వార్తలు

వాస్తవ-ప్రపంచ డేటా ప్రాసెసింగ్ అప్లికేషన్‌లకు కాంపాక్ట్, తక్కువ-లేటెన్సీ, తక్కువ-పవర్ కంప్యూటింగ్ సిస్టమ్‌లు అవసరం. ఈవెంట్-ఆధారిత కంప్యూటింగ్ సామర్థ్యాలతో, కాంప్లిమెంటరీ మెటల్-ఆక్సైడ్-సెమీకండక్టర్ హైబ్రిడ్ మెమ్రిస్టివ్ న్యూరోమార్ఫిక్ ఆర్కిటెక్చర్‌లు అటువంటి పనులకు ఆదర్శవంతమైన హార్డ్‌వేర్ పునాదిని అందిస్తాయి. అటువంటి సిస్టమ్‌ల యొక్క పూర్తి సామర్థ్యాన్ని ప్రదర్శించేందుకు, వాస్తవ-ప్రపంచ ఆబ్జెక్ట్ స్థానికీకరణ అనువర్తనాల కోసం సమగ్ర సెన్సార్ ప్రాసెసింగ్ పరిష్కారాన్ని మేము ప్రతిపాదిస్తాము మరియు ప్రయోగాత్మకంగా ప్రదర్శిస్తాము. బార్న్ ఔల్ న్యూరోఅనాటమీ నుండి ప్రేరణ పొందడం ద్వారా, మేము బయోఇన్‌స్పైర్డ్, ఈవెంట్-డ్రైవెన్ ఆబ్జెక్ట్ లోకలైజేషన్ సిస్టమ్‌ను అభివృద్ధి చేసాము, ఇది అత్యాధునికమైన పైజోఎలెక్ట్రిక్ మైక్రోమెకానికల్ ట్రాన్స్‌డ్యూసర్ ట్రాన్స్‌డ్యూసర్‌ను కంప్యూటేషనల్ గ్రాఫ్-బేస్డ్ న్యూరోమార్ఫిక్ రెసిస్టివ్ మెమరీతో మిళితం చేస్తుంది. మేము మెమరీ-ఆధారిత రెసిస్టివ్ యాదృచ్ఛిక డిటెక్టర్, ఆలస్యం లైన్ సర్క్యూట్రీ మరియు పూర్తిగా అనుకూలీకరించదగిన అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్‌ను కలిగి ఉన్న ఫ్యాబ్రికేటెడ్ సిస్టమ్ యొక్క కొలతలను చూపుతాము. సిస్టమ్ స్థాయిలో అనుకరణలను క్రమాంకనం చేయడానికి మేము ఈ ప్రయోగాత్మక ఫలితాలను ఉపయోగిస్తాము. ఈ అనుకరణలు ఆబ్జెక్ట్ స్థానికీకరణ నమూనా యొక్క కోణీయ రిజల్యూషన్ మరియు శక్తి సామర్థ్యాన్ని అంచనా వేయడానికి ఉపయోగించబడతాయి. అదే పనిని చేసే మైక్రోకంట్రోలర్‌ల కంటే మా విధానం చాలా ఎక్కువ శక్తి సామర్థ్యంతో ఉంటుందని ఫలితాలు చూపిస్తున్నాయి.
మన దైనందిన జీవితంలో మనకు సహాయం చేయడానికి అమర్చిన పరికరాలు మరియు సిస్టమ్‌ల సంఖ్య విపరీతంగా పెరుగుతున్న సర్వవ్యాప్త కంప్యూటింగ్ యుగంలోకి మేము ప్రవేశిస్తున్నాము. ఈ వ్యవస్థలు నిరంతరాయంగా అమలు చేయబడతాయని భావిస్తున్నారు, అవి నిజ సమయంలో బహుళ సెన్సార్ల నుండి సేకరించిన డేటాను అర్థం చేసుకోవడం మరియు వర్గీకరణ లేదా గుర్తింపు పనుల ఫలితంగా బైనరీ అవుట్‌పుట్‌ను ఉత్పత్తి చేయడం నేర్చుకునేటప్పుడు వీలైనంత తక్కువ శక్తిని వినియోగిస్తాయి. ఈ లక్ష్యాన్ని సాధించడానికి అవసరమైన అత్యంత ముఖ్యమైన దశల్లో ఒకటి ధ్వనించే మరియు తరచుగా అసంపూర్ణమైన ఇంద్రియ డేటా నుండి ఉపయోగకరమైన మరియు కాంపాక్ట్ సమాచారాన్ని సంగ్రహించడం. సాంప్రదాయిక ఇంజనీరింగ్ విధానాలు సాధారణంగా స్థిరమైన మరియు అధిక రేటుతో సెన్సార్ సిగ్నల్‌లను నమూనా చేస్తాయి, ఉపయోగకరమైన ఇన్‌పుట్‌లు లేనప్పటికీ పెద్ద మొత్తంలో డేటాను ఉత్పత్తి చేస్తాయి. అదనంగా, ఈ పద్ధతులు (తరచుగా ధ్వనించే) ఇన్‌పుట్ డేటాను ప్రీ-ప్రాసెస్ చేయడానికి సంక్లిష్టమైన డిజిటల్ సిగ్నల్ ప్రాసెసింగ్ పద్ధతులను ఉపయోగిస్తాయి. బదులుగా, జీవశాస్త్రం శక్తి-సమర్థవంతమైన, అసమకాలిక, ఈవెంట్-ఆధారిత విధానాలను (స్పైక్‌లు) 2,3 ఉపయోగించి ధ్వనించే ఇంద్రియ డేటాను ప్రాసెస్ చేయడానికి ప్రత్యామ్నాయ పరిష్కారాలను అందిస్తుంది. న్యూరోమోర్ఫిక్ కంప్యూటింగ్ సాంప్రదాయ సిగ్నల్ ప్రాసెసింగ్ పద్ధతులతో పోలిస్తే శక్తి మరియు మెమరీ అవసరాల పరంగా గణన వ్యయాలను తగ్గించడానికి జీవ వ్యవస్థల నుండి ప్రేరణ పొందుతుంది4,5,6. ఇటీవల, ఇంపల్స్ న్యూరల్ నెట్‌వర్క్‌లను అమలు చేసే వినూత్న సాధారణ ప్రయోజన మెదడు-ఆధారిత సిస్టమ్‌లు (ట్రూనార్త్7, బ్రెయిన్‌స్కేల్‌ఎస్8, డైనాప్-ఎస్‌ఈ9, లోహి10, స్పిన్నకర్11) ప్రదర్శించబడ్డాయి. ఈ ప్రాసెసర్‌లు మెషిన్ లెర్నింగ్ మరియు కార్టికల్ సర్క్యూట్ మోడలింగ్ కోసం తక్కువ శక్తి, తక్కువ జాప్యం పరిష్కారాలను అందిస్తాయి. వారి శక్తి సామర్థ్యాన్ని పూర్తిగా ఉపయోగించుకోవడానికి, ఈ న్యూరోమోర్ఫిక్ ప్రాసెసర్‌లను ఈవెంట్-ఆధారిత సెన్సార్‌లకు నేరుగా కనెక్ట్ చేయాలి12,13. అయితే, నేడు ఈవెంట్-ఆధారిత డేటాను నేరుగా అందించే కొన్ని టచ్ పరికరాలు మాత్రమే ఉన్నాయి. ట్రాకింగ్ మరియు మోషన్ డిటెక్షన్14,15,16,17 సిలికాన్ కోక్లియా18 మరియు న్యూరోమోర్ఫిక్ ఆడిటరీ సెన్సార్లు (NAS)19 వంటి విజన్ అప్లికేషన్‌ల కోసం డైనమిక్ విజువల్ సెన్సార్‌లు (DVS) ప్రముఖ ఉదాహరణలు, శ్రవణ సిగ్నల్ ప్రాసెసింగ్ కోసం, ఘ్రాణ సెన్సార్లు20 మరియు అనేక ఉదాహరణలు21,2222222 ఉదాహరణలు. . ఆకృతి సెన్సార్లు.
ఈ పేపర్‌లో, ఆబ్జెక్ట్ స్థానికీకరణకు వర్తించే కొత్తగా అభివృద్ధి చేయబడిన ఈవెంట్-ఆధారిత శ్రవణ ప్రాసెసింగ్ సిస్టమ్‌ను మేము అందిస్తున్నాము. ఇక్కడ, మొదటిసారిగా, న్యూరోమార్ఫిక్ రెసిస్టివ్ మెమరీ (RRAM) ఆధారంగా గణన గ్రాఫ్‌తో అత్యాధునికమైన పైజోఎలెక్ట్రిక్ మైక్రోమెషిన్డ్ అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్ (pMUT)ని కనెక్ట్ చేయడం ద్వారా పొందిన ఆబ్జెక్ట్ స్థానికీకరణ కోసం ఎండ్-టు-ఎండ్ సిస్టమ్‌ను మేము వివరించాము. RRAMని ఉపయోగించి ఇన్-మెమరీ కంప్యూటింగ్ ఆర్కిటెక్చర్లు విద్యుత్ వినియోగాన్ని తగ్గించడానికి ఒక మంచి పరిష్కారం23,24,25,26,27,28,29. వారి స్వాభావిక అస్థిరత-సమాచారాన్ని నిల్వ చేయడానికి లేదా నవీకరించడానికి క్రియాశీల శక్తి వినియోగం అవసరం లేదు-న్యూరోమోర్ఫిక్ కంప్యూటింగ్ యొక్క అసమకాలిక, ఈవెంట్-ఆధారిత స్వభావంతో ఖచ్చితంగా సరిపోతుంది, ఫలితంగా సిస్టమ్ నిష్క్రియంగా ఉన్నప్పుడు విద్యుత్ వినియోగం ఉండదు. పైజోఎలెక్ట్రిక్ మైక్రోమచిన్డ్ అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్‌లు (pMUTలు) చవకైనవి, సూక్ష్మీకరించిన సిలికాన్-ఆధారిత అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్‌లు ట్రాన్స్‌మిటర్‌లు మరియు రిసీవర్‌లుగా పని చేయగలవు. అంతర్నిర్మిత సెన్సార్‌ల ద్వారా అందుకున్న సిగ్నల్‌లను ప్రాసెస్ చేయడానికి, మేము బార్న్ గుడ్లగూబ న్యూరోఅనాటమీ35,36,37 నుండి ప్రేరణ పొందాము. బార్న్ గుడ్లగూబ టైటో ఆల్బా చాలా సమర్థవంతమైన శ్రవణ స్థానికీకరణ వ్యవస్థకు కృతజ్ఞతలు తెలుపుతూ రాత్రిపూట వేటాడటం యొక్క అద్భుతమైన సామర్థ్యాలకు ప్రసిద్ధి చెందింది. ఆహారం యొక్క స్థానాన్ని లెక్కించడానికి, ఎర నుండి ధ్వని తరంగాలు గుడ్లగూబ చెవులు లేదా ధ్వని గ్రాహకాలలో ప్రతి ఒక్కటి చేరుకున్నప్పుడు బార్న్ గుడ్లగూబ యొక్క స్థానికీకరణ వ్యవస్థ విమాన సమయాన్ని (ToF) ఎన్కోడ్ చేస్తుంది. చెవుల మధ్య దూరాన్ని బట్టి, రెండు ToF కొలతల మధ్య వ్యత్యాసం (ఇంటర్‌ఆరల్ టైమ్ డిఫరెన్స్, ITD) లక్ష్యం యొక్క అజిముత్ స్థానాన్ని విశ్లేషణాత్మకంగా లెక్కించడం సాధ్యపడుతుంది. బీజగణిత సమీకరణాలను పరిష్కరించడానికి జీవ వ్యవస్థలు సరిగా సరిపోనప్పటికీ, అవి స్థానికీకరణ సమస్యలను చాలా ప్రభావవంతంగా పరిష్కరించగలవు. బార్న్ గుడ్లగూబ నాడీ వ్యవస్థ యాదృచ్ఛిక డిటెక్టర్ (CD) 35 న్యూరాన్‌ల సమితిని ఉపయోగిస్తుంది (అనగా, స్థాన సమస్యలను పరిష్కరించడానికి గణన గ్రాఫ్‌లుగా నిర్వహించబడిన 38,39 స్పైక్‌ల మధ్య తాత్కాలిక సహసంబంధాలను గుర్తించగల న్యూరాన్‌లు.
ITD13, 40ని ఉపయోగించి పొజిషన్‌ను గణించడానికి, బార్న్ గుడ్లగూబ యొక్క నాసిరకం కోలిక్యులస్ ("శ్రవణ వల్కలం") ద్వారా ప్రేరణ పొందిన కాంప్లిమెంటరీ మెటల్-ఆక్సైడ్-సెమీకండక్టర్ (CMOS) హార్డ్‌వేర్ మరియు RRAM-ఆధారిత న్యూరోమార్ఫిక్ హార్డ్‌వేర్ అని మునుపటి పరిశోధనలో తేలింది. 42. ప్రధాన సమస్య అనలాగ్ CMOS సర్క్యూట్‌ల యొక్క స్వాభావిక వైవిధ్యం, ఇది మ్యాచ్ డిటెక్షన్ యొక్క ఖచ్చితత్వాన్ని ప్రభావితం చేస్తుంది. ఇటీవల, ITD47 అంచనాల యొక్క ప్రత్యామ్నాయ సంఖ్యా అమలులు ప్రదర్శించబడ్డాయి. ఈ పేపర్‌లో, అనలాగ్ సర్క్యూట్‌లలో వైవిధ్యాన్ని ఎదుర్కోవడానికి కండక్టెన్స్ విలువను అస్థిర పద్ధతిలో మార్చడానికి RRAM సామర్థ్యాన్ని ఉపయోగించాలని మేము ప్రతిపాదిస్తున్నాము. మేము 111.9 kHz ఫ్రీక్వెన్సీలో పనిచేసే ఒక pMUT ట్రాన్స్‌మిటింగ్ మెమ్బ్రేన్, బార్న్ గుడ్లగూబ చెవులను అనుకరించే రెండు pMUT రిసీవింగ్ మెంబ్రేన్‌లు (సెన్సర్‌లు) మరియు ఒకదానితో కూడిన ప్రయోగాత్మక వ్యవస్థను అమలు చేసాము. మేము మా స్థానికీకరణ వ్యవస్థను పరీక్షించడానికి మరియు దాని కోణీయ రిజల్యూషన్‌ను అంచనా వేయడానికి pMUT గుర్తింపు వ్యవస్థ మరియు RRAM-ఆధారిత ITD గణన గ్రాఫ్‌ను ప్రయోగాత్మకంగా వర్గీకరించాము.
సంప్రదాయ బీమ్‌ఫార్మింగ్ లేదా న్యూరోమార్ఫిక్ పద్ధతులను ఉపయోగించి అదే స్థానికీకరణ పనిని నిర్వహించే మైక్రోకంట్రోలర్‌పై డిజిటల్ ఇంప్లిమెంటేషన్‌తో మేము మా పద్ధతిని సరిపోల్చాము, అలాగే సూచనలో ప్రతిపాదించిన ITD అంచనా కోసం ఫీల్డ్ ప్రోగ్రామబుల్ గేట్ అర్రే (FPGA). 47. ఈ పోలిక ప్రతిపాదిత RRAM-ఆధారిత అనలాగ్ న్యూరోమోర్ఫిక్ సిస్టమ్ యొక్క పోటీ శక్తి సామర్థ్యాన్ని హైలైట్ చేస్తుంది.
