वास्तविक-विश्व डेटा प्रशोधन अनुप्रयोगहरूलाई कम्प्याक्ट, कम-विलम्बता, कम-शक्ति कम्प्युटिङ प्रणालीहरू आवश्यक पर्दछ। घटना-संचालित कम्प्युटिङ क्षमताहरूसँग, पूरक धातु-अक्साइड-सेमिकन्डक्टर हाइब्रिड मेमरिस्टिव न्यूरोमोर्फिक आर्किटेक्चरहरूले त्यस्ता कार्यहरूको लागि एक आदर्श हार्डवेयर आधार प्रदान गर्दछ। त्यस्ता प्रणालीहरूको पूर्ण क्षमता प्रदर्शन गर्न, हामी वास्तविक-विश्व वस्तु स्थानीयकरण अनुप्रयोगहरूको लागि एक व्यापक सेन्सर प्रशोधन समाधान प्रस्ताव र प्रयोगात्मक रूपमा प्रदर्शन गर्छौं। खलिहान उल्लू न्यूरोएनाटोमीबाट प्रेरणा कोर्दै, हामीले बायोइन्स्पायर्ड, घटना-संचालित वस्तु स्थानीयकरण प्रणाली विकास गरेका छौं जसले कम्प्युटेसनल ग्राफ-आधारित न्यूरोमोर्फिक प्रतिरोधी मेमोरीको साथ अत्याधुनिक पिजोइलेक्ट्रिक माइक्रोमेकानिकल ट्रान्सड्यूसर ट्रान्सड्यूसरलाई संयोजन गर्दछ। हामीले मेमोरी-आधारित प्रतिरोधी संयोग डिटेक्टर, ढिलाइ लाइन सर्किटरी, र पूर्ण रूपमा अनुकूलन योग्य अल्ट्रासोनिक ट्रान्सड्यूसर समावेश गर्ने बनावटी प्रणालीको मापन देखाउँछौं। हामी यी प्रयोगात्मक परिणामहरू प्रणाली स्तरमा सिमुलेशनहरू क्यालिब्रेट गर्न प्रयोग गर्छौं। यी सिमुलेशनहरू त्यसपछि वस्तु स्थानीयकरण मोडेलको कोणीय रिजोल्युसन र ऊर्जा दक्षता मूल्याङ्कन गर्न प्रयोग गरिन्छ। नतिजाहरूले देखाउँछन् कि हाम्रो दृष्टिकोणले एउटै कार्य प्रदर्शन गर्ने माइक्रोकन्ट्रोलरहरू भन्दा धेरै ऊर्जा कुशल परिमाणको धेरै अर्डर हुन सक्छ।
हामी सर्वव्यापी कम्प्युटिङको युगमा प्रवेश गर्दैछौं जहाँ हाम्रो दैनिक जीवनमा हामीलाई मद्दत गर्न प्रयोग गरिएका यन्त्रहरू र प्रणालीहरूको संख्या तीव्र रूपमा बढिरहेको छ। यी प्रणालीहरू निरन्तर चल्ने अपेक्षा गरिन्छ, सम्भव भएसम्म थोरै पावर खपत गर्दा तिनीहरूले वास्तविक समयमा बहु सेन्सरहरूबाट सङ्कलन गरेको डेटाको व्याख्या गर्न र वर्गीकरण वा पहिचान कार्यहरूको परिणामको रूपमा बाइनरी आउटपुट उत्पादन गर्न सिक्दै। यो लक्ष्य हासिल गर्नको लागि आवश्यक पर्ने सबैभन्दा महत्त्वपूर्ण कदमहरू मध्ये एक हो कोलाहलपूर्ण र प्रायः अपूर्ण संवेदी डेटाबाट उपयोगी र संक्षिप्त जानकारी निकाल्नु। परम्परागत ईन्जिनियरिङ् दृष्टिकोणले सामान्यतया सेन्सर संकेतहरूलाई स्थिर र उच्च दरमा नमूना दिन्छ, उपयोगी इनपुटहरूको अभावमा पनि ठूलो मात्रामा डाटा उत्पन्न गर्दछ। थप रूपमा, यी विधिहरूले (प्रायः शोर) इनपुट डेटा पूर्व-प्रशोधन गर्न जटिल डिजिटल सिग्नल प्रशोधन प्रविधिहरू प्रयोग गर्दछ। यसको सट्टा, जीवविज्ञानले ऊर्जा-कुशल, एसिन्क्रोनस, घटना-संचालित दृष्टिकोण (स्पाइक्स) 2,3 प्रयोग गरेर शोर सेन्सरी डेटा प्रशोधन गर्न वैकल्पिक समाधानहरू प्रदान गर्दछ। न्यूरोमोर्फिक कम्प्युटिङले परम्परागत सिग्नल प्रोसेसिङ विधिहरू ४,५,६ को तुलनामा ऊर्जा र मेमोरी आवश्यकताहरूको सन्दर्भमा कम्प्युटेशनल लागत घटाउन जैविक प्रणालीबाट प्रेरणा लिन्छ। हालसालै, आवेग न्यूरल नेटवर्कहरू (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) लागू गर्ने नवीन सामान्य उद्देश्य मस्तिष्क-आधारित प्रणालीहरू प्रदर्शन गरिएको छ। यी प्रोसेसरहरूले मेसिन लर्निङ र कोर्टिकल सर्किट मोडलिङका लागि कम पावर, कम विलम्बता समाधानहरू प्रदान गर्छन्। तिनीहरूको ऊर्जा दक्षता पूर्ण रूपमा शोषण गर्न, यी न्यूरोमोर्फिक प्रोसेसरहरू घटना-संचालित सेन्सरहरू 12,13 मा सीधा जडान हुनुपर्छ। यद्यपि, आज त्यहाँ केही टच उपकरणहरू छन् जसले प्रत्यक्ष रूपमा घटना-संचालित डेटा प्रदान गर्दछ। प्रख्यात उदाहरणहरू ट्र्याकिङ र गति पत्ता लगाउने 14,15,16,17 सिलिकन कोक्लिया18 र न्यूरोमोर्फिक श्रवण सेन्सर (NAS) 19 श्रवण संकेत प्रशोधनका लागि, घ्राण सेन्सरहरू 20 र numer21 को घ्राणात्मक सेन्सरहरू जस्तै ट्र्याकिङ र गति पत्ता लगाउने जस्ता अनुप्रयोगहरूका लागि गतिशील भिजुअल सेन्सरहरू (DVS) हुन्। । बनावट सेन्सरहरू।
अघिल्लो अनुसन्धानले देखाएको छ कि पूरक मेटल-अक्साइड-सेमिकन्डक्टर (CMOS) हार्डवेयर र RRAM-आधारित न्यूरोमोर्फिक हार्डवेयर खलिहान उल्लूको इन्फिरियर कोलिकुलस ("श्रवण कोर्टेक्स") द्वारा प्रेरित ITD13, 40, 41, प्रयोग गरी स्थिति गणना गर्नको लागि एक कुशल विधि हो। 42, 43, 44, 45, 46। यद्यपि, श्रवण संकेतहरूलाई न्यूरोमोर्फिक कम्प्युटेशनल ग्राफहरूमा लिङ्क गर्ने पूर्ण न्यूरोमोर्फिक प्रणालीहरूको सम्भावना अझै प्रदर्शन गर्न बाँकी छ। मुख्य समस्या एनालग CMOS सर्किटहरूको अन्तर्निहित परिवर्तनशीलता हो, जसले मिलान पत्ता लगाउने शुद्धतालाई असर गर्छ। हालै, ITD47 अनुमानहरूको वैकल्पिक संख्यात्मक कार्यान्वयनहरू प्रदर्शन गरिएको छ। यस पेपरमा, हामी एनालग सर्किटहरूमा परिवर्तनशीलतालाई प्रतिरोध गर्न गैर-अस्थिर तरिकामा चालकता मान परिवर्तन गर्न RRAM को क्षमता प्रयोग गर्ने प्रस्ताव गर्छौं। हामीले 111.9 kHz को फ्रिक्वेन्सीमा सञ्चालन गर्ने एउटा pMUT ट्रान्समिटिङ मेम्ब्रेन, दुई pMUT रिसिभिङ मेम्ब्रेन (सेन्सरहरू) सिमुलेटिङ बार्न उल्लू कान, र एउटा प्रयोगात्मक प्रणाली लागू गर्यौं। हामीले प्रायोगिक रूपमा हाम्रो स्थानीयकरण प्रणाली परीक्षण गर्न र यसको कोणीय रिजोल्युसन मूल्याङ्कन गर्न pMUT पत्ता लगाउने प्रणाली र RRAM-आधारित ITD कम्प्युटेशनल ग्राफको विशेषता राख्यौं।
हामी परम्परागत बीमफर्मिङ वा न्यूरोमोर्फिक विधिहरू प्रयोग गरेर उही स्थानीयकरण कार्य प्रदर्शन गर्ने माइक्रोकन्ट्रोलरमा डिजिटल कार्यान्वयनको साथसाथै सन्दर्भमा प्रस्तावित ITD अनुमानको लागि फिल्ड प्रोग्रामेबल गेट एरे (FPGA) सँग हाम्रो विधि तुलना गर्छौं। 47. यो तुलनाले प्रस्तावित RRAM-आधारित एनालग न्यूरोमोर्फिक प्रणालीको प्रतिस्पर्धी शक्ति दक्षतालाई हाइलाइट गर्दछ।
एक सटीक र कुशल वस्तु स्थानीयकरण प्रणालीको सबैभन्दा उल्लेखनीय उदाहरणहरू खलिहान 35,37,48 मा पाउन सकिन्छ। साँझ र बिहानको समयमा, खलिहान उल्लू (टाइटो अल्बा) मुख्य रूपमा निष्क्रिय सुन्नमा निर्भर हुन्छ, सक्रिय रूपमा सानो शिकारहरू जस्तै भोल वा मुसा खोज्छ। यी श्रवण विशेषज्ञहरूले अचम्मको सटीकता (लगभग 2°) 35, चित्र 1a मा देखाइए अनुसार शिकारबाट श्रवण संकेतहरू स्थानीयकरण गर्न सक्छन्। खलिहान उल्लूहरूले ध्वनि स्रोतबाट दुई कानमा उडानको आगमन समय (ITD) मा भिन्नताबाट अजिमुथ (क्षैतिज) प्लेनमा ध्वनि स्रोतहरूको स्थान अनुमान गर्दछ। आईटीडी कम्प्युटेशनल मेकानिजम जेफ्रेस 49,50 द्वारा प्रस्तावित गरिएको थियो जुन न्यूरल ज्यामितिमा निर्भर हुन्छ र दुई मुख्य घटकहरू चाहिन्छ: एक एक्सन, एक ढिलाइ रेखाको रूपमा काम गर्ने न्यूरोनको तंत्रिका फाइबर, र कम्प्युटेशनल प्रणालीमा संगठित संयोग डिटेक्टर न्यूरोन्सको एर्रे। चित्र 1b मा देखाइएको ग्राफ। ध्वनि अजिमुथ निर्भर समय ढिलाइ (ITD) को साथ कानमा पुग्छ। ध्वनि त्यसपछि प्रत्येक कानमा स्पाइक ढाँचामा रूपान्तरण हुन्छ। बायाँ र दायाँ कानको अक्षले ढिलाइ रेखाको रूपमा काम गर्दछ र सीडी न्यूरोन्समा अभिसरण गर्दछ। सैद्धान्तिक रूपमा, मिल्दो न्युरोन्सहरूको एर्रेमा केवल एउटा न्यूरोनले एक पटकमा इनपुट प्राप्त गर्नेछ (जहाँ ढिलाइ ठ्याक्कै रद्द हुन्छ) र अधिकतम रूपमा फायर हुनेछ (छिमेकी कोशिकाहरू पनि आगो हुनेछ, तर कम आवृत्तिमा)। केही न्युरोन्सहरू सक्रिय गर्नाले ITD लाई कोणहरूमा रूपान्तरण नगरी अन्तरिक्षमा लक्ष्यको स्थितिलाई सङ्केत गर्छ। यो अवधारणा चित्र 1c मा संक्षेप गरिएको छ: उदाहरणका लागि, यदि दायाँ कानबाट इनपुट संकेतले बायाँ कानबाट बाटो भन्दा लामो बाटो यात्रा गर्दा आवाज दायाँ तर्फबाट आउँदैछ भने, ITDs को संख्याको लागि क्षतिपूर्ति, उदाहरणका लागि, जब न्यूरोन 2 मेल खान्छ। अर्को शब्दमा, प्रत्येक सीडीले अक्षीय ढिलाइको कारणले निश्चित आईटीडी (जसलाई इष्टतम ढिलाइ पनि भनिन्छ) लाई प्रतिक्रिया दिन्छ। यसरी, मस्तिष्कले अस्थायी जानकारीलाई स्थानिय जानकारीमा रूपान्तरण गर्दछ। यस संयन्त्रको लागि शारीरिक प्रमाण 37,51 फेला परेको छ। फेज-लक्ड म्याक्रोन्यूक्लियस