Aplikasi pemprosesan data dunia sebenar memerlukan sistem pengkomputeran padat, kependaman rendah dan berkuasa rendah. Dengan keupayaan pengkomputeran dipacu peristiwa, seni bina neuromorfik memristif hibrid logam-oksida-semikonduktor pelengkap menyediakan asas perkakasan yang ideal untuk tugasan tersebut. Untuk menunjukkan potensi penuh sistem sedemikian, kami mencadangkan dan menunjukkan secara eksperimen penyelesaian pemprosesan sensor yang komprehensif untuk aplikasi penyetempatan objek dunia sebenar. Melukis inspirasi daripada neuroanatomi burung hantu, kami telah membangunkan sistem penyetempatan objek yang didorong oleh bioinspirasi dan peristiwa yang menggabungkan transduser transduser mikromekanikal piezoelektrik terkini dengan memori perintang neuromorfik berasaskan graf pengiraan. Kami menunjukkan ukuran sistem rekaan yang merangkumi pengesan kebetulan rintangan berasaskan memori, litar talian tunda dan transduser ultrasonik yang boleh disesuaikan sepenuhnya. Kami menggunakan keputusan percubaan ini untuk menentukur simulasi pada peringkat sistem. Simulasi ini kemudiannya digunakan untuk menilai resolusi sudut dan kecekapan tenaga model penyetempatan objek. Keputusan menunjukkan bahawa pendekatan kami boleh menjadi beberapa urutan magnitud lebih cekap tenaga daripada mikropengawal yang melakukan tugas yang sama.
Kami sedang memasuki era pengkomputeran di mana-mana di mana bilangan peranti dan sistem yang digunakan semakin meningkat dengan pesat untuk membantu kami dalam kehidupan seharian kami. Sistem ini dijangka berjalan secara berterusan, menggunakan kuasa sesedikit mungkin sambil belajar mentafsir data yang mereka kumpulkan daripada berbilang penderia dalam masa nyata dan menghasilkan output binari hasil daripada tugas klasifikasi atau pengecaman. Salah satu langkah paling penting yang diperlukan untuk mencapai matlamat ini ialah mengekstrak maklumat yang berguna dan padat daripada data deria yang bising dan selalunya tidak lengkap. Pendekatan kejuruteraan konvensional biasanya mengambil isyarat penderia pada kadar yang tetap dan tinggi, menjana sejumlah besar data walaupun tanpa input yang berguna. Di samping itu, kaedah ini menggunakan teknik pemprosesan isyarat digital yang kompleks untuk pra-memproses data input (selalunya bising). Sebaliknya, biologi menawarkan penyelesaian alternatif untuk memproses data deria bising menggunakan pendekatan yang cekap tenaga, tak segerak, dipacu peristiwa (pancang)2,3. Pengkomputeran neuromorfik mengambil inspirasi daripada sistem biologi untuk mengurangkan kos pengiraan dari segi keperluan tenaga dan ingatan berbanding kaedah pemprosesan isyarat tradisional4,5,6. Baru-baru ini, sistem berasaskan otak tujuan am yang inovatif yang melaksanakan rangkaian saraf impuls (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) telah ditunjukkan. Pemproses ini menyediakan penyelesaian kuasa rendah, kependaman rendah untuk pembelajaran mesin dan pemodelan litar kortikal. Untuk mengeksploitasi sepenuhnya kecekapan tenaga mereka, pemproses neuromorfik ini mesti disambungkan terus kepada penderia dipacu peristiwa12,13. Walau bagaimanapun, hari ini hanya terdapat beberapa peranti sentuh yang secara langsung menyediakan data dipacu peristiwa. Contoh yang menonjol ialah penderia visual dinamik (DVS) untuk aplikasi penglihatan seperti pengesanan dan pengesanan gerakan14,15,16,17 koklea silikon18 dan penderia pendengaran neuromorfik (NAS)19 untuk pemprosesan isyarat pendengaran, penderia olfaktori20 dan pelbagai contoh21,22 sentuhan. . penderia tekstur.
Dalam makalah ini, kami membentangkan sistem pemprosesan pendengaran dipacu peristiwa yang baru dibangunkan yang digunakan untuk penyetempatan objek. Di sini, buat pertama kalinya, kami menerangkan sistem hujung ke hujung untuk penyetempatan objek yang diperoleh dengan menyambungkan transduser ultrasonik mikromesin mikro piezoelektrik terkini (pMUT) dengan graf pengiraan berdasarkan memori perintang neuromorfik (RRAM). Seni bina pengkomputeran dalam memori menggunakan RRAM adalah penyelesaian yang menjanjikan untuk mengurangkan penggunaan kuasa23,24,25,26,27,28,29. Sifat tidak turun naik yang wujud—tidak memerlukan penggunaan kuasa aktif untuk menyimpan atau mengemas kini maklumat—adalah sesuai dengan sifat pengkomputeran neuromorfik didorong peristiwa tak segerak, mengakibatkan penggunaan kuasa hampir tiada apabila sistem melahu. Transduser ultrasonik mikromesin piezoelektrik (pMUTs) ialah transduser ultrasonik berasaskan silikon kecil yang murah yang mampu bertindak sebagai penghantar dan penerima30,31,32,33,34. Untuk memproses isyarat yang diterima oleh penderia terbina dalam, kami mendapat inspirasi daripada neuroanatomi burung hantu kandang35,36,37. Burung hantu kandang Tyto alba terkenal dengan kebolehan memburu malam yang luar biasa berkat sistem penyetempatan pendengaran yang sangat cekap. Untuk mengira lokasi mangsa, sistem penyetempatan burung hantu mengekod masa penerbangan (ToF) apabila gelombang bunyi daripada mangsa sampai ke setiap telinga burung hantu atau reseptor bunyi. Memandangkan jarak antara telinga, perbezaan antara dua ukuran ToF (Perbezaan Masa Interaural, ITD) memungkinkan untuk mengira secara analitik kedudukan azimut sasaran. Walaupun sistem biologi kurang sesuai untuk menyelesaikan persamaan algebra, mereka boleh menyelesaikan masalah penyetempatan dengan sangat berkesan. Sistem saraf burung hantu barn menggunakan satu set neuron pengesan kebetulan (CD)35 (iaitu, neuron yang mampu mengesan korelasi temporal antara pancang yang merambat ke bawah kepada penghujung pengujaan yang menumpu)38,39 disusun ke dalam graf pengiraan untuk menyelesaikan masalah kedudukan.
Penyelidikan terdahulu telah menunjukkan bahawa perkakasan logam-oksida-semikonduktor (CMOS) pelengkap dan perkakasan neuromorfik berasaskan RRAM yang diilhamkan oleh kolikulus inferior (“korteks pendengaran”) burung hantu adalah kaedah yang cekap untuk mengira kedudukan menggunakan ITD13, 40, 41, 42, 43, 44, 45, 46. Walau bagaimanapun, potensi sistem neuromorfik lengkap yang menghubungkan pendengaran isyarat kepada graf pengiraan neuromorfik masih belum ditunjukkan. Masalah utama ialah kebolehubahan yang wujud pada litar CMOS analog, yang menjejaskan ketepatan pengesanan padanan. Baru-baru ini, pelaksanaan berangka alternatif bagi anggaran ITD47 telah ditunjukkan. Dalam kertas ini, kami mencadangkan untuk menggunakan keupayaan RRAM untuk menukar nilai kekonduksian dalam cara yang tidak meruap untuk mengatasi kebolehubahan dalam litar analog. Kami melaksanakan sistem percubaan yang terdiri daripada satu membran pemancar pMUT yang beroperasi pada frekuensi 111.9 kHz, dua membran penerima pMUT (sensor) meniru telinga burung hantu kandang, dan satu . Kami mencirikan sistem pengesanan pMUT dan graf pengiraan ITD berasaskan RRAM untuk menguji sistem penyetempatan kami dan menilai resolusi sudutnya.
Kami membandingkan kaedah kami dengan pelaksanaan digital pada mikropengawal yang melaksanakan tugas penyetempatan yang sama menggunakan kaedah pembentukan rasuk atau neuromorfik konvensional, serta tatasusunan gerbang boleh atur cara medan (FPGA) untuk anggaran ITD yang dicadangkan dalam rujukan. 47. Perbandingan ini menyerlahkan kecekapan kuasa kompetitif sistem neuromorfik analog berasaskan RRAM yang dicadangkan.