ఖచ్చితమైన మరియు సమర్థవంతమైన వస్తువు స్థానికీకరణ వ్యవస్థ యొక్క అత్యంత అద్భుతమైన ఉదాహరణలలో ఒకటి బార్న్ గుడ్లగూబ 35,37,48లో చూడవచ్చు. సంధ్యా మరియు తెల్లవారుజామున, బార్న్ గుడ్లగూబ (టైటో ఆల్బా) ప్రధానంగా నిష్క్రియాత్మకంగా వినడంపై ఆధారపడుతుంది, వోల్స్ లేదా ఎలుకలు వంటి చిన్న ఎరలను చురుకుగా వెతుకుతుంది. ఈ శ్రవణ నిపుణులు ఫిగ్. 1aలో చూపిన విధంగా, ఆశ్చర్యకరమైన ఖచ్చితత్వంతో (సుమారు 2°)35తో ఆహారం నుండి శ్రవణ సంకేతాలను స్థానికీకరించగలరు. బార్న్ గుడ్లగూబలు అజిముత్ (క్షితిజసమాంతర) విమానంలో ధ్వని మూలాల స్థానాన్ని ధ్వని మూలం నుండి రెండు చెవులకు ఇన్‌కమింగ్ టైమ్ ఆఫ్ ఫ్లైట్ (ITD) నుండి ఊహించవచ్చు. ITD గణన యంత్రాంగాన్ని Jeffress49,50 ప్రతిపాదించారు, ఇది నాడీ జ్యామితిపై ఆధారపడుతుంది మరియు రెండు కీలక భాగాలు అవసరం: ఒక ఆక్సాన్, ఒక న్యూరాన్ యొక్క నరాల ఫైబర్ ఆలస్యం రేఖగా పనిచేస్తుంది మరియు గణన వ్యవస్థలో ఏర్పాటు చేయబడిన యాదృచ్చిక డిటెక్టర్ న్యూరాన్‌ల శ్రేణి. మూర్తి 1b లో చూపిన విధంగా గ్రాఫ్. అజిముత్ డిపెండెంట్ టైమ్ డిలే (ITD)తో ధ్వని చెవికి చేరుతుంది. అప్పుడు ధ్వని ప్రతి చెవిలో స్పైక్ నమూనాగా మార్చబడుతుంది. ఎడమ మరియు కుడి చెవుల అక్షాంశాలు ఆలస్యం రేఖలుగా పనిచేస్తాయి మరియు CD న్యూరాన్‌లపై కలుస్తాయి. సిద్ధాంతపరంగా, సరిపోలిన న్యూరాన్‌ల శ్రేణిలో ఒక న్యూరాన్ మాత్రమే ఒకేసారి ఇన్‌పుట్‌ను స్వీకరిస్తుంది (ఇక్కడ ఆలస్యం ఖచ్చితంగా రద్దు అవుతుంది) మరియు గరిష్టంగా కాల్చబడుతుంది (పొరుగు కణాలు కూడా కాల్చబడతాయి, కానీ తక్కువ పౌనఃపున్యం వద్ద). నిర్దిష్ట న్యూరాన్‌లను సక్రియం చేయడం వలన ITDని కోణాలకు మార్చకుండా అంతరిక్షంలో లక్ష్యం యొక్క స్థానాన్ని ఎన్‌కోడ్ చేస్తుంది. ఈ భావన మూర్తి 1cలో సంగ్రహించబడింది: ఉదాహరణకు, కుడి చెవి నుండి ఇన్‌పుట్ సిగ్నల్ ఎడమ చెవి నుండి వచ్చే మార్గం కంటే ఎక్కువ దూరం ప్రయాణించినప్పుడు ధ్వని కుడి వైపు నుండి వస్తుంటే, ITDల సంఖ్యను భర్తీ చేస్తుంది, ఉదాహరణకు, న్యూరాన్ 2 సరిపోలినప్పుడు. మరో మాటలో చెప్పాలంటే, అక్షసంబంధ ఆలస్యం కారణంగా ప్రతి CD నిర్దిష్ట ITDకి ప్రతిస్పందిస్తుంది (దీనిని సరైన ఆలస్యం అని కూడా పిలుస్తారు). అందువలన, మెదడు తాత్కాలిక సమాచారాన్ని ప్రాదేశిక సమాచారంగా మారుస్తుంది. ఈ యంత్రాంగానికి శరీర నిర్మాణ సంబంధమైన ఆధారాలు 37,51 కనుగొనబడ్డాయి. దశ-లాక్ చేయబడిన మాక్రోన్యూక్లియస్ న్యూరాన్లు ఇన్‌కమింగ్ శబ్దాల గురించి తాత్కాలిక సమాచారాన్ని నిల్వ చేస్తాయి: వాటి పేరు సూచించినట్లుగా, అవి నిర్దిష్ట సిగ్నల్ దశల్లో కాల్పులు జరుపుతాయి. జెఫ్రెస్ మోడల్ యొక్క యాదృచ్ఛిక డిటెక్టర్ న్యూరాన్‌లను లామినార్ కోర్‌లో కనుగొనవచ్చు. వారు మాక్రోన్యూక్లియర్ న్యూరాన్ల నుండి సమాచారాన్ని స్వీకరిస్తారు, దీని అక్షాంశాలు ఆలస్యం రేఖలుగా పనిచేస్తాయి. ఆలస్య రేఖ ద్వారా అందించబడిన ఆలస్యాన్ని ఆక్సాన్ యొక్క పొడవు, అలాగే వాహక వేగాన్ని మార్చే మరొక మైలినేషన్ నమూనా ద్వారా వివరించవచ్చు. బార్న్ గుడ్లగూబ యొక్క శ్రవణ వ్యవస్థ నుండి ప్రేరణ పొందిన మేము వస్తువులను స్థానికీకరించడానికి బయోమిమెటిక్ వ్యవస్థను అభివృద్ధి చేసాము. రెండు చెవులు రెండు pMUT రిసీవర్లచే సూచించబడతాయి. ధ్వని మూలం వాటి మధ్య ఉన్న pMUT ట్రాన్స్‌మిటర్ (Fig. 1a), మరియు గణన గ్రాఫ్ RRAM-ఆధారిత CD సర్క్యూట్‌ల గ్రిడ్ (Fig. 1b, ఆకుపచ్చ) ద్వారా ఏర్పడుతుంది, దీని ఇన్‌పుట్‌లు ఆలస్యం అయిన CD న్యూరాన్‌ల పాత్రను పోషిస్తాయి. సర్క్యూట్ ద్వారా, ఆలస్యం రేఖలు (నీలం) జీవసంబంధమైన ప్రతిరూపంలో అక్షాంశాల వలె పనిచేస్తాయి. ప్రతిపాదిత సంవేదనాత్మక వ్యవస్థ, గుడ్లగూబ నుండి ఆపరేటింగ్ ఫ్రీక్వెన్సీలో భిన్నంగా ఉంటుంది, దీని శ్రవణ వ్యవస్థ 1–8 kHz పరిధిలో పనిచేస్తుంది, అయితే ఈ పనిలో pMUT సెన్సార్లు దాదాపు 117 kHz వద్ద పనిచేస్తాయి. అల్ట్రాసోనిక్ ట్రాన్స్డ్యూసెర్ యొక్క ఎంపిక సాంకేతిక మరియు ఆప్టిమైజేషన్ ప్రమాణాల ప్రకారం పరిగణించబడుతుంది. ముందుగా, స్వీకరించే బ్యాండ్‌విడ్త్‌ను ఒకే ఫ్రీక్వెన్సీకి పరిమితం చేయడం ఆదర్శంగా కొలత ఖచ్చితత్వాన్ని మెరుగుపరుస్తుంది మరియు పోస్ట్-ప్రాసెసింగ్ దశను సులభతరం చేస్తుంది. అదనంగా, అల్ట్రాసౌండ్‌లో ఆపరేషన్ వల్ల విడుదలయ్యే పప్పులు వినబడవు, అందువల్ల ప్రజలను ఇబ్బంది పెట్టవద్దు, ఎందుకంటే వారి శ్రవణ పరిధి ~20-20 kHz.
బార్న్ గుడ్లగూబ లక్ష్యం నుండి ధ్వని తరంగాలను అందుకుంటుంది, ఈ సందర్భంలో ఎరను కదిలిస్తుంది. ధ్వని తరంగం యొక్క విమాన సమయం (ToF) ప్రతి చెవికి భిన్నంగా ఉంటుంది (ఎర నేరుగా గుడ్లగూబ ముందు ఉంటే తప్ప). చుక్కల రేఖ గుడ్లగూబ చెవులను చేరుకోవడానికి ధ్వని తరంగాలు తీసుకునే మార్గాన్ని చూపుతుంది. రెండు శబ్ద మార్గాల మధ్య పొడవు వ్యత్యాసం మరియు సంబంధిత ఇంటరారల్ టైమ్ తేడా (ITD) (ఎడమ చిత్రం రెఫరెన్స్ 74, కాపీరైట్ 2002, సొసైటీ ఫర్ న్యూరోసైన్స్) ఆధారంగా క్షితిజ సమాంతర విమానంలో ఎరను ఖచ్చితంగా స్థానీకరించవచ్చు. మా సిస్టమ్‌లో, pMUT ట్రాన్స్‌మిటర్ (ముదురు నీలం) లక్ష్యం నుండి బౌన్స్ అయ్యే ధ్వని తరంగాలను ఉత్పత్తి చేస్తుంది. ప్రతిబింబించే అల్ట్రాసౌండ్ తరంగాలను రెండు pMUT రిసీవర్లు (లేత ఆకుపచ్చ) స్వీకరించాయి మరియు న్యూరోమోర్ఫిక్ ప్రాసెసర్ (కుడి) ద్వారా ప్రాసెస్ చేయబడతాయి. b బార్న్ గుడ్లగూబ చెవుల్లోకి వచ్చే శబ్దాలు మొదట లార్జ్ న్యూక్లియస్ (NM)లో ఫేజ్-లాక్డ్ స్పైక్‌లుగా ఎలా ఎన్‌కోడ్ చేయబడతాయో వివరించే ITD (జెఫ్రెస్) కంప్యూటేషనల్ మోడల్, ఆపై లామెల్లార్ న్యూక్లియస్‌లో సరిపోలిన డిటెక్టర్ న్యూరాన్‌ల జ్యామితీయంగా అమర్చబడిన గ్రిడ్‌ను ఉపయోగిస్తుంది. ప్రాసెసింగ్ (నెదర్లాండ్స్) (ఎడమ). న్యూరోఐటిడి కంప్యూటేషనల్ గ్రాఫ్ యొక్క ఇలస్ట్రేషన్ ఆలస్యం లైన్లు మరియు యాదృచ్ఛిక డిటెక్టర్ న్యూరాన్‌లను కలపడం, గుడ్లగూబ బయోసెన్సర్ సిస్టమ్‌ను RRAM-ఆధారిత న్యూరోమార్ఫిక్ సర్క్యూట్‌లను (కుడి) ఉపయోగించి రూపొందించవచ్చు. c ప్రధాన జెఫ్రెస్ మెకానిజం యొక్క స్కీమాటిక్, ToFలో వ్యత్యాసం కారణంగా, రెండు చెవులు వేర్వేరు సమయాల్లో ధ్వని ఉద్దీపనలను అందుకుంటాయి మరియు రెండు చివరల నుండి అక్షాంశాలను డిటెక్టర్‌కు పంపుతాయి. ఆక్సాన్‌లు యాదృచ్ఛిక డిటెక్టర్ (CD) న్యూరాన్‌ల శ్రేణిలో భాగం, వీటిలో ప్రతి ఒక్కటి బలమైన సమయ-సంబంధిత ఇన్‌పుట్‌లకు ఎంపికగా ప్రతిస్పందిస్తాయి. ఫలితంగా, అతి తక్కువ సమయ వ్యత్యాసంతో ఇన్‌పుట్‌లు వచ్చే CDలు మాత్రమే గరిష్టంగా ఉత్తేజితమవుతాయి (ITD ఖచ్చితంగా పరిహారం చెల్లించబడుతుంది). CD అప్పుడు లక్ష్యం యొక్క కోణీయ స్థానాన్ని ఎన్కోడ్ చేస్తుంది.