न्युरोन्सहरूले आगमन ध्वनिहरूको बारेमा अस्थायी जानकारी भण्डारण गर्छन्: तिनीहरूको नामले संकेत गरे जस्तै, तिनीहरू निश्चित संकेत चरणहरूमा फायर गर्छन्। जेफ्रेस मोडेलको संयोग डिटेक्टर न्यूरोन्स लेमिनार कोरमा फेला पार्न सकिन्छ। तिनीहरूले म्याक्रोन्यूक्लियर न्यूरोन्सबाट जानकारी प्राप्त गर्छन्, जसको एक्सनहरूले ढिलाइ रेखाहरूको रूपमा कार्य गर्दछ। ढिलाइ रेखा द्वारा प्रदान गरिएको ढिलाइको मात्रा अक्षको लम्बाइ, साथै अर्को माइलिनेशन ढाँचा द्वारा व्याख्या गर्न सकिन्छ जसले प्रवाह वेग परिवर्तन गर्दछ। खलिहान उल्लूको श्रवण प्रणालीबाट प्रेरित भएर, हामीले वस्तुहरू स्थानीयकरण गर्न बायोमिमेटिक प्रणाली विकास गरेका छौं। दुई कान दुई pMUT रिसीभरहरू द्वारा प्रतिनिधित्व गरिन्छ। ध्वनि स्रोत तिनीहरूको बीचमा अवस्थित pMUT ट्रान्समिटर हो (चित्र 1a), र कम्प्युटेसनल ग्राफ RRAM-आधारित CD सर्किट (चित्र 1b, हरियो) को ग्रिडद्वारा बनाइएको छ, जसको इनपुटहरू ढिलो भएको CD न्यूरन्सको भूमिका खेल्दै। सर्किट मार्फत, ढिलाइ रेखाहरू (नीलो) जैविक समकक्षमा एक्सन जस्तै कार्य गर्दछ। प्रस्तावित सेन्सरी प्रणाली उल्लुको भन्दा अपरेटिङ फ्रिक्वेन्सीमा फरक छ, जसको श्रवण प्रणाली 1-8 kHz दायरामा काम गर्दछ, तर लगभग 117 kHz मा काम गर्ने pMUT सेन्सरहरू यस काममा प्रयोग गरिन्छ। अल्ट्रासोनिक ट्रान्सड्यूसरको चयन प्राविधिक र अनुकूलन मापदण्ड अनुसार मानिन्छ। पहिलो, प्राप्त ब्यान्डविथलाई एकल फ्रिक्वेन्सीमा सीमित गर्नाले मापन शुद्धतामा सुधार गर्छ र पोस्ट-प्रोसेसिङ चरणलाई सरल बनाउँछ। थप रूपमा, अल्ट्रासाउन्डमा अपरेशनको फाइदा छ कि उत्सर्जित दालहरू श्रव्य हुँदैन, त्यसैले मानिसहरूलाई बाधा पुर्याउँदैन, किनकि तिनीहरूको श्रवण दायरा ~20-20 kHz छ।
खलिहान उल्लूले लक्ष्यबाट ध्वनि तरंगहरू प्राप्त गर्दछ, यस अवस्थामा शिकार हिंड्छ। ध्वनि तरंगको उडान समय (ToF) प्रत्येक कानको लागि फरक हुन्छ (शिकार उल्लुको अगाडि सिधै नभएसम्म)। बिन्दु भएको रेखाले ध्वनी तरंगहरूले बार्न उल्लूको कानमा पुग्नको लागि बाटो देखाउँछ। दुई ध्वनिक मार्गहरू बीचको लम्बाइको भिन्नता र सम्बन्धित अन्तर्देशीय समय भिन्नता (ITD) (रेफरी 74, प्रतिलिपि अधिकार 2002, समाजको न्यूरोसाइन्सबाट प्रेरित बायाँ छवि) को आधारमा शिकारलाई तेर्सो समतलमा सही रूपमा स्थानीयकरण गर्न सकिन्छ। हाम्रो प्रणालीमा, pMUT ट्रान्समिटर (गाढा निलो) ले ध्वनि तरंगहरू उत्पन्न गर्दछ जुन लक्ष्यबाट बाउन्स हुन्छ। प्रतिबिम्बित अल्ट्रासाउन्ड तरंगहरू दुई pMUT रिसीभरहरू (हल्का हरियो) द्वारा प्राप्त गरिन्छ र न्यूरोमोर्फिक प्रोसेसर (दायाँ) द्वारा प्रशोधन गरिन्छ। b एक ITD (जेफ्रेस) कम्प्युटेशनल मोडेलले वर्णन गर्दछ कि कसरी खलिहान उल्लूको कानमा प्रवेश गर्ने ध्वनिहरू पहिले ठूलो न्यूक्लियस (NM) मा फेज-लक स्पाइकको रूपमा एन्कोड गरिएको छ र त्यसपछि लेमेलर न्यूक्लियसमा मिल्दो डिटेक्टर न्यूरोन्सको ज्यामितीय रूपमा व्यवस्थित ग्रिड प्रयोग गरेर। प्रशोधन (नेदरल्याण्ड्स) (बायाँ)। विलम्ब रेखाहरू र संयोग डिटेक्टर न्यूरोन्सहरू संयोजन गर्ने न्यूरोआईटीडी कम्प्युटेशनल ग्राफको चित्रण, उल्लू बायोसेन्सर प्रणालीलाई RRAM-आधारित न्यूरोमोर्फिक सर्किटहरू (दायाँ) प्रयोग गरेर मोडेल गर्न सकिन्छ। c मुख्य जेफ्रेस मेकानिज्मको योजनाबद्ध, ToF मा भिन्नताको कारण, दुई कानले फरक-फरक समयमा ध्वनि उत्तेजनाहरू प्राप्त गर्छन् र दुबै छेउबाट डिटेक्टरमा अक्षहरू पठाउँछन्। एक्सनहरू संयोग डिटेक्टर (CD) न्यूरोन्सको श्रृंखलाको भाग हुन्, जसमध्ये प्रत्येकले कडा रूपमा समय-सम्बन्धित इनपुटहरूमा चयनात्मक रूपमा प्रतिक्रिया दिन्छ। नतिजाको रूपमा, केवल सीडीहरू जसका इनपुटहरू सबैभन्दा सानो समयको भिन्नतामा आइपुग्छन् अधिकतम रूपमा उत्साहित हुन्छन् (ITD ठ्याक्कै क्षतिपूर्ति दिइन्छ)। त्यसपछि सीडीले लक्ष्यको कोणीय स्थितिलाई सङ्केत गर्नेछ।
पिजोइलेक्ट्रिक माइक्रोमेकानिकल अल्ट्रासोनिक ट्रान्सड्यूसरहरू स्केलेबल अल्ट्रासोनिक ट्रान्सड्यूसरहरू हुन् जुन उन्नत CMOS टेक्नोलोजी 31,32,33,52 सँग एकीकृत गर्न सकिन्छ र परम्परागत भोल्युमेट्रिक ट्रान्सड्यूसरहरू भन्दा कम प्रारम्भिक भोल्टेज र पावर खपत हुन्छ। हाम्रो काममा, झिल्लीको व्यास 880 µm छ, र रेजोनन्ट फ्रिक्वेन्सी 110-117 kHz को दायरामा वितरित गरिन्छ (चित्र 2a, विवरणहरूको लागि विधिहरू हेर्नुहोस्)। दस परीक्षण यन्त्रहरूको ब्याचमा, औसत गुणस्तर कारक लगभग 50 थियो (रेफरी। 31)। टेक्नोलोजी औद्योगिक परिपक्वतामा पुगेको छ र जैव-प्रेरित छैन। विभिन्न pMUT चलचित्रहरूबाट जानकारी संयोजन एक प्रसिद्ध प्रविधि हो, र कोण जानकारी pMUT बाट प्राप्त गर्न सकिन्छ, उदाहरणका लागि, बीमफर्मिङ प्रविधिहरू 31,54। यद्यपि, कोण जानकारी निकाल्न आवश्यक संकेत प्रशोधन कम शक्ति मापन को लागी उपयुक्त छैन। प्रस्तावित प्रणालीले न्युरोमोर्फिक डाटा प्रिप्रोसेसिङ सर्किट pMUT लाई जेफ्रेस मोडेल (चित्र 2c) द्वारा प्रेरित RRAM-आधारित न्यूरोमोर्फिक कम्प्युटिङ ग्राफसँग संयोजन गर्दछ, वैकल्पिक ऊर्जा-कुशल र स्रोत-प्रतिबन्धित हार्डवेयर समाधान प्रदान गर्दछ। हामीले एउटा प्रयोग प्रदर्शन गर्यौं जसमा दुई प्राप्त गर्ने झिल्लीहरूद्वारा प्राप्त विभिन्न ToF ध्वनिहरू शोषण गर्न दुई pMUT सेन्सरहरू लगभग 10 सेन्टिमिटरको दूरीमा राखिएको थियो। ट्रान्समिटरको रूपमा काम गर्ने एउटा pMUT रिसीभरहरू बीच बस्छ। लक्ष्य एक PVC प्लेट 12 सेमी चौडाई थियो, PMUT यन्त्रको अगाडि D दूरीमा अवस्थित थियो (चित्र 2b)। रिसिभरले वस्तुबाट प्रतिबिम्बित ध्वनि रेकर्ड गर्दछ र ध्वनि तरंगको पासको समयमा सकेसम्म धेरै प्रतिक्रिया गर्दछ। दूरी D र कोण θ द्वारा निर्धारित वस्तुको स्थिति परिवर्तन गरेर प्रयोग दोहोर्याउनुहोस्। लिङ्कबाट प्रेरित। 55, हामी प्रतिबिम्बित तरंगहरूलाई चुचुराहरूमा रूपान्तरण गर्न न्यूरोमोर्फिक कम्प्युटेशनल ग्राफ इनपुट गर्न pMUT कच्चा संकेतहरूको न्यूरोमोर्फिक पूर्व-प्रशोधन प्रस्ताव गर्दछौं। शिखर आयामसँग सम्बन्धित ToF प्रत्येक दुई च्यानलहरूबाट निकालिएको छ र व्यक्तिगत चुचुराहरूको सही समयको रूपमा इन्कोड गरिएको छ। अंजीर मा। 2c ले pMUT सेन्सरलाई RRAM-आधारित कम्प्युटेशनल ग्राफको साथ इन्टरफेस गर्न आवश्यक सर्किटरी देखाउँछ: प्रत्येक दुई pMUT रिसीभरहरूको लागि, कच्चा संकेत ब्यान्ड-पासलाई सहज बनाउन, सुधार गर्न फिल्टर गरिएको छ, र त्यसपछि लीकी इन्टिग्रेटरलाई ओभरकमिङ मोडमा पास गरिन्छ। गतिशील थ्रेसहोल्ड (चित्र 2d) ले आउटपुट घटना (स्पाइक) र फायरिङ (LIF) न्यूरोन सिर्जना गर्दछ: आउटपुट स्पाइक समयले पत्ता लगाइएको उडान समय एन्कोड गर्दछ। LIF थ्रेसहोल्ड pMUT प्रतिक्रिया विरुद्ध क्यालिब्रेट गरिएको छ, जसले गर्दा उपकरणबाट उपकरणमा pMUT परिवर्तनशीलता कम हुन्छ। यस दृष्टिकोणको साथ, सम्पूर्ण ध्वनि तरंगलाई मेमोरीमा भण्डारण गर्नुको सट्टा र यसलाई पछि प्रशोधन गर्नुको सट्टा, हामी केवल ध्वनि तरंगको ToF सँग मिल्दो शिखर उत्पन्न गर्छौं, जसले प्रतिरोधात्मक मेमोरी कम्प्युटेशनल ग्राफमा इनपुट बनाउँछ। स्पाइकहरू सीधा ढिलाइ रेखाहरूमा पठाइन्छ र न्यूरोमोर्फिक गणना ग्राफहरूमा मिलान पत्ता लगाउने मोड्युलहरूसँग समानान्तर गरिन्छ। किनभने तिनीहरू ट्रान्जिस्टरहरूको गेटहरूमा पठाइन्छ, कुनै अतिरिक्त प्रवर्धन सर्किट आवश्यक पर्दैन (विवरणका लागि पूरक चित्र 4 हेर्नुहोस्)। pMUT र प्रस्तावित संकेत प्रशोधन विधि द्वारा प्रदान गरिएको स्थानीयकरण कोणीय शुद्धताको मूल्याङ्कन गर्न, हामीले वस्तुको दूरी र कोण फरक भएकोले ITD (अर्थात, दुई रिसीभरहरूद्वारा उत्पन्न शिखर घटनाहरू बीचको भिन्नता) मापन गर्यौं। ITD विश्लेषण त्यसपछि कोणहरूमा रूपान्तरण गरियो (विधिहरू हेर्नुहोस्) र वस्तुको स्थिति विरुद्ध प्लट गरिएको थियो: मापन गरिएको ITD मा अनिश्चितता वस्तुको दूरी र कोणको साथ बढ्यो (चित्र 2e,f)। मुख्य समस्या पीएमयूटी प्रतिक्रियामा पीक-टू-शोर अनुपात (PNR) हो। वस्तु जति टाढा हुन्छ, ध्वनिक सङ्केत कम हुन्छ, जसले गर्दा PNR (चित्र 2f, हरियो रेखा) कम हुन्छ। PNR मा कमीले ITD अनुमानमा अनिश्चिततामा वृद्धि हुन्छ, जसको परिणामस्वरूप स्थानीयकरण शुद्धतामा वृद्धि हुन्छ (चित्र 2f, नीलो रेखा)। ट्रान्समिटरबाट ५० सेन्टिमिटरको दूरीमा रहेको वस्तुको लागि, प्रणालीको कोणीय शुद्धता लगभग १०° हुन्छ। सेन्सरका विशेषताहरूद्वारा लगाइएको यो सीमा सुधार गर्न सकिन्छ। उदाहरणका लागि, emitter द्वारा पठाइएको दबाब बढाउन सकिन्छ, जसले गर्दा pMUT झिल्ली चलाउने भोल्टेज बढ्छ। ट्रान्समिटेड सिग्नललाई एम्प्लीफाइ गर्ने अर्को समाधान बहु ट्रान्समिटरहरू जडान गर्नु हो 56। यी समाधानहरूले बढेको ऊर्जा लागतको खर्चमा पत्ता लगाउने दायरा बढाउनेछ। प्राप्त पक्षमा थप सुधार गर्न सकिन्छ। pMUT को रिसिभर शोर फ्लोर pMUT र पहिलो चरण एम्पलीफायर बीचको जडान सुधार गरेर उल्लेखनीय रूपमा कम गर्न सकिन्छ, जुन हाल तार जडान र RJ45 केबलहरू संग गरिन्छ।