Salah satu contoh yang paling menarik bagi sistem penyetempatan objek yang tepat dan cekap boleh didapati di barn owl35,37,48. Pada waktu senja dan subuh, burung hantu bangsal (Tyto Alba) bergantung terutamanya pada pendengaran pasif, secara aktif mencari mangsa kecil seperti tikus atau tikus. Pakar pendengaran ini boleh menyetempatkan isyarat pendengaran daripada mangsa dengan ketepatan yang menakjubkan (kira-kira 2°)35, seperti yang ditunjukkan dalam Rajah 1a. Burung hantu kandang membuat kesimpulan lokasi sumber bunyi dalam satah azimut (mendatar) daripada perbezaan masa penerbangan masuk (ITD) daripada sumber bunyi ke dua telinga. Mekanisme pengiraan ITD telah dicadangkan oleh Jeffress49,50 yang bergantung pada geometri saraf dan memerlukan dua komponen utama: akson, gentian saraf neuron yang bertindak sebagai garis penangguhan, dan pelbagai neuron pengesan kebetulan yang disusun ke dalam sistem pengiraan. graf seperti yang ditunjukkan dalam Rajah 1b. Bunyi sampai ke telinga dengan kelewatan masa bergantung azimut (ITD). Bunyi itu kemudiannya ditukar kepada corak spike di setiap telinga. Akson telinga kiri dan kanan bertindak sebagai garis kelewatan dan menumpu pada neuron CD. Secara teorinya, hanya satu neuron dalam tatasusunan neuron yang dipadankan akan menerima input pada satu masa (di mana kelewatan dibatalkan dengan tepat) dan akan menyala secara maksimum (sel jiran juga akan menyala, tetapi pada frekuensi yang lebih rendah). Mengaktifkan neuron tertentu mengekod kedudukan sasaran dalam ruang tanpa menukar ITD kepada sudut. Konsep ini diringkaskan dalam Rajah 1c: contohnya, jika bunyi datang dari sebelah kanan apabila isyarat input dari telinga kanan bergerak lebih jauh daripada laluan dari telinga kiri, mengimbangi bilangan ITD, contohnya, apabila neuron 2 sepadan. Dalam erti kata lain, setiap CD bertindak balas kepada ITD tertentu (juga dikenali sebagai kelewatan optimum) disebabkan kelewatan axonal. Oleh itu, otak menukar maklumat temporal kepada maklumat spatial. Bukti anatomi untuk mekanisme ini telah dijumpai37,51. Neuron makronukleus terkunci fasa menyimpan maklumat temporal tentang bunyi masuk: seperti namanya, ia menyala pada fasa isyarat tertentu. Neuron pengesan kebetulan model Jeffress boleh didapati dalam teras lamina. Mereka menerima maklumat daripada neuron makronuklear, yang aksonnya bertindak sebagai garis kelewatan. Jumlah kelewatan yang disediakan oleh garis lengah boleh dijelaskan oleh panjang akson, serta corak mielinasi lain yang mengubah halaju konduksi. Diilhamkan oleh sistem pendengaran burung hantu kandang, kami telah membangunkan sistem biomimetik untuk menyetempatkan objek. Dua telinga diwakili oleh dua penerima pMUT. Sumber bunyi ialah penghantar pMUT yang terletak di antara mereka (Rajah 1a), dan graf pengiraan dibentuk oleh grid litar CD berasaskan RRAM (Rajah 1b, hijau), memainkan peranan neuron CD yang inputnya ditangguhkan. melalui litar, garisan tunda (biru) bertindak seperti akson dalam rakan biologi. Sistem deria yang dicadangkan berbeza dalam kekerapan operasi daripada burung hantu, yang sistem pendengarannya beroperasi dalam julat 1–8 kHz, tetapi sensor pMUT yang beroperasi pada kira-kira 117 kHz digunakan dalam kerja ini. Pemilihan transduser ultrasonik dipertimbangkan mengikut kriteria teknikal dan pengoptimuman. Pertama, mengehadkan lebar jalur terima kepada satu frekuensi secara idealnya meningkatkan ketepatan pengukuran dan memudahkan langkah pasca pemprosesan. Di samping itu, operasi dalam ultrasound mempunyai kelebihan bahawa denyutan yang dipancarkan tidak boleh didengar, oleh itu jangan mengganggu orang, kerana julat pendengaran mereka ialah ~ 20-20 kHz.
burung hantu kandang menerima gelombang bunyi dari sasaran, dalam kes ini mangsa bergerak. Masa penerbangan (ToF) gelombang bunyi adalah berbeza untuk setiap telinga (melainkan mangsa berada terus di hadapan burung hantu). Garis putus-putus menunjukkan laluan gelombang bunyi untuk sampai ke telinga burung hantu. Mangsa boleh disetempatkan dengan tepat dalam satah mendatar berdasarkan perbezaan panjang antara dua laluan akustik dan perbezaan masa interaural (ITD) yang sepadan (imej kiri yang diilhamkan oleh rujukan 74, hak cipta 2002, Society for Neuroscience). Dalam sistem kami, pemancar pMUT (biru tua) menjana gelombang bunyi yang melantun dari sasaran. Gelombang ultrasound yang dipantulkan diterima oleh dua penerima pMUT (hijau muda) dan diproses oleh pemproses neuromorfik (kanan). b Model pengiraan ITD (Jeffress) yang menerangkan cara bunyi yang memasuki telinga burung hantu bangsal pertama kali dikodkan sebagai pancang terkunci fasa dalam nukleus besar (NM) dan kemudian menggunakan grid tersusun secara geometri bagi neuron pengesan dipadankan dalam nukleus lamellar. Pemprosesan (Belanda) (kiri). Ilustrasi graf pengiraan neuroITD yang menggabungkan garis lengah dan neuron pengesan kebetulan, sistem biosensor burung hantu boleh dimodelkan menggunakan litar neuromorfik berasaskan RRAM (kanan). c Skema mekanisme Jeffress utama, disebabkan perbezaan dalam ToF, kedua-dua telinga menerima rangsangan bunyi pada masa yang berbeza dan menghantar akson dari kedua-dua hujung ke pengesan. Akson adalah sebahagian daripada satu siri neuron pengesan kebetulan (CD), setiap satunya bertindak balas secara selektif kepada input berkorelasi masa yang kuat. Akibatnya, hanya CD yang inputnya tiba dengan perbezaan masa terkecil yang teruja secara maksimum (ITD betul-betul diberi pampasan). CD kemudiannya akan mengekod kedudukan sudut sasaran.
Transduser ultrasonik mikromekanikal piezoelektrik ialah transduser ultrasonik berskala yang boleh disepadukan dengan teknologi CMOS termaju31,32,33,52 dan mempunyai voltan awal dan penggunaan kuasa yang lebih rendah daripada transduser volumetrik tradisional53. Dalam kerja kami, diameter membran ialah 880 µm, dan frekuensi resonan diedarkan dalam julat 110–117 kHz (Rajah 2a, lihat Kaedah untuk butiran). Dalam kumpulan sepuluh peranti ujian, faktor kualiti purata adalah kira-kira 50 (rujuk. 31). Teknologi ini telah mencapai kematangan industri dan tidak diilhamkan secara bio. Menggabungkan maklumat daripada filem pMUT yang berbeza ialah teknik yang terkenal, dan maklumat sudut boleh diperoleh daripada pMUT menggunakan, sebagai contoh, teknik membentuk pancaran31,54. Walau bagaimanapun, pemprosesan isyarat yang diperlukan untuk mengekstrak maklumat sudut tidak sesuai untuk pengukuran kuasa rendah. Sistem yang dicadangkan menggabungkan litar prapemprosesan data neuromorfik pMUT dengan graf pengkomputeran neuromorfik berasaskan RRAM yang diilhamkan oleh model Jeffress (Rajah 2c), menyediakan penyelesaian perkakasan alternatif yang cekap tenaga dan terhad sumber. Kami melakukan eksperimen di mana dua penderia pMUT diletakkan kira-kira 10 cm dipisahkan untuk mengeksploitasi bunyi ToF berbeza yang diterima oleh kedua-dua membran penerima. Satu pMUT bertindak sebagai pemancar terletak di antara penerima. Sasarannya ialah plat PVC selebar 12 cm, terletak pada jarak D di hadapan peranti pMUT (Rajah 2b). Penerima merekodkan bunyi yang dipantulkan daripada objek dan bertindak balas sebanyak mungkin semasa laluan gelombang bunyi. Ulangi eksperimen dengan menukar kedudukan objek, ditentukan oleh jarak D dan sudut θ. Diilhamkan oleh pautan. 55, kami mencadangkan pra-pemprosesan neuromorfik isyarat mentah pMUT untuk menukar gelombang yang dipantulkan ke puncak untuk memasukkan graf pengiraan neuromorfik. ToF yang sepadan dengan amplitud puncak diekstrak daripada setiap dua saluran dan dikodkan sebagai pemasaan tepat bagi puncak individu. Pada rajah. 2c menunjukkan litar yang diperlukan untuk antara muka penderia pMUT dengan graf pengiraan berasaskan RRAM: bagi setiap satu daripada dua penerima pMUT, isyarat mentah ditapis laluan jalur untuk melicinkan, membetulkan dan kemudian dihantar ke penyepadu bocor dalam mod mengatasi. ambang dinamik (Rajah 2d) mencipta neuron peristiwa keluaran (spike) dan penembakan (LIF): masa lonjakan output mengekod masa penerbangan yang dikesan. Ambang LIF ditentukur terhadap tindak balas pMUT, dengan itu mengurangkan kebolehubahan pMUT dari peranti ke peranti. Dengan pendekatan ini, daripada menyimpan keseluruhan gelombang bunyi dalam ingatan dan memprosesnya kemudian, kami hanya menjana puncak yang sepadan dengan ToF gelombang bunyi, yang membentuk input kepada graf pengiraan memori perintang. Pancang dihantar terus ke garisan kelewatan dan diselaraskan dengan modul pengesanan padanan dalam graf pengiraan neuromorfik. Kerana ia dihantar ke gerbang transistor, tiada litar penguatan tambahan diperlukan (lihat Rajah Tambahan 4 untuk butiran). Untuk menilai ketepatan sudut penyetempatan yang disediakan oleh pMUT dan kaedah pemprosesan isyarat yang dicadangkan, kami mengukur ITD (iaitu, perbezaan masa antara peristiwa puncak yang dihasilkan oleh dua penerima) kerana jarak dan sudut objek berubah-ubah. Analisis ITD kemudiannya ditukar kepada sudut (lihat Kaedah) dan diplotkan terhadap kedudukan objek: ketidakpastian dalam ITD yang diukur meningkat dengan jarak dan sudut ke objek (Rajah 2e, f). Masalah utama ialah nisbah puncak kepada hingar (PNR) dalam tindak balas pMUT. Semakin jauh objek, semakin rendah isyarat akustik, dengan itu mengurangkan PNR (Rajah 2f, garis hijau). Penurunan dalam PNR membawa kepada peningkatan dalam ketidakpastian dalam anggaran ITD, mengakibatkan peningkatan dalam ketepatan penyetempatan (Rajah 2f, garis biru). Untuk objek pada jarak 50 cm dari pemancar, ketepatan sudut sistem adalah lebih kurang 10°. Had ini yang dikenakan oleh ciri-ciri sensor boleh diperbaiki. Sebagai contoh, tekanan yang dihantar oleh pemancar boleh ditingkatkan, dengan itu meningkatkan voltan memacu membran pMUT. Penyelesaian lain untuk menguatkan isyarat yang dihantar ialah menyambungkan berbilang pemancar 56. Penyelesaian ini akan meningkatkan julat pengesanan dengan mengorbankan peningkatan kos tenaga. Penambahbaikan tambahan boleh dibuat pada bahagian penerima. Lantai hingar penerima pMUT boleh dikurangkan dengan ketara dengan menambah baik sambungan antara pMUT dan penguat peringkat pertama, yang kini dilakukan dengan sambungan wayar dan kabel RJ45.