పైజోఎలెక్ట్రిక్ మైక్రోమెకానికల్ అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్‌లు స్కేలబుల్ అల్ట్రాసోనిక్ ట్రాన్స్‌డ్యూసర్‌లు, ఇవి అధునాతన CMOS టెక్నాలజీ31,32,33,52తో అనుసంధానించబడతాయి మరియు సాంప్రదాయ వాల్యూమెట్రిక్ ట్రాన్స్‌డ్యూసర్‌ల కంటే తక్కువ ప్రారంభ వోల్టేజ్ మరియు విద్యుత్ వినియోగాన్ని కలిగి ఉంటాయి. మా పనిలో, పొర వ్యాసం 880 µm, మరియు ప్రతిధ్వని ఫ్రీక్వెన్సీ 110-117 kHz పరిధిలో పంపిణీ చేయబడుతుంది (Fig. 2a, వివరాల కోసం పద్ధతులు చూడండి). పది పరీక్ష పరికరాల బ్యాచ్‌లో, సగటు నాణ్యత కారకం దాదాపు 50 (రిఫరెన్స్ 31). సాంకేతికత పారిశ్రామిక పరిపక్వతకు చేరుకుంది మరియు వ్యక్తిగతంగా బయోఇన్స్పైర్డ్ కాదు. వివిధ pMUT ఫిల్మ్‌ల నుండి సమాచారాన్ని కలపడం అనేది ఒక ప్రసిద్ధ సాంకేతికత, మరియు pMUTల నుండి కోణ సమాచారాన్ని పొందవచ్చు, ఉదాహరణకు, బీమ్‌ఫార్మింగ్ టెక్నిక్‌లు31,54. అయితే, కోణ సమాచారాన్ని సేకరించేందుకు అవసరమైన సిగ్నల్ ప్రాసెసింగ్ తక్కువ శక్తి కొలతలకు తగినది కాదు. ప్రతిపాదిత సిస్టమ్ న్యూరోమార్ఫిక్ డేటా ప్రిప్రాసెసింగ్ సర్క్యూట్ pMUTని జెఫ్రెస్ మోడల్ (Figure 2c) ద్వారా ప్రేరేపించబడిన RRAM-ఆధారిత న్యూరోమార్ఫిక్ కంప్యూటింగ్ గ్రాఫ్‌తో మిళితం చేస్తుంది, ఇది ప్రత్యామ్నాయ శక్తి-సమర్థవంతమైన మరియు వనరుల-నియంత్రిత హార్డ్‌వేర్ పరిష్కారాన్ని అందిస్తుంది. మేము ఒక ప్రయోగాన్ని చేసాము, దీనిలో రెండు స్వీకరించే పొరల ద్వారా స్వీకరించబడిన విభిన్న ToF శబ్దాలను ఉపయోగించుకోవడానికి రెండు pMUT సెన్సార్‌లను సుమారు 10 సెం.మీ దూరంలో ఉంచారు. ట్రాన్స్‌మిటర్‌గా పనిచేసే ఒక pMUT రిసీవర్‌ల మధ్య ఉంటుంది. లక్ష్యం 12 సెం.మీ వెడల్పు ఉన్న PVC ప్లేట్, ఇది pMUT పరికరం ముందు D దూరంలో ఉంది (Fig. 2b). రిసీవర్ వస్తువు నుండి ప్రతిబింబించే ధ్వనిని రికార్డ్ చేస్తుంది మరియు ధ్వని తరంగం గడిచే సమయంలో వీలైనంత ఎక్కువగా ప్రతిస్పందిస్తుంది. దూరం D మరియు కోణం θ ద్వారా నిర్ణయించబడిన వస్తువు యొక్క స్థానాన్ని మార్చడం ద్వారా ప్రయోగాన్ని పునరావృతం చేయండి. లింక్ ద్వారా ప్రేరణ పొందింది. 55, న్యూరోమార్ఫిక్ కంప్యూటేషనల్ గ్రాఫ్‌ను ఇన్‌పుట్ చేయడానికి ప్రతిబింబించే తరంగాలను పీక్స్‌గా మార్చడానికి pMUT ముడి సిగ్నల్స్ యొక్క న్యూరోమార్ఫిక్ ప్రీ-ప్రాసెసింగ్‌ను మేము ప్రతిపాదిస్తున్నాము. గరిష్ట వ్యాప్తికి సంబంధించిన ToF ప్రతి రెండు ఛానెల్‌ల నుండి సంగ్రహించబడుతుంది మరియు వ్యక్తిగత శిఖరాల యొక్క ఖచ్చితమైన సమయంగా ఎన్‌కోడ్ చేయబడుతుంది. అంజీర్ న. 2c pMUT సెన్సార్‌ను RRAM-ఆధారిత కంప్యూటేషనల్ గ్రాఫ్‌తో ఇంటర్‌ఫేస్ చేయడానికి అవసరమైన సర్క్యూట్రీని చూపుతుంది: ప్రతి రెండు pMUT రిసీవర్‌లకు, ముడి సిగ్నల్ బ్యాండ్-పాస్ సున్నితంగా, సరిదిద్దడానికి ఫిల్టర్ చేయబడి, ఆపై ఓవర్‌కమింగ్ మోడ్‌లో లీకీ ఇంటిగ్రేటర్‌కు పంపబడుతుంది. డైనమిక్ థ్రెషోల్డ్ (Fig. 2d) అవుట్‌పుట్ ఈవెంట్ (స్పైక్) మరియు ఫైరింగ్ (LIF) న్యూరాన్‌ను సృష్టిస్తుంది: అవుట్‌పుట్ స్పైక్ సమయం గుర్తించిన విమాన సమయాన్ని ఎన్‌కోడ్ చేస్తుంది. LIF థ్రెషోల్డ్ pMUT ప్రతిస్పందనకు వ్యతిరేకంగా క్రమాంకనం చేయబడుతుంది, తద్వారా పరికరం నుండి పరికరానికి pMUT వేరియబిలిటీని తగ్గిస్తుంది. ఈ విధానంతో, మొత్తం సౌండ్ వేవ్‌ను మెమరీలో నిల్వ చేసి, తర్వాత దాన్ని ప్రాసెస్ చేయడానికి బదులుగా, మేము సౌండ్ వేవ్ యొక్క ToFకి అనుగుణమైన శిఖరాన్ని ఉత్పత్తి చేస్తాము, ఇది రెసిస్టివ్ మెమరీ కంప్యూటేషనల్ గ్రాఫ్‌కు ఇన్‌పుట్‌ను ఏర్పరుస్తుంది. స్పైక్‌లు నేరుగా ఆలస్యం లైన్‌లకు పంపబడతాయి మరియు న్యూరోమోర్ఫిక్ కంప్యూటేషన్ గ్రాఫ్‌లలో మ్యాచ్ డిటెక్షన్ మాడ్యూల్స్‌తో సమాంతరంగా ఉంటాయి. అవి ట్రాన్సిస్టర్‌ల గేట్‌లకు పంపబడినందున, అదనపు యాంప్లిఫికేషన్ సర్క్యూట్రీ అవసరం లేదు (వివరాల కోసం అనుబంధ అంజీర్ 4 చూడండి). pMUT మరియు ప్రతిపాదిత సిగ్నల్ ప్రాసెసింగ్ పద్ధతి ద్వారా అందించబడిన స్థానికీకరణ కోణీయ ఖచ్చితత్వాన్ని అంచనా వేయడానికి, వస్తువు యొక్క దూరం మరియు కోణం మారుతూ ఉన్నందున మేము ITDని (అంటే రెండు రిసీవర్‌ల ద్వారా ఉత్పన్నమయ్యే పీక్ ఈవెంట్‌ల మధ్య వ్యత్యాసం) కొలిచాము. ITD విశ్లేషణ అప్పుడు కోణాలకు మార్చబడింది (పద్ధతులు చూడండి) మరియు వస్తువు యొక్క స్థానానికి వ్యతిరేకంగా పన్నాగం చేయబడింది: కొలవబడిన ITDలో అనిశ్చితి వస్తువుకు దూరం మరియు కోణంతో పెరిగింది (Fig. 2e,f). pMUT ప్రతిస్పందనలో పీక్-టు-నాయిస్ రేషియో (PNR) ప్రధాన సమస్య. ఆబ్జెక్ట్ ఎంత దూరం ఉంటే, అకౌస్టిక్ సిగ్నల్ తక్కువగా ఉంటుంది, తద్వారా PNR (Fig. 2f, గ్రీన్ లైన్) తగ్గుతుంది. PNRలో తగ్గుదల ITD అంచనాలో అనిశ్చితి పెరుగుదలకు దారితీస్తుంది, ఫలితంగా స్థానికీకరణ ఖచ్చితత్వం పెరుగుతుంది (Fig. 2f, బ్లూ లైన్). ట్రాన్స్మిటర్ నుండి 50 సెం.మీ దూరంలో ఉన్న వస్తువు కోసం, సిస్టమ్ యొక్క కోణీయ ఖచ్చితత్వం సుమారు 10°. సెన్సార్ యొక్క లక్షణాల ద్వారా విధించబడిన ఈ పరిమితిని మెరుగుపరచవచ్చు. ఉదాహరణకు, ఉద్గారిణి పంపిన ఒత్తిడిని పెంచవచ్చు, తద్వారా pMUT పొరను నడిపించే వోల్టేజ్ పెరుగుతుంది. ప్రసారం చేయబడిన సిగ్నల్‌ను విస్తరించడానికి మరొక పరిష్కారం బహుళ ట్రాన్స్‌మిటర్‌లను కనెక్ట్ చేయడం 56. పెరిగిన శక్తి ఖర్చుల వ్యయంతో ఈ పరిష్కారాలు గుర్తింపు పరిధిని పెంచుతాయి. స్వీకరించే వైపు అదనపు మెరుగుదలలు చేయవచ్చు. pMUT మరియు మొదటి దశ యాంప్లిఫైయర్ మధ్య కనెక్షన్‌ని మెరుగుపరచడం ద్వారా pMUT యొక్క రిసీవర్ నాయిస్ ఫ్లోర్‌ను గణనీయంగా తగ్గించవచ్చు, ఇది ప్రస్తుతం వైర్ కనెక్షన్‌లు మరియు RJ45 కేబుల్‌లతో చేయబడుతుంది.
1.5 మిమీ పిచ్ వద్ద ఏకీకృతం చేయబడిన ఆరు 880 µm పొరలతో కూడిన pMUT క్రిస్టల్ యొక్క చిత్రం. b కొలిచే సెటప్ యొక్క రేఖాచిత్రం. లక్ష్యం అజిముత్ స్థానం θ మరియు దూరం D వద్ద ఉంది. pMUT ట్రాన్స్‌మిటర్ 117.6 kHz సిగ్నల్‌ను ఉత్పత్తి చేస్తుంది, అది లక్ష్యం నుండి బౌన్స్ అవుతుంది మరియు రెండు pMUT రిసీవర్‌లను వేర్వేరు సమయ-విమానాలతో (ToF) చేరుకుంటుంది. ఈ వ్యత్యాసం, అంతర్-శ్రవణ సమయ వ్యత్యాసం (ITD)గా నిర్వచించబడింది, ఒక వస్తువు యొక్క స్థానాన్ని ఎన్కోడ్ చేస్తుంది మరియు రెండు రిసీవర్ సెన్సార్‌ల యొక్క గరిష్ట ప్రతిస్పందనను అంచనా వేయడం ద్వారా అంచనా వేయవచ్చు. c ముడి pMUT సిగ్నల్‌ను స్పైక్ సీక్వెన్స్‌లుగా మార్చడానికి ప్రీ-ప్రాసెసింగ్ దశల స్కీమాటిక్ (అంటే న్యూరోమార్ఫిక్ కంప్యూటేషన్ గ్రాఫ్‌కు ఇన్‌పుట్). pMUT సెన్సార్‌లు మరియు న్యూరోమార్ఫిక్ కంప్యూటేషనల్ గ్రాఫ్‌లు రూపొందించబడ్డాయి మరియు పరీక్షించబడ్డాయి మరియు న్యూరోమార్ఫిక్ ప్రీ-ప్రాసెసింగ్ సాఫ్ట్‌వేర్ అనుకరణపై ఆధారపడి ఉంటుంది. d సిగ్నల్ అందిన తర్వాత pMUT మెమ్బ్రేన్ ప్రతిస్పందన మరియు అది స్పైక్ డొమైన్‌గా మారుతుంది. ఇ ప్రయోగాత్మక స్థానికీకరణ కోణీయ ఖచ్చితత్వం ఆబ్జెక్ట్ కోణం (Θ) మరియు లక్ష్య వస్తువుకు దూరం (D) యొక్క విధిగా. ITD వెలికితీత పద్ధతికి కనీసం 4°C కోణీయ రిజల్యూషన్ అవసరం. f కోణీయ ఖచ్చితత్వం (బ్లూ లైన్) మరియు సంబంధిత పీక్-టు-నాయిస్ రేషియో (గ్రీన్ లైన్) వర్సెస్ ఆబ్జెక్ట్ దూరం Θ = 0.
రెసిస్టివ్ మెమరీ సమాచారాన్ని అస్థిర వాహక స్థితిలో నిల్వ చేస్తుంది. పద్ధతి యొక్క ప్రాథమిక సూత్రం ఏమిటంటే, పరమాణు స్థాయిలో పదార్థం యొక్క మార్పు దాని విద్యుత్ వాహకతలో మార్పుకు కారణమవుతుంది57. ఇక్కడ మేము ఎగువ మరియు దిగువ టైటానియం మరియు టైటానియం నైట్రైడ్ ఎలక్ట్రోడ్‌ల మధ్య శాండ్‌విచ్ చేయబడిన హాఫ్నియం డయాక్సైడ్ యొక్క 5nm పొరతో కూడిన ఆక్సైడ్-ఆధారిత రెసిస్టివ్ మెమరీని ఉపయోగిస్తాము. ఎలక్ట్రోడ్‌ల మధ్య ఆక్సిజన్ ఖాళీల యొక్క వాహక తంతువులను సృష్టించే లేదా విచ్ఛిన్నం చేసే కరెంట్/వోల్టేజ్ తరంగ రూపాన్ని వర్తింపజేయడం ద్వారా RRAM పరికరాల వాహకతను మార్చవచ్చు. మేము యాదృచ్ఛిక డిటెక్టర్ మరియు ఆలస్యం లైన్ సర్క్యూట్ (Fig. 3a) అమలు చేసే కల్పిత పునర్నిర్మించదగిన న్యూరోమార్ఫిక్ సర్క్యూట్‌ను రూపొందించడానికి ప్రామాణిక 130 nm CMOS ప్రక్రియలో అటువంటి పరికరాలను 58 సహ-ఇంటిగ్రేట్ చేసాము. పరికరం యొక్క అస్థిరత మరియు అనలాగ్ స్వభావం, న్యూరోమోర్ఫిక్ సర్క్యూట్ యొక్క ఈవెంట్-ఆధారిత స్వభావంతో కలిపి, విద్యుత్ వినియోగాన్ని తగ్గిస్తుంది. సర్క్యూట్‌కు ఇన్‌స్టంట్ ఆన్/ఆఫ్ ఫంక్షన్ ఉంది: ఇది ఆన్ చేసిన వెంటనే పనిచేస్తుంది, సర్క్యూట్ నిష్క్రియంగా ఉన్నప్పుడు పవర్ పూర్తిగా ఆపివేయబడుతుంది. ప్రతిపాదిత పథకం యొక్క ప్రధాన బిల్డింగ్ బ్లాక్స్ అంజీర్లో చూపబడ్డాయి. 3b. ఇది N సమాంతర సింగిల్-రెసిస్టర్ సింగిల్-ట్రాన్సిస్టర్ (1T1R) స్ట్రక్చర్‌లను కలిగి ఉంటుంది, ఇవి సినాప్టిక్ బరువులను ఎన్‌కోడ్ చేస్తాయి, వీటి నుండి వెయిటెడ్ కరెంట్‌లను తీసుకుంటారు, డిఫరెన్షియల్ పెయిర్ ఇంటిగ్రేటర్ (DPI)59 యొక్క సాధారణ సినాప్స్‌లోకి ఇంజెక్ట్ చేయబడుతుంది మరియు చివరకు ఏకీకరణతో సినాప్స్‌లోకి ఇంజెక్ట్ చేయబడుతుంది మరియు లీకేజీ. యాక్టివేట్ చేయబడిన (LIF) న్యూరాన్ 60 (వివరాల కోసం మెథడ్స్ చూడండి). ఇన్‌పుట్ సర్జ్‌లు 1T1R నిర్మాణం యొక్క గేట్‌కు వందల నానోసెకన్ల క్రమంలో వ్యవధితో వోల్టేజ్ పప్పుల క్రమం రూపంలో వర్తించబడతాయి. Vbottom గ్రౌన్దేడ్ అయినప్పుడు Vtopకి బాహ్య సానుకూల సూచనను వర్తింపజేయడం ద్వారా రెసిస్టివ్ మెమరీని అధిక వాహక స్థితిలో (HCS) ఉంచవచ్చు మరియు Vtop గ్రౌన్దేడ్ అయినప్పుడు Vbottomకి సానుకూల వోల్టేజ్‌ని వర్తింపజేయడం ద్వారా తక్కువ వాహక స్థితికి (LCS) రీసెట్ చేయవచ్చు. సిరీస్ ట్రాన్సిస్టర్ (Fig. 3c) యొక్క గేట్-సోర్స్ వోల్టేజ్ ద్వారా SET (ICC) యొక్క ప్రోగ్రామింగ్ కరెంట్ (అనుకూలత)ని పరిమితం చేయడం ద్వారా HCS యొక్క సగటు విలువను నియంత్రించవచ్చు. సర్క్యూట్‌లోని RRAM యొక్క విధులు రెండు రెట్లు: అవి ఇన్‌పుట్ పప్పులను నిర్దేశిస్తాయి మరియు బరువుగా ఉంటాయి.
నీలం రంగు HfO2 1T1R RRAM పరికరం యొక్క స్కానింగ్ ఎలక్ట్రాన్ మైక్రోస్కోప్ (SEM) చిత్రం ఆకుపచ్చ రంగులో సెలెక్టర్ ట్రాన్సిస్టర్‌లతో (650 nm వెడల్పు) 130 nm CMOS సాంకేతికతతో అనుసంధానించబడింది. బి ప్రతిపాదిత న్యూరోమోర్ఫిక్ స్కీమా యొక్క ప్రాథమిక బిల్డింగ్ బ్లాక్‌లు. ఇన్‌పుట్ వోల్టేజ్ పప్పులు (శిఖరాలు) Vin0 మరియు Vin1 ప్రస్తుత Iweightని వినియోగిస్తాయి, ఇది 1T1R నిర్మాణంలోని G0 మరియు G1 వాహక స్థితికి అనులోమానుపాతంలో ఉంటుంది. ఈ కరెంట్ DPI సినాప్సెస్‌లోకి ఇంజెక్ట్ చేయబడుతుంది మరియు LIF న్యూరాన్‌లను ఉత్తేజపరుస్తుంది. RRAM G0 మరియు G1 వరుసగా HCS మరియు LCSలో ఇన్‌స్టాల్ చేయబడ్డాయి. c ICC కరెంట్ మ్యాచింగ్ యొక్క విధిగా 16K RRAM పరికరాల సమూహం కోసం క్యుములేటివ్ కండక్టెన్స్ డెన్సిటీ యొక్క ఫంక్షన్, ఇది ప్రసరణ స్థాయిని సమర్థవంతంగా నియంత్రిస్తుంది. d (a)లోని సర్క్యూట్ కొలతలు G1 (LCSలో) Vin1 (ఆకుపచ్చ) నుండి ఇన్‌పుట్‌ను సమర్థవంతంగా బ్లాక్ చేస్తుందని చూపిస్తుంది మరియు వాస్తవానికి అవుట్‌పుట్ న్యూరాన్ యొక్క మెమ్బ్రేన్ వోల్టేజ్ Vin0 నుండి బ్లూ ఇన్‌పుట్‌కు మాత్రమే ప్రతిస్పందిస్తుంది. RRAM సర్క్యూట్‌లోని కనెక్షన్‌లను సమర్థవంతంగా నిర్ణయిస్తుంది. వోల్టేజ్ పల్స్ Vin0ని వర్తింపజేసిన తర్వాత మెమ్బ్రేన్ వోల్టేజ్ Vmemపై కండక్టెన్స్ విలువ G0 ప్రభావాన్ని చూపుతుంది (బి)లో సర్క్యూట్ యొక్క ఇ కొలత. మరింత వాహకత, బలమైన ప్రతిస్పందన: అందువలన, RRAM పరికరం I/O కనెక్షన్ వెయిటింగ్‌ని అమలు చేస్తుంది. సర్క్యూట్‌పై కొలతలు చేయబడ్డాయి మరియు RRAM యొక్క ద్వంద్వ పనితీరు, రూటింగ్ మరియు ఇన్‌పుట్ పప్పుల బరువును ప్రదర్శిస్తాయి.