1.5 मिमी पिचमा एकीकृत छ 880 µm झिल्ली भएको pMUT क्रिस्टलको छवि। b मापन सेटअपको रेखाचित्र। लक्ष्य अजीमुथ स्थिति θ र दूरी D मा अवस्थित छ। pMUT ट्रान्समिटरले 117.6 kHz सिग्नल उत्पन्न गर्दछ जुन लक्ष्यबाट बाउन्स हुन्छ र फरक-फरक समय-को-फ्लाइट (ToF) सँग दुई pMUT रिसीभरहरूमा पुग्छ। यो भिन्नता, अन्तर-श्रवण समय भिन्नता (ITD) को रूपमा परिभाषित गरिएको छ, वस्तुको स्थिति इन्कोड गर्दछ र दुई रिसीभर सेन्सरहरूको शिखर प्रतिक्रिया अनुमान गरेर अनुमान गर्न सकिन्छ। c कच्चा pMUT संकेतलाई स्पाइक अनुक्रमहरूमा रूपान्तरण गर्नका लागि पूर्व-प्रशोधन चरणहरूको योजनाबद्ध (जस्तै न्यूरोमोर्फिक गणना ग्राफमा इनपुट)। pMUT सेन्सरहरू र न्यूरोमोर्फिक कम्प्युटेशनल ग्राफहरू निर्मित र परीक्षण गरिएका छन्, र न्यूरोमोर्फिक पूर्व-प्रशोधन सफ्टवेयर सिमुलेशनमा आधारित छ। d संकेत प्राप्त भएपछि pMUT झिल्लीको प्रतिक्रिया र स्पाइक डोमेनमा यसको रूपान्तरण। e प्रायोगिक स्थानीयकरण कोणीय शुद्धता वस्तु कोण (Θ) र लक्ष्य वस्तुको दूरी (D) को कार्यको रूपमा। ITD निकासी विधिलाई लगभग 4°C को न्यूनतम कोणीय रिजोल्युसन चाहिन्छ। f कोणीय शुद्धता (नीलो रेखा) र Θ = ० को लागि वस्तु दूरी बनाम शिखर-देखि-शोर अनुपात (हरियो रेखा)।
स्क्यानिङ इलेक्ट्रोन माइक्रोस्कोप (SEM) निलो HfO2 1T1R RRAM यन्त्रको छवि 130 nm CMOS टेक्नोलोजीमा चयनकर्ता ट्रान्जिस्टरहरू (650 nm चौडा) हरियोमा एकीकृत। b Basic building blocks of the proposed neuromorphic schema. इनपुट भोल्टेज पल्स (शिखरहरू) Vin0 र Vin1 ले हालको Iweight उपभोग गर्दछ, जुन 1T1R संरचनाको G0 र G1 को प्रवाहक राज्यहरूसँग समानुपातिक छ। This current is injected into the DPI synapses and excites the LIF neurons. RRAM G0 and G1 are installed in HCS and LCS respectively. c 16K RRAM यन्त्रहरूको समूहको लागि ICC वर्तमान मिलानको कार्यको रूपमा संचयी चालकता घनत्वको प्रकार्य, जसले प्रवाह स्तरलाई प्रभावकारी रूपमा नियन्त्रण गर्दछ। d सर्किट मापन (a) मा G1 (LCS मा) ले प्रभावकारी रूपमा Vin1 (हरियो) बाट इनपुट रोक्छ र वास्तवमा आउटपुट न्यूरोनको झिल्ली भोल्टेजले Vin0 बाट निलो इनपुटलाई मात्र प्रतिक्रिया दिन्छ। RRAM ले सर्किटमा जडानहरू प्रभावकारी रूपमा निर्धारण गर्दछ। e मा सर्किटको मापन (b) भोल्टेज पल्स Vin0 लागू गरेपछि झिल्ली भोल्टेज Vmem मा प्रवाहकत्व मान G0 को प्रभाव देखाउँदै। अधिक चालकता, प्रतिक्रिया बलियो: यसरी, RRAM उपकरणले I/O जडान वजन लागू गर्दछ। मापन सर्किटमा बनाइएको थियो र RRAM को दोहोरो प्रकार्य, राउटिंग र इनपुट पल्सको वजन प्रदर्शन गर्दछ।
पहिलो, त्यहाँ दुई आधारभूत चालन अवस्थाहरू (HCS र LCS) भएकाले, RRAMs ले क्रमशः LCS वा HCS राज्यहरूमा हुँदा इनपुट पल्सहरू रोक्न वा मिस गर्न सक्छ। As a result, RRAM effectively determines the connections in the circuit. This is the basis for being able to reconfigure the architecture. To demonstrate this, we will describe a fabricated circuit implementation of the circuit block in Fig. 3b. G0 सँग सम्बन्धित RRAM HCS मा प्रोग्राम गरिएको छ, र दोस्रो RRAM G1 LCS मा प्रोग्राम गरिएको छ। इनपुट दालहरू Vin0 र Vin1 दुवैमा लागू हुन्छन्। न्युरोन झिल्ली भोल्टेज र ओसिलोस्कोप प्रयोग गरेर आउटपुट संकेत सङ्कलन गरेर आउटपुट न्यूरन्समा इनपुट पल्सका दुई अनुक्रमहरूको प्रभावहरू विश्लेषण गरियो। प्रयोग सफल भएको थियो जब केवल HCS यन्त्र (G0) झिल्ली तनावलाई उत्तेजित गर्न न्यूरोनको नाडीसँग जोडिएको थियो। यो चित्र 3d मा देखाइएको छ, जहाँ नीलो पल्स ट्रेनले झिल्ली क्यापेसिटरमा झिल्ली भोल्टेज बनाउँछ, जबकि हरियो पल्स ट्रेनले झिल्ली भोल्टेज स्थिर राख्छ।
RRAM को दोस्रो महत्त्वपूर्ण कार्य जडान वजन को कार्यान्वयन हो। RRAM को एनालग चालकता समायोजन प्रयोग गरेर, I/O जडानहरू तदनुसार वजन गर्न सकिन्छ। दोस्रो प्रयोगमा, G0 उपकरण HCS को विभिन्न स्तरहरूमा प्रोग्राम गरिएको थियो, र इनपुट पल्स VIN0 इनपुटमा लागू गरिएको थियो। इनपुट पल्सले यन्त्रबाट करेन्ट (आइवेट) तान्छ, जुन कन्डक्टन्स र सम्भावित ड्रप Vtop − Vbot सँग समानुपातिक हुन्छ। यो भारित प्रवाह त्यसपछि DPI synapses र LIF आउटपुट न्यूरोन्समा इंजेक्शन गरिन्छ। आउटपुट न्यूरोन्सको झिल्ली भोल्टेज ओसिलोस्कोप प्रयोग गरेर रेकर्ड गरिएको थियो र चित्र 3d मा प्रदर्शित गरिएको थियो। एकल इनपुट पल्सको प्रतिक्रियामा न्युरोन झिल्लीको भोल्टेज शिखर प्रतिरोधी मेमोरीको आचरणसँग समानुपातिक हुन्छ, RRAM लाई synaptic वजनको प्रोग्रामेबल तत्वको रूपमा प्रयोग गर्न सकिन्छ भनेर प्रदर्शन गर्दछ। यी दुई प्रारम्भिक परीक्षणहरूले देखाउँछन् कि प्रस्तावित RRAM-आधारित न्यूरोमोर्फिक प्लेटफर्मले आधारभूत जेफ्रेस संयन्त्रको आधारभूत तत्वहरू लागू गर्न सक्षम छ, अर्थात् ढिलाइ रेखा र संयोग डिटेक्टर सर्किट। सर्किट प्लेटफर्मलाई क्रमिक ब्लकहरूलाई छेउछाउमा स्ट्याक गरेर, जस्तै चित्र 3b मा ब्लकहरू, र तिनीहरूका गेटहरूलाई साझा इनपुट लाइनमा जडान गरेर बनाइएको छ। हामीले दुई इनपुटहरू (चित्र 4a) प्राप्त गर्ने दुई आउटपुट न्यूरोन्सहरू समावेश भएको न्यूरोमोर्फिक प्लेटफर्मको डिजाइन, निर्माण र परीक्षण गर्यौं। सर्किट रेखाचित्र चित्र 4b मा देखाइएको छ। माथिल्लो 2 × 2 RRAM म्याट्रिक्सले इनपुट पल्सहरूलाई दुई आउटपुट न्यूरोनहरूमा निर्देशित गर्न अनुमति दिन्छ, जबकि तल्लो 2 × 2 म्याट्रिक्सले दुई न्यूरन्स (N0, N1) को आवर्ती जडानहरूलाई अनुमति दिन्छ। हामीले यो प्लेटफर्मलाई विलम्ब रेखा कन्फिगरेसन र दुई फरक संयोग डिटेक्टर प्रकार्यहरूसँग प्रयोग गर्न सकिन्छ भनेर देखाउँछौं, चित्र 4c-e मा प्रयोगात्मक मापनद्वारा देखाइएको छ।
दुई आउटपुट न्यूरोन्स N0 र N1 द्वारा बनाईएको सर्किट रेखाचित्रले दुई इनपुटहरू 0 र 1 प्राप्त गर्दछ। एर्रेका शीर्ष चार यन्त्रहरूले इनपुटबाट आउटपुटमा सिनेप्टिक जडानहरू परिभाषित गर्दछ, र तलका चार कक्षहरूले न्युरोनहरू बीचको आवर्ती जडानहरू परिभाषित गर्दछ। रंगीन RRAMs ले HCS मा दायाँ तर्फ कन्फिगर गरिएका यन्त्रहरूलाई प्रतिनिधित्व गर्दछ: HCS मा भएका यन्त्रहरूले जडानहरूलाई अनुमति दिन्छ र तौलहरू प्रतिनिधित्व गर्दछ, जबकि LCS मा भएका यन्त्रहरूले इनपुट पल्सहरू रोक्छन् र आउटपुटहरूमा जडानहरू असक्षम पार्छन्। b सर्किटको रेखाचित्र (a) आठ RRAM मोड्युलहरू नीलोमा हाइलाइट गरिएको छ। c ढिलाइ रेखाहरू DPI synapses र LIF न्यूरोन्सको गतिशीलता प्रयोग गरेर बनाइन्छ। हरियो RRAM लाई इनपुट ढिलाइ Δt पछि आउटपुटमा ग्लिच उत्पन्न गर्न सक्षम हुन पर्याप्त कन्डक्टन्समा सेट गरिएको छ। d समय निर्भर संकेतहरूको दिशा-असंवेदनशील सीडी पत्ता लगाउने योजनाबद्ध चित्रण। आउटपुट न्यूरोन 1, N1, आगतहरू 0 र 1 मा छोटो ढिलाइ संग आगो। e दिशा संवेदनशील सीडी सर्किट, एक सर्किट जसले इनपुट 1 इनपुट 0 मा पुग्दा पत्ता लगाउँदछ र इनपुट 0 पछि आइपुग्छ। सर्किटको आउटपुट न्यूरोन 1 (N1) द्वारा प्रतिनिधित्व गरिन्छ।
परिवर्तनशीलता मोडेल गरिएको न्यूरोमोर्फिक प्रणालीमा अपूर्णताको स्रोत हो 63,64,65। यसले न्यूरोन्स र synapses को विषम व्यवहार निम्त्याउँछ। त्यस्ता हानिहरूका उदाहरणहरूमा इनपुट लाभमा ३०% (मानक विचलन) परिवर्तनशीलता, समय स्थिर, र अपवर्तक अवधि, नामको लागि तर केही (विधिहरू हेर्नुहोस्) समावेश छन्। यो समस्या अझ स्पष्ट हुन्छ जब धेरै न्यूरल सर्किटहरू एकसाथ जोडिएको हुन्छ, जस्तै अभिमुखीकरण-संवेदनशील सीडी जसमा दुई न्यूरोन्स हुन्छन्। राम्रोसँग काम गर्नको लागि, दुई न्युरोनको लाभ र क्षय समय स्थिरता सकेसम्म समान हुनुपर्छ। उदाहरणका लागि, इनपुट गेनमा ठूलो भिन्नताले एउटा न्युरोनलाई इनपुट पल्समा ओभररिएक्ट गर्न सक्छ जबकि अर्को न्यूरोन मुश्किलले उत्तरदायी हुन्छ। अंजीर मा। चित्र 5a देखाउँछ कि अनियमित रूपमा चयन गरिएका न्यूरोन्सहरूले एउटै इनपुट पल्समा फरक प्रतिक्रिया दिन्छ। यो तंत्रिका परिवर्तनशीलता सान्दर्भिक छ, उदाहरणका लागि, दिशा-संवेदनशील सीडीहरूको प्रकार्यमा। चित्रमा देखाइएको योजनामा। 5b, c, न्युरोन 1 को इनपुट लाभ न्यूरोन 0 को भन्दा धेरै उच्च छ। यसरी, न्यूरोन 0 लाई थ्रेसहोल्डमा पुग्न तीन इनपुट पल्स (1 को सट्टा) चाहिन्छ, र न्यूरोन 1, अपेक्षित रूपमा, दुई इनपुट घटनाहरू चाहिन्छ। स्पाइक टाइम-डिपेन्डेन्ट बायोमिमेटिक प्लास्टिसिटी (एसटीडीपी) को कार्यान्वयन प्रणाली प्रदर्शनमा अशुद्ध र सुस्त न्यूरल र सिनाप्टिक सर्किटहरूको प्रभावलाई कम गर्ने सम्भावित तरिका हो। यहाँ हामी प्रतिरोधी मेमोरीको प्लास्टिक व्यवहारलाई तंत्रिका इनपुटको वृद्धिलाई प्रभाव पार्ने र न्यूरोमोर्फिक सर्किटहरूमा परिवर्तनशीलताको प्रभावलाई कम गर्ने माध्यमको रूपमा प्रयोग गर्ने प्रस्ताव गर्दछौं। अंजीर मा देखाइएको छ। 4e, RRAM synaptic माससँग सम्बन्धित चालकता स्तरहरूले सम्बन्धित न्यूरल झिल्ली भोल्टेज प्रतिक्रियालाई प्रभावकारी रूपमा परिमार्जन गर्यो। हामी पुनरावृत्ति RRAM प्रोग्रामिङ रणनीति प्रयोग गर्छौं। दिइएको इनपुटको लागि, सर्किटको लक्ष्य व्यवहार प्राप्त नभएसम्म synaptic तौलको चालकता मानहरू पुन: प्रोग्राम गरिएको छ (विधिहरू हेर्नुहोस्)।
एउटै इनपुट पल्समा नौ अनियमित रूपमा चयन गरिएको व्यक्तिगत न्यूरोन्सको प्रतिक्रियाको प्रयोगात्मक मापन। प्रतिक्रिया जनसङ्ख्यामा भिन्न हुन्छ, इनपुट लाभ र समय स्थिरलाई असर गर्छ। b दिशा-संवेदनशील सीडीलाई असर गर्ने न्यूरन्सको परिवर्तनशीलतामा न्यूरन्सको प्रभावको प्रयोगात्मक मापन। दुई दिशा-संवेदनशील सीडी आउटपुट न्यूरन्सले न्यूरोन-देखि-न्यूरोन परिवर्तनशीलताको कारण इनपुट उत्तेजनाहरूमा फरक प्रतिक्रिया दिन्छ। न्युरोन 0 मा न्यूरोन 1 भन्दा कम इनपुट लाभ छ, त्यसैले यसले आउटपुट स्पाइक सिर्जना गर्न तीन इनपुट पल्स (१ को सट्टा) लिन्छ। अपेक्षित रूपमा, न्यूरोन 1 दुई इनपुट घटनाहरूको साथ थ्रेसहोल्ड पुग्छ। यदि इनपुट 1 न्युरोन 0 फायर पछि Δt = 50 µs आइपुग्छ भने, CD मौन रहन्छ किनभने Δt न्युरोन 1 (लगभग 22 µs) को समय स्थिरता भन्दा ठूलो छ। c लाई Δt = 20 µs द्वारा घटाइएको छ, ताकि इनपुट 1 चुचुरो हुन्छ जब न्युरोन 1 को फायरिङ अझै उच्च हुन्छ, परिणामस्वरूप दुई इनपुट घटनाहरूको एकै साथ पत्ता लगाउन सकिन्छ।
ITD गणना स्तम्भमा प्रयोग गरिएका दुई तत्वहरू ढिलाइ रेखा र दिशा असंवेदनशील सीडी हुन्। राम्रो वस्तु स्थिति प्रदर्शन सुनिश्चित गर्न दुवै सर्किट सटीक क्यालिब्रेसन आवश्यक छ। ढिलाइ रेखाले इनपुट शिखर (चित्र 6a) को ठीक ढिलाइ भएको संस्करण डेलिभर गर्नुपर्छ, र इनपुट लक्ष्य पत्ता लगाउने दायरा भित्र पर्दा मात्र सीडी सक्रिय हुनुपर्छ। ढिलाइ रेखाको लागि, इनपुट जडानहरूको सिनाप्टिक वजनहरू (चित्र 4a मा G3) लक्ष्य ढिलाइ प्राप्त नभएसम्म पुन: प्रोग्राम गरिएको थियो। कार्यक्रम रोक्नको लागि लक्ष्य ढिलाइको वरिपरि एक सहिष्णुता सेट गर्नुहोस्: सहिष्णुता जति सानो हुन्छ, ढिलाइ रेखा सफलतापूर्वक सेट गर्न गाह्रो हुन्छ। अंजीर मा। चित्र 6b ले ढिलाइ रेखा क्यालिब्रेसन प्रक्रियाको नतिजाहरू देखाउँछ: यो देख्न सकिन्छ कि प्रस्तावित योजनाले डिजाइन योजनामा आवश्यक सबै ढिलाइहरू प्रदान गर्न सक्छ (10 देखि 300 μs सम्म)। क्यालिब्रेसन पुनरावृत्तिहरूको अधिकतम संख्याले क्यालिब्रेसन प्रक्रियाको गुणस्तरलाई असर गर्छ: 200 पुनरावृत्तिहरूले त्रुटिलाई 5% भन्दा कममा घटाउन सक्छ। एउटा क्यालिब्रेसन पुनरावृत्तिले RRAM सेलको सेट/रिसेट अपरेशनसँग मेल खान्छ। ट्युनिङ प्रक्रिया सीडी मोड्युल तत्काल बन्द घटना पत्ता लगाउन को शुद्धता सुधार गर्न को लागी महत्वपूर्ण छ। साँचो सकारात्मक दर (अर्थात्, घटनाहरूको दर सही रूपमा सान्दर्भिक रूपमा पहिचान गरिएको) 95% माथि (चित्र 6c मा निलो रेखा) प्राप्त गर्न दस क्यालिब्रेसन पुनरावृत्तिहरू लागे। यद्यपि, ट्युनिङ प्रक्रियाले गलत सकारात्मक घटनाहरूलाई असर गर्दैन (अर्थात, घटनाहरूको आवृत्ति जुन गलत रूपमा प्रासंगिक रूपमा पहिचान गरिएको थियो)। द्रुत रूपमा सक्रिय हुने मार्गहरूको समय अवरोधहरू पार गर्न जैविक प्रणालीहरूमा अवलोकन गरिएको अर्को विधि रिडन्डन्सी हो (अर्थात, एउटै वस्तुको धेरै प्रतिलिपिहरू दिइएको कार्य गर्न प्रयोग गरिन्छ)। जीवविज्ञान 66 बाट प्रेरित भएर, हामीले प्रत्येक सीडी मोड्युलमा दुई ढिलाइ रेखाहरू बीचमा धेरै सीडी सर्किटहरू राख्यौं ताकि झूटा सकारात्मकहरूको प्रभावलाई कम गर्न सकियोस्। अंजीर मा देखाइएको छ। 6c (हरियो रेखा), प्रत्येक CD मोड्युलमा तीनवटा CD तत्वहरू राख्नाले झूटा अलार्म दरलाई 10-2 भन्दा कममा घटाउन सक्छ।
ढिलाइ रेखा सर्किटहरूमा न्यूरोनल परिवर्तनशीलताको प्रभाव। b ढिलाइ लाइन सर्किटहरू ठूला मानहरूमा सम्बन्धित LIF न्यूरोन्स र DPI synapses को समय स्थिरता सेट गरेर ठूलो ढिलाइमा मापन गर्न सकिन्छ। RRAM क्यालिब्रेसन प्रक्रियाको पुनरावृत्तिहरूको संख्या बढाएर लक्ष्य ढिलाइको शुद्धतामा उल्लेखनीय सुधार गर्न सम्भव बनायो: 200 पुनरावृत्तिले त्रुटिलाई 5% भन्दा कममा घटायो। एउटा पुनरावृत्तिले RRAM सेलमा SET/RESET सञ्चालनसँग मेल खान्छ। c Jeffress मोडेलमा प्रत्येक CD मोड्युल N समानांतर CD तत्वहरू प्रयोग गरेर प्रणाली विफलताहरूको सन्दर्भमा थप लचिलोपनको लागि लागू गर्न सकिन्छ। d थप RRAM क्यालिब्रेसन पुनरावृत्तिले साँचो सकारात्मक दर (निलो रेखा) बढाउँछ, जबकि गलत सकारात्मक दर पुनरावृत्तिहरूको संख्या (हरियो रेखा) बाट स्वतन्त्र हुन्छ। समानान्तरमा थप CD तत्वहरू राख्नाले CD मोड्युल मिलानहरूको गलत पत्ता लगाउनबाट बच्न सकिन्छ।
हामी अब pMUT सेन्सर, CD, र न्यूरोमोर्फिक कम्प्युटिङ ग्राफ बनाउने विलम्ब लाइन सर्किटहरूको ध्वनिक गुणहरूको मापन प्रयोग गरेर चित्र 2 मा देखाइएको अन्त-देखि-अन्त एकीकृत वस्तु स्थानीयकरण प्रणालीको प्रदर्शन र पावर खपतको मूल्याङ्कन गर्छौं। जेफ्रेस मोडेल (चित्र 1a)। न्यूरोमोर्फिक कम्प्युटिङ ग्राफको लागि, सीडी मोड्युलहरूको संख्या जति धेरै हुन्छ, राम्रो कोणीय रिजोल्युसन हुन्छ, तर प्रणालीको ऊर्जा पनि उच्च हुन्छ (चित्र 7a)। सम्पूर्ण प्रणालीको शुद्धतासँग व्यक्तिगत कम्पोनेन्टहरू (pMUT सेन्सरहरू, न्यूरोन्सहरू, र सिनाप्टिक सर्किटहरू) को शुद्धता तुलना गरेर एक सम्झौतामा पुग्न सकिन्छ। ढिलाइ रेखाको रिजोल्युसन सिमुलेटेड सिनेप्स र न्यूरोन्सको समय स्थिरताद्वारा सीमित हुन्छ, जुन हाम्रो योजनामा 10 µs भन्दा बढी हुन्छ, जुन 4° को कोणीय रिजोल्युसनसँग मेल खान्छ (विधिहरू हेर्नुहोस्)। CMOS टेक्नोलोजीको साथ थप उन्नत नोडहरूले न्यूरल र सिनेप्टिक सर्किटहरूको डिजाइनलाई कम समय स्थिरताका साथ अनुमति दिनेछ, जसले ढिलाइ रेखा तत्वहरूको उच्च शुद्धतामा परिणाम दिन्छ। यद्यपि, हाम्रो प्रणालीमा, शुद्धता त्रुटि pMUT द्वारा कोणीय स्थिति, अर्थात् 10° (चित्र 7a मा निलो तेर्सो रेखा) अनुमान गर्नमा सीमित छ। हामीले CD मोड्युलहरूको संख्या 40 मा फिक्स गर्यौं, जुन लगभग 4° को कोणीय रिजोल्युसनसँग मेल खान्छ, अर्थात्, कम्प्युटेसनल ग्राफको कोणीय शुद्धता (चित्र 7a मा हल्का नीलो तेर्सो रेखा)। प्रणाली स्तरमा, यसले सेन्सर प्रणालीको अगाडि ५० सेन्टिमिटरमा अवस्थित वस्तुहरूको लागि ४° को रिजोल्युसन र १०° को शुद्धता दिन्छ। यो मान रेफमा रिपोर्ट गरिएको न्यूरोमोर्फिक ध्वनि स्थानीयकरण प्रणालीसँग तुलना गर्न सकिन्छ। 67. कलाको अवस्थासँग प्रस्तावित प्रणालीको तुलना पूरक तालिका 1 मा फेला पार्न सकिन्छ। थप pMUTs थप्ने, ध्वनिक संकेत स्तर बढाउने, र इलेक्ट्रोनिक आवाज घटाउने स्थानीयकरण शुद्धतालाई थप सुधार गर्ने सम्भावित तरिकाहरू हुन्। ) 9.7 मा अनुमान गरिएको छ। nz 55. कम्प्युटेसनल ग्राफमा 40 CD एकाइहरू दिएर, SPICE सिमुलेशनले प्रति अपरेशन ऊर्जा (अर्थात्, वस्तु स्थिति ऊर्जा) 21.6 nJ हुने अनुमान गरेको छ। न्युरोमोर्फिक प्रणाली तब मात्र सक्रिय हुन्छ जब इनपुट घटना आउँछ, अर्थात् जब ध्वनिक तरंग कुनै पनि pMUT रिसीभरमा पुग्छ र पत्ता लगाउने थ्रेसहोल्ड नाघ्छ, अन्यथा यो निष्क्रिय रहन्छ। कुनै इनपुट संकेत नभएको बेला यसले अनावश्यक बिजुली खपतलाई रोक्छ। 100 Hz को स्थानीयकरण कार्यहरूको आवृत्ति र 300 µs प्रति अपरेशन (अधिकतम सम्भावित ITD) को सक्रियता अवधिलाई विचार गर्दै, न्यूरोमोर्फिक कम्प्युटिङ ग्राफको पावर खपत 61.7 nW हो। प्रत्येक pMUT रिसीभरमा लागू गरिएको न्यूरोमोर्फिक प्रि-प्रोसेसिङको साथ, सम्पूर्ण प्रणालीको पावर खपत 81.6 nW पुग्छ। परम्परागत हार्डवेयरको तुलनामा प्रस्तावित न्यूरोमोर्फिक दृष्टिकोणको ऊर्जा दक्षता बुझ्नको लागि, हामीले यो संख्यालाई न्यूरोमोर्फिक वा परम्परागत बीमफर्मिङ स्किल प्रयोग गरेर आधुनिक कम पावर माइक्रोकन्ट्रोलरमा समान कार्य गर्न आवश्यक ऊर्जासँग तुलना गर्यौं। न्यूरोमोर्फिक दृष्टिकोणले एनालग-देखि-डिजिटल कन्भर्टर (ADC) चरणलाई मान्दछ, त्यसपछि ब्यान्ड-पास फिल्टर र एउटा खाम निकासी चरण (Teeger-Kaiser विधि)। अन्तमा, ToF निकाल्नको लागि थ्रेसहोल्ड अपरेशन गरिन्छ। हामीले ToF मा आधारित ITD को गणना र अनुमानित कोणीय स्थितिमा रूपान्तरणलाई हटाएका छौं किनभने यो प्रत्येक मापनको लागि एक पटक हुन्छ (विधिहरू हेर्नुहोस्)। दुबै च्यानलहरूमा 250 kHz को नमूना दर (pMUT रिसीभरहरू), 18 ब्यान्ड पास फिल्टर अपरेसनहरू, 3 खाम निकासी अपरेशनहरू, र प्रति नमूना 1 थ्रेसहोल्ड अपरेसनहरू, कुल बिजुली खपत 245 माइक्रोवाट अनुमान गरिएको छ। यसले माइक्रोकन्ट्रोलरको कम-पावर मोड69 प्रयोग गर्दछ, जुन एल्गोरिदमहरू कार्यान्वयन नगर्दा सक्रिय हुन्छ, जसले पावर खपतलाई 10.8 µW मा घटाउँछ। सन्दर्भमा प्रस्तावित बीमफर्मिङ सिग्नल प्रोसेसिङ समाधानको पावर खपत। 31, 5 pMUT रिसिभरहरू र 11 बीमहरू एजिमुथ प्लेनमा समान रूपमा वितरित [-50°, +50°], 11.71 mW हो (विवरणका लागि विधिहरू खण्ड हेर्नुहोस्)। थप रूपमा, हामीले वस्तु स्थानीयकरणको लागि जेफ्रेस मोडेलको प्रतिस्थापनको रूपमा 1.5 mW अनुमानित FPGA47-आधारित टाइम डिफरन्स इन्कोडर (TDE) को पावर खपत रिपोर्ट गर्छौं। यी अनुमानहरूको आधारमा, प्रस्तावित न्यूरोमोर्फिक दृष्टिकोणले वस्तु स्थानीयकरण सञ्चालनका लागि शास्त्रीय बीमफर्मिङ प्रविधिहरू प्रयोग गरेर माइक्रोकन्ट्रोलरको तुलनामा पाँच अर्डरको म्याग्निच्युडले पावर खपत घटाउँछ। क्लासिक माइक्रोकन्ट्रोलरमा सिग्नल प्रशोधन गर्न न्यूरोमोर्फिक दृष्टिकोण अपनाउनाले लगभग दुई अर्डर परिमाणले पावर खपत घटाउँछ। प्रस्तावित प्रणालीको प्रभावकारितालाई इन-मेमोरी गणनाहरू प्रदर्शन गर्न सक्षम एक एसिन्क्रोनस प्रतिरोधी-मेमोरी एनालग सर्किटको संयोजन र संकेतहरू बुझ्न आवश्यक एनालग-देखि-डिजिटल रूपान्तरणको अभावले व्याख्या गर्न सकिन्छ।
CD मोड्युलहरूको संख्यामा निर्भर गर्दै स्थानीयकरण सञ्चालनको एक कोणीय संकल्प (नीलो) र पावर खपत (हरियो)। गाढा नीलो तेर्सो पट्टीले PMUT को कोणीय शुद्धता र हल्का नीलो तेर्सो पट्टीले न्यूरोमोर्फिक कम्प्युटेशनल ग्राफको कोणीय शुद्धता प्रतिनिधित्व गर्दछ। b प्रस्तावित प्रणालीको पावर खपत र दुई छलफल गरिएको माइक्रोकन्ट्रोलर कार्यान्वयन र टाइम डिफरन्स इन्कोडर (TDE) 47 FPGA को डिजिटल कार्यान्वयनसँग तुलना।
लक्ष्य स्थानीयकरण प्रणालीको पावर खपत कम गर्न, हामीले एक प्रभावशाली, घटना-संचालित RRAM-आधारित न्यूरोमोर्फिक सर्किटको कल्पना, डिजाइन र कार्यान्वयन गर्यौं जसले वास्तविक रूपमा लक्षित वस्तुको स्थिति गणना गर्न निर्मित सेन्सरहरूद्वारा उत्पन्न सिग्नल जानकारीलाई प्रशोधन गर्दछ। समय। । जबकि परम्परागत प्रशोधन विधिहरूले लगातार पत्ता लगाइएका संकेतहरूको नमूना बनाउँछन् र उपयोगी जानकारी निकाल्नको लागि गणनाहरू प्रदर्शन गर्छन्, प्रस्तावित न्यूरोमोर्फिक समाधानले उपयोगी जानकारी आइपुग्दा एसिन्क्रोनस रूपमा गणनाहरू प्रदर्शन गर्दछ, म्याग्निच्युडको पाँच अर्डरद्वारा प्रणालीको शक्ति दक्षतालाई अधिकतम बनाउँछ। थप रूपमा, हामी RRAM-आधारित न्यूरोमोर्फिक सर्किटहरूको लचिलोपनलाई हाइलाइट गर्छौं। गैर-अस्थिर तरीका (प्लास्टिकिटी) मा चालकता परिवर्तन गर्न RRAM को क्षमताले अल्ट्रा-लो पावर एनालग DPI को सिनेप्टिक र न्यूरल सर्किटहरूको अन्तर्निहित परिवर्तनशीलताको लागि क्षतिपूर्ति गर्दछ। यसले यो RRAM-आधारित सर्किटलाई बहुमुखी र शक्तिशाली बनाउँछ। हाम्रो लक्ष्य संकेतहरूबाट जटिल प्रकार्यहरू वा ढाँचाहरू निकाल्नु होइन, तर वस्तुहरूलाई वास्तविक समयमा स्थानीयकरण गर्नु हो। हाम्रो प्रणालीले संकेतलाई प्रभावकारी रूपमा कम्प्रेस गर्न र आवश्यक पर्दा थप जटिल निर्णयहरू गर्नका लागि यसलाई थप प्रशोधन चरणहरूमा पठाउन सक्छ। स्थानीयकरण अनुप्रयोगहरूको सन्दर्भमा, हाम्रो न्यूरोमोर्फिक प्रिप्रोसेसिङ चरणले वस्तुहरूको स्थानको बारेमा जानकारी प्रदान गर्न सक्छ। यो जानकारी प्रयोग गर्न सकिन्छ, उदाहरण को लागी, गति पत्ता लगाउन वा इशारा पहिचान को लागी। हामी अल्ट्रा कम पावर सेन्सरहरू जस्तै pMUTs लाई अल्ट्रा कम पावर इलेक्ट्रोनिक्ससँग संयोजन गर्ने महत्त्वलाई जोड दिन्छौं। यसका लागि, न्यूरोमोर्फिक दृष्टिकोणहरू महत्त्वपूर्ण भएका छन् किनभने तिनीहरूले हामीलाई जैविक रूपमा प्रेरित कम्प्युटेशनल विधिहरू जस्तै जेफ्रेस मोडेलको नयाँ सर्किट कार्यान्वयनहरू विकास गर्न नेतृत्व गरेका छन्। सेन्सर फ्युजन अनुप्रयोगहरूको सन्दर्भमा, हाम्रो प्रणालीलाई थप सटीक जानकारी प्राप्त गर्न धेरै फरक घटना-आधारित सेन्सरहरूसँग जोड्न सकिन्छ। यद्यपि उल्लुहरू अँध्यारोमा शिकार फेला पार्न उत्कृष्ट हुन्छन्, तिनीहरूसँग उत्कृष्ट दृष्टि हुन्छ र शिकार 70 लाई समात्नु अघि संयुक्त श्रवण र दृश्य खोजी गर्दछ। जब एक विशेष श्रवण न्यूरोन फायर हुन्छ, उल्लूले आफ्नो दृश्य खोज सुरु गर्ने दिशा निर्धारण गर्न आवश्यक जानकारी प्राप्त गर्दछ, यसरी दृश्य दृश्यको सानो भागमा आफ्नो ध्यान केन्द्रित गर्दछ। भिजुअल सेन्सरहरू (DVS क्यामेरा) र प्रस्तावित सुन्ने सेन्सर (pMUT मा आधारित) को संयोजन भविष्यका स्वायत्त एजेन्टहरूको विकासको लागि अन्वेषण गरिनुपर्छ।
pMUT सेन्सर PCB मा दुई रिसीभरहरू लगभग 10 सेन्टिमिटरको दूरीमा अवस्थित छ, र ट्रान्समिटर रिसीभरहरू बीच अवस्थित छ। यस कार्यमा, प्रत्येक झिल्ली एक निलम्बित बिमोर्फ संरचना हो जसमा पिजोइलेक्ट्रिक एल्युमिनियम नाइट्राइड (AlN) 800 nm बाक्लो स्यान्डविच मोलिब्डेनम (Mo) 200 nm बाक्लो र 200 nm बाक्लो तहको बीचमा राखिएको हुन्छ। सन्दर्भमा वर्णन गरिए अनुसार शीर्ष निष्क्रिय SiN तह। 71. भित्री र बाहिरी इलेक्ट्रोडहरू मोलिब्डेनमको तल र माथिल्लो तहहरूमा लागू गरिन्छ, जबकि बीचको मोलिब्डेनम इलेक्ट्रोड अनप्याटर्न गरिएको हुन्छ र ग्राउन्डको रूपमा प्रयोग गरिन्छ, जसको परिणामस्वरूप चार जोडी इलेक्ट्रोडहरू भएको झिल्ली हुन्छ।