Imej kristal pMUT dengan enam membran 880 µm disepadukan pada pic 1.5 mm. b Gambar rajah persediaan pengukur. Sasaran terletak pada kedudukan azimut θ dan pada jarak D. Pemancar pMUT menjana isyarat 117.6 kHz yang melantun dari sasaran dan mencapai dua penerima pMUT dengan masa penerbangan (ToF) yang berbeza. Perbezaan ini, yang ditakrifkan sebagai perbezaan masa antara aural (ITD), mengekod kedudukan objek dan boleh dianggarkan dengan menganggarkan tindak balas puncak kedua-dua penderia penerima. c Skema langkah pra-pemprosesan untuk menukar isyarat pMUT mentah kepada jujukan pancang (iaitu input kepada graf pengiraan neuromorfik). Penderia pMUT dan graf pengiraan neuromorfik telah direka dan diuji, dan pra-pemprosesan neuromorfik adalah berdasarkan simulasi perisian. d Tindak balas membran pMUT apabila menerima isyarat dan perubahannya menjadi domain pancang. e Penyetempatan eksperimen ketepatan sudut sebagai fungsi sudut objek (Θ) dan jarak (D) ke objek sasaran. Kaedah pengekstrakan ITD memerlukan resolusi sudut minimum kira-kira 4°C. f Ketepatan sudut (garis biru) dan nisbah puncak-ke-bunyi yang sepadan (garisan hijau) berbanding jarak objek untuk Θ = 0.
Memori rintangan menyimpan maklumat dalam keadaan konduktif tidak meruap. Prinsip asas kaedah tersebut ialah pengubahsuaian bahan pada peringkat atom menyebabkan perubahan dalam kekonduksian elektriknya57. Di sini kami menggunakan memori rintangan berasaskan oksida yang terdiri daripada lapisan hafnium dioksida 5nm yang diapit di antara elektrod titanium dan titanium nitrida atas dan bawah. Kekonduksian peranti RRAM boleh diubah dengan menggunakan bentuk gelombang arus/voltan yang mencipta atau memecahkan filamen konduktif kekosongan oksigen antara elektrod. Kami menyepadukan bersama peranti sedemikian58 ke dalam proses CMOS 130 nm standard untuk mencipta litar neuromorfik boleh dikonfigurasikan semula yang direka untuk melaksanakan pengesan kebetulan dan litar talian kelewatan (Rajah 3a). Sifat peranti tidak meruap dan analog, digabungkan dengan sifat litar neuromorfik dipacu peristiwa, meminimumkan penggunaan kuasa. Litar mempunyai fungsi hidup/mati segera: ia beroperasi serta-merta selepas dihidupkan, membenarkan kuasa dimatikan sepenuhnya apabila litar melahu. Blok bangunan utama skim yang dicadangkan ditunjukkan dalam rajah. 3b. Ia terdiri daripada struktur transistor tunggal (1T1R) selari tunggal perintang yang menyandikan pemberat sinaptik dari mana arus berwajaran diambil, disuntik ke dalam sinaps biasa penyepadu pasangan pembezaan (DPI)59, dan akhirnya disuntik ke dalam sinaps dengan penyepaduan dan kebocoran. neuron diaktifkan (LIF) 60 (lihat Kaedah untuk butiran). Lonjakan input digunakan pada gerbang struktur 1T1R dalam bentuk urutan denyutan voltan dengan tempoh mengikut urutan ratusan nanosaat. Memori rintangan boleh diletakkan dalam keadaan konduktif tinggi (HCS) dengan menggunakan rujukan positif luaran kepada Vtop apabila Vbottom dibumikan, dan menetapkan semula kepada keadaan konduktif rendah (LCS) dengan menggunakan voltan positif ke Vbottom apabila Vtop dibumikan. Nilai purata HCS boleh dikawal dengan mengehadkan arus pengaturcaraan (pematuhan) SET (ICC) oleh voltan sumber get transistor siri (Rajah 3c). Fungsi RRAM dalam litar adalah dua kali ganda: ia mengarahkan dan menimbang denyutan input.
Mengimbas imej mikroskop elektron (SEM) bagi peranti RRAM HfO2 1T1R biru yang disepadukan dalam teknologi CMOS 130 nm dengan transistor pemilih (650 nm lebar) dalam warna hijau. b Blok binaan asas skema neuromorfik yang dicadangkan. Denyut voltan input (puncak) Vin0 dan Vin1 menggunakan Iweight semasa, yang berkadar dengan keadaan pengaliran G0 dan G1 struktur 1T1R. Arus ini disuntik ke dalam sinaps DPI dan merangsang neuron LIF. RRAM G0 dan G1 dipasang di HCS dan LCS masing-masing. c Fungsi ketumpatan konduktans kumulatif untuk sekumpulan peranti RRAM 16K sebagai fungsi pemadanan arus ICC, yang mengawal tahap pengaliran dengan berkesan. d Pengukuran litar dalam (a) menunjukkan bahawa G1 (dalam LCS) berkesan menyekat input daripada Vin1 (hijau), dan sememangnya voltan membran neuron output hanya bertindak balas kepada input biru daripada Vin0. RRAM secara berkesan menentukan sambungan dalam litar. e Pengukuran litar di (b) menunjukkan kesan nilai kekonduksian G0 pada voltan membran Vmem selepas menggunakan nadi voltan Vin0. Lebih banyak konduktans, lebih kuat tindak balas: oleh itu, peranti RRAM melaksanakan pemberat sambungan I/O. Pengukuran dibuat pada litar dan menunjukkan fungsi dwi RRAM, penghalaan dan pemberat denyutan input.
Pertama, kerana terdapat dua keadaan pengaliran asas (HCS dan LCS), RRAM boleh menyekat atau terlepas denyutan input apabila mereka berada dalam keadaan LCS atau HCS, masing-masing. Akibatnya, RRAM secara berkesan menentukan sambungan dalam litar. Ini adalah asas untuk dapat mengkonfigurasi semula seni bina. Untuk menunjukkan ini, kami akan menerangkan pelaksanaan litar rekaan bagi blok litar dalam Rajah 3b. RRAM yang sepadan dengan G0 diprogramkan ke dalam HCS, dan RRAM G1 kedua diprogramkan ke dalam LCS. Denyutan input digunakan pada kedua-dua Vin0 dan Vin1. Kesan dua jujukan denyutan input dianalisis dalam neuron keluaran dengan mengumpul voltan membran neuron dan isyarat keluaran menggunakan osiloskop. Eksperimen ini berjaya apabila hanya peranti HCS (G0) disambungkan ke nadi neuron untuk merangsang ketegangan membran. Ini ditunjukkan dalam Rajah 3d, di mana kereta api nadi biru menyebabkan voltan membran terkumpul pada kapasitor membran, manakala kereta api nadi hijau mengekalkan voltan membran tetap.
Fungsi penting kedua RRAM ialah pelaksanaan pemberat sambungan. Menggunakan pelarasan konduktans analog RRAM, sambungan I/O boleh ditimbang dengan sewajarnya. Dalam percubaan kedua, peranti G0 telah diprogramkan kepada tahap HCS yang berbeza, dan nadi input digunakan pada input VIn0. Nadi input mengeluarkan arus (Berat) dari peranti, yang berkadar dengan kekonduksian dan potensi penurunan Vtop - Vbot yang sepadan. Arus berwajaran ini kemudiannya disuntik ke dalam sinaps DPI dan neuron keluaran LIF. Voltan membran neuron keluaran direkodkan menggunakan osiloskop dan dipaparkan dalam Rajah 3d. Puncak voltan membran neuron sebagai tindak balas kepada nadi input tunggal adalah berkadar dengan kekonduksian memori rintangan, menunjukkan bahawa RRAM boleh digunakan sebagai elemen berat sinaptik yang boleh diprogramkan. Kedua-dua ujian awal ini menunjukkan bahawa pelantar neuromorfik berasaskan RRAM yang dicadangkan mampu melaksanakan elemen asas mekanisme asas Jeffress iaitu garisan kelewatan dan litar pengesan kebetulan. Platform litar dibina dengan menyusun blok berturut-turut bersebelahan, seperti blok dalam Rajah 3b, dan menyambungkan pintunya ke talian input biasa. Kami mereka bentuk, mereka dan menguji platform neuromorfik yang terdiri daripada dua neuron output yang menerima dua input (Rajah 4a). Rajah litar ditunjukkan dalam Rajah 4b. Matriks RRAM 2 × 2 atas membolehkan denyutan input diarahkan ke dua neuron output, manakala matriks 2 × 2 yang lebih rendah membolehkan sambungan berulang dua neuron (N0, N1). Kami menunjukkan bahawa platform ini boleh digunakan dengan konfigurasi talian kelewatan dan dua fungsi pengesan kebetulan yang berbeza, seperti yang ditunjukkan oleh pengukuran eksperimen dalam Rajah 4c-e.