మొదట, రెండు ప్రాథమిక ప్రసరణ స్థితులు (HCS మరియు LCS) ఉన్నందున, RRAMలు వరుసగా LCS లేదా HCS స్థితులలో ఉన్నప్పుడు ఇన్‌పుట్ పల్స్‌లను నిరోధించవచ్చు లేదా మిస్ అవుతాయి. ఫలితంగా, RRAM సర్క్యూట్‌లోని కనెక్షన్‌లను సమర్థవంతంగా నిర్ణయిస్తుంది. నిర్మాణాన్ని పునర్నిర్మించగలగడానికి ఇది ఆధారం. దీనిని ప్రదర్శించడానికి, మేము అంజీర్ 3bలో సర్క్యూట్ బ్లాక్ యొక్క కల్పిత సర్క్యూట్ అమలును వివరిస్తాము. G0కి సంబంధించిన RRAM HCSలోకి ప్రోగ్రామ్ చేయబడింది మరియు రెండవ RRAM G1 LCSలోకి ప్రోగ్రామ్ చేయబడింది. ఇన్‌పుట్ పప్పులు Vin0 మరియు Vin1 రెండింటికీ వర్తింపజేయబడతాయి. న్యూరాన్ మెమ్బ్రేన్ వోల్టేజ్ మరియు అవుట్‌పుట్ సిగ్నల్‌ను ఓసిల్లోస్కోప్ ఉపయోగించి సేకరించడం ద్వారా అవుట్‌పుట్ న్యూరాన్‌లలో ఇన్‌పుట్ పల్స్‌ల యొక్క రెండు సీక్వెన్స్‌ల ప్రభావాలు విశ్లేషించబడ్డాయి. మెమ్బ్రేన్ టెన్షన్‌ను ప్రేరేపించడానికి కేవలం HCS పరికరం (G0) మాత్రమే న్యూరాన్ యొక్క పల్స్‌కు కనెక్ట్ చేయబడినప్పుడు ప్రయోగం విజయవంతమైంది. ఇది మూర్తి 3dలో ప్రదర్శించబడింది, ఇక్కడ బ్లూ పల్స్ రైలు మెమ్బ్రేన్ కెపాసిటర్‌పై మెమ్బ్రేన్ వోల్టేజ్‌ని నిర్మించడానికి కారణమవుతుంది, అయితే ఆకుపచ్చ పల్స్ రైలు మెమ్బ్రేన్ వోల్టేజ్‌ను స్థిరంగా ఉంచుతుంది.
RRAM యొక్క రెండవ ముఖ్యమైన విధి కనెక్షన్ బరువుల అమలు. RRAM యొక్క అనలాగ్ కండక్టెన్స్ సర్దుబాటును ఉపయోగించి, I/O కనెక్షన్‌లను తదనుగుణంగా వెయిట్ చేయవచ్చు. రెండవ ప్రయోగంలో, G0 పరికరం HCS యొక్క వివిధ స్థాయిలకు ప్రోగ్రామ్ చేయబడింది మరియు VIN0 ఇన్‌పుట్‌కు ఇన్‌పుట్ పల్స్ వర్తించబడింది. ఇన్‌పుట్ పల్స్ పరికరం నుండి కరెంట్ (ఐవెయిట్)ను తీసుకుంటుంది, ఇది వాహకత మరియు సంబంధిత సంభావ్య డ్రాప్ Vtop - Vbotకి అనులోమానుపాతంలో ఉంటుంది. ఈ వెయిటెడ్ కరెంట్ అప్పుడు DPI సినాప్సెస్ మరియు LIF అవుట్‌పుట్ న్యూరాన్‌లలోకి ఇంజెక్ట్ చేయబడుతుంది. అవుట్‌పుట్ న్యూరాన్‌ల మెమ్బ్రేన్ వోల్టేజ్ ఓసిల్లోస్కోప్‌ని ఉపయోగించి రికార్డ్ చేయబడింది మరియు Fig. 3dలో ప్రదర్శించబడుతుంది. ఒకే ఇన్‌పుట్ పల్స్‌కు ప్రతిస్పందనగా న్యూరాన్ పొర యొక్క వోల్టేజ్ పీక్ రెసిస్టివ్ మెమరీ యొక్క ప్రవర్తనకు అనులోమానుపాతంలో ఉంటుంది, RRAM సినాప్టిక్ బరువు యొక్క ప్రోగ్రామబుల్ ఎలిమెంట్‌గా ఉపయోగించబడుతుందని నిరూపిస్తుంది. ఈ రెండు ప్రాథమిక పరీక్షలు ప్రతిపాదిత RRAM-ఆధారిత న్యూరోమార్ఫిక్ ప్లాట్‌ఫారమ్ ప్రాథమిక జెఫ్రెస్ మెకానిజం యొక్క ప్రాథమిక అంశాలను అమలు చేయగలదని చూపిస్తుంది, అవి ఆలస్యం లైన్ మరియు యాదృచ్ఛిక డిటెక్టర్ సర్క్యూట్. ఫిగర్ 3bలోని బ్లాక్‌ల వంటి వరుస బ్లాక్‌లను పక్కపక్కనే పేర్చడం ద్వారా మరియు వాటి గేట్‌లను సాధారణ ఇన్‌పుట్ లైన్‌కి కనెక్ట్ చేయడం ద్వారా సర్క్యూట్ ప్లాట్‌ఫారమ్ నిర్మించబడింది. మేము రెండు ఇన్‌పుట్‌లను స్వీకరించే రెండు అవుట్‌పుట్ న్యూరాన్‌లతో కూడిన న్యూరోమార్ఫిక్ ప్లాట్‌ఫారమ్‌ను రూపొందించాము, రూపొందించాము మరియు పరీక్షించాము (Fig. 4a). సర్క్యూట్ రేఖాచిత్రం మూర్తి 4 బిలో చూపబడింది. ఎగువ 2 × 2 RRAM మాతృక ఇన్‌పుట్ పల్స్‌లను రెండు అవుట్‌పుట్ న్యూరాన్‌లకు మళ్లించడానికి అనుమతిస్తుంది, అయితే దిగువ 2 × 2 మాతృక రెండు న్యూరాన్‌ల (N0, N1) పునరావృత కనెక్షన్‌లను అనుమతిస్తుంది. అంజీర్ 4c-eలో ప్రయోగాత్మక కొలతల ద్వారా చూపిన విధంగా, ఈ ప్లాట్‌ఫారమ్‌ను ఆలస్యం లైన్ కాన్ఫిగరేషన్ మరియు రెండు వేర్వేరు యాదృచ్ఛిక గుర్తింపు ఫంక్షన్‌లతో ఉపయోగించవచ్చని మేము ప్రదర్శిస్తాము.
రెండు అవుట్‌పుట్ న్యూరాన్‌ల ద్వారా ఏర్పడిన సర్క్యూట్ రేఖాచిత్రం N0 మరియు N1 రెండు ఇన్‌పుట్‌లు 0 మరియు 1. శ్రేణిలోని మొదటి నాలుగు పరికరాలు ఇన్‌పుట్ నుండి అవుట్‌పుట్ వరకు సినాప్టిక్ కనెక్షన్‌లను నిర్వచిస్తాయి మరియు దిగువ నాలుగు కణాలు న్యూరాన్‌ల మధ్య పునరావృత కనెక్షన్‌లను నిర్వచిస్తాయి. రంగు RRAMలు కుడివైపున HCSలో కాన్ఫిగర్ చేయబడిన పరికరాలను సూచిస్తాయి: HCSలోని పరికరాలు కనెక్షన్‌లను అనుమతిస్తాయి మరియు బరువులను సూచిస్తాయి, అయితే LCSలోని పరికరాలు ఇన్‌పుట్ పల్స్‌లను బ్లాక్ చేస్తాయి మరియు అవుట్‌పుట్‌లకు కనెక్షన్‌లను నిలిపివేస్తాయి. b నీలం రంగులో హైలైట్ చేయబడిన ఎనిమిది RRAM మాడ్యూళ్ళతో సర్క్యూట్ (a) యొక్క రేఖాచిత్రం. c DPI సినాప్సెస్ మరియు LIF న్యూరాన్‌ల డైనమిక్స్‌ని ఉపయోగించడం ద్వారా ఆలస్యం పంక్తులు ఏర్పడతాయి. గ్రీన్ RRAM ఇన్‌పుట్ ఆలస్యం Δt తర్వాత అవుట్‌పుట్‌లో గ్లిచ్‌ను ప్రేరేపించగలిగేంత ఎక్కువ కండక్టెన్సీకి సెట్ చేయబడింది. d టైమ్ డిపెండెంట్ సిగ్నల్స్ యొక్క డైరెక్షన్-ఇన్సెన్సిటివ్ CD డిటెక్షన్ యొక్క స్కీమాటిక్ ఇలస్ట్రేషన్. అవుట్‌పుట్ న్యూరాన్ 1, N1, ఇన్‌పుట్‌లు 0 మరియు 1పై స్వల్ప ఆలస్యంతో కాల్పులు జరుపుతుంది. e డైరెక్షన్ సెన్సిటివ్ CD సర్క్యూట్, ఇన్‌పుట్ 1 ఇన్‌పుట్ 0కి చేరినప్పుడు మరియు ఇన్‌పుట్ 0 తర్వాత వచ్చినప్పుడు గుర్తించే సర్క్యూట్. సర్క్యూట్ యొక్క అవుట్‌పుట్ న్యూరాన్ 1 (N1) ద్వారా సూచించబడుతుంది.
ఆలస్యం లైన్ (Figure 4c) Tdelని ఆలస్యం చేయడం ద్వారా Vin1 నుండి Vout1 వరకు ఇన్‌పుట్ స్పైక్‌ను పునరుత్పత్తి చేయడానికి DPI సినాప్సెస్ మరియు LIF న్యూరాన్‌ల యొక్క డైనమిక్ ప్రవర్తనను ఉపయోగిస్తుంది. Vin1 మరియు Vout1కి కనెక్ట్ చేయబడిన G3 RRAM మాత్రమే HCSలో ప్రోగ్రామ్ చేయబడింది, మిగిలిన RRAMలు LCSలో ప్రోగ్రామ్ చేయబడ్డాయి. ప్రతి ఇన్‌పుట్ పల్స్ థ్రెషోల్డ్‌ను చేరుకోవడానికి మరియు ఆలస్యమైన అవుట్‌పుట్ పల్స్‌ను ఉత్పత్తి చేయడానికి అవుట్‌పుట్ న్యూరాన్ యొక్క మెమ్బ్రేన్ వోల్టేజ్‌ను తగినంతగా పెంచుతుందని నిర్ధారించడానికి G3 పరికరం 92.6 µs కోసం ప్రోగ్రామ్ చేయబడింది. ఆలస్యం Tdel సినాప్టిక్ మరియు నాడీ సమయ స్థిరాంకాలచే నిర్ణయించబడుతుంది. యాదృచ్చిక డిటెక్టర్‌లు తాత్కాలికంగా పరస్పర సంబంధం ఉన్న కానీ ప్రాదేశికంగా పంపిణీ చేయబడిన ఇన్‌పుట్ సిగ్నల్‌ల సంభవాన్ని గుర్తిస్తాయి. డైరెక్షన్-సెన్సిటివ్ CD అనేది ఒక సాధారణ అవుట్‌పుట్ న్యూరాన్‌కి మారే వ్యక్తిగత ఇన్‌పుట్‌లపై ఆధారపడుతుంది (మూర్తి 4d). Vin0 మరియు Vin1లను వరుసగా Vout1, G2 మరియు G4కి అనుసంధానించే రెండు RRAMలు అధిక ప్రసరణ కోసం ప్రోగ్రామ్ చేయబడ్డాయి. Vin0 మరియు Vin1పై ఏకకాలంలో వచ్చే స్పైక్‌లు అవుట్‌పుట్ స్పైక్‌ను ఉత్పత్తి చేయడానికి అవసరమైన థ్రెషోల్డ్ కంటే N1 న్యూరాన్ పొర యొక్క వోల్టేజ్‌ను పెంచుతుంది. రెండు ఇన్‌పుట్‌లు సమయానికి చాలా దూరంగా ఉంటే, మొదటి ఇన్‌పుట్ ద్వారా సేకరించబడిన మెమ్బ్రేన్ వోల్టేజ్‌పై ఛార్జ్ క్షీణించే సమయాన్ని కలిగి ఉండవచ్చు, మెమ్బ్రేన్ పొటెన్షియల్ N1 థ్రెషోల్డ్ విలువను చేరకుండా చేస్తుంది. G1 మరియు G2లు సుమారు 65 µs వరకు ప్రోగ్రామ్ చేయబడ్డాయి, ఇది ఒక ఇన్‌పుట్ సర్జ్ మెమ్బ్రేన్ వోల్టేజ్‌ను అవుట్‌పుట్ ఉప్పెనకు కారణమయ్యేంతగా పెంచదని నిర్ధారిస్తుంది. స్థలం మరియు సమయంలో పంపిణీ చేయబడిన సంఘటనల మధ్య యాదృచ్ఛిక గుర్తింపు అనేది ఆప్టికల్ ఫ్లో బేస్డ్ అబ్స్టాకిల్ ఎగవేత మరియు సౌండ్ సోర్స్ స్థానికీకరణ వంటి విస్తృత శ్రేణి సెన్సింగ్ టాస్క్‌లలో ఉపయోగించే ప్రాథమిక ఆపరేషన్. అందువల్ల, దిశ-సెన్సిటివ్ మరియు సున్నితమైన CDలను కంప్యూటింగ్ చేయడం అనేది దృశ్య మరియు ఆడియో స్థానికీకరణ వ్యవస్థలను నిర్మించడానికి ఒక ప్రాథమిక బిల్డింగ్ బ్లాక్. సమయ స్థిరాంకాల లక్షణాల ద్వారా చూపబడినట్లుగా (సప్లిమెంటరీ ఫిగ్. 2 చూడండి), ప్రతిపాదిత సర్క్యూట్ మాగ్నిట్యూడ్ టైమ్ స్కేల్‌ల యొక్క నాలుగు ఆర్డర్‌ల తగిన పరిధిని అమలు చేస్తుంది. అందువలన, ఇది ఏకకాలంలో దృశ్య మరియు ధ్వని వ్యవస్థల అవసరాలను తీర్చగలదు. డైరెక్షనల్-సెన్సిటివ్ CD అనేది పప్పుల రాక యొక్క ప్రాదేశిక క్రమానికి సున్నితంగా ఉండే సర్క్యూట్: కుడి నుండి ఎడమకు మరియు వైస్ వెర్సా. డ్రోసోఫిలా విజువల్ సిస్టమ్ యొక్క ప్రాథమిక చలన గుర్తింపు నెట్‌వర్క్‌లో ఇది ఒక ప్రాథమిక బిల్డింగ్ బ్లాక్, ఇది చలన దిశలను లెక్కించడానికి మరియు ఘర్షణలను గుర్తించడానికి ఉపయోగించబడుతుంది. దిశ-సెన్సిటివ్ CDని సాధించడానికి, రెండు ఇన్‌పుట్‌లు తప్పనిసరిగా రెండు వేర్వేరు న్యూరాన్‌లకు (N0, N1) నిర్దేశించబడాలి మరియు వాటి మధ్య డైరెక్షనల్ కనెక్షన్‌ని ఏర్పాటు చేయాలి (Fig. 4e). మొదటి ఇన్‌పుట్ అందుకున్నప్పుడు, NO దాని పొరపై వోల్టేజ్‌ను థ్రెషోల్డ్ విలువ కంటే పెంచడం ద్వారా మరియు ఉప్పెనను పంపడం ద్వారా ప్రతిస్పందిస్తుంది. ఈ అవుట్‌పుట్ ఈవెంట్, ఆకుపచ్చ రంగులో హైలైట్ చేయబడిన డైరెక్షనల్ కనెక్షన్‌కు N1 కృతజ్ఞతలు. ఒక ఇన్‌పుట్ ఈవెంట్ Vin1 వచ్చి, దాని మెమ్బ్రేన్ వోల్టేజ్ ఇంకా ఎక్కువగా ఉన్నప్పుడు N1ని శక్తివంతం చేస్తే, N1 రెండు ఇన్‌పుట్‌ల మధ్య మ్యాచ్ కనుగొనబడిందని సూచించే అవుట్‌పుట్ ఈవెంట్‌ను ఉత్పత్తి చేస్తుంది. ఇన్‌పుట్ 0 తర్వాత ఇన్‌పుట్ 1 వచ్చినప్పుడు మాత్రమే డైరెక్షనల్ కనెక్షన్‌లు N1 అవుట్‌పుట్‌ను విడుదల చేయడానికి అనుమతిస్తాయి. G0, G3 మరియు G7 వరుసగా 73.5 µS, 67.3 µS మరియు 40.2 µSలకు ప్రోగ్రామ్ చేయబడతాయి, ఇన్‌పుట్ Vin0పై ఒక్క స్పైక్ ఆలస్యం అవుతుందని నిర్ధారిస్తుంది. అవుట్‌పుట్ స్పైక్, అయితే రెండు ఇన్‌పుట్ బర్స్ట్‌లు సమకాలీకరించబడినప్పుడు మాత్రమే N1 యొక్క మెమ్బ్రేన్ పొటెన్షియల్ థ్రెషోల్డ్‌కు చేరుకుంటుంది. .