यो वास्तुकलाले सामान्य झिल्ली विरूपणको प्रयोगलाई अनुमति दिन्छ, जसले गर्दा सुधारिएको प्रसारण र संवेदनशीलता प्राप्त हुन्छ। Such a pMUT typically exhibits an excitation sensitivity of 700 nm/V as an emitter, providing a surface pressure of 270 Pa/V. रिसीभरको रूपमा, एउटा pMUT फिल्मले 15 nA/Pa को सर्ट सर्किट संवेदनशीलता प्रदर्शन गर्दछ, जुन प्रत्यक्ष रूपमा AlN को piezoelectric गुणांकसँग सम्बन्धित छ। AlN तहमा भोल्टेजको प्राविधिक परिवर्तनशीलताले अनुनाद आवृत्तिमा परिवर्तन निम्त्याउँछ, जुन pMUT मा DC पूर्वाग्रह लागू गरेर क्षतिपूर्ति गर्न सकिन्छ। DC संवेदनशीलता 0.5 kHz/V मा मापन गरिएको थियो। ध्वनिक विशेषताका लागि, pMUT को अगाडि माइक्रोफोन प्रयोग गरिन्छ।
इको पल्स मापन गर्न, हामीले उत्सर्जित ध्वनि तरंगहरू प्रतिबिम्बित गर्न pMUT को अगाडि लगभग 50 cm2 को क्षेत्रफल भएको आयताकार प्लेट राख्यौं। दुबै प्लेटहरू बीचको दूरी र pMUT विमानसँग सम्बन्धित कोण विशेष होल्डरहरू प्रयोग गरेर नियन्त्रण गरिन्छ। टेक्ट्रोनिक्स CPX400DP भोल्टेज स्रोतले तीन pMUT मेम्ब्रेनहरूलाई पूर्वाग्रह दिन्छ, रेजोनन्ट फ्रिक्वेन्सीलाई 111.9 kHz31 मा ट्युन गर्दछ, जबकि ट्रान्समिटरहरू टेक्ट्रोनिक्स AFG 3102 पल्स जेनेरेटरद्वारा रिजोनन्ट फ्रिक्वेन्सी (111.9 kHze. 111.9 kHze) मा ट्युन गरिएको हुन्छ। प्रत्येक pMUT रिसीभरको चार आउटपुट पोर्टहरूबाट पढेका धाराहरूलाई विशेष भिन्नता वर्तमान र भोल्टेज वास्तुकला प्रयोग गरेर भोल्टेजहरूमा रूपान्तरण गरिन्छ, र नतिजा संकेतहरू स्पेक्ट्रम डाटा अधिग्रहण प्रणालीद्वारा डिजिटलाइज हुन्छन्। पत्ता लगाउने सीमा विभिन्न परिस्थितिहरूमा pMUT संकेत अधिग्रहण द्वारा विशेषता थियो: हामीले रिफ्लेक्टरलाई विभिन्न दूरीहरू [30, 40, 50, 60, 80, 100] cm मा सार्नुभयो र pMUT समर्थन कोण ([0, 20, 40] o) परिवर्तन गर्नुभयो। ) चित्र 2b ले टेम्पोरल आईटीडी पत्ता लगाउने रिजोल्युसन डिग्रीमा सम्बन्धित कोणीय स्थितिमा निर्भर गर्दछ।
यस लेखले दुई फरक अफ-द-शेल्फ RRAM सर्किटहरू प्रयोग गर्दछ। पहिलो 16,384 (16,000) यन्त्रहरू (128 × 128 यन्त्रहरू) को 1T1R कन्फिगरेसनमा एउटा ट्रान्जिस्टर र एक प्रतिरोधकको एरे हो। दोस्रो चिप चित्र 4a मा देखाइएको न्यूरोमोर्फिक प्लेटफर्म हो। RRAM सेलमा TiN/HfO2/Ti/TiN स्ट्याकमा सम्मिलित 5 nm बाक्लो HfO2 फिल्म हुन्छ। RRAM स्ट्याक मानक 130nm CMOS प्रक्रियाको ब्याक-अफ-लाइन (BEOL) मा एकीकृत छ। RRAM-आधारित न्यूरोमोर्फिक सर्किटहरूले सबै-एनालॉग इलेक्ट्रोनिक प्रणालीहरूको लागि एक डिजाइन चुनौती प्रस्तुत गर्दछ जसमा RRAM उपकरणहरू परम्परागत CMOS प्रविधिसँग सहअस्तित्वमा छन्। विशेष गरी, RRAM यन्त्रको चालन अवस्था प्रणालीको लागि प्रकार्य चरको रूपमा पढ्न र प्रयोग गरिनुपर्छ। यस अन्तको लागि, एक सर्किट डिजाइन गरिएको, निर्मित र परीक्षण गरिएको थियो जसले इनपुट पल्स प्राप्त गर्दा उपकरणबाट वर्तमान पढ्छ र यो करन्ट प्रयोग गर्दछ डिफरेंशियल जोडी इन्टिग्रेटर (DPI) सिनेप्सको प्रतिक्रियालाई वजन गर्न। यो सर्किट चित्र 3a मा देखाइएको छ, जसले चित्र 4a मा न्यूरोमोर्फिक प्लेटफर्मको आधारभूत निर्माण ब्लकहरू प्रतिनिधित्व गर्दछ। इनपुट पल्सले 1T1R यन्त्रको गेट सक्रिय गर्दछ, यन्त्रको चालकता G (Iweight = G(Vtop - Vx)) को समानुपातिक RRAM मार्फत विद्युत् प्रवाह गर्दछ। अपरेशनल एम्पलीफायर (op-amp) सर्किटको इन्भर्टिङ इनपुटमा स्थिर DC पूर्वाग्रह भोल्टेज Vtop छ। op-amp को नकारात्मक प्रतिक्रियाले M1 बाट बराबर वर्तमान प्रदान गरेर Vx = Vtop प्रदान गर्नेछ। यन्त्रबाट प्राप्त हालको Iweight DPI synapse मा इन्जेक्ट गरिएको छ। एक बलियो वर्तमानले अधिक विध्रुवीकरणमा परिणाम दिन्छ, त्यसैले RRAM कन्डक्टन्सले प्रभावकारी रूपमा सिनेप्टिक वजनहरू लागू गर्दछ। यो एक्सपोनेन्शियल सिनेप्टिक वर्तमान लीकी एकीकरण र उत्तेजना (LIF) न्यूरोन्सको झिल्ली संधारित्र मार्फत इंजेक्शन गरिन्छ, जहाँ यो भोल्टेजको रूपमा एकीकृत हुन्छ। If the threshold voltage of the membrane (the switching voltage of the inverter) is overcome, the output part of the neuron is activated, producing an output spike. यो पल्स फिर्ता हुन्छ र न्युरोनको झिल्ली क्यापेसिटरलाई जमिनमा धकेल्छ, जसले गर्दा यो डिस्चार्ज हुन्छ। This circuit is then supplemented with a pulse expander (not shown in Fig. 3a), which shapes the output pulse of the LIF neuron to the target pulse width. मल्टिप्लेक्सरहरू पनि प्रत्येक लाइनमा निर्मित हुन्छन्, जसले RRAM यन्त्रको माथि र तल्लो इलेक्ट्रोडहरूमा भोल्टेज लागू गर्न अनुमति दिन्छ।
विद्युतीय परीक्षणले एनालग सर्किटहरूको गतिशील व्यवहारको विश्लेषण र रेकर्डिङ, साथै प्रोग्रामिङ र RRAM उपकरणहरू पढ्ने समावेश गर्दछ। दुबै चरणहरूमा विशेष उपकरणहरू चाहिन्छ, ती सबै एकै समयमा सेन्सर बोर्डमा जडान हुन्छन्। न्यूरोमोर्फिक सर्किटहरूमा RRAM उपकरणहरूमा पहुँच मल्टिप्लेक्सर (MUX) मार्फत बाह्य उपकरणहरूबाट गरिन्छ। MUX ले 1T1R सेललाई बाँकी सर्किटरीबाट अलग गर्छ जसमा यो सम्बन्धित छ, यन्त्रलाई पढ्न र/वा प्रोग्राम गर्न अनुमति दिँदै। RRAM यन्त्रहरू प्रोग्राम गर्न र पढ्नको लागि, Arduino माइक्रोकन्ट्रोलरसँग संयोजनमा Keithley 4200 SCS मेसिन प्रयोग गरिन्छ: पहिलो पल्स उत्पादन र हालको पढाइको लागि, र दोस्रो मेमोरी एरेमा व्यक्तिगत 1T1R तत्वहरूमा द्रुत पहुँचको लागि। पहिलो अपरेशन RRAM यन्त्र बनाउनु हो। कक्षहरू एक एक गरेर चयन गरिन्छ र माथि र तल इलेक्ट्रोडहरू बीच सकारात्मक भोल्टेज लागू हुन्छ। यस अवस्थामा, वर्तमान चयनकर्ता ट्रान्जिस्टरमा सम्बन्धित गेट भोल्टेजको आपूर्तिको कारणले दसौं माइक्रोएम्पियरहरूको क्रममा सीमित छ। RRAM सेलले क्रमशः RESET र SET अपरेसनहरू प्रयोग गरेर निम्न प्रवाहकीय अवस्था (LCS) र उच्च प्रवाहकीय अवस्था (HCS) बीच चक्र गर्न सक्छ। SET सञ्चालन 1 μs को अवधिको साथ आयताकार भोल्टेज पल्स र माथिल्लो इलेक्ट्रोडमा 2.0-2.5 V को शिखर भोल्टेज, र 0.9-1.3 V को शिखर भोल्टेजको साथ समान आकारको सिंक पल्स लागू गरेर गरिन्छ। चयनकर्ता ट्रान्जिस्टरको गेट। यी मानहरूले RRAM को 20-150 µs अन्तरालहरूमा परिमार्जन गर्न अनुमति दिन्छ। For RESET, a 1 µs wide, 3 V peak pulse is applied to the bottom electrode (bit line) of the cell when the gate voltage is in the range of 2.5-3.0 V. The inputs and outputs of the analog circuits are dynamic signals । इनपुटको लागि, हामीले Tektronix AFG3011 सिग्नल जेनरेटरहरूसँग दुई HP 8110 पल्स जेनरेटरहरू इन्टरलिभ गरेका छौं। इनपुट पल्सको चौडाइ 1 µs र 50 ns को वृद्धि/पतन किनारा छ। यस प्रकारको पल्सलाई एनालग ग्लिच आधारित सर्किटहरूमा सामान्य गल्ती मानिन्छ। आउटपुट सिग्नलको लागि, आउटपुट सिग्नल टेलिडाइन लेक्रोय 1 GHz ओसिलोस्कोप प्रयोग गरेर रेकर्ड गरिएको थियो। एक ओसिलोस्कोप को अधिग्रहण गति सर्किट डाटा को विश्लेषण र अधिग्रहण मा एक सीमित कारक साबित भएको छ।
एनालग इलेक्ट्रोनिक्सको गतिशीलता प्रयोग गरेर न्यूरोन्स र सिनेप्सको व्यवहार अनुकरण गर्न कम्प्युटेसनल दक्षता सुधार गर्न एक सुरुचिपूर्ण र कुशल समाधान हो। यस कम्प्युटेसनल अन्डरलेको बेफाइदा यो हो कि यो योजना अनुसार फरक हुनेछ। हामीले न्यूरोन्स र सिनेप्टिक सर्किटहरूको परिवर्तनशीलताको परिमाण निर्धारण गर्यौं (पूरक चित्र 2a,b)। परिवर्तनशीलताका सबै अभिव्यक्तिहरू मध्ये, समय स्थिरता र इनपुट लाभसँग सम्बन्धित प्रणाली स्तरमा सबैभन्दा ठूलो प्रभाव हुन्छ। LIF न्यूरोन र DPI synapse को समय स्थिर एक RC सर्किट द्वारा निर्धारण गरिन्छ, जहाँ R को मान ट्रान्जिस्टरको गेटमा लागू गरिएको पूर्वाग्रह भोल्टेज (न्यूरोनको लागि Vlk र synapse को लागि Vtau) द्वारा नियन्त्रित हुन्छ, निर्धारण गर्दछ। रिसाव दर। इनपुट गेनलाई इनपुट पल्स द्वारा उत्तेजित सिनेप्टिक र न्यूरोनल मेम्ब्रेन क्यापेसिटरहरू द्वारा पुग्ने शिखर भोल्टेजको रूपमा परिभाषित गरिएको छ। इनपुट लाभ अर्को पूर्वाग्रह ट्रान्जिस्टर द्वारा नियन्त्रित छ जसले इनपुट वर्तमान परिमार्जन गर्दछ। ST माइक्रोइलेक्ट्रोनिक्सको 130nm प्रक्रियामा क्यालिब्रेट गरिएको मोन्टे कार्लो सिमुलेशन केही इनपुट लाभ र समय स्थिर तथ्याङ्कहरू सङ्कलन गर्न प्रदर्शन गरिएको थियो। परिणामहरू पूरक चित्र 2 मा प्रस्तुत गरिएका छन्, जहाँ इनपुट लाभ र समय स्थिरतालाई रिसाव दर नियन्त्रण गर्ने पूर्वाग्रह भोल्टेजको प्रकार्यको रूपमा परिमाण गरिन्छ। हरियो मार्करहरूले माध्यबाट स्थिर समयको मानक विचलनलाई परिमाण गर्छ। दुबै न्यूरोन्स र सिनेप्टिक सर्किटहरूले 10-5-10-2 s को दायरामा समय स्थिरताहरूको विस्तृत दायरा व्यक्त गर्न सक्षम थिए, जस्तै पूरक चित्रमा देखाइएको छ। न्यूरोनल र सिनेप्स परिवर्तनशीलताको इनपुट प्रवर्धन (पूरक चित्र 2e,d) क्रमशः लगभग 8% र 3% थियो। यस्तो कमी साहित्यमा राम्रोसँग दस्तावेज गरिएको छ: LIF63 न्यूरोन्सको जनसंख्या बीचको बेमेलको मूल्याङ्कन गर्न DYNAP चिप्सको एरेमा विभिन्न मापनहरू प्रदर्शन गरिएको थियो। BrainScale मिश्रित सिग्नल चिप मा synapses मापन गरियो र तिनीहरूको असंगति विश्लेषण गरियो, र प्रणाली-स्तर परिवर्तनशीलता को प्रभाव कम गर्न एक क्यालिब्रेसन प्रक्रिया प्रस्ताव गरिएको थियो64।
न्यूरोमोर्फिक सर्किटहरूमा RRAM को प्रकार्य दुई गुणा हो: वास्तुकला परिभाषा (आउटपुटहरूमा रूटिङ इनपुटहरू) र सिनेप्टिक वजनहरूको कार्यान्वयन। पछिल्लो गुण मोडेल गरिएको न्यूरोमोर्फिक सर्किटहरूको परिवर्तनशीलताको समस्या समाधान गर्न प्रयोग गर्न सकिन्छ। हामीले एक साधारण क्यालिब्रेसन प्रक्रिया विकास गरेका छौं जसमा RRAM यन्त्रलाई पुन: प्रोग्रामिङ गर्ने सर्किटले विश्लेषण गरिएसम्म निश्चित आवश्यकताहरू पूरा गर्दैन। दिइएको इनपुटको लागि, आउटपुट अनुगमन गरिन्छ र लक्ष्य व्यवहार प्राप्त नभएसम्म RRAM पुन: प्रोग्राम गरिएको छ। 5 s को प्रतीक्षा समय प्रोग्रामिङ अपरेसनहरू बीच RRAM विश्रामको समस्या समाधान गर्नको लागि प्रस्तुत गरिएको थियो जसको परिणामस्वरूप क्षणिक चालकता उतार-चढ़ाव (पूरक जानकारी)। Synaptic वजनहरू मोडेल गरिएको न्यूरोमोर्फिक सर्किटको आवश्यकता अनुसार समायोजन वा क्यालिब्रेट गरिन्छ। क्यालिब्रेसन प्रक्रिया अतिरिक्त एल्गोरिदममा संक्षेप गरिएको छ [१, २] जसले न्यूरोमोर्फिक प्लेटफर्महरू, ढिलाइ रेखाहरू र दिशा असंवेदनशील सीडीका दुई आधारभूत सुविधाहरूमा फोकस गर्दछ। एक ढिलाइ रेखा संग सर्किट को लागी, लक्ष्य व्यवहार एक ढिलाइ Δt संग आउटपुट पल्स प्रदान गर्न को लागी हो। यदि वास्तविक सर्किट ढिलाइ लक्ष्य मान भन्दा कम छ भने, G3 को synaptic वजन कम गरिनु पर्छ (G3 रिसेट गरिनुपर्दछ र त्यसपछि कम मिल्दो वर्तमान Icc मा सेट गरिनु पर्छ)। यसको विपरित, यदि वास्तविक ढिलाइ लक्ष्य मान भन्दा ठूलो छ भने, G3 को कन्डक्टन्स बढाउनु पर्छ (G3 पहिले रिसेट गरी उच्च Icc मानमा सेट गरिनुपर्छ)। यो प्रक्रिया दोहोर्याइएको छ जबसम्म सर्किट द्वारा उत्पन्न ढिलाइ लक्ष्य मानसँग मेल खाँदैन र क्यालिब्रेसन प्रक्रिया रोक्नको लागि एक सहिष्णुता सेट गरिएको छ। अभिमुखीकरण-संवेदनशील सीडीहरूको लागि, दुई RRAM उपकरणहरू, G1 र G3, क्यालिब्रेसन प्रक्रियामा संलग्न छन्। यो सर्किटमा दुई इनपुटहरू छन्, Vin0 र Vin1, dt द्वारा ढिलाइ। सर्किटले मिल्दो दायरा [0,dtCD] भन्दा कम ढिलाइमा मात्र प्रतिक्रिया दिनुपर्छ। यदि त्यहाँ कुनै आउटपुट शिखर छैन, तर इनपुट शिखर नजिक छ, दुबै RRAM यन्त्रहरूलाई न्यूरोनलाई थ्रेसहोल्डमा पुग्न मद्दत गर्न बढावा दिनु पर्छ। यसको विपरित, यदि सर्किटले dtCD को लक्ष्य दायरा भन्दा बढी ढिलाइमा प्रतिक्रिया दिन्छ भने, चालकता कम हुनुपर्छ। सही व्यवहार प्राप्त नभएसम्म प्रक्रिया दोहोर्याउनुहोस्। अनुपालन वर्तमान ref मा निर्मित एनालग सर्किट द्वारा परिमार्जन गर्न सकिन्छ। ७२.७३। यस बिल्ट-इन सर्किटको साथ, त्यस्ता प्रक्रियाहरू प्रणालीलाई क्यालिब्रेट गर्न वा अर्को अनुप्रयोगको लागि पुन: प्रयोग गर्न आवधिक रूपमा प्रदर्शन गर्न सकिन्छ।
हामी मानक 32-बिट माइक्रोकन्ट्रोलर 68 मा हाम्रो न्यूरोमोर्फिक सिग्नल प्रोसेसिंग दृष्टिकोणको पावर खपत मूल्याङ्कन गर्छौं। यस मूल्याङ्कनमा, हामी यस पेपरमा जस्तै सेटअपको साथ एक pMUT ट्रान्समिटर र दुई pMUT रिसीभरहरूको साथ सञ्चालन गर्दछौं। यो विधिले ब्यान्डपास फिल्टर प्रयोग गर्दछ, त्यसपछि एउटा खाम निकासी चरण (Teeger-Kaiser), र अन्तमा उडानको समय निकाल्न सिग्नलमा थ्रेसहोल्डिङ अपरेशन लागू गरिन्छ। ITD को गणना र पत्ता लगाउने कोणहरूमा यसको रूपान्तरण मूल्याङ्कनमा हटाइएको छ। हामीले 18 फ्लोटिंग पोइन्ट अपरेशनहरू आवश्यक पर्ने चौथो अर्डर अनन्त आवेग प्रतिक्रिया फिल्टर प्रयोग गरेर ब्यान्ड पास फिल्टर कार्यान्वयनलाई विचार गर्छौं। खाम निकासीले थप तीन फ्लोटिंग बिन्दु अपरेशनहरू प्रयोग गर्दछ, र अन्तिम अपरेशन थ्रेसहोल्ड सेट गर्न प्रयोग गरिन्छ। संकेत पूर्वप्रक्रिया गर्न कुल 22 फ्लोटिंग पोइन्ट अपरेशनहरू आवश्यक छ। ट्रान्समिटेड सिग्नल भनेको 111.9 kHz साइन वेभफर्मको छोटो फट हो जुन प्रत्येक 10 ms मा उत्पन्न हुन्छ जसको परिणामस्वरूप 100 Hz को स्थिति अपरेटिङ फ्रिक्वेन्सी हुन्छ। हामीले Nyquist को पालना गर्न 250 kHz को नमूना दर र 1 मिटरको दायरा क्याप्चर गर्न प्रत्येक मापनको लागि 6 ms विन्डो प्रयोग गर्यौं। नोट गर्नुहोस् कि 6 मिलिसेकेन्ड भनेको 1 मिटर टाढा रहेको वस्तुको उडान समय हो। यसले 0.5 MSPS मा A/D रूपान्तरणको लागि 180 µW को पावर खपत प्रदान गर्दछ। सिग्नल प्रिप्रोसेसिङ 6.60 MIPS (निर्देशन प्रति सेकेन्ड) हो, 0.75 mW उत्पादन गर्दै। यद्यपि, एल्गोरिदम चलिरहेको अवस्थामा माइक्रोकन्ट्रोलरले कम पावर मोड 69 मा स्विच गर्न सक्छ। यो मोडले 10.8 μW को स्थिर शक्ति खपत र 113 μs को एक उठ्ने समय प्रदान गर्दछ। ८४ मेगाहर्ट्जको घडी फ्रिक्वेन्सी दिएर, माइक्रोकन्ट्रोलरले न्यूरोमोर्फिक एल्गोरिदमका सबै कार्यहरू १० ms भित्र पूरा गर्छ, र एल्गोरिदमले कम पावर मोड प्रयोग गरी ६.३% को ड्युटी साइकल गणना गर्छ। परिणामस्वरूप शक्ति अपव्यय 244.7 μW हो। ध्यान दिनुहोस् कि हामीले ToF बाट ITD आउटपुट र पत्ता लगाउने कोणमा रूपान्तरण छोड्छौं, यसरी माइक्रोकन्ट्रोलरको पावर खपतलाई कम आँकलन गर्दै। यसले प्रस्तावित प्रणालीको ऊर्जा दक्षताको लागि अतिरिक्त मूल्य प्रदान गर्दछ। अतिरिक्त तुलना अवस्थाको रूपमा, हामी सन्दर्भमा प्रस्तावित शास्त्रीय बीमफर्मिङ विधिहरूको शक्ति खपत मूल्याङ्कन गर्छौं। 1.8V आपूर्ति भोल्टेजमा एउटै माइक्रोकन्ट्रोलर68 मा इम्बेड गर्दा 31.54। पाँच समान दूरीको पीएमयूटी झिल्लीहरू बीमफर्मिङको लागि डाटा प्राप्त गर्न प्रयोग गरिन्छ। प्रशोधनको लागि, बीमफर्मिङ विधि प्रयोग गरिएको ढिलाइ योग हो। यसले केवल लेनहरूमा ढिलाइ लागू गर्ने समावेश गर्दछ जुन एक लेन र सन्दर्भ लेन बीचको आगमन समयमा अपेक्षित भिन्नतासँग मेल खान्छ। यदि संकेतहरू चरणमा छन् भने, यी संकेतहरूको योग समय परिवर्तन पछि उच्च ऊर्जा हुनेछ। यदि तिनीहरू चरणबाट बाहिर छन् भने, विनाशकारी हस्तक्षेपले उनीहरूको योगको ऊर्जालाई सीमित गर्नेछ। सम्बन्ध मा। अंजीर मा। 31, 2 MHz को एक नमूना दर नमूनाहरूको एक पूर्णांक संख्या द्वारा डेटा परिवर्तन गर्न चयन गरिएको छ। थप विनम्र दृष्टिकोण 250 kHz को एक मोटे नमूना दर कायम राख्न र आंशिक ढिलाइ संश्लेषण गर्न Finite Impulse Response (FIR) फिल्टर प्रयोग गर्नु हो। हामी मान्नेछौं कि बीमफर्मिङ एल्गोरिथ्मको जटिलता मुख्यतया समय परिवर्तन द्वारा निर्धारण गरिन्छ, किनकि प्रत्येक च्यानल प्रत्येक दिशामा 16 ट्यापहरूसँग एफआईआर फिल्टरसँग जोडिएको हुन्छ। यस अपरेशनको लागि आवश्यक MIPS को संख्या गणना गर्न, हामी 1 मिटर, 5 च्यानलहरू, 11 बीमफर्मिङ दिशाहरू (दायरा +/- 50° 10° चरणहरूमा) को दायरा क्याप्चर गर्न 6ms प्रति मापनको विन्डोलाई विचार गर्छौं। प्रति सेकेन्ड 75 मापनले माइक्रोकन्ट्रोलरलाई यसको अधिकतम 100 MIPS मा धकेल्यो। लिङ्क। 68, जहाजमा ADC योगदान थपेपछि 11.71 मेगावाटको कुल पावर डिसिपेसनको लागि 11.26 मेगावाटको पावर डिसिपेसन हुन्छ।