Gambar rajah litar yang dibentuk oleh dua neuron keluaran N0 dan N1 yang menerima dua input 0 dan 1. Empat peranti teratas tatasusunan mentakrifkan sambungan sinaptik daripada input ke output, dan empat sel bawah menentukan sambungan berulang antara neuron. RRAM berwarna mewakili peranti yang dikonfigurasikan dalam HCS di sebelah kanan: peranti dalam HCS membenarkan sambungan dan mewakili pemberat, manakala peranti dalam LCS menyekat denyutan input dan melumpuhkan sambungan ke output. b Gambar rajah litar (a) dengan lapan modul RRAM diserlahkan dengan warna biru. c Garis kelewatan dibentuk dengan hanya menggunakan dinamik sinaps DPI dan neuron LIF. RRAM hijau ditetapkan kepada konduktans yang cukup tinggi untuk dapat menyebabkan gangguan pada output selepas kelewatan input Δt. d Ilustrasi skematik pengesanan CD tidak sensitif arah bagi isyarat bergantung masa. Neuron output 1, N1, menyala pada input 0 dan 1 dengan kelewatan yang singkat. e Litar CD sensitif arah, litar yang mengesan apabila input 1 menghampiri input 0 dan tiba selepas input 0. Output litar diwakili oleh neuron 1 (N1).
Garis kelewatan (Rajah 4c) hanya menggunakan gelagat dinamik sinaps DPI dan neuron LIF untuk menghasilkan semula lonjakan input daripada Vin1 ke Vout1 dengan melambatkan Tdel. Hanya RRAM G3 yang disambungkan kepada Vin1 dan Vout1 diprogramkan dalam HCS, RRAM yang lain diprogramkan dalam LCS. Peranti G3 telah diprogramkan untuk 92.6 µs untuk memastikan setiap nadi input meningkatkan voltan membran neuron keluaran secukupnya untuk mencapai ambang dan menjana nadi keluaran tertunda. Tdel kelewatan ditentukan oleh pemalar masa sinaptik dan saraf. Pengesan kebetulan mengesan berlakunya isyarat input yang berkorelasi secara sementara tetapi teragih secara ruang. CD tidak peka arah bergantung pada input individu yang menumpu kepada neuron keluaran biasa (Rajah 4d). Kedua-dua RRAM yang menghubungkan Vin0 dan Vin1 ke Vout1, G2 dan G4 masing-masing diprogramkan untuk pengaliran tinggi. Ketibaan serentak pancang pada Vin0 dan Vin1 meningkatkan voltan membran neuron N1 melebihi ambang yang diperlukan untuk menjana pancang keluaran. Jika kedua-dua input berada terlalu jauh dalam masa, cas pada voltan membran yang terkumpul oleh input pertama mungkin mempunyai masa untuk mereput, menghalang potensi membran N1 daripada mencapai nilai ambang. G1 dan G2 diprogramkan untuk kira-kira 65 µs, yang memastikan bahawa lonjakan input tunggal tidak meningkatkan voltan membran yang cukup untuk menyebabkan lonjakan output. Pengesanan kebetulan antara peristiwa yang diedarkan dalam ruang dan masa ialah operasi asas yang digunakan dalam pelbagai tugas penderiaan seperti pengelakan halangan berasaskan aliran optik dan penyetempatan sumber bunyi. Oleh itu, pengkomputeran CD sensitif arah dan tidak sensitif ialah blok binaan asas untuk membina sistem penyetempatan visual dan audio. Seperti yang ditunjukkan oleh ciri-ciri pemalar masa (lihat Rajah Tambahan 2), litar yang dicadangkan melaksanakan julat empat urutan skala masa magnitud yang sesuai. Oleh itu, ia secara serentak dapat memenuhi keperluan sistem visual dan bunyi. CD peka arah ialah litar yang sensitif kepada susunan spatial kedatangan denyutan: dari kanan ke kiri dan sebaliknya. Ia merupakan blok binaan asas dalam rangkaian pengesanan gerakan asas sistem visual Drosophila, digunakan untuk mengira arah gerakan dan mengesan perlanggaran62. Untuk mencapai CD sensitif arah, dua input mesti diarahkan ke dua neuron berbeza (N0, N1) dan sambungan arah mesti diwujudkan di antara mereka (Rajah 4e). Apabila input pertama diterima, NO bertindak balas dengan meningkatkan voltan merentasi membrannya di atas nilai ambang dan menghantar lonjakan. Acara output ini, seterusnya, menyalakan N1 berkat sambungan arah yang diserlahkan dalam warna hijau. Jika peristiwa input Vin1 tiba dan memberi tenaga kepada N1 semasa voltan membrannya masih tinggi, N1 menjana peristiwa keluaran yang menunjukkan bahawa padanan telah ditemui antara kedua-dua input. Sambungan arah membenarkan N1 untuk mengeluarkan output hanya jika input 1 datang selepas input 0. G0, G3 dan G7 diprogramkan kepada 73.5 µS, 67.3 µS dan 40.2 µS, masing-masing, memastikan bahawa satu lonjakan pada input Vin0 menyebabkan kelewatan lonjakan keluaran, manakala potensi membran N1 hanya mencapai ambang apabila kedua-dua letupan input tiba penyegerakan. .
Kebolehubahan ialah punca ketidaksempurnaan dalam sistem neuromorfik yang dimodelkan63,64,65. Ini membawa kepada tingkah laku heterogen neuron dan sinaps. Contoh kelemahan sedemikian termasuk 30% (min sisihan piawai) kebolehubahan dalam perolehan input, pemalar masa, dan tempoh refraktori, untuk menamakan tetapi beberapa (lihat Kaedah). Masalah ini lebih ketara apabila pelbagai litar saraf disambungkan bersama, seperti CD sensitif orientasi yang terdiri daripada dua neuron. Untuk berfungsi dengan betul, pemalar masa perolehan dan pereputan bagi kedua-dua neuron haruslah sama yang mungkin. Sebagai contoh, perbezaan besar dalam perolehan input boleh menyebabkan satu neuron bertindak balas secara berlebihan kepada nadi input manakala neuron lain hampir tidak responsif. Pada rajah. Rajah 5a menunjukkan bahawa neuron yang dipilih secara rawak bertindak balas secara berbeza kepada nadi input yang sama. Kebolehubahan saraf ini adalah relevan, sebagai contoh, dengan fungsi CD sensitif arah. Dalam skema yang ditunjukkan dalam rajah. 5b, c, keuntungan input neuron 1 jauh lebih tinggi daripada neuron 0. Oleh itu, neuron 0 memerlukan tiga denyutan input (bukannya 1) untuk mencapai ambang, dan neuron 1, seperti yang dijangka, memerlukan dua peristiwa input. Melaksanakan keplastikan biomimetik (STDP) bergantung pada masa lonjakan adalah cara yang mungkin untuk mengurangkan kesan litar neural dan sinaptik yang tidak tepat dan lembap pada prestasi sistem43. Di sini kami mencadangkan untuk menggunakan tingkah laku plastik memori rintangan sebagai cara untuk mempengaruhi peningkatan input saraf dan mengurangkan kesan kebolehubahan dalam litar neuromorfik. Seperti yang ditunjukkan dalam rajah. 4e, tahap kekonduksian yang dikaitkan dengan jisim sinaptik RRAM secara berkesan memodulasi tindak balas voltan membran saraf yang sepadan. Kami menggunakan strategi pengaturcaraan RRAM berulang. Untuk input yang diberikan, nilai kekonduksian berat sinaptik diprogramkan semula sehingga tingkah laku sasaran litar diperoleh (lihat Kaedah).
a Pengukuran eksperimen bagi tindak balas sembilan neuron individu yang dipilih secara rawak kepada nadi input yang sama. Tindak balas berbeza-beza merentas populasi, mempengaruhi perolehan input dan pemalar masa. b Pengukuran eksperimen pengaruh neuron pada kebolehubahan neuron yang mempengaruhi CD sensitif arah. Kedua-dua neuron output CD sensitif arah bertindak balas secara berbeza kepada rangsangan input disebabkan kebolehubahan neuron-ke-neuron. Neuron 0 mempunyai keuntungan input yang lebih rendah daripada neuron 1, jadi ia memerlukan tiga denyutan input (bukannya 1) untuk mencipta lonjakan output. Seperti yang dijangkakan, neuron 1 mencapai ambang dengan dua peristiwa input. Jika input 1 tiba Δt = 50 µs selepas neuron 0 menyala, CD kekal senyap kerana Δt lebih besar daripada pemalar masa neuron 1 (kira-kira 22 µs). c dikurangkan sebanyak Δt = 20 µs, supaya input 1 memuncak apabila penembakan neuron 1 masih tinggi, menghasilkan pengesanan serentak dua peristiwa input.