మోడల్ చేసిన న్యూరోమోర్ఫిక్ సిస్టమ్స్63,64,65లో వైవిధ్యం అసంపూర్ణతకు మూలం. ఇది న్యూరాన్లు మరియు సినాప్సెస్ యొక్క భిన్నమైన ప్రవర్తనకు దారితీస్తుంది. అటువంటి ప్రతికూలతలకు ఉదాహరణలు ఇన్‌పుట్ లాభంలో 30% (సగటు ప్రామాణిక విచలనం) వైవిధ్యం, సమయ స్థిరాంకం మరియు వక్రీభవన కాలం, పేరు పెట్టడానికి కానీ కొన్ని (పద్ధతులు చూడండి). రెండు న్యూరాన్‌లతో కూడిన ఓరియంటేషన్-సెన్సిటివ్ CD వంటి బహుళ న్యూరల్ సర్క్యూట్‌లు ఒకదానితో ఒకటి అనుసంధానించబడినప్పుడు ఈ సమస్య మరింత ఎక్కువగా కనిపిస్తుంది. సరిగ్గా పని చేయడానికి, రెండు న్యూరాన్ల యొక్క లాభం మరియు క్షయం సమయ స్థిరాంకాలు వీలైనంత సమానంగా ఉండాలి. ఉదాహరణకు, ఇన్‌పుట్ లాభంలో పెద్ద వ్యత్యాసం ఒక న్యూరాన్ ఇన్‌పుట్ పల్స్‌కి అతిగా స్పందించడానికి కారణమవుతుంది, అయితే మరొక న్యూరాన్ కేవలం ప్రతిస్పందిస్తుంది. అంజీర్ న. యాదృచ్ఛికంగా ఎంచుకున్న న్యూరాన్లు ఒకే ఇన్‌పుట్ పల్స్‌కు భిన్నంగా స్పందిస్తాయని మూర్తి 5a చూపిస్తుంది. ఈ నాడీ వైవిధ్యం సంబంధితంగా ఉంటుంది, ఉదాహరణకు, దిశ-సెన్సిటివ్ CDల పనితీరుకు. అంజీర్లో చూపిన పథకంలో. 5b, c, న్యూరాన్ 1 యొక్క ఇన్‌పుట్ లాభం న్యూరాన్ 0 కంటే చాలా ఎక్కువ. అందువల్ల, న్యూరాన్ 0కి థ్రెషోల్డ్‌ను చేరుకోవడానికి మూడు ఇన్‌పుట్ పల్స్ (1కి బదులుగా) అవసరం మరియు న్యూరాన్ 1కి ఊహించిన విధంగా రెండు ఇన్‌పుట్ ఈవెంట్‌లు అవసరం. స్పైక్ టైమ్-డిపెండెంట్ బయోమిమెటిక్ ప్లాస్టిసిటీ (STDP)ని అమలు చేయడం అనేది సిస్టమ్ పనితీరుపై ఖచ్చితమైన మరియు నిదానమైన న్యూరల్ మరియు సినాప్టిక్ సర్క్యూట్‌ల ప్రభావాన్ని తగ్గించడానికి సాధ్యమయ్యే మార్గం. న్యూరల్ ఇన్‌పుట్ మెరుగుదలని ప్రభావితం చేసే మరియు న్యూరోమార్ఫిక్ సర్క్యూట్‌లలో వైవిధ్యం యొక్క ప్రభావాలను తగ్గించే సాధనంగా రెసిస్టివ్ మెమరీ యొక్క ప్లాస్టిక్ ప్రవర్తనను ఉపయోగించాలని ఇక్కడ మేము ప్రతిపాదించాము. అంజీర్లో చూపిన విధంగా. 4eలో, RRAM సినాప్టిక్ ద్రవ్యరాశితో అనుబంధించబడిన కండక్టెన్స్ స్థాయిలు సంబంధిత న్యూరల్ మెమ్బ్రేన్ వోల్టేజ్ ప్రతిస్పందనను సమర్థవంతంగా మాడ్యులేట్ చేస్తాయి. మేము పునరావృతమయ్యే RRAM ప్రోగ్రామింగ్ వ్యూహాన్ని ఉపయోగిస్తాము. ఇచ్చిన ఇన్‌పుట్ కోసం, సర్క్యూట్ యొక్క లక్ష్య ప్రవర్తనను పొందే వరకు సినాప్టిక్ బరువుల యొక్క వాహక విలువలు రీప్రోగ్రామ్ చేయబడతాయి (పద్ధతులు చూడండి).
ఒకే ఇన్‌పుట్ పల్స్‌కు యాదృచ్ఛికంగా ఎంపిక చేయబడిన తొమ్మిది వ్యక్తిగత న్యూరాన్‌ల ప్రతిస్పందన యొక్క ప్రయోగాత్మక కొలతలు. ప్రతిస్పందన జనాభా అంతటా మారుతూ ఉంటుంది, ఇన్‌పుట్ లాభం మరియు సమయ స్థిరాంకాన్ని ప్రభావితం చేస్తుంది. b దిశ-సెన్సిటివ్ CDని ప్రభావితం చేసే న్యూరాన్ల వైవిధ్యంపై న్యూరాన్ల ప్రభావం యొక్క ప్రయోగాత్మక కొలతలు. న్యూరాన్-టు-న్యూరాన్ వైవిధ్యం కారణంగా రెండు దిశ-సెన్సిటివ్ CD అవుట్‌పుట్ న్యూరాన్‌లు ఇన్‌పుట్ ఉద్దీపనలకు భిన్నంగా స్పందిస్తాయి. న్యూరాన్ 0 న్యూరాన్ 1 కంటే తక్కువ ఇన్‌పుట్ లాభం కలిగి ఉంది, కాబట్టి అవుట్‌పుట్ స్పైక్‌ను సృష్టించడానికి మూడు ఇన్‌పుట్ పల్స్ (1కి బదులుగా) పడుతుంది. ఊహించినట్లుగా, న్యూరాన్ 1 రెండు ఇన్‌పుట్ ఈవెంట్‌లతో థ్రెషోల్డ్‌కు చేరుకుంటుంది. న్యూరాన్ 0 మంటల తర్వాత ఇన్‌పుట్ 1 Δt = 50 µs వచ్చినట్లయితే, CD నిశ్శబ్దంగా ఉంటుంది ఎందుకంటే Δt న్యూరాన్ 1 (సుమారు 22 µs) సమయ స్థిరాంకం కంటే ఎక్కువగా ఉంటుంది. c Δt = 20 µs ద్వారా తగ్గించబడుతుంది, తద్వారా న్యూరాన్ 1′s ఫైరింగ్ ఇంకా ఎక్కువగా ఉన్నప్పుడు ఇన్‌పుట్ 1 గరిష్ట స్థాయికి చేరుకుంటుంది, ఫలితంగా రెండు ఇన్‌పుట్ ఈవెంట్‌లను ఏకకాలంలో గుర్తించవచ్చు.
ITD గణన కాలమ్‌లో ఉపయోగించే రెండు మూలకాలు ఆలస్యం లైన్ మరియు డైరెక్షన్ ఇన్‌సెన్సిటివ్ CD. మంచి ఆబ్జెక్ట్ పొజిషనింగ్ పనితీరును నిర్ధారించడానికి రెండు సర్క్యూట్‌లకు ఖచ్చితమైన క్రమాంకనం అవసరం. ఆలస్యం లైన్ తప్పనిసరిగా ఇన్‌పుట్ పీక్ (Fig. 6a) యొక్క ఖచ్చితమైన ఆలస్యమైన సంస్కరణను అందించాలి మరియు ఇన్‌పుట్ లక్ష్య గుర్తింపు పరిధిలోకి వచ్చినప్పుడు మాత్రమే CD సక్రియం చేయబడాలి. ఆలస్యం లైన్ కోసం, లక్ష్య ఆలస్యం పొందే వరకు ఇన్‌పుట్ కనెక్షన్‌ల సినాప్టిక్ బరువులు (Fig. 4aలో G3) రీప్రోగ్రామ్ చేయబడ్డాయి. ప్రోగ్రామ్‌ను ఆపడానికి లక్ష్యం ఆలస్యం చుట్టూ సహనాన్ని సెట్ చేయండి: సహనం చిన్నది, ఆలస్యం లైన్‌ను విజయవంతంగా సెట్ చేయడం మరింత కష్టం. అంజీర్ న. మూర్తి 6b ఆలస్యం లైన్ క్రమాంకనం ప్రక్రియ యొక్క ఫలితాలను చూపుతుంది: ప్రతిపాదిత పథకం డిజైన్ పథకంలో (10 నుండి 300 μs వరకు) అవసరమైన అన్ని జాప్యాలను ఖచ్చితంగా అందించగలదని చూడవచ్చు. గరిష్ట సంఖ్యలో అమరిక పునరావృత్తులు అమరిక ప్రక్రియ యొక్క నాణ్యతను ప్రభావితం చేస్తాయి: 200 పునరావృత్తులు లోపాన్ని 5% కంటే తక్కువకు తగ్గించగలవు. ఒక అమరిక పునరావృతం RRAM సెల్ యొక్క సెట్/రీసెట్ ఆపరేషన్‌కు అనుగుణంగా ఉంటుంది. CD మాడ్యూల్ ఇన్‌స్టంట్ క్లోజ్ ఈవెంట్ డిటెక్షన్ యొక్క ఖచ్చితత్వాన్ని మెరుగుపరచడానికి ట్యూనింగ్ ప్రక్రియ కూడా కీలకం. 95% (చిత్రం 6cలో నీలి రేఖ) పైన నిజమైన సానుకూల రేటు (అంటే, సంబంధితంగా సరిగ్గా గుర్తించబడిన ఈవెంట్‌ల రేటు) సాధించడానికి పది అమరిక పునరావృత్తులు పట్టింది. అయినప్పటికీ, ట్యూనింగ్ ప్రక్రియ తప్పుడు సానుకూల సంఘటనలను ప్రభావితం చేయలేదు (అంటే, సంబంధితంగా తప్పుగా గుర్తించబడిన సంఘటనల ఫ్రీక్వెన్సీ). త్వరితగతిన సక్రియం చేసే మార్గాల సమయ పరిమితులను అధిగమించడానికి జీవ వ్యవస్థలలో గమనించిన మరొక పద్ధతి రిడెండెన్సీ (అనగా, ఇచ్చిన ఫంక్షన్‌ను నిర్వహించడానికి ఒకే వస్తువు యొక్క అనేక కాపీలు ఉపయోగించబడతాయి). జీవశాస్త్రం 66 నుండి ప్రేరణ పొంది, తప్పుడు పాజిటివ్‌ల ప్రభావాన్ని తగ్గించడానికి మేము ప్రతి CD మాడ్యూల్‌లో రెండు ఆలస్యం లైన్‌ల మధ్య అనేక CD సర్క్యూట్‌లను ఉంచాము. అంజీర్లో చూపిన విధంగా. 6c (గ్రీన్ లైన్), ప్రతి CD మాడ్యూల్‌లో మూడు CD మూలకాలను ఉంచడం వలన తప్పుడు అలారం రేటును 10–2 కంటే తక్కువకు తగ్గించవచ్చు.
ఆలస్యం లైన్ సర్క్యూట్‌లపై న్యూరానల్ వేరియబిలిటీ ప్రభావం. b సంబంధిత LIF న్యూరాన్లు మరియు DPI సినాప్సెస్ యొక్క సమయ స్థిరాంకాలను పెద్ద విలువలకు సెట్ చేయడం ద్వారా ఆలస్యం లైన్ సర్క్యూట్‌లను పెద్ద ఆలస్యాలకు స్కేల్ చేయవచ్చు. RRAM అమరిక ప్రక్రియ యొక్క పునరావృతాల సంఖ్యను పెంచడం వలన లక్ష్య ఆలస్యం యొక్క ఖచ్చితత్వాన్ని గణనీయంగా మెరుగుపరచడం సాధ్యమైంది: 200 పునరావృత్తులు లోపాన్ని 5% కంటే తక్కువకు తగ్గించాయి. ఒక పునరావృతం RRAM సెల్‌లో SET/RESET ఆపరేషన్‌కు అనుగుణంగా ఉంటుంది. c Jeffress మోడల్‌లోని ప్రతి CD మాడ్యూల్ సిస్టమ్ వైఫల్యాలకు సంబంధించి ఎక్కువ సౌలభ్యం కోసం N సమాంతర CD మూలకాలను ఉపయోగించి అమలు చేయవచ్చు. d మరిన్ని RRAM అమరిక పునరావృత్తులు నిజమైన సానుకూల రేటును (బ్లూ లైన్) పెంచుతాయి, అయితే తప్పుడు సానుకూల రేటు పునరావృతాల సంఖ్య (గ్రీన్ లైన్) నుండి స్వతంత్రంగా ఉంటుంది. మరిన్ని CD మూలకాలను సమాంతరంగా ఉంచడం వలన CD మాడ్యూల్ మ్యాచ్‌ల తప్పుడు గుర్తింపును నివారిస్తుంది.
మేము ఇప్పుడు pMUT సెన్సార్, CD మరియు న్యూరోమోర్ఫిక్ కంప్యూటింగ్ గ్రాఫ్‌ను రూపొందించే డిలే లైన్ సర్క్యూట్‌ల శబ్ద లక్షణాల కొలతలను ఉపయోగించి మూర్తి 2లో చూపిన ఎండ్-టు-ఎండ్ ఇంటిగ్రేటెడ్ ఆబ్జెక్ట్ లోకలైజేషన్ సిస్టమ్ పనితీరు మరియు పవర్ వినియోగాన్ని అంచనా వేస్తాము. జెఫ్రెస్ మోడల్ (Fig. 1a). న్యూరోమోర్ఫిక్ కంప్యూటింగ్ గ్రాఫ్ విషయానికొస్తే, CD మాడ్యూళ్ల సంఖ్య ఎక్కువ, కోణీయ రిజల్యూషన్ మెరుగ్గా ఉంటుంది, కానీ సిస్టమ్ యొక్క అధిక శక్తి (Fig. 7a). మొత్తం సిస్టమ్ యొక్క ఖచ్చితత్వంతో వ్యక్తిగత భాగాలు (pMUT సెన్సార్లు, న్యూరాన్లు మరియు సినాప్టిక్ సర్క్యూట్‌లు) యొక్క ఖచ్చితత్వాన్ని పోల్చడం ద్వారా రాజీని చేరుకోవచ్చు. ఆలస్యం రేఖ యొక్క రిజల్యూషన్ అనుకరణ సినాప్సెస్ మరియు న్యూరాన్‌ల సమయ స్థిరాంకాల ద్వారా పరిమితం చేయబడింది, ఇది మా పథకంలో 10 µs కంటే ఎక్కువగా ఉంటుంది, ఇది 4° కోణీయ రిజల్యూషన్‌కు అనుగుణంగా ఉంటుంది (పద్ధతులు చూడండి). CMOS సాంకేతికతతో మరింత అధునాతన నోడ్‌లు తక్కువ సమయ స్థిరాంకాలతో న్యూరల్ మరియు సినాప్టిక్ సర్క్యూట్‌ల రూపకల్పనను అనుమతిస్తుంది, ఫలితంగా ఆలస్యం లైన్ మూలకాల యొక్క అధిక ఖచ్చితత్వం ఉంటుంది. అయినప్పటికీ, మా సిస్టమ్‌లో, కోణీయ స్థానాన్ని అంచనా వేయడంలో pMUT లోపం ద్వారా ఖచ్చితత్వం పరిమితం చేయబడింది, అనగా 10° (Fig. 7aలో నీలిరంగు క్షితిజ సమాంతర రేఖ). మేము CD మాడ్యూల్స్ సంఖ్యను 40 వద్ద పరిష్కరించాము, ఇది సుమారు 4° కోణీయ రిజల్యూషన్‌కు అనుగుణంగా ఉంటుంది, అనగా, గణన గ్రాఫ్ యొక్క కోణీయ ఖచ్చితత్వం (Fig. 7aలో లేత నీలం సమాంతర రేఖ). సిస్టమ్ స్థాయిలో, ఇది సెన్సార్ సిస్టమ్‌కు ముందు 50 సెం.మీ దూరంలో ఉన్న వస్తువులకు 4° రిజల్యూషన్ మరియు 10° ఖచ్చితత్వాన్ని ఇస్తుంది. ఈ విలువ ref లో నివేదించబడిన న్యూరోమోర్ఫిక్ సౌండ్ లోకలైజేషన్ సిస్టమ్‌లతో పోల్చవచ్చు. 67. ప్రతిపాదిత సిస్టమ్‌ని అత్యాధునిక స్థితితో పోల్చడం అనుబంధ పట్టిక 1లో చూడవచ్చు. అదనపు pMUTలను జోడించడం, శబ్ద సంకేత స్థాయిని పెంచడం మరియు ఎలక్ట్రానిక్ శబ్దాన్ని తగ్గించడం వంటివి స్థానికీకరణ ఖచ్చితత్వాన్ని మరింత మెరుగుపరచడానికి సాధ్యమయ్యే మార్గాలు. 9.7గా అంచనా వేయబడింది. nz. 55. కంప్యూటేషనల్ గ్రాఫ్‌లో 40 CD యూనిట్‌లు ఇవ్వబడినందున, SPICE అనుకరణ ప్రతి ఆపరేషన్‌కు శక్తిని (అంటే, ఆబ్జెక్ట్ పొజిషనింగ్ ఎనర్జీ) 21.6 nJగా అంచనా వేసింది. ఒక ఇన్‌పుట్ ఈవెంట్ వచ్చినప్పుడు మాత్రమే న్యూరోమోర్ఫిక్ సిస్టమ్ యాక్టివేట్ చేయబడుతుంది, అనగా శబ్ద తరంగం ఏదైనా pMUT రిసీవర్‌కు చేరినప్పుడు మరియు గుర్తింపు థ్రెషోల్డ్‌ను అధిగమించినప్పుడు, లేకుంటే అది నిష్క్రియంగా ఉంటుంది. ఇన్‌పుట్ సిగ్నల్ లేనప్పుడు ఇది అనవసరమైన విద్యుత్ వినియోగాన్ని నివారిస్తుంది. 100 Hz యొక్క స్థానికీకరణ కార్యకలాపాల ఫ్రీక్వెన్సీని మరియు ప్రతి ఆపరేషన్‌కు 300 µs క్రియాశీలత వ్యవధిని పరిగణనలోకి తీసుకుంటే (గరిష్ట సాధ్యమైన ITD), న్యూరోమార్ఫిక్ కంప్యూటింగ్ గ్రాఫ్ యొక్క శక్తి వినియోగం 61.7 nW. ప్రతి pMUT రిసీవర్‌కు న్యూరోమార్ఫిక్ ప్రీ-ప్రాసెసింగ్ వర్తింపజేయడంతో, మొత్తం సిస్టమ్ యొక్క విద్యుత్ వినియోగం 81.6 nWకి చేరుకుంటుంది. సాంప్రదాయ హార్డ్‌వేర్‌తో పోలిస్తే ప్రతిపాదిత న్యూరోమార్ఫిక్ విధానం యొక్క శక్తి సామర్థ్యాన్ని అర్థం చేసుకోవడానికి, మేము ఈ సంఖ్యను న్యూరోమార్ఫిక్ లేదా సాంప్రదాయ బీమ్‌ఫార్మింగ్68 నైపుణ్యాన్ని ఉపయోగించి ఆధునిక తక్కువ పవర్ మైక్రోకంట్రోలర్‌లో అదే పనిని నిర్వహించడానికి అవసరమైన శక్తితో పోల్చాము. న్యూరోమోర్ఫిక్ విధానం అనలాగ్-టు-డిజిటల్ కన్వర్టర్ (ADC) దశను పరిగణిస్తుంది, తర్వాత బ్యాండ్-పాస్ ఫిల్టర్ మరియు ఎన్వలప్ వెలికితీత దశ (టీగర్-కైజర్ పద్ధతి) ఉంటుంది. చివరగా, ToFని సంగ్రహించడానికి థ్రెషోల్డ్ ఆపరేషన్ చేయబడుతుంది. మేము ToF ఆధారంగా ITD యొక్క గణనను మరియు అంచనా వేయబడిన కోణీయ స్థానానికి మార్చడాన్ని విస్మరించాము ఎందుకంటే ఇది ప్రతి కొలతకు ఒకసారి జరుగుతుంది (పద్ధతులు చూడండి). రెండు ఛానెల్‌లలో (pMUT రిసీవర్‌లు), 18 బ్యాండ్ పాస్ ఫిల్టర్ ఆపరేషన్‌లు, 3 ఎన్వలప్ ఎక్స్‌ట్రాక్షన్ ఆపరేషన్‌లు మరియు ప్రతి నమూనాకు 1 థ్రెషోల్డ్ ఆపరేషన్‌లో 250 kHz నమూనా రేటును ఊహించి, మొత్తం విద్యుత్ వినియోగం 245 మైక్రోవాట్‌లుగా అంచనా వేయబడింది. ఇది మైక్రోకంట్రోలర్ యొక్క తక్కువ-పవర్ మోడ్69ని ఉపయోగిస్తుంది, ఇది అల్గారిథమ్‌లు అమలు చేయనప్పుడు ఆన్ అవుతుంది, ఇది విద్యుత్ వినియోగాన్ని 10.8 µWకి తగ్గిస్తుంది. సూచనలో ప్రతిపాదించబడిన బీమ్ఫార్మింగ్ సిగ్నల్ ప్రాసెసింగ్ సొల్యూషన్ యొక్క విద్యుత్ వినియోగం. 31, 5 pMUT రిసీవర్లు మరియు 11 కిరణాలు అజిముత్ ప్లేన్‌లో ఏకరీతిగా పంపిణీ చేయబడతాయి [-50°, +50°], 11.71 mW (వివరాల కోసం మెథడ్స్ విభాగాన్ని చూడండి). అదనంగా, మేము FPGA47-ఆధారిత టైమ్ డిఫరెన్స్ ఎన్‌కోడర్ (TDE) యొక్క విద్యుత్ వినియోగాన్ని 1.5 mW వద్ద ఆబ్జెక్ట్ స్థానికీకరణ కోసం జెఫ్రెస్ మోడల్‌కు ప్రత్యామ్నాయంగా అంచనా వేస్తాము. ఈ అంచనాల ఆధారంగా, ఆబ్జెక్ట్ స్థానికీకరణ కార్యకలాపాల కోసం క్లాసికల్ బీమ్‌ఫార్మింగ్ టెక్నిక్‌లను ఉపయోగించి మైక్రోకంట్రోలర్‌తో పోలిస్తే ప్రతిపాదిత న్యూరోమార్ఫిక్ విధానం విద్యుత్ వినియోగాన్ని ఐదు ఆర్డర్‌ల పరిమాణంలో తగ్గిస్తుంది. క్లాసిక్ మైక్రోకంట్రోలర్‌పై సిగ్నల్ ప్రాసెసింగ్‌కు న్యూరోమార్ఫిక్ విధానాన్ని అవలంబించడం వల్ల విద్యుత్ వినియోగాన్ని దాదాపు రెండు ఆర్డర్‌ల పరిమాణంలో తగ్గిస్తుంది. ప్రతిపాదిత వ్యవస్థ యొక్క ప్రభావాన్ని అసమకాలిక రెసిస్టివ్-మెమరీ అనలాగ్ సర్క్యూట్ కలయికతో వివరించవచ్చు, ఇది ఇన్-మెమరీ గణనలను నిర్వహించగలదు మరియు సిగ్నల్‌లను గ్రహించడానికి అవసరమైన అనలాగ్-టు-డిజిటల్ మార్పిడి లేకపోవడం.
CD మాడ్యూళ్ల సంఖ్యపై ఆధారపడి స్థానికీకరణ ఆపరేషన్ యొక్క కోణీయ రిజల్యూషన్ (నీలం) మరియు విద్యుత్ వినియోగం (ఆకుపచ్చ). ముదురు నీలం క్షితిజ సమాంతర పట్టీ PMUT యొక్క కోణీయ ఖచ్చితత్వాన్ని సూచిస్తుంది మరియు లేత నీలం క్షితిజ సమాంతర పట్టీ న్యూరోమోర్ఫిక్ గణన గ్రాఫ్ యొక్క కోణీయ ఖచ్చితత్వాన్ని సూచిస్తుంది. బి ప్రతిపాదిత సిస్టమ్ యొక్క విద్యుత్ వినియోగం మరియు మైక్రోకంట్రోలర్ అమలులు మరియు టైమ్ డిఫరెన్స్ ఎన్‌కోడర్ (TDE)47 FPGA యొక్క డిజిటల్ ఇంప్లిమెంటేషన్‌తో పోల్చడం.
లక్ష్య స్థానికీకరణ వ్యవస్థ యొక్క విద్యుత్ వినియోగాన్ని తగ్గించడానికి, మేము ఒక సమర్థవంతమైన, ఈవెంట్-ఆధారిత RRAM-ఆధారిత న్యూరోమోర్ఫిక్ సర్క్యూట్‌ను రూపొందించాము, రూపొందించాము మరియు అమలు చేసాము, ఇది లక్ష్య వస్తువు యొక్క స్థానాన్ని వాస్తవంగా లెక్కించడానికి అంతర్నిర్మిత సెన్సార్‌ల ద్వారా రూపొందించబడిన సిగ్నల్ సమాచారాన్ని ప్రాసెస్ చేస్తుంది. సమయం. . సాంప్రదాయిక ప్రాసెసింగ్ పద్ధతులు నిరంతరంగా గుర్తించబడిన సిగ్నల్‌లను శాంపిల్ చేస్తాయి మరియు ఉపయోగకరమైన సమాచారాన్ని సేకరించేందుకు గణనలను నిర్వహిస్తుండగా, ప్రతిపాదిత న్యూరోమార్ఫిక్ సొల్యూషన్ ఉపయోగకరమైన సమాచారం వచ్చినప్పుడు అసమకాలికంగా గణనలను నిర్వహిస్తుంది, ఐదు ఆర్డర్‌ల మాగ్నిట్యూడ్ ద్వారా సిస్టమ్ పవర్ సామర్థ్యాన్ని పెంచుతుంది. అదనంగా, మేము RRAM-ఆధారిత న్యూరోమార్ఫిక్ సర్క్యూట్‌ల సౌలభ్యాన్ని హైలైట్ చేస్తాము. అస్థిర పద్ధతిలో (ప్లాస్టిసిటీ) కండక్టెన్సీని మార్చడానికి RRAM యొక్క సామర్థ్యం అల్ట్రా-తక్కువ శక్తి అనలాగ్ DPI యొక్క సినాప్టిక్ మరియు న్యూరల్ సర్క్యూట్‌ల యొక్క స్వాభావిక వైవిధ్యాన్ని భర్తీ చేస్తుంది. ఇది ఈ RRAM-ఆధారిత సర్క్యూట్‌ను బహుముఖంగా మరియు శక్తివంతమైనదిగా చేస్తుంది. మా లక్ష్యం సిగ్నల్స్ నుండి సంక్లిష్టమైన విధులు లేదా నమూనాలను సంగ్రహించడం కాదు, నిజ సమయంలో వస్తువులను స్థానికీకరించడం. మా సిస్టమ్ సిగ్నల్‌ను సమర్ధవంతంగా కుదించగలదు మరియు అవసరమైనప్పుడు మరింత క్లిష్టమైన నిర్ణయాలు తీసుకోవడానికి తదుపరి ప్రాసెసింగ్ దశలకు పంపుతుంది. స్థానికీకరణ అప్లికేషన్ల సందర్భంలో, మా న్యూరోమార్ఫిక్ ప్రిప్రాసెసింగ్ దశ వస్తువుల స్థానం గురించి సమాచారాన్ని అందిస్తుంది. ఈ సమాచారాన్ని చలన గుర్తింపు లేదా సంజ్ఞ గుర్తింపు కోసం ఉదాహరణకు ఉపయోగించవచ్చు. అల్ట్రా లో పవర్ ఎలక్ట్రానిక్స్‌తో pMUTల వంటి అల్ట్రా తక్కువ పవర్ సెన్సార్‌లను కలపడం యొక్క ప్రాముఖ్యతను మేము నొక్కిచెబుతున్నాము. దీని కోసం, న్యూరోమార్ఫిక్ విధానాలు కీలకమైనవి, ఎందుకంటే అవి జెఫ్రెస్ మోడల్ వంటి జీవశాస్త్రపరంగా ప్రేరేపిత గణన పద్ధతుల యొక్క కొత్త సర్క్యూట్ అమలులను అభివృద్ధి చేయడానికి దారితీశాయి. సెన్సార్ ఫ్యూజన్ అప్లికేషన్‌ల సందర్భంలో, మరింత ఖచ్చితమైన సమాచారాన్ని పొందడానికి మా సిస్టమ్‌ని అనేక విభిన్న ఈవెంట్-ఆధారిత సెన్సార్‌లతో కలపవచ్చు. గుడ్లగూబలు చీకటిలో ఎరను కనుగొనడంలో అద్భుతమైనవి అయినప్పటికీ, అవి అద్భుతమైన కంటిచూపును కలిగి ఉంటాయి మరియు ఎరను పట్టుకునే ముందు శ్రవణ మరియు దృశ్య శోధనను నిర్వహిస్తాయి. ఒక నిర్దిష్ట శ్రవణ న్యూరాన్ కాల్చినప్పుడు, గుడ్లగూబ దాని దృశ్య శోధనను ఏ దిశలో ప్రారంభించాలో నిర్ణయించడానికి అవసరమైన సమాచారాన్ని అందుకుంటుంది, తద్వారా దృశ్య దృశ్యంలో ఒక చిన్న భాగంపై దాని దృష్టిని కేంద్రీకరిస్తుంది. విజువల్ సెన్సార్ల కలయిక (DVS కెమెరా) మరియు ప్రతిపాదిత లిజనింగ్ సెన్సార్ (pMUT ఆధారంగా) భవిష్యత్ స్వయంప్రతిపత్త ఏజెంట్ల అభివృద్ధి కోసం అన్వేషించబడాలి.
pMUT సెన్సార్ PCBలో రెండు రిసీవర్‌ల మధ్య సుమారు 10 సెం.మీ దూరంలో ఉంది మరియు ట్రాన్స్‌మిటర్ రిసీవర్‌ల మధ్య ఉంటుంది. ఈ పనిలో, ప్రతి పొర పైజోఎలెక్ట్రిక్ అల్యూమినియం నైట్రైడ్ (AlN) 800 nm మందపాటి మాలిబ్డినం (Mo) యొక్క మూడు పొరల మధ్య 200 nm మందం మరియు 200 nm మందపాటి పొరతో పూతతో కూడిన రెండు పొరలను కలిగి ఉండే సస్పెండ్ చేయబడిన బైమార్ఫ్ నిర్మాణం. సూచనలో వివరించిన విధంగా టాప్ పాసివేటింగ్ SiN లేయర్. 71. లోపలి మరియు బయటి ఎలక్ట్రోడ్‌లు మాలిబ్డినం యొక్క దిగువ మరియు పై పొరలకు వర్తించబడతాయి, అయితే మధ్య మాలిబ్డినం ఎలక్ట్రోడ్ నమూనా లేకుండా మరియు ఒక గ్రౌండ్‌గా ఉపయోగించబడుతుంది, ఫలితంగా నాలుగు జతల ఎలక్ట్రోడ్‌లతో పొర ఏర్పడుతుంది.
ఈ ఆర్కిటెక్చర్ ఒక సాధారణ పొర వైకల్యాన్ని ఉపయోగించడాన్ని అనుమతిస్తుంది, దీని ఫలితంగా మెరుగైన ప్రసారం మరియు సున్నితత్వాన్ని స్వీకరించడం జరుగుతుంది. అటువంటి pMUT సాధారణంగా ఉద్గారిణిగా 700 nm/V యొక్క ఉత్తేజిత సున్నితత్వాన్ని ప్రదర్శిస్తుంది, ఇది 270 Pa/V ఉపరితల పీడనాన్ని అందిస్తుంది. రిసీవర్‌గా, ఒక pMUT ఫిల్మ్ 15 nA/Pa యొక్క షార్ట్ సర్క్యూట్ సెన్సిటివిటీని ప్రదర్శిస్తుంది, ఇది నేరుగా AlN యొక్క పైజోఎలెక్ట్రిక్ కోఎఫీషియంట్‌కు సంబంధించినది. AlN లేయర్‌లోని వోల్టేజ్ యొక్క సాంకేతిక వైవిధ్యం ప్రతిధ్వని ఫ్రీక్వెన్సీలో మార్పుకు దారితీస్తుంది, ఇది pMUTకి DC బయాస్‌ని వర్తింపజేయడం ద్వారా భర్తీ చేయబడుతుంది. DC సున్నితత్వం 0.5 kHz/V వద్ద కొలుస్తారు. అకౌస్టిక్ క్యారెక్టరైజేషన్ కోసం, pMUT ముందు మైక్రోఫోన్ ఉపయోగించబడుతుంది.
ప్రతిధ్వని పల్స్‌ను కొలవడానికి, మేము వెలువడే ధ్వని తరంగాలను ప్రతిబింబించేలా pMUT ముందు సుమారు 50 సెం.మీ2 వైశాల్యంతో దీర్ఘచతురస్రాకార ప్లేట్‌ను ఉంచాము. ప్లేట్ల మధ్య దూరం మరియు pMUT విమానానికి సంబంధించిన కోణం రెండూ ప్రత్యేక హోల్డర్‌లను ఉపయోగించి నియంత్రించబడతాయి. Tectronix CPX400DP వోల్టేజ్ మూలం మూడు pMUT పొరలను పక్షపాతం చేస్తుంది, ప్రతిధ్వని ఫ్రీక్వెన్సీని 111.9 kHz31కి ట్యూన్ చేస్తుంది, అయితే ట్రాన్స్‌మిటర్‌లు ప్రతిధ్వనించే ఫ్రీక్వెన్సీకి ట్యూన్ చేయబడిన Tectronix AFG 3102 పల్స్ జనరేటర్ ద్వారా నడపబడతాయి (111.0 డ్యూటీ సైకిల్ 111.0 kHz). ప్రతి pMUT రిసీవర్ యొక్క నాలుగు అవుట్‌పుట్ పోర్ట్‌ల నుండి చదివే కరెంట్‌లు ప్రత్యేక అవకలన కరెంట్ మరియు వోల్టేజ్ ఆర్కిటెక్చర్‌ని ఉపయోగించి వోల్టేజీలుగా మార్చబడతాయి మరియు ఫలితంగా సంకేతాలు స్పెక్ట్రమ్ డేటా అక్విజిషన్ సిస్టమ్ ద్వారా డిజిటలైజ్ చేయబడతాయి. గుర్తించే పరిమితి వివిధ పరిస్థితులలో pMUT సిగ్నల్ సముపార్జన ద్వారా వర్గీకరించబడింది: మేము రిఫ్లెక్టర్‌ను వేర్వేరు దూరాలకు [30, 40, 50, 60, 80, 100] సెం.మీ.కు తరలించాము మరియు pMUT మద్దతు కోణాన్ని మార్చాము ([0, 20, 40] o ) Figure 2b డిగ్రీలలో సంబంధిత కోణీయ స్థానం ఆధారంగా తాత్కాలిక ITD డిటెక్షన్ రిజల్యూషన్‌ను చూపుతుంది.
ఈ వ్యాసం రెండు వేర్వేరు ఆఫ్-ది-షెల్ఫ్ RRAM సర్క్యూట్‌లను ఉపయోగిస్తుంది. మొదటిది ఒక ట్రాన్సిస్టర్ మరియు ఒక రెసిస్టర్‌తో 1T1R కాన్ఫిగరేషన్‌లో 16,384 (16,000) పరికరాల (128 × 128 పరికరాలు) శ్రేణి. రెండవ చిప్ అంజీర్ 4aలో చూపబడిన న్యూరోమోర్ఫిక్ ప్లాట్‌ఫారమ్. RRAM సెల్‌లో TiN/HfO2/Ti/TiN స్టాక్‌లో పొందుపరచబడిన 5 nm మందపాటి HfO2 ఫిల్మ్ ఉంటుంది. RRAM స్టాక్ ప్రామాణిక 130nm CMOS ప్రక్రియ యొక్క బ్యాక్-ఆఫ్-లైన్ (BEOL)లో విలీనం చేయబడింది. RRAM-ఆధారిత న్యూరోమార్ఫిక్ సర్క్యూట్‌లు అన్ని-అనలాగ్ ఎలక్ట్రానిక్ సిస్టమ్‌లకు డిజైన్ సవాలును అందజేస్తాయి, దీనిలో RRAM పరికరాలు సాంప్రదాయ CMOS సాంకేతికతతో కలిసి ఉంటాయి. ప్రత్యేకించి, RRAM పరికరం యొక్క వాహక స్థితిని తప్పనిసరిగా చదవాలి మరియు సిస్టమ్ కోసం ఫంక్షన్ వేరియబుల్‌గా ఉపయోగించాలి. ఈ క్రమంలో, ఇన్‌పుట్ పల్స్ అందుకున్నప్పుడు పరికరం నుండి కరెంట్‌ని రీడ్ చేసే సర్క్యూట్ రూపొందించబడింది, రూపొందించబడింది మరియు పరీక్షించబడింది మరియు డిఫరెన్షియల్ పెయిర్ ఇంటిగ్రేటర్ (DPI) సినాప్స్ యొక్క ప్రతిస్పందనను బరువుగా ఉంచడానికి ఈ కరెంట్‌ని ఉపయోగిస్తుంది. ఈ సర్క్యూట్ మూర్తి 3aలో చూపబడింది, ఇది మూర్తి 4aలోని న్యూరోమోర్ఫిక్ ప్లాట్‌ఫారమ్ యొక్క ప్రాథమిక బిల్డింగ్ బ్లాక్‌లను సూచిస్తుంది. ఇన్‌పుట్ పల్స్ 1T1R పరికరం యొక్క గేట్‌ను సక్రియం చేస్తుంది, పరికరం యొక్క వాహకత G (Iweight = G(Vtop – Vx))కి అనులోమానుపాతంలో RRAM ద్వారా కరెంట్‌ని ప్రేరేపిస్తుంది. ఆపరేషనల్ యాంప్లిఫైయర్ (op-amp) సర్క్యూట్ యొక్క ఇన్వర్టింగ్ ఇన్‌పుట్ స్థిరమైన DC బయాస్ వోల్టేజ్ Vtopని కలిగి ఉంటుంది. op-amp యొక్క ప్రతికూల అభిప్రాయం M1 నుండి సమాన కరెంట్‌ని అందించడం ద్వారా Vx = Vtopని అందిస్తుంది. పరికరం నుండి పొందబడిన ప్రస్తుత Iweight DPI సినాప్స్‌లోకి ఇంజెక్ట్ చేయబడింది. బలమైన కరెంట్ మరింత డిపోలరైజేషన్‌కు దారి తీస్తుంది, కాబట్టి RRAM కండక్టెన్స్ సినాప్టిక్ బరువులను సమర్థవంతంగా అమలు చేస్తుంది. ఈ ఎక్స్‌పోనెన్షియల్ సినాప్టిక్ కరెంట్ లీకీ ఇంటిగ్రేషన్ అండ్ ఎక్సైటేషన్ (LIF) న్యూరాన్‌ల మెమ్బ్రేన్ కెపాసిటర్ ద్వారా ఇంజెక్ట్ చేయబడుతుంది, ఇక్కడ అది వోల్టేజ్‌గా ఏకీకృతం చేయబడుతుంది. పొర యొక్క థ్రెషోల్డ్ వోల్టేజ్ (ఇన్వర్టర్ యొక్క స్విచ్చింగ్ వోల్టేజ్) అధిగమించినట్లయితే, న్యూరాన్ యొక్క అవుట్పుట్ భాగం సక్రియం చేయబడుతుంది, ఇది అవుట్పుట్ స్పైక్ను ఉత్పత్తి చేస్తుంది. ఈ పల్స్ తిరిగి వచ్చి, న్యూరాన్ యొక్క మెమ్బ్రేన్ కెపాసిటర్‌ను భూమికి పంపుతుంది, దీని వలన అది విడుదల అవుతుంది. ఈ సర్క్యూట్ అప్పుడు పల్స్ ఎక్స్‌పాండర్‌తో అనుబంధంగా ఉంటుంది (Fig. 3aలో చూపబడలేదు), ఇది LIF న్యూరాన్ యొక్క అవుట్‌పుట్ పల్స్‌ను లక్ష్య పల్స్ వెడల్పుకు ఆకృతి చేస్తుంది. మల్టీప్లెక్సర్‌లు కూడా ప్రతి లైన్‌లో నిర్మించబడ్డాయి, RRAM పరికరం యొక్క ఎగువ మరియు దిగువ ఎలక్ట్రోడ్‌లకు వోల్టేజ్ వర్తించేలా చేస్తుంది.
ఎలక్ట్రికల్ టెస్టింగ్‌లో అనలాగ్ సర్క్యూట్‌ల యొక్క డైనమిక్ ప్రవర్తనను విశ్లేషించడం మరియు రికార్డ్ చేయడం అలాగే RRAM పరికరాలను ప్రోగ్రామింగ్ చేయడం మరియు చదవడం వంటివి ఉంటాయి. రెండు దశలకు ప్రత్యేక సాధనాలు అవసరం, ఇవన్నీ ఒకే సమయంలో సెన్సార్ బోర్డ్‌కు కనెక్ట్ చేయబడతాయి. న్యూరోమోర్ఫిక్ సర్క్యూట్‌లలో RRAM పరికరాలకు యాక్సెస్ బాహ్య సాధనాల నుండి మల్టీప్లెక్సర్ (MUX) ద్వారా నిర్వహించబడుతుంది. MUX 1T1R సెల్‌ను మిగిలిన సర్క్యూట్రీ నుండి వేరు చేస్తుంది, ఇది పరికరాన్ని చదవడానికి మరియు/లేదా ప్రోగ్రామ్ చేయడానికి అనుమతిస్తుంది. RRAM పరికరాలను ప్రోగ్రామ్ చేయడానికి మరియు చదవడానికి, కీత్లీ 4200 SCS యంత్రం Arduino మైక్రోకంట్రోలర్‌తో కలిసి ఉపయోగించబడుతుంది: మొదటిది ఖచ్చితమైన పల్స్ ఉత్పత్తి మరియు ప్రస్తుత రీడింగ్ కోసం మరియు రెండవది మెమరీ శ్రేణిలోని వ్యక్తిగత 1T1R మూలకాలకు శీఘ్ర ప్రాప్యత కోసం. మొదటి ఆపరేషన్ RRAM పరికరాన్ని రూపొందించడం. కణాలు ఒక్కొక్కటిగా ఎంపిక చేయబడతాయి మరియు ఎగువ మరియు దిగువ ఎలక్ట్రోడ్ల మధ్య సానుకూల వోల్టేజ్ వర్తించబడుతుంది. ఈ సందర్భంలో, సెలెక్టర్ ట్రాన్సిస్టర్‌కు సంబంధిత గేట్ వోల్టేజ్ సరఫరా కారణంగా కరెంట్ పదుల మైక్రోఅంపియర్‌ల క్రమానికి పరిమితం చేయబడింది. RRAM సెల్ అప్పుడు తక్కువ వాహక స్థితి (LCS) మరియు అధిక వాహక స్థితి (HCS) మధ్య వరుసగా RESET మరియు SET కార్యకలాపాలను ఉపయోగించి చక్రం తిప్పవచ్చు. SET ఆపరేషన్ 1 μs వ్యవధితో దీర్ఘచతురస్రాకార వోల్టేజ్ పల్స్ మరియు ఎగువ ఎలక్ట్రోడ్‌కు 2.0-2.5 V గరిష్ట వోల్టేజ్‌ను వర్తింపజేయడం ద్వారా మరియు 0.9-1.3 V గరిష్ట వోల్టేజ్‌తో సారూప్య ఆకారం యొక్క సమకాలీకరణ పల్స్‌ను వర్తింపజేయడం ద్వారా నిర్వహించబడుతుంది. సెలెక్టర్ ట్రాన్సిస్టర్ యొక్క గేట్. ఈ విలువలు 20-150 µs వ్యవధిలో RRAM ప్రవర్తనను మాడ్యులేట్ చేయడానికి అనుమతిస్తాయి. రీసెట్ కోసం, గేట్ వోల్టేజ్ 2.5-3.0 V పరిధిలో ఉన్నప్పుడు సెల్ దిగువ ఎలక్ట్రోడ్ (బిట్ లైన్)కి 1 µs వెడల్పు, 3 V పీక్ పల్స్ వర్తించబడుతుంది. అనలాగ్ సర్క్యూట్‌ల ఇన్‌పుట్‌లు మరియు అవుట్‌పుట్‌లు డైనమిక్ సిగ్నల్‌లు. . ఇన్‌పుట్ కోసం, మేము Tektronix AFG3011 సిగ్నల్ జనరేటర్‌లతో రెండు HP 8110 పల్స్ జనరేటర్‌లను ఇంటర్‌లీవ్ చేసాము. ఇన్‌పుట్ పల్స్ వెడల్పు 1 µs మరియు పెరుగుదల/పతనం అంచు 50 ns. ఈ రకమైన పల్స్ అనలాగ్ గ్లిచ్ ఆధారిత సర్క్యూట్‌లలో ఒక సాధారణ లోపంగా భావించబడుతుంది. అవుట్‌పుట్ సిగ్నల్ విషయానికొస్తే, అవుట్‌పుట్ సిగ్నల్ టెలిడైన్ లెక్రోయ్ 1 GHz ఓసిల్లోస్కోప్‌ని ఉపయోగించి రికార్డ్ చేయబడింది. సర్క్యూట్ డేటా యొక్క విశ్లేషణ మరియు సముపార్జనలో ఓసిల్లోస్కోప్ యొక్క సముపార్జన వేగం పరిమితం చేసే అంశం కాదని నిరూపించబడింది.
న్యూరాన్లు మరియు సినాప్సెస్ యొక్క ప్రవర్తనను అనుకరించడానికి అనలాగ్ ఎలక్ట్రానిక్స్ యొక్క డైనమిక్స్ ఉపయోగించడం గణన సామర్థ్యాన్ని మెరుగుపరచడానికి ఒక సొగసైన మరియు సమర్థవంతమైన పరిష్కారం. ఈ కంప్యూటేషనల్ అండర్‌లే యొక్క ప్రతికూలత ఏమిటంటే ఇది స్కీమ్ నుండి స్కీమ్‌కు మారుతూ ఉంటుంది. మేము న్యూరాన్లు మరియు సినాప్టిక్ సర్క్యూట్‌ల వైవిధ్యాన్ని లెక్కించాము (అనుబంధ Fig. 2a,b). వైవిధ్యం యొక్క అన్ని వ్యక్తీకరణలలో, సమయ స్థిరాంకాలు మరియు ఇన్‌పుట్ లాభంతో అనుబంధించబడినవి సిస్టమ్ స్థాయిలో గొప్ప ప్రభావాన్ని చూపుతాయి. LIF న్యూరాన్ మరియు DPI సినాప్స్ యొక్క సమయ స్థిరాంకం ఒక RC సర్క్యూట్ ద్వారా నిర్ణయించబడుతుంది, ఇక్కడ R యొక్క విలువ ట్రాన్సిస్టర్ యొక్క గేట్‌కు వర్తించే బయాస్ వోల్టేజ్ ద్వారా నియంత్రించబడుతుంది (న్యూరాన్ కోసం Vlk మరియు సినాప్స్ కోసం Vtau), లీకేజ్ రేటు. ఇన్‌పుట్ పల్స్ ద్వారా ప్రేరేపించబడిన సినాప్టిక్ మరియు న్యూరానల్ మెమ్బ్రేన్ కెపాసిటర్‌ల ద్వారా చేరిన పీక్ వోల్టేజ్‌గా ఇన్‌పుట్ లాభం నిర్వచించబడింది. ఇన్‌పుట్ లాభం మరొక బయాస్ ట్రాన్సిస్టర్ ద్వారా నియంత్రించబడుతుంది, ఇది ఇన్‌పుట్ కరెంట్‌ను మాడ్యులేట్ చేస్తుంది. ST మైక్రోఎలక్ట్రానిక్స్ యొక్క 130nm ప్రక్రియపై క్రమాంకనం చేయబడిన మోంటే కార్లో అనుకరణ కొంత ఇన్‌పుట్ లాభం మరియు సమయ స్థిరమైన గణాంకాలను సేకరించడానికి ప్రదర్శించబడింది. ఫలితాలు సప్లిమెంటరీ ఫిగర్ 2లో ప్రదర్శించబడ్డాయి, ఇక్కడ ఇన్‌పుట్ లాభం మరియు సమయ స్థిరాంకం లీకేజ్ రేటును నియంత్రించే బయాస్ వోల్టేజ్ యొక్క విధిగా లెక్కించబడతాయి. ఆకుపచ్చ గుర్తులు సగటు నుండి సమయ స్థిరాంకం యొక్క ప్రామాణిక విచలనాన్ని లెక్కించాయి. న్యూరాన్లు మరియు సినాప్టిక్ సర్క్యూట్‌లు రెండూ సప్లిమెంటరీ ఫిగ్‌లో చూపిన విధంగా 10-5-10-2 సెకన్ల పరిధిలో విస్తృత శ్రేణి సమయ స్థిరాంకాలను వ్యక్తపరచగలిగాయి. న్యూరోనల్ మరియు సినాప్స్ వేరియబిలిటీ యొక్క ఇన్‌పుట్ యాంప్లిఫికేషన్ (సప్లిమెంటరీ ఫిగ్. 2e,d) వరుసగా 8% మరియు 3%. ఇటువంటి లోపం సాహిత్యంలో చక్కగా నమోదు చేయబడింది: LIF63 న్యూరాన్‌ల జనాభా మధ్య అసమతుల్యతను అంచనా వేయడానికి DYNAP చిప్‌ల శ్రేణిపై వివిధ కొలతలు నిర్వహించబడ్డాయి. బ్రెయిన్‌స్కేల్ మిక్స్‌డ్ సిగ్నల్ చిప్‌లోని సినాప్సెస్ కొలుస్తారు మరియు వాటి అసమానతలు విశ్లేషించబడ్డాయి మరియు సిస్టమ్-స్థాయి వేరియబిలిటీ యొక్క ప్రభావాన్ని తగ్గించడానికి క్రమాంకన విధానం ప్రతిపాదించబడింది.
న్యూరోమార్ఫిక్ సర్క్యూట్‌లలో RRAM యొక్క పనితీరు రెండు రెట్లు ఉంటుంది: ఆర్కిటెక్చర్ నిర్వచనం (అవుట్‌పుట్‌లకు రూటింగ్ ఇన్‌పుట్‌లు) మరియు సినాప్టిక్ బరువుల అమలు. మోడల్ చేయబడిన న్యూరోమోర్ఫిక్ సర్క్యూట్ల యొక్క వైవిధ్యం యొక్క సమస్యను పరిష్కరించడానికి తరువాతి ఆస్తిని ఉపయోగించవచ్చు. విశ్లేషించబడుతున్న సర్క్యూట్ నిర్దిష్ట అవసరాలను తీర్చే వరకు RRAM పరికరాన్ని రీప్రోగ్రామింగ్ చేసే సాధారణ అమరిక విధానాన్ని మేము అభివృద్ధి చేసాము. ఇచ్చిన ఇన్‌పుట్ కోసం, అవుట్‌పుట్ పర్యవేక్షించబడుతుంది మరియు లక్ష్య ప్రవర్తనను సాధించే వరకు RRAM రీప్రోగ్రామ్ చేయబడుతుంది. RRAM సడలింపు సమస్యను పరిష్కరించడానికి ప్రోగ్రామింగ్ ఆపరేషన్‌ల మధ్య 5 సెకన్ల నిరీక్షణ సమయం ప్రవేశపెట్టబడింది, ఫలితంగా తాత్కాలిక వాహకత హెచ్చుతగ్గులు (సప్లిమెంటరీ ఇన్ఫర్మేషన్) ఏర్పడతాయి. నమూనా చేయబడిన న్యూరోమోర్ఫిక్ సర్క్యూట్ యొక్క అవసరాలకు అనుగుణంగా సినాప్టిక్ బరువులు సర్దుబాటు చేయబడతాయి లేదా క్రమాంకనం చేయబడతాయి. క్రమాంకనం విధానం అదనపు అల్గారిథమ్‌లలో సంగ్రహించబడింది [1, 2] ఇది న్యూరోమోర్ఫిక్ ప్లాట్‌ఫారమ్‌ల యొక్క రెండు ప్రాథమిక లక్షణాలపై దృష్టి పెడుతుంది, ఆలస్యం లైన్లు మరియు డైరెక్షన్ ఇన్‌సెన్సిటివ్ CD. ఆలస్యం పంక్తితో సర్క్యూట్ కోసం, లక్ష్య ప్రవర్తన ఆలస్యం Δtతో అవుట్‌పుట్ పల్స్‌ను అందించడం. వాస్తవ సర్క్యూట్ ఆలస్యం లక్ష్య విలువ కంటే తక్కువగా ఉంటే, G3 యొక్క సినాప్టిక్ బరువును తగ్గించాలి (G3ని రీసెట్ చేసి, ఆపై తక్కువ మ్యాచింగ్ కరెంట్ Iccకి సెట్ చేయాలి). దీనికి విరుద్ధంగా, వాస్తవ ఆలస్యం లక్ష్య విలువ కంటే ఎక్కువగా ఉంటే, G3 యొక్క వాహకతను తప్పనిసరిగా పెంచాలి (G3ని ముందుగా రీసెట్ చేసి, ఆపై అధిక Icc విలువకు సెట్ చేయాలి). సర్క్యూట్ ద్వారా ఉత్పన్నమయ్యే ఆలస్యం లక్ష్య విలువకు సరిపోయే వరకు ఈ ప్రక్రియ పునరావృతమవుతుంది మరియు అమరిక ప్రక్రియను ఆపడానికి సహనం సెట్ చేయబడుతుంది. ఓరియంటేషన్-సెన్సిటివ్ CDల కోసం, రెండు RRAM పరికరాలు, G1 మరియు G3, అమరిక ప్రక్రియలో పాల్గొంటాయి. ఈ సర్క్యూట్ రెండు ఇన్‌పుట్‌లను కలిగి ఉంది, Vin0 మరియు Vin1, dt ఆలస్యం. సర్క్యూట్ సరిపోలే పరిధి [0,dtCD] కంటే తక్కువ జాప్యాలకు మాత్రమే ప్రతిస్పందించాలి. అవుట్‌పుట్ పీక్ లేకపోయినా, ఇన్‌పుట్ పీక్ దగ్గరగా ఉంటే, న్యూరాన్ థ్రెషోల్డ్‌ను చేరుకోవడంలో సహాయపడేందుకు రెండు RRAM పరికరాలను బూస్ట్ చేయాలి. దీనికి విరుద్ధంగా, dtCD యొక్క లక్ష్య పరిధిని మించిన ఆలస్యానికి సర్క్యూట్ ప్రతిస్పందిస్తే, వాహకత తప్పనిసరిగా తగ్గించబడాలి. సరైన ప్రవర్తన పొందే వరకు ప్రక్రియను పునరావృతం చేయండి. రెఫరెన్స్‌లోని అంతర్నిర్మిత అనలాగ్ సర్క్యూట్ ద్వారా వర్తింపు కరెంట్‌ని మాడ్యులేట్ చేయవచ్చు. 72.73. ఈ అంతర్నిర్మిత సర్క్యూట్‌తో, సిస్టమ్‌ను క్రమాంకనం చేయడానికి లేదా మరొక అప్లికేషన్ కోసం దాన్ని మళ్లీ ఉపయోగించడానికి ఇటువంటి విధానాలు క్రమానుగతంగా నిర్వహించబడతాయి.
మేము ప్రామాణిక 32-బిట్ మైక్రోకంట్రోలర్68పై మా న్యూరోమార్ఫిక్ సిగ్నల్ ప్రాసెసింగ్ విధానం యొక్క విద్యుత్ వినియోగాన్ని అంచనా వేస్తాము. ఈ మూల్యాంకనంలో, మేము ఈ పేపర్‌లోని అదే సెటప్‌తో ఒక pMUT ట్రాన్స్‌మిటర్ మరియు రెండు pMUT రిసీవర్‌లతో ఆపరేషన్‌ను అందిస్తాము. ఈ పద్ధతి బ్యాండ్‌పాస్ ఫిల్టర్‌ను ఉపయోగిస్తుంది, దాని తర్వాత ఒక ఎన్వలప్ ఎక్స్‌ట్రాక్షన్ స్టెప్ (టీగర్-కైజర్) ఉంటుంది మరియు చివరగా విమాన సమయాన్ని సంగ్రహించడానికి సిగ్నల్‌కు థ్రెషోల్డింగ్ ఆపరేషన్ వర్తించబడుతుంది. మూల్యాంకనంలో ITD యొక్క గణన మరియు దానిని గుర్తించే కోణాలకు మార్చడం విస్మరించబడ్డాయి. మేము 18 ఫ్లోటింగ్ పాయింట్ ఆపరేషన్‌లు అవసరమయ్యే 4వ ఆర్డర్ అనంతమైన ఇంపల్స్ రెస్పాన్స్ ఫిల్టర్‌ని ఉపయోగించి బ్యాండ్ పాస్ ఫిల్టర్ అమలును పరిశీలిస్తాము. ఎన్వలప్ వెలికితీత మరో మూడు ఫ్లోటింగ్ పాయింట్ ఆపరేషన్‌లను ఉపయోగిస్తుంది మరియు చివరి ఆపరేషన్ థ్రెషోల్డ్‌ని సెట్ చేయడానికి ఉపయోగించబడుతుంది. సిగ్నల్‌ను ప్రీప్రాసెస్ చేయడానికి మొత్తం 22 ఫ్లోటింగ్ పాయింట్ ఆపరేషన్‌లు అవసరం. ప్రసారం చేయబడిన సిగ్నల్ అనేది 111.9 kHz సైన్ తరంగ రూపం ప్రతి 10 ms ఉత్పత్తి అవుతుంది, దీని ఫలితంగా 100 Hz యొక్క పొజిషనింగ్ ఆపరేటింగ్ ఫ్రీక్వెన్సీ ఏర్పడుతుంది. మేము Nyquistకి అనుగుణంగా 250 kHz నమూనా రేటును మరియు 1 మీటర్ పరిధిని క్యాప్చర్ చేయడానికి ప్రతి కొలత కోసం 6 ms విండోను ఉపయోగించాము. 6 మిల్లీసెకన్లు 1 మీటర్ దూరంలో ఉన్న వస్తువు యొక్క విమాన సమయం అని గమనించండి. ఇది 0.5 MSPS వద్ద A/D మార్పిడికి 180 µW విద్యుత్ వినియోగాన్ని అందిస్తుంది. సిగ్నల్ ప్రిప్రాసెసింగ్ 6.60 MIPS (సెకనుకు సూచనలు), 0.75 mW ఉత్పత్తి చేస్తుంది. అయినప్పటికీ, అల్గోరిథం అమలులో లేనప్పుడు మైక్రోకంట్రోలర్ తక్కువ పవర్ మోడ్ 69కి మారవచ్చు. ఈ మోడ్ 10.8 μW స్టాటిక్ పవర్ వినియోగాన్ని మరియు 113 μs మేల్కొలుపు సమయాన్ని అందిస్తుంది. 84 MHz యొక్క క్లాక్ ఫ్రీక్వెన్సీని బట్టి, మైక్రోకంట్రోలర్ 10 ms లోపల న్యూరోమార్ఫిక్ అల్గారిథమ్ యొక్క అన్ని కార్యకలాపాలను పూర్తి చేస్తుంది మరియు అల్గోరిథం 6.3% డ్యూటీ సైకిల్‌ను గణిస్తుంది, తద్వారా తక్కువ పవర్ మోడ్‌ను ఉపయోగిస్తుంది. ఫలితంగా శక్తి వెదజల్లడం 244.7 μW. మేము ToF నుండి ITD అవుట్‌పుట్‌ను మరియు డిటెక్షన్ యాంగిల్‌కి మార్చడాన్ని వదిలివేస్తాము, తద్వారా మైక్రోకంట్రోలర్ యొక్క విద్యుత్ వినియోగాన్ని తక్కువగా అంచనా వేస్తాము. ఇది ప్రతిపాదిత వ్యవస్థ యొక్క శక్తి సామర్థ్యానికి అదనపు విలువను అందిస్తుంది. అదనపు పోలిక షరతుగా, మేము సూచనలో ప్రతిపాదించిన క్లాసికల్ బీమ్‌ఫార్మింగ్ పద్ధతుల యొక్క విద్యుత్ వినియోగాన్ని అంచనా వేస్తాము. 1.8V సరఫరా వోల్టేజ్ వద్ద అదే మైక్రోకంట్రోలర్68లో పొందుపరిచినప్పుడు 31.54. బీమ్‌ఫార్మింగ్ కోసం డేటాను పొందేందుకు ఐదు సమాన అంతరాల pMUT పొరలు ