्सच्या मालिकेचा भाग आहेत, ज्यापैकी प्रत्येक वेळ-संबंधित इनपुटला निवडकपणे प्रतिसाद देतो. परिणामी, फक्त सीडी ज्यांचे इनपुट सर्वात कमी वेळेच्या फरकाने येतात ते जास्तीत जास्त उत्तेजित होतात (ITD अचूकपणे भरपाई दिली जाते). सीडी नंतर लक्ष्याच्या कोनीय स्थितीला एन्कोड करेल.
पायझोइलेक्ट्रिक मायक्रोमेकॅनिकल अल्ट्रासोनिक ट्रान्सड्यूसर हे स्केलेबल अल्ट्रासोनिक ट्रान्सड्यूसर आहेत जे प्रगत CMOS तंत्रज्ञान 31,32,33,52 सह एकत्रित केले जाऊ शकतात आणि पारंपारिक व्हॉल्यूमेट्रिक ट्रान्सड्यूसर 53 पेक्षा कमी प्रारंभिक व्होल्टेज आणि उर्जा वापरतात. आमच्या कामात, झिल्लीचा व्यास 880 µm आहे, आणि रेझोनंट वारंवारता 110-117 kHz च्या श्रेणीत वितरीत केली जाते (चित्र 2a, तपशीलांसाठी पद्धती पहा). दहा चाचणी उपकरणांच्या बॅचमध्ये, सरासरी गुणवत्ता घटक सुमारे 50 होता (संदर्भ 31). तंत्रज्ञानाने औद्योगिक परिपक्वता गाठली आहे आणि ते जैवप्रेरित नाही. वेगवेगळ्या pMUT चित्रपटांमधील माहिती एकत्र करणे हे एक सुप्रसिद्ध तंत्र आहे, आणि कोन माहिती pMUTs मधून मिळवता येते, उदाहरणार्थ, बीमफॉर्मिंग तंत्र 31,54. तथापि, कोन माहिती काढण्यासाठी आवश्यक असलेली सिग्नल प्रक्रिया कमी उर्जा मोजण्यासाठी योग्य नाही. प्रस्तावित प्रणाली न्यूरोमॉर्फिक डेटा प्रीप्रोसेसिंग सर्किट pMUT ला RRAM-आधारित न्यूरोमॉर्फिक संगणन आलेखासह एकत्रित करते, जेफ्रेस मॉडेल (आकृती 2c) द्वारे प्रेरित आहे, पर्यायी ऊर्जा-कार्यक्षम आणि संसाधन-अवरोधित हार्डवेअर समाधान प्रदान करते. आम्ही एक प्रयोग केला ज्यामध्ये दोन पीएमयूटी सेन्सर सुमारे 10 सेमी अंतरावर दोन प्राप्त करणाऱ्या झिल्लींद्वारे प्राप्त झालेल्या भिन्न ToF आवाजांचे शोषण करण्यासाठी ठेवण्यात आले होते. ट्रान्समीटर म्हणून काम करणारा एक पीएमयूटी रिसीव्हर्समध्ये बसतो. लक्ष्य 12 सेमी रुंद PVC प्लेट होते, जी pMUT उपकरणासमोर D अंतरावर होती (चित्र 2b). रिसीव्हर ऑब्जेक्टमधून परावर्तित होणारा आवाज रेकॉर्ड करतो आणि ध्वनी लहरीतून जाताना शक्य तितकी प्रतिक्रिया देतो. अंतर D आणि कोन θ द्वारे निर्धारित ऑब्जेक्टची स्थिती बदलून प्रयोगाची पुनरावृत्ती करा. एका लिंकवरून प्रेरित. 55, आम्ही न्यूरोमॉर्फिक कॉम्प्युटेशनल आलेख इनपुट करण्यासाठी परावर्तित लहरींना शिखरांमध्ये रूपांतरित करण्यासाठी pMUT कच्च्या सिग्नलच्या न्यूरोमॉर्फिक प्री-प्रोसेसिंगचा प्रस्ताव देतो. शिखर मोठेपणाशी संबंधित ToF प्रत्येक दोन चॅनेलमधून काढला जातो आणि वैयक्तिक शिखरांच्या अचूक वेळेनुसार एन्कोड केला जातो. अंजीर वर. 2c RRAM-आधारित संगणकीय आलेखासह pMUT सेन्सरला इंटरफेस करण्यासाठी आवश्यक असलेली सर्किटरी दर्शविते: प्रत्येक दोन pMUT रिसीव्हरसाठी, रॉ सिग्नल हा गुळगुळीत, दुरुस्त करण्यासाठी फिल्टर केलेला बँड-पास आहे आणि नंतर ओव्हरकमिंग मोडमध्ये लीकी इंटिग्रेटरकडे पाठविला जातो. डायनॅमिक थ्रेशोल्ड (Fig. 2d) आउटपुट इव्हेंट (स्पाइक) आणि फायरिंग (LIF) न्यूरॉन तयार करते: आउटपुट स्पाइक वेळ शोधलेल्या फ्लाइटच्या वेळेस एन्कोड करते. LIF थ्रेशोल्ड pMUT प्रतिसादाच्या विरूद्ध कॅलिब्रेट केले जाते, ज्यामुळे pMUT परिवर्तनशीलता डिव्हाइसवरून डिव्हाइसपर्यंत कमी होते. या दृष्टिकोनाने, संपूर्ण ध्वनी लहरी मेमरीमध्ये संग्रहित करण्याऐवजी आणि त्यावर नंतर प्रक्रिया करण्याऐवजी, आम्ही फक्त ध्वनी लहरीच्या ToF शी संबंधित एक शिखर निर्माण करतो, जे प्रतिरोधक मेमरी संगणकीय आलेखासाठी इनपुट बनवते. स्पाइक्स थेट विलंब रेषांवर पाठवले जातात आणि न्यूरोमॉर्फिक संगणन आलेखांमध्ये जुळणी शोध मॉड्यूलसह ​​समांतर केले जातात. कारण ते ट्रान्झिस्टरच्या गेट्सवर पाठवले जातात, कोणत्याही अतिरिक्त प्रवर्धन सर्किटची आवश्यकता नाही (तपशीलांसाठी पूरक चित्र 4 पहा). pMUT आणि प्रस्तावित सिग्नल प्रोसेसिंग पद्धतीद्वारे प्रदान केलेल्या स्थानिकीकरण कोनीय अचूकतेचे मूल्यमापन करण्यासाठी, आम्ही ITD (म्हणजे, दोन रिसीव्हर्सद्वारे व्युत्पन्न केलेल्या पीक इव्हेंटमधील वेळेतील फरक) मोजले कारण ऑब्जेक्टचे अंतर आणि कोन भिन्न आहे. नंतर आयटीडी विश्लेषण कोनात रूपांतरित केले गेले (पद्धती पहा) आणि ऑब्जेक्टच्या स्थितीच्या विरूद्ध प्लॉट केले गेले: मोजलेल्या ITD मधील अनिश्चितता ऑब्जेक्टमधील अंतर आणि कोन (चित्र 2e,f) वाढली. पीएमयूटी प्रतिसादातील पीक-टू-नॉईज रेशो (पीएनआर) ही मुख्य समस्या आहे. ऑब्जेक्ट जितका दूर असेल तितका अकौस्टिक सिग्नल कमी होईल, ज्यामुळे PNR (Fig. 2f, ग्रीन लाइन) कमी होईल. PNR मध्ये घट झाल्यामुळे ITD अंदाजामध्ये अनिश्चितता वाढते, परिणामी स्थानिकीकरण अचूकता वाढते (चित्र 2f, ब्लू लाइन). ट्रान्समीटरपासून 50 सेमी अंतरावरील वस्तूसाठी, प्रणालीची कोनीय अचूकता अंदाजे 10° आहे. सेन्सरच्या वैशिष्ट्यांद्वारे लादलेली ही मर्यादा सुधारली जाऊ शकते. उदाहरणार्थ, एमिटरद्वारे पाठवलेला दबाव वाढविला जाऊ शकतो, ज्यामुळे पीएमयूटी झिल्ली चालविणारे व्होल्टेज वाढते. प्रसारित सिग्नल वाढवण्याचा आणखी एक उपाय म्हणजे एकाधिक ट्रान्समीटर कनेक्ट करणे 56. हे उपाय वाढीव ऊर्जा खर्चाच्या खर्चावर शोध श्रेणी वाढवतील. प्राप्तीच्या बाजूने अतिरिक्त सुधारणा केल्या जाऊ शकतात. pMUT आणि पहिल्या स्टेज ॲम्प्लिफायरमधील कनेक्शन सुधारून pMUT चा रिसीव्हर नॉईज फ्लोअर लक्षणीयरीत्या कमी केला जाऊ शकतो, जे सध्या वायर कनेक्शन आणि RJ45 केबल्ससह केले जाते.
1.5 मिमी पिचवर एकत्रित केलेल्या सहा 880 µm झिल्लीसह pMUT क्रिस्टलची प्रतिमा. b मापन सेटअपचा आकृती. लक्ष्य दिग्गज स्थितीत θ आणि D अंतरावर स्थित आहे. pMUT ट्रान्समीटर एक 117.6 kHz सिग्नल व्युत्पन्न करतो जो लक्ष्यापासून दूर जातो आणि दोन pMUT रिसीव्हर्सपर्यंत पोहोचतो ज्याने उड्डाणाच्या वेगवेगळ्या वेळेसह (ToF). इंटर-ऑरल टाइम डिफरन्स (ITD) म्हणून परिभाषित केलेला हा फरक, ऑब्जेक्टची स्थिती एन्कोड करतो आणि दोन रिसीव्हर सेन्सर्सच्या शिखर प्रतिसादाचा अंदाज घेऊन अंदाज लावला जाऊ शकतो. कच्या पीएमयूटी सिग्नलला स्पाइक सीक्वेन्समध्ये रूपांतरित करण्यासाठी प्री-प्रोसेसिंग चरणांचे योजनाबद्ध (म्हणजे न्यूरोमॉर्फिक कंप्युटेशन आलेखात इनपुट). pMUT सेन्सर्स आणि न्यूरोमॉर्फिक कॉम्प्युटेशनल आलेख तयार केले गेले आहेत आणि तपासले गेले आहेत आणि न्यूरोमॉर्फिक प्री-प्रोसेसिंग सॉफ्टवेअर सिम्युलेशनवर आधारित आहे. d सिग्नल मिळाल्यावर pMUT झिल्लीचा प्रतिसाद आणि त्याचे स्पाइक डोमेनमध्ये रूपांतर. e प्रायोगिक स्थानिकीकरण कोनीय अचूकता ऑब्जेक्ट कोन (Θ) आणि लक्ष्य ऑब्जेक्टचे अंतर (D) चे कार्य म्हणून. ITD निष्कर्षण पद्धतीसाठी अंदाजे 4°C चे किमान कोनीय रिझोल्यूशन आवश्यक आहे. f कोनीय अचूकता (निळी रेषा) आणि संबंधित पीक-टू-आवाज गुणोत्तर (हिरवी रेषा) विरुद्ध ऑब्जेक्ट अंतर Θ = 0 साठी.