Dua elemen yang digunakan dalam lajur pengiraan ITD ialah garis tunda dan CD tidak sensitif arah. Kedua-dua litar memerlukan penentukuran yang tepat untuk memastikan prestasi kedudukan objek yang baik. Barisan tunda mesti menyampaikan versi puncak input yang ditangguhkan dengan tepat (Rajah 6a), dan CD mesti diaktifkan hanya apabila input berada dalam julat pengesanan sasaran. Untuk garisan kelewatan, pemberat sinaptik bagi sambungan input (G3 dalam Rajah 4a) telah diprogramkan semula sehingga kelewatan sasaran diperolehi. Tetapkan toleransi di sekitar kelewatan sasaran untuk menghentikan program: lebih kecil toleransi, lebih sukar untuk berjaya menetapkan garis kelewatan. Pada rajah. Rajah 6b menunjukkan keputusan proses penentukuran talian kelewatan: dapat dilihat bahawa skema yang dicadangkan boleh memberikan semua kelewatan yang diperlukan dalam skema reka bentuk (dari 10 hingga 300 μs). Bilangan maksimum lelaran penentukuran mempengaruhi kualiti proses penentukuran: 200 lelaran boleh mengurangkan ralat kepada kurang daripada 5%. Satu lelaran penentukuran sepadan dengan set/set semula operasi sel RRAM. Proses penalaan juga penting untuk meningkatkan ketepatan pengesanan acara tutup segera modul CD. Ia mengambil sepuluh lelaran penentukuran untuk mencapai kadar positif sebenar (iaitu, kadar peristiwa yang dikenal pasti dengan betul sebagai berkaitan) melebihi 95% (garis biru dalam Rajah 6c). Walau bagaimanapun, proses penalaan tidak menjejaskan peristiwa positif palsu (iaitu, kekerapan peristiwa yang tersilap dikenal pasti sebagai berkaitan). Kaedah lain yang diperhatikan dalam sistem biologi untuk mengatasi kekangan masa laluan pengaktifan pantas ialah redundansi (iaitu, banyak salinan objek yang sama digunakan untuk melaksanakan fungsi tertentu). Diilhamkan oleh biology66, kami meletakkan beberapa litar CD dalam setiap modul CD di antara dua talian tunda untuk mengurangkan kesan positif palsu. Seperti yang ditunjukkan dalam rajah. 6c (garisan hijau), meletakkan tiga elemen CD dalam setiap modul CD boleh mengurangkan kadar penggera palsu kepada kurang daripada 10–2.
a Kesan kebolehubahan neuron pada litar talian tunda. b Litar talian kelewatan boleh diskalakan kepada kelewatan besar dengan menetapkan pemalar masa neuron LIF dan sinaps DPI yang sepadan kepada nilai yang besar. Meningkatkan bilangan lelaran prosedur penentukuran RRAM memungkinkan untuk meningkatkan ketepatan kelewatan sasaran dengan ketara: 200 lelaran mengurangkan ralat kepada kurang daripada 5%. Satu lelaran sepadan dengan operasi SET/RESET pada sel RRAM. Setiap modul CD dalam model c Jeffress boleh dilaksanakan menggunakan elemen CD selari N untuk lebih fleksibiliti berkenaan dengan kegagalan sistem. d Lebih banyak lelaran penentukuran RRAM meningkatkan kadar positif sebenar (garis biru), manakala kadar positif palsu adalah bebas daripada bilangan lelaran (garisan hijau). Meletakkan lebih banyak elemen CD secara selari mengelakkan pengesanan palsu padanan modul CD.
Kami kini menilai prestasi dan penggunaan kuasa sistem penyetempatan objek bersepadu hujung ke hujung yang ditunjukkan dalam Rajah 2 menggunakan pengukuran sifat akustik sensor pMUT, CD, dan litar talian kelewatan yang membentuk graf pengkomputeran neuromorfik. Model Jeffress (Rajah 1a). Bagi graf pengkomputeran neuromorfik, lebih banyak bilangan modul CD, lebih baik resolusi sudut, tetapi juga lebih tinggi tenaga sistem (Rajah 7a). Kompromi boleh dicapai dengan membandingkan ketepatan komponen individu (penderia pMUT, neuron dan litar sinaptik) dengan ketepatan keseluruhan sistem. Resolusi garis tunda dihadkan oleh pemalar masa sinaps dan neuron simulasi, yang dalam skema kami melebihi 10 µs, yang sepadan dengan resolusi sudut 4° (lihat Kaedah). Nod yang lebih maju dengan teknologi CMOS akan membolehkan reka bentuk litar saraf dan sinaptik dengan pemalar masa yang lebih rendah, menghasilkan ketepatan yang lebih tinggi bagi elemen garisan kelewatan. Walau bagaimanapun, dalam sistem kami, ketepatan dihadkan oleh ralat pMUT dalam menganggar kedudukan sudut, iaitu 10° (garis mendatar biru dalam Rajah 7a). Kami menetapkan bilangan modul CD pada 40, yang sepadan dengan resolusi sudut kira-kira 4°, iaitu, ketepatan sudut graf pengiraan (garis mendatar biru muda dalam Rajah 7a). Pada peringkat sistem, ini memberikan resolusi 4° dan ketepatan 10° untuk objek yang terletak 50 cm di hadapan sistem penderia. Nilai ini adalah setanding dengan sistem penyetempatan bunyi neuromorfik yang dilaporkan dalam ref. 67. Perbandingan sistem yang dicadangkan dengan keadaan terkini boleh didapati dalam Jadual Tambahan 1. Menambah pMUT tambahan, meningkatkan tahap isyarat akustik dan mengurangkan hingar elektronik adalah cara yang mungkin untuk meningkatkan lagi ketepatan penyetempatan. ) dianggarkan pada 9.7. nz. 55. Memandangkan 40 unit CD pada graf pengiraan, simulasi SPICE menganggarkan tenaga setiap operasi (iaitu, tenaga kedudukan objek) menjadi 21.6 nJ. Sistem neuromorfik diaktifkan hanya apabila peristiwa input tiba, iaitu apabila gelombang akustik mencapai mana-mana penerima pMUT dan melebihi ambang pengesanan, jika tidak, ia kekal tidak aktif. Ini mengelakkan penggunaan kuasa yang tidak perlu apabila tiada isyarat input. Memandangkan kekerapan operasi penyetempatan 100 Hz dan tempoh pengaktifan 300 µs setiap operasi (ITD maksimum yang mungkin), penggunaan kuasa graf pengkomputeran neuromorfik ialah 61.7 nW. Dengan pra-pemprosesan neuromorfik digunakan pada setiap penerima pMUT, penggunaan kuasa keseluruhan sistem mencapai 81.6 nW. Untuk memahami kecekapan tenaga pendekatan neuromorfik yang dicadangkan berbanding perkakasan konvensional, kami membandingkan nombor ini dengan tenaga yang diperlukan untuk melaksanakan tugas yang sama pada mikropengawal kuasa rendah moden menggunakan sama ada neuromorphic atau beamforming konvensional68 Skill. Pendekatan neuromorfik mempertimbangkan peringkat penukar analog-ke-digital (ADC), diikuti dengan penapis laluan jalur dan peringkat pengekstrakan sampul surat (kaedah Teeger-Kaiser). Akhir sekali, operasi ambang dilakukan untuk mengekstrak ToF. Kami telah meninggalkan pengiraan ITD berdasarkan ToF dan penukaran kepada anggaran kedudukan sudut kerana ini berlaku sekali untuk setiap pengukuran (lihat Kaedah). Dengan mengandaikan kadar pensampelan 250 kHz pada kedua-dua saluran (penerima pMUT), 18 operasi penapis pas jalur, 3 operasi pengekstrakan sampul surat dan 1 operasi ambang bagi setiap sampel, jumlah penggunaan kuasa dianggarkan pada 245 mikrowatt. Ini menggunakan mod kuasa rendah mikropengawal69, yang dihidupkan apabila algoritma tidak dilaksanakan, yang mengurangkan penggunaan kuasa kepada 10.8 µW. Penggunaan kuasa penyelesaian pemprosesan isyarat pembentuk pancaran yang dicadangkan dalam rujukan. 31, dengan 5 penerima pMUT dan 11 rasuk teragih seragam dalam satah azimut [-50°, +50°], ialah 11.71 mW (lihat bahagian Kaedah untuk butiran). Di samping itu, kami melaporkan penggunaan kuasa Pengekod Perbezaan Masa (TDE) berasaskan FPGA47 yang dianggarkan pada 1.5 mW sebagai pengganti model Jeffress untuk penyetempatan objek. Berdasarkan anggaran ini, pendekatan neuromorfik yang dicadangkan mengurangkan penggunaan kuasa sebanyak lima urutan magnitud berbanding dengan mikropengawal menggunakan teknik pembentuk pancaran klasik untuk operasi penyetempatan objek. Mengguna pakai pendekatan neuromorfik untuk pemprosesan isyarat pada mikropengawal klasik mengurangkan penggunaan kuasa kira-kira dua urutan magnitud. Keberkesanan sistem yang dicadangkan boleh dijelaskan dengan gabungan litar analog ingatan-perintang tak segerak yang mampu melakukan pengiraan dalam memori dan kekurangan penukaran analog-ke-digital yang diperlukan untuk melihat isyarat.
Resolusi sudut (biru) dan penggunaan kuasa (hijau) operasi penyetempatan bergantung pada bilangan modul CD. Bar mendatar biru tua mewakili ketepatan sudut PMUT dan bar mendatar biru muda mewakili ketepatan sudut graf pengiraan neuromorfik. b Penggunaan kuasa sistem yang dicadangkan dan perbandingan dengan dua pelaksanaan mikropengawal yang dibincangkan dan pelaksanaan digital Pengekod Perbezaan Masa (TDE)47 FPGA.