यस अध्ययनको नतिजालाई समर्थन गर्ने डाटा उचित अनुरोधमा सम्बन्धित लेखक, एफएमबाट उपलब्ध छ।
Indiveri, G. र Sandamirskaya, Y. न्यूरोमोर्फिक एजेन्टहरूमा सिग्नल प्रशोधनका लागि ठाउँ र समयको महत्त्व: वातावरणसँग अन्तरक्रिया गर्ने कम-शक्ति, स्वायत्त एजेन्टहरू विकास गर्ने चुनौती। Indiveri, G. र Sandamirskaya, Y. न्यूरोमोर्फिक एजेन्टहरूमा सिग्नल प्रशोधनका लागि ठाउँ र समयको महत्त्व: वातावरणसँग अन्तरक्रिया गर्ने कम-शक्ति, स्वायत्त एजेन्टहरू विकास गर्ने चुनौती।Indiveri G. र Sandamirskaya Y. न्यूरोमोर्फिक एजेन्टहरूमा सिग्नल प्रशोधनका लागि ठाउँ र समयको महत्त्व: वातावरणसँग अन्तरक्रिया गर्ने कम-शक्ति स्वायत्त एजेन्टहरू विकास गर्ने चुनौती। Indiveri, G. & Sandamirskaya, Y. 空间和时间对于神神经形态代理中信号处理的重要性：开发与环要性：开发与环主代理的挑战। इन्दिवेरी, जी र सान्डमिरस्काया, वाई।Indiveri G. र Sandamirskaya Y. न्यूरोमोर्फिक एजेन्टहरूमा सिग्नल प्रशोधनका लागि ठाउँ र समयको महत्त्व: वातावरणसँग अन्तरक्रिया गर्ने कम-शक्ति स्वायत्त एजेन्टहरू विकास गर्ने चुनौती।IEEE सिग्नल प्रशोधन। जर्नल ३६, १६–२८ (२०१९)।
Thorpe, SJ शिखर आगमन समय: एक कुशल न्यूरल नेटवर्क कोडिङ योजना। Eckmiller, R., Hartmann, G. & Hauske, G. (eds) मा। Eckmiller, R., Hartmann, G. & Hauske, G. (eds) मा।Eckmiller, R., Hartmann, G. र Hauske, G. (eds.) मा।Eckmiller मा, R., Hartmann, G., र Hauske, G. (eds.)। तंत्रिका प्रणाली र कम्प्युटरहरूमा समानान्तर प्रशोधन 91-94 (उत्तर-हल्याण्ड एल्सेभियर, 1990)।
लेवी, WB र Calvert, VG कम्युनिकेसनले मानव कोर्टेक्समा गणनाको तुलनामा 35 गुणा बढी ऊर्जा खपत गर्छ, तर दुवै लागतहरू सिनेप्स संख्या भविष्यवाणी गर्न आवश्यक छ। लेवी, WB र Calvert, VG कम्युनिकेसनले मानव कोर्टेक्समा गणनाको तुलनामा 35 गुणा बढी ऊर्जा खपत गर्छ, तर दुवै लागतहरू सिनेप्स संख्या भविष्यवाणी गर्न आवश्यक छ।Levy, WB र Calvert, WG कम्युनिकेसनले मानव कोर्टेक्समा गणनाको तुलनामा 35 गुणा बढी ऊर्जा खपत गर्दछ, तर दुवै लागतहरू सिनेप्सको संख्या भविष्यवाणी गर्न आवश्यक छ। Levy, WB & Calvert, VG Communication लेवी, WB र Calvert, VG संचारलेवी, WB र Calvert, WG कम्युनिकेसनले मानव कोर्टेक्समा गणनाको तुलनामा 35 गुणा बढी ऊर्जा खपत गर्छ, तर दुवै लागतहरू सिनेप्सको संख्या भविष्यवाणी गर्न आवश्यक छ।प्रक्रिया। राष्ट्रिय विज्ञान प्रतिष्ठान। विज्ञान। US 118, https://doi.org/10.1073/pnas.2008173118 (2021)।
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. कीट-प्रेरित न्यूरोमोर्फिक कम्प्युटिङ। Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. कीट-प्रेरित न्यूरोमोर्फिक कम्प्युटिङ।Dalgati, T., Vianello, E., DeSalvo, B. र Casas, J. कीट-प्रेरित न्यूरोमोर्फिक कम्प्युटिङ।Dalgati T., Vianello E., DeSalvo B. र Casas J. कीट-प्रेरित न्यूरोमोर्फिक कम्प्युटिङ। वर्तमान। राय। कीट विज्ञान। ३०, ५९–६६ (२०१८)।
Roy, K., Jaiswal, A. & Panda, P. न्यूरोमोर्फिक कम्प्युटिङको साथ स्पाइक-आधारित मेसिन इन्टेलिजेन्स तर्फ। Roy, K., Jaiswal, A. & Panda, P. न्यूरोमोर्फिक कम्प्युटिङको साथ स्पाइक-आधारित मेसिन इन्टेलिजेन्स तर्फ। Roy, K., Jaiswal, A. & Panda, P. Towards Spik-based Mechine Intelligence with Neuromorphic Computing।Roy K, Jaiswal A, र Panda P. पल्स-आधारित कृत्रिम बुद्धिमत्ता न्यूरोमोर्फिक कम्प्युटिङ प्रयोग गरेर। प्रकृति ५७५, ६०७–६१७ (२०१९)।
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.इन्दिवेरी, जी. र लिउ, एस.के. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.इन्दिवेरी, जी. र लिउ, एस.के.न्यूरोमोर्फिक प्रणालीहरूमा मेमोरी र सूचना प्रशोधन। प्रक्रिया। IEEE 103, 1379–1397 (2015)।
Akopyan F. et al। Truenorth: 65 mW 1 मिलियन न्यूरोन प्रोग्रामेबल सिनेप्टिक चिपको लागि डिजाइन र टुलकिट। IEEE लेनदेन। एकीकृत सर्किट प्रणालीको कम्प्युटर डिजाइन। ३४, १५३७–१५५७ (२०१५)।
स्किमेल, जे एट अल। लाइभ डेमो: प्लेट स्केलमा BrainScaleS न्यूरोमोर्फिक प्रणालीको मापन गरिएको संस्करण। 2012 IEEE इन्टरनेशनल सिम्पोजियम अन सर्किट्स एण्ड सिस्टम्स (ISCAS), (IEEE ed.) 702–702 (2012)।
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. डायनामिक न्यूरोमोर्फिक एसिन्क्रोनस प्रोसेसर (DYNAPs) को लागि विषम मेमोरी ढाँचाको साथ एक स्केलेबल मल्टीकोर वास्तुकला। Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. डायनामिक न्यूरोमोर्फिक एसिन्क्रोनस प्रोसेसर (DYNAPs) को लागि विषम मेमोरी ढाँचाको साथ एक स्केलेबल मल्टीकोर वास्तुकला।मोराडी S., Qiao N., Stefanini F. र Indiviri G. डायनामिक न्यूरोमोर्फिक एसिन्क्रोनस प्रोसेसर (DYNAP) को लागि विषम मेमोरी ढाँचाको साथ एक स्केलेबल मल्टीकोर वास्तुकला। मोराडी, S. 、Qiao, N.、Stefanini, F. & Indiveri, G. 一种可扩展的核架构，具有用于动态神用于动态神用于动态神经形态异歙(YPNA)傁神经形态异歨)存结构। मोराडी, S., Qiao, N., Stefanini, F. & Indiveri, G. डायनामिक न्यूरल प्रोसेसिङ (DYNAP) को लागि एक अद्वितीय मेमोरी संरचनाको साथ विस्तार योग्य बहु-कोर वास्तुकलाको एक प्रकार।मोराडी S., Qiao N., Stefanini F. र Indiviri G. डायनामिक न्यूरोमोर्फिक एसिन्क्रोनस प्रोसेसर (DYNAP) को लागि विषम मेमोरी ढाँचाको साथ एक स्केलेबल मल्टीकोर वास्तुकला।बायोमेडिकल विज्ञान मा IEEE लेनदेन। बिजुली प्रणाली। १२, १०६–१२२ (२०१८)।
डेभिस, एम. एट अल। Loihi: एम्बेडेड शिक्षाको साथ एक न्यूरोमोर्फिक बहु-कोर प्रोसेसर। IEEE माइक्रो ३८, ८२–९९ (२०१८)।
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker परियोजना। Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker परियोजना।Ferber SB, Galluppi F., Temple S. र Plana LA SpiNNaker परियोजना।Ferber SB, Galluppi F., Temple S. र Plana LA SpiNNaker परियोजना। प्रक्रिया। IEEE 102, 652–665 (2014)।
लिउ, एस-के। र डेलब्रक, टी. न्यूरोमोर्फिक सेन्सरी सिस्टम। र डेलब्रक, टी. न्यूरोमोर्फिक सेन्सरी सिस्टम।र Delbrück T. न्यूरोमोर्फिक संवेदी प्रणालीहरू। & Delbruck, T. 神经形态感觉系统। र डेलब्रक, टी।र Delbrück T. न्यूरोमोर्फिक संवेदी प्रणाली।वर्तमान। राय। न्यूरोबायोलोजी। २०, २८८–२९५ (२०१०)।
चोप, टी. एट अल। संयुक्त ध्वनि स्रोत स्थानीयकरण र टक्करबाट बच्नको लागि न्यूरोमोर्फिक सेन्सरी एकीकरण। 2019 मा बायोमेडिकल सर्किट र प्रणाली (BioCAS), (IEEE Ed.) 1-4 (2019) मा IEEE सम्मेलन।
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. एक स्पाइक-आधारित न्यूरोमोर्फिक आर्किटेक्चर स्टेरियो दृष्टि। Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. एक स्पाइक-आधारित न्यूरोमोर्फिक आर्किटेक्चर स्टेरियो दृष्टि।Risi N, Aymar A, Donati E, Solinas S, and Indiveri G. एक स्पाइक-आधारित न्यूरोमोर्फिक स्टेरियोभिजन वास्तुकला। 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, र Indiveri G. Spike-based neuromorphic आर्किटेक्चर स्टेरियो दर्शनको लागि।अगाडि। न्यूरोरोबोटिक्स 14, 93 (2020)।
Oswald, M., Ieng, S.-H., Benosman, R., र Indiveri, G. घटना-आधारित न्यूरोमोर्फिक स्टेरियो भिजन प्रणालीहरूको लागि 3D पल्स्ड न्यूरल नेटवर्क धारणा मोडेल। 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., र Indiveri, G. घटना-आधारित न्यूरोमोर्फिक स्टेरियो भिजन प्रणालीको लागि 3Dperception न्यूरल नेटवर्क मोडेल।विज्ञान। रिपोर्ट 7, 1-11 (2017)।
Dalgaty, T. et al। कीट-प्रेरित आधारभूत गति पत्ता लगाउने प्रतिरोधात्मक मेमोरी र बर्स्टी न्यूरल नेटवर्कहरू समावेश छन्। बायोनिक बायोहाइब्रिड प्रणाली। १०९२८, ११५–१२८ (२०१८)।
D'Angelo, G. et al। टेम्पोरल डिफरेंशियल कोडिङ प्रयोग गरेर घटनामा आधारित विलक्षण गति पत्ता लगाउने। अगाडि। न्यूरोलोजी। १४, ४५१ (२०२०)।
पोस्ट समय: नोभेम्बर-17-2022