प्रतिरोधक मेमरी नॉन-अस्थिर प्रवाहकीय अवस्थेत माहिती साठवते. पद्धतीचे मूलभूत तत्त्व असे आहे की अणू स्तरावर सामग्रीमध्ये बदल केल्याने त्याच्या विद्युत चालकता मध्ये बदल होतो57. येथे आपण ऑक्साईड-आधारित रेझिस्टिव्ह मेमरी वापरतो ज्यामध्ये वरच्या आणि खालच्या टायटॅनियम आणि टायटॅनियम नायट्राइड इलेक्ट्रोड्समध्ये सँडविच केलेला हाफनियम डायऑक्साइडचा 5nm थर असतो. इलेक्ट्रोड्समधील ऑक्सिजन रिक्त स्थानांचे प्रवाहकीय फिलामेंट तयार किंवा खंडित करणारे विद्युत्/व्होल्टेज वेव्हफॉर्म लागू करून RRAM उपकरणांची चालकता बदलली जाऊ शकते. योगायोग डिटेक्टर आणि विलंब लाईन सर्किट (चित्र 3a) कार्यान्वित करणारे फेब्रिकेटेड रीकॉन्फिगर करण्यायोग्य न्यूरोमॉर्फिक सर्किट तयार करण्यासाठी आम्ही अशा उपकरणांना 58 मानक 130 nm CMOS प्रक्रियेमध्ये सह-समाकलित केले. न्यूरोमॉर्फिक सर्किटच्या इव्हेंट-चालित निसर्गासह डिव्हाइसचे नॉन-अस्थिर आणि ॲनालॉग स्वरूप, वीज वापर कमी करते. सर्किटमध्ये इन्स्टंट ऑन/ऑफ फंक्शन असते: ते चालू केल्यानंतर लगेचच ऑपरेट होते, सर्किट निष्क्रिय असताना पॉवर पूर्णपणे बंद होऊ देते. प्रस्तावित योजनेचे मुख्य बिल्डिंग ब्लॉक अंजीर मध्ये दर्शविले आहेत. 3ब. यात N समांतर सिंगल-रेझिस्टर सिंगल-ट्रान्झिस्टर (1T1R) रचना असतात ज्या सिनॅप्टिक वेट्स एन्कोड करतात ज्यामधून भारित प्रवाह घेतले जातात, डिफरेंशियल पेअर इंटिग्रेटर (DPI)59 च्या कॉमन सिनॅप्समध्ये इंजेक्ट केले जातात आणि शेवटी इंटिग्रेशनसह सिनॅप्समध्ये इंजेक्ट केले जातात आणि गळती सक्रिय (LIF) न्यूरॉन 60 (तपशीलांसाठी पद्धती पहा). इनपुट सर्जेस शेकडो नॅनोसेकंदांच्या क्रमाने कालावधीसह व्होल्टेज डाळींच्या अनुक्रमाच्या स्वरूपात 1T1R संरचनेच्या गेटवर लागू केले जातात. Vbottom ग्राउंड केलेले असताना Vtop ला बाह्य सकारात्मक संदर्भ लागू करून रेझिस्टिव्ह मेमरी उच्च प्रवाहकीय स्थितीत (HCS) ठेवली जाऊ शकते आणि Vtop ग्राउंड केल्यावर Vbottom वर सकारात्मक व्होल्टेज लागू करून कमी प्रवाहकीय स्थितीवर (LCS) रीसेट केले जाऊ शकते. HCS चे सरासरी मूल्य SET (ICC) चे प्रोग्रामिंग वर्तमान (अनुपालन) मर्यादित करून मालिका ट्रान्झिस्टर (Fig. 3c) च्या गेट-स्रोत व्होल्टेजद्वारे नियंत्रित केले जाऊ शकते. सर्किटमधील RRAM ची कार्ये दुप्पट आहेत: ते इनपुट डाळी निर्देशित करतात आणि वजन करतात.
हिरव्या रंगात निवडक ट्रान्झिस्टर (650 nm रुंद) सह 130 nm CMOS तंत्रज्ञानामध्ये एकत्रित केलेल्या निळ्या HfO2 1T1R RRAM उपकरणाची स्कॅनिंग इलेक्ट्रॉन मायक्रोस्कोप (SEM) प्रतिमा. b Basic building blocks of the proposed neuromorphic schema. इनपुट व्होल्टेज डाळी (शिखर) Vin0 आणि Vin1 वर्तमान आयवेट वापरतात, जे 1T1R संरचनेच्या G0 आणि G1 च्या वहन स्थितीच्या प्रमाणात असते. This current is injected into the DPI synapses and excites the LIF neurons. RRAM G0 आणि G1 अनुक्रमे HCS आणि LCS मध्ये स्थापित केले आहेत. c आयसीसी करंट मॅचिंगचे कार्य म्हणून 16K RRAM उपकरणांच्या गटासाठी संचयी प्रवाहकत्व घनतेचे कार्य, जे वहन पातळी प्रभावीपणे नियंत्रित करते. d (a) मधील सर्किट मोजमाप दर्शविते की G1 (LCS मध्ये) प्रभावीपणे Vin1 (हिरव्या) मधील इनपुट अवरोधित करते आणि खरंच आउटपुट न्यूरॉनचे झिल्ली व्होल्टेज केवळ Vin0 मधील निळ्या इनपुटला प्रतिसाद देते. RRAM effectively determines the connections in the circuit. e सर्किटचे मापन (b) मध्ये व्होल्टेज पल्स Vin0 लागू केल्यानंतर झिल्ली व्होल्टेज Vmem वर कंडक्टन्स व्हॅल्यू G0 चा प्रभाव दर्शवितो. The more conductance, the stronger the response: thus, the RRAM device implements I/O connection weighting. Measurements were made on the circuit and demonstrate the dual function of RRAM, routing and weighting of input pulses.
प्रथम, दोन मूलभूत वहन अवस्था (HCS आणि LCS) असल्याने, RRAMs अनुक्रमे LCS किंवा HCS स्थितीत असताना इनपुट डाळी ब्लॉक करू शकतात किंवा चुकवू शकतात. परिणामी, RRAM सर्किटमधील कनेक्शन प्रभावीपणे निर्धारित करते. आर्किटेक्चर पुन्हा कॉन्फिगर करण्यात सक्षम होण्यासाठी हा आधार आहे. हे दाखवण्यासाठी, आम्ही आकृती 3b मध्ये सर्किट ब्लॉकच्या बनावट सर्किट अंमलबजावणीचे वर्णन करू. G0 शी संबंधित RRAM HCS मध्ये प्रोग्रॅम केले आहे, आणि दुसरा RRAM G1 LCS मध्ये प्रोग्राम केला आहे. इनपुट डाळी Vin0 आणि Vin1 दोन्हीवर लागू केल्या जातात. ऑसिलोस्कोप वापरून न्यूरॉन मेम्ब्रेन व्होल्टेज आणि आउटपुट सिग्नल एकत्रित करून आउटपुट न्यूरॉन्समध्ये इनपुट डाळींच्या दोन अनुक्रमांच्या प्रभावांचे विश्लेषण केले गेले. हा प्रयोग यशस्वी झाला जेव्हा केवळ HCS यंत्र (G0) झिल्लीच्या तणावाला उत्तेजन देण्यासाठी न्यूरॉनच्या नाडीशी जोडलेले होते. हे आकृती 3d मध्ये दाखवले आहे, जेथे निळ्या पल्स ट्रेनमुळे मेम्ब्रेन कॅपेसिटरवर मेम्ब्रेन व्होल्टेज तयार होते, तर हिरवी पल्स ट्रेन मेम्ब्रेन व्होल्टेज स्थिर ठेवते.
RRAM चे दुसरे महत्वाचे कार्य म्हणजे कनेक्शन वजनांची अंमलबजावणी करणे. RRAM च्या ॲनालॉग कंडक्टन्स ऍडजस्टमेंटचा वापर करून, I/O कनेक्शनचे वजन त्यानुसार केले जाऊ शकते. दुसऱ्या प्रयोगात, G0 उपकरण HCS च्या विविध स्तरांवर प्रोग्राम केले गेले आणि VIn0 इनपुटवर इनपुट पल्स लागू केले गेले. इनपुट पल्स यंत्रातून विद्युत् प्रवाह (आयवेट) काढते, जे कंडक्टन्स आणि संबंधित संभाव्य ड्रॉप Vtop − Vbot यांच्या प्रमाणात असते. हा भारित प्रवाह नंतर डीपीआय सिनॅप्सेस आणि एलआयएफ आउटपुट न्यूरॉन्समध्ये इंजेक्ट केला जातो. आउटपुट न्यूरॉन्सचे झिल्ली व्होल्टेज ऑसिलोस्कोप वापरून रेकॉर्ड केले गेले आणि अंजीर 3d मध्ये प्रदर्शित केले गेले. सिंगल इनपुट पल्सच्या प्रतिसादात न्यूरॉन झिल्लीचे व्होल्टेज पीक हे रेझिस्टिव्ह मेमरीच्या वाहकतेच्या प्रमाणात असते, हे दाखवते की RRAM सिनॅप्टिक वजनाचा प्रोग्राम करण्यायोग्य घटक म्हणून वापरला जाऊ शकतो. या दोन प्राथमिक चाचण्या दर्शवितात की प्रस्तावित RRAM-आधारित न्यूरोमॉर्फिक प्लॅटफॉर्म मूलभूत जेफ्रेस यंत्रणेच्या मूलभूत घटकांची अंमलबजावणी करण्यास सक्षम आहे, म्हणजे विलंब रेखा आणि योगायोग डिटेक्टर सर्किट. सर्किट प्लॅटफॉर्म आकृती 3b मधील ब्लॉक्स सारख्या सलग ब्लॉक्सना शेजारी स्टॅक करून आणि त्यांचे गेट्स एका सामान्य इनपुट लाइनला जोडून तयार केले जातात. We designed, fabricated, and tested a neuromorphic platform consisting of two output neurons receiving two inputs (Fig. 4a). सर्किट आकृती आकृती 4b मध्ये दर्शविली आहे. वरचा 2 × 2 RRAM मॅट्रिक्स इनपुट डाळींना दोन आउटपुट न्यूरॉन्सकडे निर्देशित करण्यास अनुमती देतो, तर खालचा 2 × 2 मॅट्रिक्स दोन न्यूरॉन्स (N0, N1) च्या आवर्ती कनेक्शनला परवानगी देतो. आकृती 4c-e मधील प्रायोगिक मापनांद्वारे दर्शविल्याप्रमाणे, आम्ही हे दाखवून देतो की हे प्लॅटफॉर्म विलंब लाइन कॉन्फिगरेशन आणि दोन भिन्न योगायोग शोधक कार्यांसह वापरले जाऊ शकते.
दोन आउटपुट न्यूरॉन्स N0 आणि N1 द्वारे तयार केलेले सर्किट आकृती दोन इनपुट 0 आणि 1 प्राप्त करतात. ॲरेची शीर्ष चार उपकरणे इनपुटपासून आउटपुटपर्यंत सिनॅप्टिक कनेक्शन परिभाषित करतात आणि खालच्या चार पेशी न्यूरॉन्समधील आवर्ती कनेक्शन परिभाषित करतात. रंगीत RRAMs उजवीकडे HCS मध्ये कॉन्फिगर केलेल्या उपकरणांचे प्रतिनिधित्व करतात: HCS मधील उपकरणे कनेक्शनला परवानगी देतात आणि वजन दर्शवतात, तर LCS मधील उपकरणे इनपुट पल्स ब्लॉक करतात आणि आउटपुटशी कनेक्शन अक्षम करतात. b निळ्या रंगात हायलाइट केलेल्या आठ RRAM मॉड्यूलसह ​​सर्किटचे आकृती (a). c डीपीआय सायनॅप्स आणि एलआयएफ न्यूरॉन्सच्या डायनॅमिक्सचा वापर करून विलंब रेषा तयार केल्या जातात. हिरवा RRAM इनपुट विलंब Δt नंतर आउटपुटमध्ये त्रुटी निर्माण करण्यास सक्षम होण्यासाठी पुरेसे उच्च कंडक्टन्सवर सेट केले आहे. d वेळेवर अवलंबून असलेल्या सिग्नलच्या दिशा-असंवेदनशील सीडी शोधाचे योजनाबद्ध चित्रण. आउटपुट न्यूरॉन 1, N1, इनपुट 0 आणि 1 वर थोड्या विलंबाने फायर होते. e डायरेक्शन सेन्सिटिव्ह सीडी सर्किट, एक सर्किट जे इनपुट 1 इनपुट 0 पर्यंत पोहोचते आणि इनपुट 0 नंतर येते तेव्हा शोधते. सर्किटचे आउटपुट न्यूरॉन 1 (N1) द्वारे दर्शविले जाते.

परिवर्तनशीलता हे मॉडेल केलेल्या न्यूरोमॉर्फिक सिस्टममध्ये अपूर्णतेचे स्त्रोत आहे63,64,65. यामुळे न्यूरॉन्स आणि सायनॅप्सचे विषम वर्तन होते. अशा तोट्यांच्या उदाहरणांमध्ये इनपुट गेनमधील 30% (म्हणजे मानक विचलन) परिवर्तनशीलता, वेळ स्थिरता आणि अपवर्तक कालावधी, नावाप्रमाणेच काही (पद्धती पहा). ही समस्या अधिक स्पष्ट होते जेव्हा अनेक न्यूरल सर्किट्स एकत्र जोडलेले असतात, जसे की दोन न्यूरॉन्स असलेली ओरिएंटेशन-सेन्सिटिव्ह सीडी. योग्यरित्या कार्य करण्यासाठी, दोन न्यूरॉन्सची वाढ आणि क्षय वेळ स्थिरांक शक्य तितके समान असले पाहिजेत. उदाहरणार्थ, इनपुट गेनमधील मोठ्या फरकामुळे एक न्यूरॉन इनपुट पल्सवर अतिरीक्त प्रतिक्रिया देऊ शकतो तर दुसरा न्यूरॉन क्वचितच प्रतिसाद देतो. अंजीर वर. आकृती 5a दर्शविते की यादृच्छिकपणे निवडलेले न्यूरॉन्स समान इनपुट पल्सला वेगळ्या पद्धतीने प्रतिसाद देतात. ही तंत्रिका परिवर्तनशीलता संबंधित आहे, उदाहरणार्थ, दिशा-संवेदनशील सीडीच्या कार्यासाठी. अंजीर मध्ये दर्शविलेल्या योजनेत. 5b, c, न्यूरॉन 1 चा इनपुट गेन न्यूरॉन 0 पेक्षा खूप जास्त आहे. अशा प्रकारे, न्यूरॉन 0 ला उंबरठ्यावर पोहोचण्यासाठी तीन इनपुट पल्स (1 ऐवजी) आवश्यक आहेत आणि अपेक्षेप्रमाणे न्यूरॉन 1 ला दोन इनपुट घटनांची आवश्यकता आहे. स्पाइक टाइम-डिपेंडेंट बायोमिमेटिक प्लास्टिसिटी (एसटीडीपी) ची अंमलबजावणी करणे हा प्रणालीच्या कार्यक्षमतेवर अस्पष्ट आणि आळशी न्यूरल आणि सिनॅप्टिक सर्किट्सचा प्रभाव कमी करण्याचा एक संभाव्य मार्ग आहे43. येथे आम्ही प्रतिरोधक स्मृतीच्या प्लास्टिक वर्तनाचा उपयोग न्यूरल इनपुटच्या वाढीवर प्रभाव टाकण्यासाठी आणि न्यूरोमॉर्फिक सर्किट्समधील परिवर्तनशीलतेचे परिणाम कमी करण्यासाठी प्रस्तावित करतो. अंजीर मध्ये दाखवल्याप्रमाणे. 4e, RRAM सिनॅप्टिक मासशी संबंधित कंडक्टन्स लेव्हल्सने संबंधित न्यूरल मेम्ब्रेन व्होल्टेज प्रतिसाद प्रभावीपणे मोड्यूलेट केला. आम्ही पुनरावृत्ती RRAM प्रोग्रामिंग धोरण वापरतो. दिलेल्या इनपुटसाठी, सर्किटचे लक्ष्य वर्तन प्राप्त होईपर्यंत सिनॅप्टिक वेट्सचे कंडक्टन्स व्हॅल्यूज पुन्हा प्रोग्राम केले जातात (पद्धती पहा).
एकाच इनपुट पल्सला नऊ यादृच्छिकपणे निवडलेल्या वैयक्तिक न्यूरॉन्सच्या प्रतिसादाचे प्रायोगिक मोजमाप. प्रतिसाद लोकसंख्येवर बदलतो, इनपुट वाढ आणि वेळ स्थिरतेवर परिणाम होतो. b दिशा-संवेदनशील सीडीला प्रभावित करणाऱ्या न्यूरॉन्सच्या परिवर्तनशीलतेवर न्यूरॉन्सच्या प्रभावाचे प्रायोगिक मोजमाप. दोन दिशा-संवेदनशील सीडी आउटपुट न्यूरॉन्स न्यूरॉन-टू-न्यूरॉन परिवर्तनशीलतेमुळे इनपुट उत्तेजनांना भिन्न प्रतिसाद देतात. न्यूरॉन 0 मध्ये न्यूरॉन 1 पेक्षा कमी इनपुट वाढ आहे, म्हणून आउटपुट स्पाइक तयार करण्यासाठी तीन इनपुट पल्स (1 ऐवजी) लागतात. अपेक्षेप्रमाणे, न्यूरॉन 1 दोन इनपुट इव्हेंटसह उंबरठ्यावर पोहोचतो. जर न्यूरॉन 0 फायर झाल्यानंतर इनपुट 1 Δt = 50 µs वर आला, तर CD शांत राहते कारण Δt हा न्यूरॉन 1 (सुमारे 22 µs) च्या वेळेच्या स्थिरांकापेक्षा मोठा आहे. c हे Δt = 20 µs ने कमी केले आहे, जेणेकरुन जेव्हा न्यूरॉन 1 चे फायरिंग अजूनही जास्त असेल तेव्हा इनपुट 1 शिखरावर जाईल, परिणामी दोन इनपुट इव्हेंट्सचा एकाचवेळी शोध घेतला जाईल.
ITD गणना स्तंभामध्ये वापरलेले दोन घटक विलंब रेखा आणि दिशा असंवेदनशील CD आहेत. ऑब्जेक्ट पोझिशनिंग कामगिरीची खात्री करण्यासाठी दोन्ही सर्किट्सना अचूक कॅलिब्रेशन आवश्यक आहे. विलंब रेषेने इनपुट शिखर (चित्र 6a) ची तंतोतंत विलंबित आवृत्ती वितरित केली पाहिजे आणि जेव्हा इनपुट लक्ष्य शोध श्रेणीमध्ये येते तेव्हाच सीडी सक्रिय करणे आवश्यक आहे. विलंब रेषेसाठी, लक्ष्य विलंब प्राप्त होईपर्यंत इनपुट कनेक्शनचे सिनॅप्टिक वजन (चित्र 4a मधील G3) पुन्हा प्रोग्राम केले गेले. कार्यक्रम थांबविण्यासाठी लक्ष्य विलंबाभोवती एक सहिष्णुता सेट करा: सहिष्णुता जितकी लहान असेल तितकी विलंब रेषा यशस्वीरित्या सेट करणे अधिक कठीण आहे. अंजीर वर. आकृती 6b विलंब रेषा कॅलिब्रेशन प्रक्रियेचे परिणाम दर्शविते: हे पाहिले जाऊ शकते की प्रस्तावित योजना डिझाइन योजनेमध्ये आवश्यक असलेले सर्व विलंब प्रदान करू शकते (10 ते 300 μs पर्यंत). कॅलिब्रेशन पुनरावृत्तीची कमाल संख्या कॅलिब्रेशन प्रक्रियेच्या गुणवत्तेवर परिणाम करते: 200 पुनरावृत्ती त्रुटी 5% पेक्षा कमी करू शकतात. एक कॅलिब्रेशन पुनरावृत्ती RRAM सेलच्या सेट/रीसेट ऑपरेशनशी संबंधित आहे. सीडी मॉड्यूल इन्स्टंट क्लोज इव्हेंट डिटेक्शनची अचूकता सुधारण्यासाठी ट्यूनिंग प्रक्रिया देखील महत्त्वपूर्ण आहे. 95% (आकृती 6c मधील निळी रेषा) वरील खरा सकारात्मक दर (म्हणजे, संबंधित म्हणून योग्यरित्या ओळखल्या जाणाऱ्या घटनांचा दर) प्राप्त करण्यासाठी दहा कॅलिब्रेशन पुनरावृत्ती झाली. तथापि, ट्यूनिंग प्रक्रियेचा खोट्या सकारात्मक घटनांवर परिणाम झाला नाही (म्हणजे, प्रासंगिक म्हणून चुकीने ओळखल्या गेलेल्या घटनांची वारंवारता). जलद गतीने सक्रिय होणाऱ्या मार्गांच्या वेळेच्या मर्यादांवर मात करण्यासाठी जैविक प्रणालींमध्ये आढळणारी दुसरी पद्धत म्हणजे रिडंडंसी (म्हणजेच दिलेल्या कार्यासाठी एकाच वस्तूच्या अनेक प्रती वापरल्या जातात). Inspired by biology66, we placed several CD circuits in each CD module between the two delay lines to reduce the impact of false positives. अंजीर मध्ये दाखवल्याप्रमाणे. 6c (green line), placing three CD elements in each CD module can reduce the false alarm rate to less than 10–2.
विलंब लाइन सर्किट्सवर न्यूरोनल परिवर्तनशीलतेचा प्रभाव. b संबंधित LIF न्यूरॉन्स आणि डीपीआय सिनॅप्सेसची वेळ स्थिरांक मोठ्या मूल्यांवर सेट करून विलंब लाइन सर्किट्स मोठ्या विलंबापर्यंत मोजले जाऊ शकतात. RRAM कॅलिब्रेशन प्रक्रियेच्या पुनरावृत्तीच्या संख्येत वाढ केल्याने लक्ष्य विलंबाची अचूकता लक्षणीयरीत्या सुधारणे शक्य झाले: 200 पुनरावृत्तीने त्रुटी 5% पेक्षा कमी केली. एक पुनरावृत्ती RRAM सेलवरील SET/RESET ऑपरेशनशी संबंधित आहे. c Jeffress मॉडेलमधील प्रत्येक CD मॉड्युल N समांतर CD घटकांचा वापर करून प्रणालीतील बिघाडांच्या संदर्भात अधिक लवचिकतेसाठी लागू केले जाऊ शकते. d अधिक RRAM कॅलिब्रेशन पुनरावृत्ती खरा सकारात्मक दर (निळी रेषा) वाढवते, तर खोटे सकारात्मक दर पुनरावृत्तीच्या संख्येपासून (हिरव्या रेषा) स्वतंत्र असतो. समांतर मध्ये अधिक CD घटक ठेवल्याने CD मॉड्यूल जुळण्यांचे खोटे शोधणे टाळले जाते.
आम्ही आता आकृती 2 मध्ये दर्शविलेल्या एंड-टू-एंड इंटिग्रेटेड ऑब्जेक्ट लोकॅलायझेशन सिस्टमची कार्यक्षमता आणि पॉवर वापराचे मूल्यमापन करतो pMUT सेन्सर, CD आणि न्यूरोमॉर्फिक कंप्युटिंग आलेख बनवणाऱ्या विलंब लाइन सर्किट्सच्या ध्वनिक गुणधर्मांचे मोजमाप वापरून. जेफ्रेस मॉडेल (Fig. 1a). न्यूरोमॉर्फिक संगणन आलेखासाठी, सीडी मॉड्यूल्सची संख्या जितकी जास्त असेल तितके चांगले कोनीय रिझोल्यूशन, परंतु सिस्टमची उर्जा देखील जास्त असेल (चित्र 7a). वैयक्तिक घटकांच्या अचूकतेची (pMUT सेन्सर्स, न्यूरॉन्स आणि सिनॅप्टिक सर्किट्स) संपूर्ण प्रणालीच्या अचूकतेशी तुलना करून तडजोड केली जाऊ शकते. विलंब रेषेचे रिझोल्यूशन सिम्युलेटेड सायनॅप्स आणि न्यूरॉन्सच्या वेळेच्या स्थिरांकांद्वारे मर्यादित आहे, जे आमच्या योजनेमध्ये 10 µs पेक्षा जास्त आहे, जे 4° च्या कोनीय रिझोल्यूशनशी संबंधित आहे (पद्धती पहा). CMOS तंत्रज्ञानासह अधिक प्रगत नोड्स कमी वेळ स्थिरांकांसह न्यूरल आणि सिनॅप्टिक सर्किट्सची रचना करण्यास अनुमती देईल, परिणामी विलंब रेषेतील घटकांची अचूकता अधिक असेल. तथापि, आमच्या प्रणालीमध्ये, अचूकता कोनीय स्थितीचा अंदाज लावण्यात pMUT त्रुटीमुळे मर्यादित आहे, म्हणजे 10° (चित्र 7a मधील निळी क्षैतिज रेषा). आम्ही CD मॉड्यूल्सची संख्या 40 वर निश्चित केली, जी सुमारे 4° च्या कोनीय रिझोल्यूशनशी संबंधित आहे, म्हणजे, संगणकीय आलेखाच्या कोनीय अचूकतेशी (चित्र 7a मधील हलकी निळी क्षैतिज रेषा). सिस्टीम स्तरावर, हे सेन्सर सिस्टीमच्या समोर 50 सेमी अंतरावर असलेल्या वस्तूंसाठी 4° चे रिझोल्यूशन आणि 10° ची अचूकता देते. हे मूल्य रेफमध्ये नोंदवलेल्या न्यूरोमॉर्फिक ध्वनी स्थानिकीकरण प्रणालीशी तुलना करता येते. 67. अत्याधुनिकतेसह प्रस्तावित प्रणालीची तुलना पूरक तक्ता 1 मध्ये आढळू शकते. अतिरिक्त pMUT जोडणे, ध्वनिक सिग्नल पातळी वाढवणे आणि इलेक्ट्रॉनिक आवाज कमी करणे हे स्थानिकीकरण अचूकता आणखी सुधारण्याचे संभाव्य मार्ग आहेत. ) 9.7 असा अंदाज आहे. nz 55. संगणकीय आलेखावर 40 सीडी युनिट्स दिल्यास, स्पाईस सिम्युलेशनने प्रति ऑपरेशन ऊर्जा (म्हणजे ऑब्जेक्ट पोझिशनिंग एनजे) 21.6 एनजे असल्याचा अंदाज लावला. न्यूरोमॉर्फिक सिस्टीम जेव्हा इनपुट इव्हेंट येते तेव्हाच सक्रिय होते, म्हणजे जेव्हा ध्वनिक लहर कोणत्याही pMUT रिसीव्हरपर्यंत पोहोचते आणि शोध थ्रेशोल्ड ओलांडते, अन्यथा ती निष्क्रिय राहते. इनपुट सिग्नल नसताना हे अनावश्यक वीज वापर टाळते. 100 Hz च्या स्थानिकीकरण ऑपरेशन्सची वारंवारता आणि 300 µs प्रति ऑपरेशन (जास्तीत जास्त संभाव्य ITD) च्या सक्रियतेचा कालावधी लक्षात घेता, न्यूरोमॉर्फिक संगणन आलेखचा उर्जा वापर 61.7 nW आहे. प्रत्येक pMUT रिसीव्हरवर लागू केलेल्या न्यूरोमॉर्फिक प्री-प्रोसेसिंगसह, संपूर्ण सिस्टमचा वीज वापर 81.6 nW पर्यंत पोहोचतो. पारंपारिक हार्डवेअरच्या तुलनेत प्रस्तावित न्यूरोमॉर्फिक दृष्टिकोनाची ऊर्जा कार्यक्षमता समजून घेण्यासाठी, आम्ही या संख्येची तुलना न्यूरोमॉर्फिक किंवा पारंपारिक बीमफॉर्मिंग68 कौशल्य वापरून आधुनिक लो पॉवर मायक्रोकंट्रोलरवर समान कार्य करण्यासाठी आवश्यक असलेल्या उर्जेशी केली. न्यूरोमॉर्फिक दृष्टीकोन ॲनालॉग-टू-डिजिटल कन्व्हर्टर (ADC) स्टेजचा विचार करते, त्यानंतर बँड-पास फिल्टर आणि लिफाफा काढण्याची अवस्था (टीगर-कैसर पद्धत) असते. शेवटी, ToF काढण्यासाठी थ्रेशोल्ड ऑपरेशन केले जाते. आम्ही ToF वर आधारित ITD ची गणना आणि अंदाजे कोनीय स्थितीत रूपांतरण वगळले आहे कारण हे प्रत्येक मापनासाठी एकदाच होते (पद्धती पहा). दोन्ही चॅनेलवर (pMUT रिसीव्हर्स), 18 बँड पास फिल्टर ऑपरेशन्स, 3 लिफाफा एक्स्ट्रॅक्शन ऑपरेशन्स, आणि 1 थ्रेशोल्ड ऑपरेशन प्रत्येक नमुन्यावर 250 kHz चा सॅम्पलिंग रेट गृहीत धरल्यास, एकूण वीज वापर 245 मायक्रोवॅट्सचा अंदाज आहे. हे मायक्रोकंट्रोलरचा लो-पॉवर मोड69 वापरतो, जो अल्गोरिदम कार्यान्वित होत नसताना चालू होतो, ज्यामुळे वीज वापर 10.8 µW पर्यंत कमी होतो. संदर्भामध्ये प्रस्तावित बीमफॉर्मिंग सिग्नल प्रोसेसिंग सोल्यूशनचा वीज वापर. 31, 5 pMUT रिसीव्हर्स आणि 11 बीम्स अजिमुथ प्लेन [-50°, +50°] मध्ये एकसमान वितरीत केलेले, 11.71 mW आहे (तपशीलांसाठी पद्धती विभाग पहा). याव्यतिरिक्त, आम्ही ऑब्जेक्ट लोकॅलायझेशनसाठी जेफ्रेस मॉडेलच्या बदली म्हणून 1.5 mW अंदाजित FPGA47-आधारित टाइम डिफरन्स एन्कोडर (TDE) च्या वीज वापराचा अहवाल देतो. या अंदाजांच्या आधारे, प्रस्तावित न्यूरोमॉर्फिक दृष्टीकोन ऑब्जेक्ट लोकॅलायझेशन ऑपरेशन्ससाठी शास्त्रीय बीमफॉर्मिंग तंत्र वापरून मायक्रोकंट्रोलरच्या तुलनेत पाच ऑर्डरने वीज वापर कमी करते. क्लासिक मायक्रोकंट्रोलरवर सिग्नल प्रक्रियेसाठी न्यूरोमॉर्फिक दृष्टीकोन अवलंबल्याने वीज वापर सुमारे दोन ऑर्डरने कमी होतो. The effectiveness of the proposed system can be explained by the combination of an asynchronous resistive-memory analog circuit capable of performing in-memory calculations and the lack of analog-to-digital conversion required to perceive signals.
सीडी मॉड्यूल्सच्या संख्येवर अवलंबून स्थानिकीकरण ऑपरेशनचे कोनीय रिझोल्यूशन (निळा) आणि वीज वापर (हिरवा). गडद निळा क्षैतिज पट्टी PMUT ची कोनीय अचूकता दर्शवते आणि हलका निळा क्षैतिज पट्टी न्यूरोमॉर्फिक संगणकीय आलेखाची कोनीय अचूकता दर्शवते. b प्रस्तावित प्रणालीचा उर्जा वापर आणि दोन चर्चा केलेल्या मायक्रोकंट्रोलर अंमलबजावणी आणि टाइम डिफरन्स एन्कोडर (TDE) 47 FPGA च्या डिजिटल अंमलबजावणीशी तुलना.
लक्ष्य स्थानिकीकरण प्रणालीचा उर्जा वापर कमी करण्यासाठी, आम्ही एक कार्यक्षम, इव्हेंट-चालित RRAM-आधारित न्यूरोमॉर्फिक सर्किटची कल्पना केली, डिझाइन केली आणि अंमलात आणली जी बिल्ट-इन सेन्सर्सद्वारे व्युत्पन्न केलेल्या सिग्नल माहितीवर प्रक्रिया करते ज्यामुळे लक्ष्य ऑब्जेक्टची वास्तविक स्थिती मोजली जाते. वेळ . पारंपारिक प्रक्रिया पद्धती सतत शोधलेल्या सिग्नल्सचे नमुने घेतात आणि उपयुक्त माहिती काढण्यासाठी आकडेमोड करतात, तर प्रस्तावित न्यूरोमॉर्फिक सोल्यूशन उपयुक्त माहिती येताच ॲसिंक्रोनस पद्धतीने गणना करते, पाच ऑर्डरच्या परिमाणाने सिस्टम पॉवर कार्यक्षमता वाढवते. याव्यतिरिक्त, आम्ही RRAM-आधारित न्यूरोमॉर्फिक सर्किट्सची लवचिकता हायलाइट करतो. नॉन-अस्थिर पद्धतीने (प्लास्टिकिटी) चालकता बदलण्याची RRAM ची क्षमता अल्ट्रा-लो पॉवर ॲनालॉग DPI च्या सिनॅप्टिक आणि न्यूरल सर्किट्सच्या अंतर्निहित परिवर्तनशीलतेची भरपाई करते. हे RRAM-आधारित सर्किट बहुमुखी आणि शक्तिशाली बनवते. आमचे उद्दिष्ट सिग्नलमधून जटिल कार्ये किंवा नमुने काढणे हे नाही, परंतु वास्तविक वेळेत वस्तूंचे स्थानिकीकरण करणे आहे. आमची सिस्टम कार्यक्षमतेने सिग्नल संकुचित करू शकते आणि आवश्यकतेनुसार अधिक जटिल निर्णय घेण्यासाठी ते पुढील प्रक्रियेच्या चरणांवर पाठवू शकते. लोकॅलायझेशन ऍप्लिकेशन्सच्या संदर्भात, आमची न्यूरोमॉर्फिक प्रीप्रोसेसिंग पायरी वस्तूंच्या स्थानाबद्दल माहिती देऊ शकते. ही माहिती वापरली जाऊ शकते, उदाहरणार्थ, गती शोधण्यासाठी किंवा जेश्चर ओळखण्यासाठी. आम्ही अल्ट्रा लो पॉवर सेन्सर जसे की pMUTs ला अल्ट्रा लो पॉवर इलेक्ट्रॉनिक्ससह एकत्रित करण्याच्या महत्त्वावर जोर देतो. यासाठी, न्यूरोमॉर्फिक पध्दती महत्त्वाच्या ठरल्या आहेत कारण त्यांनी आम्हाला जेफ्रेस मॉडेल सारख्या जैविक दृष्ट्या प्रेरित संगणकीय पद्धतींचे नवीन सर्किट अंमलबजावणी विकसित करण्यास प्रवृत्त केले आहे. सेन्सर फ्यूजन ऍप्लिकेशन्सच्या संदर्भात, अधिक अचूक माहिती मिळविण्यासाठी आमच्या सिस्टमला अनेक भिन्न इव्हेंट-आधारित सेन्सर्ससह एकत्र केले जाऊ शकते. जरी घुबड अंधारात भक्ष्य शोधण्यात उत्कृष्ट असले तरी त्यांची दृष्टी उत्कृष्ट असते आणि शिकार पकडण्याआधी ते एकत्रित श्रवण आणि दृश्य शोध करतात. जेव्हा एखाद्या विशिष्ट श्रवणविषयक न्यूरॉनला आग लागते, तेव्हा घुबडाला त्याचा व्हिज्युअल शोध कोणत्या दिशेने सुरू करायचा हे निर्धारित करण्यासाठी आवश्यक असलेली माहिती प्राप्त होते, अशा प्रकारे त्याचे लक्ष दृश्य दृश्याच्या एका लहान भागावर केंद्रित होते. भविष्यातील स्वायत्त एजंट्सच्या विकासासाठी व्हिज्युअल सेन्सर (DVS कॅमेरा) आणि प्रस्तावित लिसनिंग सेन्सर (pMUT वर आधारित) यांचे संयोजन शोधले पाहिजे.
pMUT सेन्सर पीसीबीवर दोन रिसीव्हर्ससह सुमारे 10 सेमी अंतरावर स्थित आहे आणि ट्रान्समीटर रिसीव्हर दरम्यान स्थित आहे. या कार्यात, प्रत्येक पडदा एक निलंबित बिमॉर्फ रचना आहे ज्यामध्ये पायझोइलेक्ट्रिक ॲल्युमिनियम नायट्राइड (AlN) 800 nm जाडीचे दोन स्तर असतात ज्यामध्ये molybdenum (Mo) 200 nm जाडीच्या तीन थरांमध्ये सँडविच केलेले असते आणि 200 nm जाडीच्या थराने लेपित केलेले असते. संदर्भामध्ये वर्णन केल्याप्रमाणे शीर्ष निष्क्रिय SiN स्तर. 71. आतील आणि बाहेरील इलेक्ट्रोड मॉलिब्डेनमच्या खालच्या आणि वरच्या स्तरांवर लावले जातात, तर मधले मॉलिब्डेनम इलेक्ट्रोड अनपॅटर्न केलेले असते आणि जमिनीच्या रूपात वापरले जाते, परिणामी इलेक्ट्रोडच्या चार जोड्या असलेली पडदा तयार होते.
हे आर्किटेक्चर सामान्य पडद्याच्या विकृतीचा वापर करण्यास अनुमती देते, परिणामी सुधारित संप्रेषण आणि संवेदनशीलता प्राप्त होते. असा pMUT सामान्यत: उत्सर्जक म्हणून 700 nm/V ची उत्तेजना संवेदनशीलता प्रदर्शित करते, 270 Pa/V चा पृष्ठभाग दाब प्रदान करते. प्राप्तकर्ता म्हणून, एक pMUT फिल्म 15 nA/Pa ची शॉर्ट सर्किट संवेदनशीलता प्रदर्शित करते, जी AlN च्या पायझोइलेक्ट्रिक गुणांकाशी थेट संबंधित आहे. AlN लेयरमधील व्होल्टेजची तांत्रिक परिवर्तनशीलता रेझोनंट फ्रिक्वेंसीमध्ये बदल घडवून आणते, ज्याची भरपाई पीएमयूटीमध्ये डीसी बायस लागू करून केली जाऊ शकते. DC संवेदनशीलता 0.5 kHz/V वर मोजली गेली. ध्वनिक वैशिष्ट्यांसाठी, pMUT समोर मायक्रोफोन वापरला जातो.
इको पल्स मोजण्यासाठी, आम्ही उत्सर्जित ध्वनी लहरी प्रतिबिंबित करण्यासाठी pMUT समोर सुमारे 50 सेमी 2 क्षेत्रफळ असलेली एक आयताकृती प्लेट ठेवली. प्लेट्समधील अंतर आणि pMUT विमानाशी संबंधित कोन दोन्ही विशेष धारक वापरून नियंत्रित केले जातात. टेक्ट्रॉनिक्स CPX400DP व्होल्टेज स्रोत तीन पीएमयूटी मेम्ब्रेनला पूर्वाग्रहित करतो, रेझोनंट फ्रिक्वेन्सी 111.9 kHz31 वर ट्यून करतो, तर ट्रान्समीटर टेक्ट्रॉनिक्स AFG 3102 पल्स जनरेटरद्वारे रेझोनंट फ्रिक्वेन्सी (111.9 kHze) आणि ducycle. प्रत्येक पीएमयूटी रिसीव्हरच्या चार आउटपुट पोर्टमधून वाचलेले प्रवाह विशेष विभेदक करंट आणि व्होल्टेज आर्किटेक्चर वापरून व्होल्टेजमध्ये रूपांतरित केले जातात आणि परिणामी सिग्नल स्पेक्ट्रम डेटा अधिग्रहण प्रणालीद्वारे डिजिटल केले जातात. वेगवेगळ्या परिस्थितीत pMUT सिग्नल संपादनाद्वारे ओळखण्याची मर्यादा दर्शविली गेली: आम्ही रिफ्लेक्टर वेगवेगळ्या अंतरावर [30, 40, 50, 60, 80, 100] सेमी हलवला आणि pMUT समर्थन कोन बदलला ([0, 20, 40] o ) आकृती 2b अंशांमधील संबंधित कोनीय स्थितीवर अवलंबून टेम्पोरल ITD डिटेक्शन रिझोल्यूशन दर्शवते.
हा लेख दोन भिन्न ऑफ-द-शेल्फ RRAM सर्किट्स वापरतो. पहिले एक ट्रान्झिस्टर आणि एक रेझिस्टर असलेल्या 1T1R कॉन्फिगरेशनमध्ये 16,384 (16,000) उपकरणे (128 × 128 डिव्हाइसेस) आहेत. दुसरी चिप आकृती 4a मध्ये दर्शविलेले न्यूरोमॉर्फिक प्लॅटफॉर्म आहे. RRAM सेलमध्ये TiN/HfO2/Ti/TiN स्टॅकमध्ये एम्बेड केलेली 5 nm जाडीची HfO2 फिल्म असते. RRAM स्टॅक मानक 130nm CMOS प्रक्रियेच्या बॅक-ऑफ-लाइन (BEOL) मध्ये एकत्रित केले आहे. RRAM-आधारित न्यूरोमॉर्फिक सर्किट्स सर्व-ॲनालॉग इलेक्ट्रॉनिक प्रणालींसाठी एक डिझाइन आव्हान सादर करतात ज्यामध्ये RRAM उपकरणे पारंपारिक CMOS तंत्रज्ञानासह एकत्र असतात. विशेषतः, RRAM उपकरणाची वहन स्थिती प्रणालीसाठी फंक्शन व्हेरिएबल म्हणून वाचली आणि वापरली जाणे आवश्यक आहे. यासाठी, एक सर्किट डिझाईन, फॅब्रिकेटेड आणि चाचणी केली गेली होती जी इनपुट पल्स प्राप्त झाल्यावर डिव्हाइसमधून वर्तमान वाचते आणि डिफरेंशियल पेअर इंटिग्रेटर (DPI) सायनॅप्सच्या प्रतिसादाचे वजन करण्यासाठी या प्रवाहाचा वापर करते. हे सर्किट आकृती 3a मध्ये दर्शविले आहे, जे आकृती 4a मधील न्यूरोमॉर्फिक प्लॅटफॉर्मच्या मूलभूत बिल्डिंग ब्लॉक्सचे प्रतिनिधित्व करते. इनपुट पल्स 1T1R उपकरणाचे गेट सक्रिय करते, उपकरणाच्या कंडक्टन्स G (Iweight = G(Vtop – Vx)) च्या प्रमाणात RRAM द्वारे विद्युतप्रवाह प्रवृत्त करते. ऑपरेशनल ॲम्प्लिफायर (ऑप-एम्प) सर्किटच्या इनव्हर्टिंग इनपुटमध्ये स्थिर डीसी बायस व्होल्टेज Vtop आहे. op-amp चा नकारात्मक अभिप्राय M1 मधून समान प्रवाह प्रदान करून Vx = Vtop प्रदान करेल. डिव्हाइसमधून मिळवलेले वर्तमान आयवेट डीपीआय सायनॅप्समध्ये इंजेक्शन दिले जाते. मजबूत करंटमुळे अधिक विध्रुवीकरण होईल, म्हणून RRAM कंडक्टन्स प्रभावीपणे सिनॅप्टिक वजन लागू करते. हा घातांकीय सिनॅप्टिक प्रवाह लीकी इंटिग्रेशन अँड एक्सिटेशन (LIF) न्यूरॉन्सच्या मेम्ब्रेन कॅपेसिटरद्वारे इंजेक्शन केला जातो, जेथे तो व्होल्टेज म्हणून एकत्रित केला जातो. जर झिल्लीच्या थ्रेशोल्ड व्होल्टेजवर (इन्व्हर्टरचा स्विचिंग व्होल्टेज) मात केली गेली, तर न्यूरॉनचा आउटपुट भाग सक्रिय केला जातो, ज्यामुळे आउटपुट स्पाइक तयार होतो. This pulse returns and shunts the neuron's membrane capacitor to ground, causing it to discharge. या सर्किटला नंतर पल्स विस्तारक (चित्र 3a मध्ये दाखवलेले नाही) सह पूरक केले जाते, जे LIF न्यूरॉनच्या आउटपुट पल्सला लक्ष्य पल्स रुंदीमध्ये आकार देते. Multiplexers are also built into each line, allowing voltage to be applied to the top and bottom electrodes of the RRAM device.
इलेक्ट्रिकल चाचणीमध्ये ॲनालॉग सर्किट्सच्या डायनॅमिक वर्तनाचे विश्लेषण आणि रेकॉर्डिंग तसेच प्रोग्रामिंग आणि RRAM उपकरणे वाचणे समाविष्ट आहे. दोन्ही चरणांसाठी विशेष साधने आवश्यक आहेत, जे सर्व एकाच वेळी सेन्सर बोर्डशी जोडलेले आहेत. न्यूरोमॉर्फिक सर्किट्समधील RRAM उपकरणांमध्ये प्रवेश मल्टिप्लेक्सर (MUX) द्वारे बाह्य साधनांमधून केला जातो. MUX 1T1R सेलला बाकीच्या सर्किटरीपासून वेगळे करते, ज्यामुळे डिव्हाइस वाचले जाऊ शकते आणि/किंवा प्रोग्राम केले जाऊ शकते. RRAM डिव्हाइसेस प्रोग्राम करण्यासाठी आणि वाचण्यासाठी, Arduino मायक्रोकंट्रोलरच्या संयोगाने Keithley 4200 SCS मशीन वापरली जाते: अचूक पल्स जनरेशन आणि वर्तमान वाचनासाठी पहिले आणि मेमरी ॲरेमधील वैयक्तिक 1T1R घटकांमध्ये द्रुत प्रवेशासाठी दुसरे. पहिले ऑपरेशन म्हणजे RRAM उपकरण तयार करणे. पेशी एक एक करून निवडल्या जातात आणि वरच्या आणि खालच्या इलेक्ट्रोड्समध्ये सकारात्मक व्होल्टेज लागू केले जाते. या प्रकरणात, सिलेक्टर ट्रान्झिस्टरला संबंधित गेट व्होल्टेजच्या पुरवठ्यामुळे वर्तमान दहा मायक्रोएम्पियर्सच्या क्रमाने मर्यादित आहे. RRAM सेल नंतर अनुक्रमे RESET आणि SET ऑपरेशन्स वापरून कमी प्रवाहकीय स्थिती (LCS) आणि उच्च प्रवाहकीय स्थिती (HCS) दरम्यान सायकल करू शकते. SET ऑपरेशन 1 μs च्या कालावधीसह आयताकृती व्होल्टेज पल्स आणि वरच्या इलेक्ट्रोडला 2.0-2.5 V चा पीक व्होल्टेज आणि 0.9-1.3 V च्या पीक व्होल्टेजसह समान आकाराची सिंक पल्स लागू करून केले जाते. निवडक ट्रान्झिस्टरचे गेट. ही मूल्ये 20-150 µs अंतराने RRAM वाहकता सुधारण्याची परवानगी देतात. RESET साठी, गेट व्होल्टेज 2.5-3.0 V च्या रेंजमध्ये असताना सेलच्या खालच्या इलेक्ट्रोडवर (बिट लाइन) 1 µs रुंद, 3 V पीक पल्स लावले जाते. ॲनालॉग सर्किट्सचे इनपुट आणि आउटपुट डायनॅमिक सिग्नल असतात . For input, we interleaved two HP 8110 pulse generators with Tektronix AFG3011 signal generators. इनपुट पल्सची रुंदी 1 µs आणि 50 ns ची वाढ/पडण्याची किनार आहे. या प्रकारची नाडी ही ॲनालॉग ग्लिच आधारित सर्किट्समधील ठराविक त्रुटी असल्याचे गृहीत धरले जाते. आउटपुट सिग्नलसाठी, आउटपुट सिग्नल टेलिडाइन लेक्रोय 1 GHz ऑसिलोस्कोप वापरून रेकॉर्ड केले गेले. ऑसिलोस्कोपच्या संपादनाची गती हे सर्किट डेटाचे विश्लेषण आणि संपादन करण्यासाठी मर्यादित घटक नसल्याचे सिद्ध झाले आहे.
न्यूरॉन्स आणि सिनॅप्सच्या वर्तनाचे अनुकरण करण्यासाठी ॲनालॉग इलेक्ट्रॉनिक्सच्या गतिशीलतेचा वापर करणे हे संगणकीय कार्यक्षमता सुधारण्यासाठी एक मोहक आणि कार्यक्षम उपाय आहे. या संगणकीय अंडरलेचा तोटा असा आहे की ते एका योजनेनुसार बदलू शकते. आम्ही न्यूरॉन्स आणि सिनॅप्टिक सर्किट्सच्या परिवर्तनशीलतेचे प्रमाण निश्चित केले (पूरक चित्र 2a,b). परिवर्तनशीलतेच्या सर्व अभिव्यक्तींपैकी, वेळ स्थिरांक आणि इनपुट गेनशी संबंधित असलेल्यांचा सिस्टम स्तरावर सर्वात मोठा प्रभाव असतो. एलआयएफ न्यूरॉन आणि डीपीआय सायनॅप्सचा वेळ स्थिरांक आरसी सर्किटद्वारे निर्धारित केला जातो, जिथे आरचे मूल्य ट्रान्झिस्टरच्या गेटवर लागू केलेल्या बायस व्होल्टेजद्वारे नियंत्रित केले जाते (न्यूरॉनसाठी Vlk आणि सायनॅप्ससाठी Vtau), निर्धारित करते. गळती दर. इनपुट गेन हे इनपुट पल्सद्वारे उत्तेजित केलेल्या सिनॅप्टिक आणि न्यूरोनल मेम्ब्रेन कॅपेसिटरद्वारे पोहोचलेले पीक व्होल्टेज म्हणून परिभाषित केले जाते. इनपुट गेन दुसर्या बायस ट्रान्झिस्टरद्वारे नियंत्रित केला जातो जो इनपुट करंट सुधारतो. ST मायक्रोइलेक्ट्रॉनिकच्या 130nm प्रक्रियेवर कॅलिब्रेट केलेले मोंटे कार्लो सिम्युलेशन काही इनपुट गेन आणि वेळ स्थिर आकडेवारी गोळा करण्यासाठी केले गेले. परिणाम पूरक आकृती 2 मध्ये सादर केले आहेत, जेथे गळती दर नियंत्रित करणाऱ्या बायस व्होल्टेजचे कार्य म्हणून इनपुट वाढ आणि वेळ स्थिरांक मोजला जातो. हिरवे मार्कर मध्यापासून स्थिर वेळेचे मानक विचलन मोजतात. दोन्ही न्यूरॉन्स आणि सिनॅप्टिक सर्किट्स 10-5-10-2 s च्या श्रेणीतील वेळ स्थिरांकांची विस्तृत श्रेणी व्यक्त करण्यास सक्षम होते, पूरक अंजीर योजनेत दर्शविल्याप्रमाणे. न्यूरोनल आणि सिनॅप्स व्हेरिएबिलिटीचे इनपुट एम्प्लिफिकेशन (पूरक अंजीर 2e,d) अनुक्रमे अंदाजे 8% आणि 3% होते. अशी कमतरता साहित्यात चांगल्या प्रकारे दस्तऐवजीकरण केलेली आहे: LIF63 न्यूरॉन्सच्या लोकसंख्येमधील विसंगतीचे मूल्यांकन करण्यासाठी DYNAP चिप्सच्या ॲरेवर विविध मोजमाप केले गेले. ब्रेनस्केल मिश्रित सिग्नल चिपमधील सिनॅप्सेस मोजले गेले आणि त्यांच्या विसंगतींचे विश्लेषण केले गेले आणि सिस्टम-स्तरीय परिवर्तनशीलतेचा प्रभाव कमी करण्यासाठी कॅलिब्रेशन प्रक्रिया प्रस्तावित केली गेली.
न्यूरोमॉर्फिक सर्किट्समध्ये आरआरएएमचे कार्य दुप्पट आहे: आर्किटेक्चर व्याख्या (आउटपुटसाठी इनपुट रूटिंग) आणि सिनॅप्टिक वेट्सची अंमलबजावणी. नंतरचे गुणधर्म मॉडेल केलेल्या न्यूरोमॉर्फिक सर्किट्सच्या परिवर्तनशीलतेच्या समस्येचे निराकरण करण्यासाठी वापरले जाऊ शकतात. आम्ही एक साधी कॅलिब्रेशन प्रक्रिया विकसित केली आहे ज्यामध्ये RRAM डिव्हाइसचे पुनर्प्रोग्रामिंग करणे समाविष्ट आहे जोपर्यंत विश्लेषण केले जात आहे सर्किट विशिष्ट आवश्यकता पूर्ण करत नाही. दिलेल्या इनपुटसाठी, आउटपुटचे निरीक्षण केले जाते आणि लक्ष्य वर्तन साध्य होईपर्यंत RRAM पुन्हा प्रोग्राम केले जाते. RRAM शिथिलतेच्या समस्येचे निराकरण करण्यासाठी प्रोग्रामिंग ऑपरेशन्स दरम्यान 5 s चा प्रतीक्षा वेळ सादर केला गेला ज्यामुळे क्षणिक प्रवाहकीय चढउतार (पूरक माहिती). न्युरोमॉर्फिक सर्किटच्या मॉडेलच्या आवश्यकतेनुसार सिनॅप्टिक वजन समायोजित किंवा कॅलिब्रेट केले जातात. कॅलिब्रेशन प्रक्रिया अतिरिक्त अल्गोरिदम [१, २] मध्ये सारांशित केली आहे जी न्यूरोमॉर्फिक प्लॅटफॉर्मच्या दोन मूलभूत वैशिष्ट्यांवर लक्ष केंद्रित करते, विलंब रेषा आणि दिशा असंवेदनशील सीडी. विलंब रेषेसह सर्किटसाठी, लक्ष्य वर्तन म्हणजे विलंब Δt सह आउटपुट पल्स प्रदान करणे. वास्तविक सर्किट विलंब लक्ष्य मूल्यापेक्षा कमी असल्यास, G3 चे सिनॅप्टिक वजन कमी केले जावे (G3 रीसेट केले जावे आणि नंतर कमी जुळणारे वर्तमान Icc वर सेट केले जावे). याउलट, वास्तविक विलंब लक्ष्य मूल्यापेक्षा जास्त असल्यास, G3 चे कंडक्टन्स वाढवणे आवश्यक आहे (G3 प्रथम रीसेट करणे आवश्यक आहे आणि नंतर उच्च Icc मूल्यावर सेट करणे आवश्यक आहे). सर्किटद्वारे व्युत्पन्न होणारा विलंब लक्ष्य मूल्याशी जुळत नाही तोपर्यंत ही प्रक्रिया पुनरावृत्ती केली जाते आणि कॅलिब्रेशन प्रक्रिया थांबविण्यासाठी एक सहिष्णुता सेट केली जाते. अभिमुखता-संवेदनशील CD साठी, दोन RRAM उपकरणे, G1 आणि G3, कॅलिब्रेशन प्रक्रियेत गुंतलेली आहेत. या सर्किटमध्ये दोन इनपुट आहेत, Vin0 आणि Vin1, दि. सर्किटने फक्त जुळणाऱ्या श्रेणी [0,dtCD] खाली असलेल्या विलंबांना प्रतिसाद दिला पाहिजे. जर आउटपुट पीक नसेल, परंतु इनपुट शिखर जवळ असेल, तर दोन्ही RRAM उपकरणांना चालना दिली पाहिजे ज्यामुळे न्यूरॉनला उंबरठ्यावर पोहोचण्यात मदत होईल. याउलट, सर्किटने dtCD च्या लक्ष्य श्रेणीपेक्षा जास्त विलंबाला प्रतिसाद दिल्यास, कंडक्टन्स कमी करणे आवश्यक आहे. योग्य वर्तन प्राप्त होईपर्यंत प्रक्रिया पुन्हा करा. रेफमधील अंगभूत ॲनालॉग सर्किटद्वारे अनुपालन करंट मॉड्युलेट केले जाऊ शकते. ७२.७३. या बिल्ट-इन सर्किटसह, अशा प्रक्रिया नियमितपणे सिस्टम कॅलिब्रेट करण्यासाठी किंवा दुसर्या अनुप्रयोगासाठी पुन्हा वापरण्यासाठी केल्या जाऊ शकतात.

या अभ्यासाच्या परिणामांना समर्थन देणारा डेटा संबंधित लेखक, एफएमकडून वाजवी विनंतीनुसार उपलब्ध आहे.
इंदिवेरी, जी. आणि संदामिरस्काया, वाई. न्यूरोमॉर्फिक एजंट्समध्ये सिग्नल प्रक्रियेसाठी जागा आणि वेळेचे महत्त्व: पर्यावरणाशी संवाद साधणारे कमी-शक्ती, स्वायत्त एजंट विकसित करण्याचे आव्हान. इंदिवेरी, जी. आणि संदामिरस्काया, वाई. न्यूरोमॉर्फिक एजंट्समध्ये सिग्नल प्रक्रियेसाठी जागा आणि वेळेचे महत्त्व: पर्यावरणाशी संवाद साधणारे कमी-शक्ती, स्वायत्त एजंट विकसित करण्याचे आव्हान.इंदिवेरी जी. आणि संदामिरस्काया वाई. न्यूरोमॉर्फिक एजंट्समध्ये सिग्नल प्रक्रियेसाठी जागा आणि वेळेचे महत्त्व: पर्यावरणाशी संवाद साधणारे कमी-शक्तीचे स्वायत्त एजंट विकसित करण्याचे आव्हान. इंदिवेरी, जी. आणि संदामिरस्काया, वाय.空间和时间对于神经形态代理中信号处理的重要性：开发与环境交互的低功耗,自主代理的挑战. इंदिवेरी, जी. आणि संदामिरस्काया, वाय.इंदिवेरी जी. आणि संदामिरस्काया वाई. न्यूरोमॉर्फिक एजंट्समध्ये सिग्नल प्रक्रियेसाठी जागा आणि वेळेचे महत्त्व: पर्यावरणाशी संवाद साधणारे कमी-शक्तीचे स्वायत्त एजंट विकसित करण्याचे आव्हान.IEEE सिग्नल प्रोसेसिंग. जर्नल 36, 16–28 (2019).
थॉर्प, एसजे पीक अरायव्हल टाइम: एक कार्यक्षम न्यूरल नेटवर्क कोडिंग योजना. Eckmiller, R., Hartmann, G. & Hauske, G. (eds) मध्ये. Eckmiller, R., Hartmann, G. & Hauske, G. (eds) मध्ये.Eckmiller, R., Hartmann, G. आणि Houske, G. (eds.) मध्ये.एकमिलर मध्ये, आर., हार्टमन, जी., आणि हौस्के, जी. (सं.). तंत्रिका प्रणाली आणि संगणकांमध्ये समांतर प्रक्रिया 91-94 (नॉर्थ-हॉलंड एल्सेव्हियर, 1990).
लेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, व्हीजी कम्युनिकेशन मानवी कॉर्टेक्समधील गणनेपेक्षा 35 पट जास्त ऊर्जा वापरते, परंतु सिनॅप्स नंबरचा अंदाज लावण्यासाठी दोन्ही खर्च आवश्यक आहेत. लेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, व्हीजी कम्युनिकेशन मानवी कॉर्टेक्समधील गणनेपेक्षा 35 पट जास्त ऊर्जा वापरते, परंतु सिनॅप्स नंबरचा अंदाज लावण्यासाठी दोन्ही खर्च आवश्यक आहेत.लेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, डब्ल्यूजी कम्युनिकेशन मानवी कॉर्टेक्समधील गणनेपेक्षा 35 पट जास्त ऊर्जा वापरते, परंतु सिनॅप्सच्या संख्येचा अंदाज लावण्यासाठी दोन्ही खर्च आवश्यक आहेत. लेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, व्हीजी कम्युनिकेशन लेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, व्हीजी कम्युनिकेशनलेव्ही, डब्ल्यूबी आणि कॅल्व्हर्ट, डब्लूजी कम्युनिकेशन मानवी कॉर्टेक्समधील गणनेपेक्षा 35 पट अधिक ऊर्जा वापरते, परंतु दोन्ही खर्चासाठी सिनॅप्सच्या संख्येचा अंदाज लावणे आवश्यक आहे.प्रक्रिया राष्ट्रीय विज्ञान अकादमी. विज्ञान US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. कीटक-प्रेरित न्यूरोमॉर्फिक संगणन. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. कीटक-प्रेरित न्यूरोमॉर्फिक संगणन.दलगती, टी., व्हियानेलो, ई., डीसाल्व्हो, बी. आणि कॅसस, जे. कीटक-प्रेरित न्यूरोमॉर्फिक संगणन.दलगती टी., व्हियानेलो ई., डीसाल्व्हो बी. आणि कॅसस जे. कीटक-प्रेरित न्यूरोमॉर्फिक संगणन. चालू. मत. कीटक विज्ञान. ३०, ५९–६६ (२०१८).
रॉय, के., जैस्वाल, ए. आणि पांडा, पी. न्यूरोमॉर्फिक कंप्युटिंगसह स्पाइक-आधारित मशीन इंटेलिजन्सच्या दिशेने. रॉय, के., जैस्वाल, ए. आणि पांडा, पी. न्यूरोमॉर्फिक कंप्युटिंगसह स्पाइक-आधारित मशीन इंटेलिजन्सच्या दिशेने. रॉय, के., जयस्वाल, ए. आणि पांडा, पी. न्यूरोमॉर्फिक संगणनासह स्पाइक-आधारित मशीन इंटेलिजन्सच्या दिशेने.रॉय के, जैस्वाल ए, आणि पांडा पी. न्यूरोमॉर्फिक संगणन वापरून पल्स-आधारित कृत्रिम बुद्धिमत्ता. निसर्ग 575, 607–617 (2019).
इंदिवेरी, जी. आणि लिऊ, एस.-सी. इंदिवेरी, जी. आणि लिऊ, एस.-सी.इंदिवेरी, जी. आणि लिऊ, एस.-के. इंदिवेरी, जी. आणि लिऊ, एस.-सी. इंदिवेरी, जी. आणि लिऊ, एस.-सी.इंदिवेरी, जी. आणि लिऊ, एस.-के.न्यूरोमॉर्फिक सिस्टममध्ये मेमरी आणि माहिती प्रक्रिया. प्रक्रिया IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: 65 mW 1 मिलियन न्यूरॉन प्रोग्रामेबल सिनॅप्टिक चिपसाठी डिझाइन आणि टूलकिट. IEEE व्यवहार. इंटिग्रेटेड सर्किट सिस्टमचे संगणक डिझाइन. 34, 1537–1557 (2015).
स्किमेल, जे. आणि इतर. थेट डेमो: प्लेट स्केलवर ब्रेनस्केल्स न्यूरोमॉर्फिक सिस्टमची स्केल केलेली आवृत्ती. 2012 IEEE इंटरनॅशनल सिम्पोजियम ऑन सर्किट्स अँड सिस्टम्स (ISCAS), (IEEE एड.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. डायनॅमिक न्यूरोमॉर्फिक एसिंक्रोनस प्रोसेसर (DYNAPs) साठी विषम मेमरी स्ट्रक्चर्ससह एक स्केलेबल मल्टीकोर आर्किटेक्चर. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. डायनॅमिक न्यूरोमॉर्फिक एसिंक्रोनस प्रोसेसर (DYNAPs) साठी विषम मेमरी स्ट्रक्चर्ससह एक स्केलेबल मल्टीकोर आर्किटेक्चर.मोराडी एस., किआओ एन., स्टेफनिनी एफ. आणि इंडिविरी जी. डायनॅमिक न्यूरोमॉर्फिक एसिंक्रोनस प्रोसेसर (DYNAP) साठी विषम मेमरी स्ट्रक्चर्ससह एक स्केलेबल मल्टीकोर आर्किटेक्चर. मोराडी, एस., किआओ, एन., स्टेफनिनी, एफ. आणि इंदिवेरी, जी. 一种可扩展的多核架构，具有用于动态神用于动态神经形态异歙(YPNA异步)的异构内存结构. मोराडी, S. 、Qiao, N.、Stefanini, F. & Indiveri, G. डायनॅमिक न्यूरल प्रोसेसिंग (DYNAP) साठी अनन्य मेमरी स्ट्रक्चरसह विस्तारित मल्टी-कोर आर्किटेक्चरचा एक प्रकार.मोराडी एस., किआओ एन., स्टेफनिनी एफ. आणि इंडिविरी जी. डायनॅमिक न्यूरोमॉर्फिक एसिंक्रोनस प्रोसेसर (DYNAP) साठी विषम मेमरी स्ट्रक्चर्ससह एक स्केलेबल मल्टीकोर आर्किटेक्चर.बायोमेडिकल सायन्सवर IEEE व्यवहार. विद्युत प्रणाली. 12, 106–122 (2018).
डेव्हिस, एम. आणि इतर. लोही: एम्बेडेड शिक्षणासह न्यूरोमॉर्फिक मल्टी-कोर प्रोसेसर. IEEE मायक्रो 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker प्रकल्प. Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker प्रकल्प.Ferber SB, Galluppi F., Temple S. आणि Plana LA SpiNNaker प्रकल्प.Ferber SB, Galluppi F., Temple S. आणि Plana LA SpiNNaker प्रकल्प. प्रक्रिया IEEE 102, 652–665 (2014).
लिऊ, एस.-के. आणि डेलब्रक, टी. न्यूरोमॉर्फिक सेन्सरी सिस्टम्स. आणि डेलब्रक, टी. न्यूरोमॉर्फिक सेन्सरी सिस्टम्स.आणि डेलब्रुक टी. न्यूरोमॉर्फिक संवेदी प्रणाली. & डेलब्रक, टी. 神经形态感觉系统. आणि डेलब्रक, टी.आणि डेलब्रुक टी. न्यूरोमॉर्फिक संवेदी प्रणाली.चालू. मत. न्यूरोबायोलॉजी. 20, 288–295 (2010).
चोप, टी. इत्यादी. एकत्रित ध्वनी स्रोत स्थानिकीकरण आणि टक्कर टाळण्याकरिता न्यूरोमॉर्फिक संवेदी एकीकरण. 2019 मध्ये IEEE कॉन्फरन्स ऑन बायोमेडिकल सर्किट्स अँड सिस्टम्स (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. एक स्पाइक-आधारित न्यूरोमॉर्फिक आर्किटेक्चर ऑफ स्टिरिओ व्हिजन. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. एक स्पाइक-आधारित न्यूरोमॉर्फिक आर्किटेक्चर ऑफ स्टिरिओ व्हिजन.Risi N, Aymar A, Donati E, Solinas S, and Indiveri G. एक स्पाइक-आधारित न्यूरोमॉर्फिक स्टिरिओव्हिजन आर्किटेक्चर. 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, आणि Indiveri G. स्टिरिओ व्हिजनसाठी स्पाइक-आधारित न्यूरोमॉर्फिक आर्किटेक्चर.समोर न्यूरोरोबोटिक्स 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. इव्हेंट-आधारित न्यूरोमॉर्फिक स्टिरिओ व्हिजन सिस्टमसाठी 3Dperception चे एक स्पाइकिंग न्यूरल नेटवर्क मॉडेल. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. इव्हेंट-आधारित न्यूरोमॉर्फिक स्टिरिओ व्हिजन सिस्टमसाठी 3Dperception चे एक स्पाइकिंग न्यूरल नेटवर्क मॉडेल.Oswald, M., Ieng, S.-H., Benosman, R., आणि Indiveri, G. A 3D पल्स्ड न्यूरल नेटवर्क पर्सेप्शन मॉडेल फॉर इव्हेंट-आधारित न्यूरोमॉर्फिक स्टिरिओ व्हिजन सिस्टम. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型.Oswald, M., Ieng, S.-H., Benosman, R., आणि Indiveri, G. स्पाइक्ड 3Dperception न्यूरल नेटवर्क मॉडेल इव्हेंट-आधारित न्यूरोमॉर्फिक स्टिरिओ व्हिजन सिस्टमसाठी.विज्ञान अहवाल 7, 1–11 (2017).
डलगाटी, टी. वगैरे. कीटक-प्रेरित मूलभूत गती शोधण्यामध्ये प्रतिरोधक मेमरी आणि बर्स्टी न्यूरल नेटवर्क समाविष्ट आहेत. बायोनिक बायोहायब्रिड सिस्टम. १०९२८, ११५–१२८ (२०१८).
D'Angelo, G. et al. टेम्पोरल डिफरेंशियल कोडिंग वापरून इव्हेंट-आधारित विक्षिप्त गती शोध. समोर न्यूरोलॉजी. 14, 451 (2020).