Untuk meminimumkan penggunaan kuasa sistem penyetempatan sasaran, kami menyusun, mereka bentuk dan melaksanakan litar neuromorfik berasaskan RRAM yang cekap dan dipacu peristiwa yang memproses maklumat isyarat yang dijana oleh penderia terbina dalam untuk mengira kedudukan objek sasaran dalam keadaan sebenar. masa. . Walaupun kaedah pemprosesan tradisional secara berterusan mengambil sampel isyarat yang dikesan dan melakukan pengiraan untuk mengekstrak maklumat berguna, penyelesaian neuromorfik yang dicadangkan melakukan pengiraan secara tidak segerak apabila maklumat berguna tiba, memaksimumkan kecekapan kuasa sistem sebanyak lima urutan magnitud. Di samping itu, kami menyerlahkan fleksibiliti litar neuromorfik berasaskan RRAM. Keupayaan RRAM untuk menukar kekonduksian dalam cara tidak meruap (keplastikan) mengimbangi kebolehubahan yang wujud bagi litar sinaptik dan saraf DPI analog kuasa ultra rendah. Ini menjadikan litar berasaskan RRAM ini serba boleh dan berkuasa. Matlamat kami bukan untuk mengekstrak fungsi atau corak kompleks daripada isyarat, tetapi untuk menyetempatkan objek dalam masa nyata. Sistem kami juga boleh memampatkan isyarat dengan cekap dan akhirnya menghantarnya ke langkah pemprosesan selanjutnya untuk membuat keputusan yang lebih kompleks apabila diperlukan. Dalam konteks aplikasi penyetempatan, langkah prapemprosesan neuromorfik kami boleh memberikan maklumat tentang lokasi objek. Maklumat ini boleh digunakan, contohnya, untuk pengesanan gerakan atau pengecaman gerak isyarat. Kami menekankan kepentingan menggabungkan penderia kuasa ultra rendah seperti pMUT dengan elektronik kuasa ultra rendah. Untuk ini, pendekatan neuromorfik telah menjadi kunci kerana ia telah membawa kami untuk membangunkan pelaksanaan litar baharu kaedah pengiraan yang diilhamkan secara biologi seperti model Jeffress. Dalam konteks aplikasi gabungan sensor, sistem kami boleh digabungkan dengan beberapa sensor berasaskan peristiwa yang berbeza untuk mendapatkan maklumat yang lebih tepat. Walaupun burung hantu sangat baik dalam mencari mangsa dalam gelap, mereka mempunyai penglihatan yang sangat baik dan melakukan carian pendengaran dan visual gabungan sebelum menangkap mangsa70. Apabila neuron pendengaran tertentu menyala, burung hantu menerima maklumat yang diperlukan untuk menentukan arah mana untuk memulakan carian visualnya, sekali gus menumpukan perhatiannya pada sebahagian kecil pemandangan visual. Gabungan penderia visual (kamera DVS) dan penderia pendengaran yang dicadangkan (berdasarkan pMUT) harus diterokai untuk pembangunan ejen autonomi masa hadapan.
Penderia pMUT terletak pada PCB dengan dua penerima jarak kira-kira 10 cm, dan pemancar terletak di antara penerima. Dalam kerja ini, setiap membran adalah struktur bimorf terampai yang terdiri daripada dua lapisan piezoelektrik aluminium nitrida (AlN) 800 nm tebal diapit di antara tiga lapisan molibdenum (Mo) 200 nm tebal dan disalut dengan lapisan 200 nm tebal. lapisan SiN pasif atas seperti yang diterangkan dalam rujukan. 71. Elektrod dalam dan luar digunakan pada lapisan bawah dan atas molibdenum, manakala elektrod molibdenum tengah tidak bercorak dan digunakan sebagai tanah, menghasilkan membran dengan empat pasang elektrod.
Seni bina ini membenarkan penggunaan ubah bentuk membran biasa, menghasilkan sensitiviti penghantaran dan penerimaan yang lebih baik. pMUT sedemikian biasanya mempamerkan sensitiviti pengujaan 700 nm/V sebagai pemancar, memberikan tekanan permukaan 270 Pa/V. Sebagai penerima, satu filem pMUT mempamerkan kepekaan litar pintas 15 nA / Pa, yang berkaitan secara langsung dengan pekali piezoelektrik AlN. Kebolehubahan teknikal voltan dalam lapisan AlN membawa kepada perubahan dalam frekuensi resonans, yang boleh dikompensasikan dengan menggunakan pincang DC pada pMUT. Kepekaan DC diukur pada 0.5 kHz/V. Untuk pencirian akustik, mikrofon digunakan di hadapan pMUT.
Untuk mengukur nadi gema, kami meletakkan plat segi empat tepat dengan keluasan kira-kira 50 cm2 di hadapan pMUT untuk mencerminkan gelombang bunyi yang dipancarkan. Kedua-dua jarak antara plat dan sudut relatif kepada satah pMUT dikawal menggunakan pemegang khas. Sumber voltan Tectronix CPX400DP memincang tiga membran pMUT, menala frekuensi resonans kepada 111.9 kHz31, manakala pemancar digerakkan oleh penjana nadi Tectronix AFG 3102 yang ditala kepada frekuensi resonans (111.9 kHz) dan kitaran tugas 0.01. Arus yang dibaca daripada empat port keluaran setiap penerima pMUT ditukar kepada voltan menggunakan seni bina arus dan voltan pembezaan khas, dan isyarat yang terhasil didigitalkan oleh sistem pemerolehan data Spektrum. Had pengesanan dicirikan oleh pemerolehan isyarat pMUT di bawah keadaan yang berbeza: kami mengalihkan reflektor ke jarak yang berbeza [30, 40, 50, 60, 80, 100] cm dan menukar sudut sokongan pMUT ([0, 20, 40] o ) Rajah 2b menunjukkan resolusi pengesanan ITD temporal bergantung pada kedudukan sudut yang sepadan dalam darjah.
Artikel ini menggunakan dua litar RRAM luar yang berbeza. Yang pertama ialah tatasusunan 16,384 (16,000) peranti (128 × 128 peranti) dalam konfigurasi 1T1R dengan satu transistor dan satu perintang. Cip kedua ialah platform neuromorfik yang ditunjukkan dalam Rajah 4a. Sel RRAM terdiri daripada filem HfO2 tebal 5 nm yang tertanam dalam timbunan TiN/HfO2/Ti/TiN. Timbunan RRAM disepadukan ke dalam barisan belakang (BEOL) proses CMOS 130nm standard. Litar neuromorfik berasaskan RRAM memberikan cabaran reka bentuk untuk sistem elektronik semua analog di mana peranti RRAM wujud bersama dengan teknologi CMOS tradisional. Khususnya, keadaan pengaliran peranti RRAM mesti dibaca dan digunakan sebagai pembolehubah fungsi untuk sistem. Untuk tujuan ini, litar direka, direka dan diuji yang membaca arus daripada peranti apabila nadi input diterima dan menggunakan arus ini untuk menimbang tindak balas sinaps penyepadu pasangan pembezaan (DPI). Litar ini ditunjukkan dalam Rajah 3a, yang mewakili blok binaan asas platform neuromorfik dalam Rajah 4a. Nadi input mengaktifkan get peranti 1T1R, mendorong arus melalui RRAM berkadar dengan konduktans peranti G (Berat = G(Vtop – Vx)). Input penyongsangan litar penguat kendalian (op-amp) mempunyai voltan pincang DC malar Vtop. Maklum balas negatif op-amp akan memberikan Vx = Vtop dengan memberikan arus yang sama dari M1. Iweight semasa yang diambil daripada peranti disuntik ke dalam sinaps DPI. Arus yang lebih kuat akan menghasilkan lebih banyak penyahkutuban, jadi konduktans RRAM berkesan melaksanakan pemberat sinaptik. Arus sinaptik eksponen ini disuntik melalui kapasitor membran neuron Penyepaduan dan Pengujaan Bocor (LIF), di mana ia disepadukan sebagai voltan. Jika voltan ambang membran (voltan pensuisan penyongsang) diatasi, bahagian keluaran neuron diaktifkan, menghasilkan lonjakan keluaran. Nadi ini kembali dan memesongkan kapasitor membran neuron ke tanah, menyebabkannya dinyahcas. Litar ini kemudiannya ditambah dengan pengembang nadi (tidak ditunjukkan dalam Rajah 3a), yang membentuk nadi output neuron LIF kepada lebar nadi sasaran. Multiplexer juga dibina ke dalam setiap talian, membolehkan voltan digunakan pada elektrod atas dan bawah peranti RRAM.
Ujian elektrik termasuk menganalisis dan merekodkan kelakuan dinamik litar analog, serta pengaturcaraan dan pembacaan peranti RRAM. Kedua-dua langkah memerlukan alat khas, yang semuanya disambungkan ke papan penderia pada masa yang sama. Akses kepada peranti RRAM dalam litar neuromorfik dijalankan daripada alat luaran melalui pemultipleks (MUX). MUX memisahkan sel 1T1R daripada litar lain yang mana ia berada, membenarkan peranti dibaca dan/atau diprogramkan. Untuk memprogram dan membaca peranti RRAM, mesin Keithley 4200 SCS digunakan bersama-sama dengan mikropengawal Arduino: yang pertama untuk penjanaan nadi yang tepat dan bacaan semasa, dan yang kedua untuk akses pantas kepada elemen 1T1R individu dalam tatasusunan memori. Operasi pertama adalah untuk membentuk peranti RRAM. Sel-sel dipilih satu demi satu dan voltan positif dikenakan antara elektrod atas dan bawah. Dalam kes ini, arus terhad kepada susunan berpuluh-puluh mikroampere kerana bekalan voltan pintu yang sepadan kepada transistor pemilih. Sel RRAM kemudiannya boleh berkitar antara keadaan konduktif rendah (LCS) dan keadaan konduktif tinggi (HCS) menggunakan operasi RESET dan SET, masing-masing. Operasi SET dijalankan dengan menggunakan nadi voltan segi empat tepat dengan tempoh 1 μs dan voltan puncak 2.0-2.5 V ke elektrod atas, dan denyut penyegerakan bentuk yang serupa dengan voltan puncak 0.9-1.3 V hingga gerbang transistor pemilih. Nilai-nilai ini membenarkan memodulasi kekonduksian RRAM pada selang 20-150 µs. Untuk RESET, 1 µs lebar, nadi puncak 3 V digunakan pada elektrod bawah (garisan bit) sel apabila voltan get berada dalam julat 2.5-3.0 V. Input dan output litar analog adalah isyarat dinamik . Untuk input, kami menyelitkan dua penjana nadi HP 8110 dengan penjana isyarat Tektronix AFG3011. Nadi input mempunyai lebar 1 µs dan tepi naik/turun 50 ns. Jenis nadi ini diandaikan sebagai gangguan biasa dalam litar berasaskan gangguan analog. Bagi isyarat keluaran, isyarat keluaran dirakam menggunakan osiloskop Teledyne LeCroy 1 GHz. Kelajuan pemerolehan osiloskop telah terbukti tidak menjadi faktor pengehad dalam analisis dan pemerolehan data litar.
Menggunakan dinamik elektronik analog untuk mensimulasikan tingkah laku neuron dan sinaps ialah penyelesaian yang elegan dan cekap untuk meningkatkan kecekapan pengiraan. Kelemahan dasar pengiraan ini ialah ia berbeza dari satu skema ke skema. Kami mengukur kebolehubahan neuron dan litar sinaptik (Tambahan Rajah 2a, b). Daripada semua manifestasi kebolehubahan, yang dikaitkan dengan pemalar masa dan perolehan input mempunyai kesan terbesar pada peringkat sistem. Pemalar masa neuron LIF dan sinaps DPI ditentukan oleh litar RC, di mana nilai R dikawal oleh voltan pincang yang digunakan pada pintu transistor (Vlk untuk neuron dan Vtau untuk sinaps), menentukan kadar kebocoran. Keuntungan input ditakrifkan sebagai voltan puncak yang dicapai oleh kapasitor membran sinaptik dan neuron yang dirangsang oleh nadi input. Keuntungan input dikawal oleh transistor bias lain yang memodulasi arus input. Simulasi Monte Carlo yang ditentukur pada proses 130nm ST Microelectronics telah dilakukan untuk mengumpul beberapa keuntungan input dan statistik pemalar masa. Hasilnya dibentangkan dalam Rajah Tambahan 2, di mana keuntungan input dan pemalar masa dikira sebagai fungsi voltan pincang yang mengawal kadar kebocoran. Penanda hijau mengukur sisihan piawai pemalar masa daripada min. Kedua-dua neuron dan litar sinaptik dapat menyatakan julat luas pemalar masa dalam julat 10-5-10-2 s, seperti yang ditunjukkan dalam skema Rajah Tambahan. Penguatan input (Tambahan Rajah 2e, d) kebolehubahan neuron dan sinaps masing-masing adalah kira-kira 8% dan 3%. Kekurangan sedemikian didokumentasikan dengan baik dalam kesusasteraan: pelbagai ukuran telah dilakukan pada susunan cip DYNAP untuk menilai ketidakpadanan antara populasi neuron LIF63. Sinaps dalam cip isyarat campuran BrainScale diukur dan ketidakkonsistenannya dianalisis, dan prosedur penentukuran telah dicadangkan untuk mengurangkan kesan kebolehubahan peringkat sistem64.
Fungsi RRAM dalam litar neuromorfik adalah dua kali ganda: definisi seni bina (menghalakan input ke output) dan pelaksanaan pemberat sinaptik. Sifat terakhir boleh digunakan untuk menyelesaikan masalah kebolehubahan litar neuromorfik yang dimodelkan. Kami telah membangunkan prosedur penentukuran mudah yang melibatkan pengaturcaraan semula peranti RRAM sehingga litar yang dianalisis memenuhi keperluan tertentu. Untuk input yang diberikan, output dipantau dan RRAM diprogramkan semula sehingga tingkah laku sasaran dicapai. Masa menunggu selama 5 saat telah diperkenalkan antara operasi pengaturcaraan untuk menyelesaikan masalah kelonggaran RRAM yang mengakibatkan turun naik konduktans sementara (Maklumat Tambahan). Berat sinaptik dilaraskan atau ditentukur mengikut keperluan litar neuromorfik yang dimodelkan. Prosedur penentukuran diringkaskan dalam algoritma tambahan [1, 2] yang memfokuskan pada dua ciri asas platform neuromorfik, garisan kelewatan dan CD tidak sensitif arah. Untuk litar dengan garis lengah, gelagat sasaran adalah untuk menyediakan nadi keluaran dengan kelewatan Δt. Jika kelewatan litar sebenar adalah kurang daripada nilai sasaran, berat sinaptik G3 harus dikurangkan (G3 harus ditetapkan semula dan kemudian ditetapkan kepada Icc semasa padanan yang lebih rendah). Sebaliknya, jika kelewatan sebenar lebih besar daripada nilai sasaran, kekonduksian G3 mesti ditingkatkan (G3 mesti ditetapkan semula dan kemudian ditetapkan kepada nilai Icc yang lebih tinggi). Proses ini diulang sehingga kelewatan yang dihasilkan oleh litar sepadan dengan nilai sasaran dan toleransi ditetapkan untuk menghentikan proses penentukuran. Untuk CD tidak sensitif orientasi, dua peranti RRAM, G1 dan G3, terlibat dalam proses penentukuran. Litar ini mempunyai dua input, Vin0 dan Vin1, ditangguhkan oleh dt. Litar hendaklah hanya bertindak balas kepada kelewatan di bawah julat padanan [0,dtCD]. Jika tiada puncak output, tetapi puncak input hampir, kedua-dua peranti RRAM harus dirangsang untuk membantu neuron mencapai ambang. Sebaliknya, jika litar bertindak balas kepada kelewatan yang melebihi julat sasaran dtCD, kekonduksian mesti dikurangkan. Ulangi proses sehingga tingkah laku yang betul diperolehi. Arus pematuhan boleh dimodulasi oleh litar analog terbina dalam dalam ref. 72.73. Dengan litar terbina dalam ini, prosedur sedemikian boleh dilakukan secara berkala untuk menentukur sistem atau menggunakannya semula untuk aplikasi lain.
Kami menilai penggunaan kuasa pendekatan pemprosesan isyarat neuromorfik kami pada mikropengawal 32-bit standard68. Dalam penilaian ini, kami menganggap operasi dengan tetapan yang sama seperti dalam kertas ini, dengan satu pemancar pMUT dan dua penerima pMUT. Kaedah ini menggunakan penapis laluan jalur, diikuti dengan langkah pengekstrakan sampul surat (Teeger-Kaiser), dan akhirnya operasi ambang digunakan pada isyarat untuk mengekstrak masa penerbangan. Pengiraan ITD dan penukarannya kepada sudut pengesanan ditinggalkan dalam penilaian. Kami menganggap pelaksanaan penapis pas jalur menggunakan penapis tindak balas impuls tak terhingga pesanan ke-4 yang memerlukan 18 operasi titik terapung. Pengekstrakan sampul menggunakan tiga lagi operasi titik terapung, dan operasi terakhir digunakan untuk menetapkan ambang. Sebanyak 22 operasi titik terapung diperlukan untuk pramemproses isyarat. Isyarat yang dihantar ialah letusan pendek 111.9 kHz bentuk gelombang sinus yang dijana setiap 10 ms menghasilkan frekuensi operasi kedudukan 100 Hz. Kami menggunakan kadar pensampelan 250 kHz untuk mematuhi Nyquist dan tetingkap 6 ms untuk setiap pengukuran untuk menangkap julat 1 meter. Ambil perhatian bahawa 6 milisaat ialah masa penerbangan objek yang berjarak 1 meter. Ini menyediakan penggunaan kuasa 180 µW untuk penukaran A/D pada 0.5 MSPS. Prapemprosesan isyarat ialah 6.60 MIPS (arahan sesaat), menjana 0.75 mW. Walau bagaimanapun, mikropengawal boleh bertukar kepada mod kuasa rendah 69 apabila algoritma tidak berjalan. Mod ini menyediakan penggunaan kuasa statik sebanyak 10.8 μW dan masa bangun 113 μs. Memandangkan kekerapan jam 84 MHz, mikropengawal melengkapkan semua operasi algoritma neuromorfik dalam masa 10 ms, dan algoritma mengira kitaran tugas sebanyak 6.3%, dengan itu menggunakan mod kuasa rendah. Pelesapan kuasa yang terhasil ialah 244.7 μW. Ambil perhatian bahawa kami meninggalkan output ITD daripada ToF dan penukaran kepada sudut pengesanan, dengan itu meremehkan penggunaan kuasa mikropengawal. Ini memberikan nilai tambahan untuk kecekapan tenaga sistem yang dicadangkan. Sebagai syarat perbandingan tambahan, kami menilai penggunaan kuasa kaedah pembentukan rasuk klasik yang dicadangkan dalam rujukan. 31.54 apabila dibenamkan dalam mikropengawal yang sama68 pada voltan bekalan 1.8V. Lima membran pMUT jarak sekata digunakan untuk memperoleh data untuk pembentukan pancaran. Bagi pemprosesan itu sendiri, kaedah beamforming yang digunakan ialah penjumlahan lengah. Ia hanya terdiri daripada mengenakan kelewatan pada lorong yang sepadan dengan jangkaan perbezaan masa ketibaan antara satu lorong dan lorong rujukan. Jika isyarat dalam fasa, jumlah isyarat ini akan mempunyai tenaga yang tinggi selepas peralihan masa. Jika ia berada di luar fasa, gangguan yang merosakkan akan mengehadkan tenaga jumlahnya. dalam perhubungan. Pada rajah. 31, kadar pensampelan 2 MHz dipilih untuk menganjak masa data dengan nombor integer sampel. Pendekatan yang lebih sederhana ialah mengekalkan kadar sampel yang lebih kasar sebanyak 250 kHz dan menggunakan penapis Tindak Balas Impuls Terhingga (FIR) untuk mensintesis kelewatan pecahan. Kami akan menganggap bahawa kerumitan algoritma pembentukan pancaran ditentukan terutamanya oleh peralihan masa, kerana setiap saluran berbelit dengan penapis FIR dengan 16 paip pada setiap arah. Untuk mengira bilangan MIPS yang diperlukan untuk operasi ini, kami mempertimbangkan tetingkap 6ms setiap ukuran untuk menangkap julat 1 meter, 5 saluran, 11 arah pembentukan pancaran (julat +/- 50° dalam 10° langkah). 75 ukuran sesaat mendorong mikropengawal kepada maksimum 100 MIPS. Pautan. 68, menghasilkan pelesapan kuasa sebanyak 11.26 mW untuk jumlah pelesapan kuasa sebanyak 11.71 mW selepas menambah sumbangan ADC atas kapal.
Data yang menyokong hasil kajian ini boleh didapati daripada pengarang masing-masing, FM, atas permintaan yang munasabah.
Indiveri, G. & Sandamirskaya, Y. Kepentingan ruang dan masa untuk pemprosesan isyarat dalam agen neuromorfik: Cabaran untuk membangunkan agen berkuasa rendah, autonomi yang berinteraksi dengan alam sekitar. Indiveri, G. & Sandamirskaya, Y. Kepentingan ruang dan masa untuk pemprosesan isyarat dalam agen neuromorfik: Cabaran untuk membangunkan agen berkuasa rendah, autonomi yang berinteraksi dengan alam sekitar.Indiveri G. dan Sandamirskaya Y. Kepentingan ruang dan masa untuk pemprosesan isyarat dalam agen neuromorfik: cabaran untuk membangunkan agen autonomi berkuasa rendah yang berinteraksi dengan alam sekitar. Indiveri, G. & Sandamirskaya, Y.空间和时间对于神经形态代理中信号处理的重要性：开发与环境交互的低功耗、自主代理的挑战。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. dan Sandamirskaya Y. Kepentingan ruang dan masa untuk pemprosesan isyarat dalam agen neuromorfik: cabaran untuk membangunkan agen autonomi berkuasa rendah yang berinteraksi dengan alam sekitar.Pemprosesan Isyarat IEEE. Jurnal 36, 16–28 (2019).
Thorpe, SJ Waktu Ketibaan Puncak: Skim Pengekodan Rangkaian Neural yang Cekap. dalam Eckmiller, R., Hartmann, G. & Hauske, G. (eds). dalam Eckmiller, R., Hartmann, G. & Hauske, G. (eds).dalam Eckmiller, R., Hartmann, G. dan Hauske, G. (eds.).Dalam Eckmiller, R., Hartmann, G., dan Hauske, G. (eds.). Pemprosesan selari dalam sistem saraf dan komputer 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Communication menggunakan 35 kali lebih banyak tenaga daripada pengiraan dalam korteks manusia, tetapi kedua-dua kos diperlukan untuk meramal nombor sinaps. Levy, WB & Calvert, VG Communication menggunakan 35 kali lebih banyak tenaga daripada pengiraan dalam korteks manusia, tetapi kedua-dua kos diperlukan untuk meramal nombor sinaps.Levy, WB dan Calvert, WG Communication menggunakan 35 kali lebih banyak tenaga daripada pengiraan dalam korteks manusia, tetapi kedua-dua kos diperlukan untuk meramalkan bilangan sinaps. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的35 倍，但这两种成本都需要预测突触数量。 Levy, WB & Calvert, Komunikasi VGLevy, WB dan Calvert, WG Communication menggunakan tenaga 35 kali lebih banyak daripada pengiraan dalam korteks manusia, tetapi kedua-dua kos memerlukan meramalkan bilangan sinaps.proses. Akademi Sains Kebangsaan. sains itu. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Pengkomputeran neuromorfik yang diilhamkan oleh serangga. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Pengkomputeran neuromorfik yang diilhamkan oleh serangga.Dalgati, T., Vianello, E., DeSalvo, B. dan Casas, J. Pengkomputeran neuromorfik yang diilhamkan oleh serangga.Dalgati T., Vianello E., DeSalvo B. dan Casas J. Pengkomputeran neuromorfik yang diilhamkan oleh serangga. semasa. Pendapat. Sains serangga. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Ke arah kecerdasan mesin berasaskan spike dengan pengkomputeran neuromorfik. Roy, K., Jaiswal, A. & Panda, P. Ke arah kecerdasan mesin berasaskan spike dengan pengkomputeran neuromorfik. Roy, K., Jaiswal, A. & Panda, P. Ke Arah Kepintaran Mesin Berasaskan Spike dengan Pengkomputeran Neuromorfik.Roy K, Jaiswal A, dan Panda P. Kepintaran buatan berasaskan nadi menggunakan pengkomputeran neuromorfik. Alam 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. dan Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. dan Liu, S.-K.Memori dan pemprosesan maklumat dalam sistem neuromorfik. proses. IEEE 103, 1379–1397 (2015).
Akopyan F. et al. Truenorth: Reka bentuk dan kit alat untuk cip sinaptik boleh atur cara 65 mW 1 juta neuron. Urus niaga IEEE. Reka bentuk komputer sistem litar bersepadu. 34, 1537–1557 (2015).
Schemmel, J. et al. Demo langsung: versi sistem neuromorfik BrainScaleS diperkecilkan pada skala plat. 2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Seni bina berbilang teras berskala dengan struktur memori heterogen untuk pemproses tak segerak neuromorfik dinamik (DYNAPs). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Seni bina berbilang teras berskala dengan struktur memori heterogen untuk pemproses tak segerak neuromorfik dinamik (DYNAPs).Moradi S., Qiao N., Stefanini F. dan Indiviri G. Seni bina berbilang teras berskala dengan struktur memori heterogen untuk pemproses tak segerak neuromorfik dinamik (DYNAP). Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. 一种可扩展的多核架构，具有用于动态神经形态异琭P器的异构内存结构。 Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Sejenis seni bina berbilang teras yang boleh dikembangkan, dengan struktur memori unik untuk pemprosesan saraf dinamik (DYNAP).Moradi S., Qiao N., Stefanini F. dan Indiviri G. Seni bina berbilang teras berskala dengan struktur memori heterogen untuk pemproses tak segerak neuromorfik dinamik (DYNAP).Transaksi IEEE mengenai sains Bioperubatan. sistem elektrik. 12, 106–122 (2018).
Davis, M. et al. Loihi: Pemproses berbilang teras neuromorfik dengan pembelajaran terbenam. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA Projek SpiNNaker. Furber, SB, Galluppi, F., Temple, S. & Plana, LA Projek SpiNNaker.Ferber SB, Galluppi F., Temple S. dan projek Plana LA SpiNNaker.Ferber SB, Galluppi F., Temple S. dan projek Plana LA SpiNNaker. proses. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Sistem deria neuromorfik. & Delbruck, T. Sistem deria neuromorfik.dan Delbrück T. Sistem deria neuromorfik. & Delbruck, T. 神经形态感觉系统。 & Delbruck, T.dan Delbrück T. Sistem deria neuromorfik.semasa. Pendapat. Neurobiologi. 20, 288–295 (2010).
Chope, T. et al. Penyepaduan deria neuromorfik untuk gabungan penyetempatan sumber bunyi dan mengelakkan perlanggaran. Pada 2019 di Persidangan IEEE mengenai Litar dan Sistem Bioperubatan (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Seni bina neuromorphic berasaskan spike penglihatan stereo. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Seni bina neuromorphic berasaskan spike penglihatan stereo.Risi N, Aymar A, Donati E, Solinas S, dan Indiveri G. Seni bina stereovision neuromorfik berasaskan spike. 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, dan Indiveri G. Seni bina neuromorfik berasaskan Spike untuk penglihatan stereo.depan. Neurorobotik 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Model rangkaian saraf spiking 3Dperception untuk sistem penglihatan stereo neuromorfik berasaskan peristiwa. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Model rangkaian saraf spiking 3Dperception untuk sistem penglihatan stereo neuromorfik berasaskan peristiwa.Oswald, M., Ieng, S.-H., Benosman, R., dan Indiveri, G. Model Persepsi Rangkaian Neural Berdenyut 3D untuk Sistem Penglihatan Stereo Neuromorfik Berasaskan Peristiwa. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception 脉冲神经网神经网。 Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型。Oswald, M., Ieng, S.-H., Benosman, R., dan Indiveri, G. Model Rangkaian Neural 3Dperception Spiked untuk Sistem Penglihatan Stereo Neuromorfik Berasaskan Peristiwa.sains itu. Laporan 7, 1–11 (2017).
Dalgaty, T. et al. Pengesanan gerakan asas yang diilhamkan oleh serangga termasuk memori rintangan dan rangkaian saraf pecah. Sistem biohibrid bionik. 10928, 115–128 (2018).
D'Angelo, G. et al. Pengesanan gerakan sipi berasaskan peristiwa menggunakan pengekodan pembezaan temporal. depan. Neurologi. 14, 451 (2020).
Masa siaran: Nov-17-2022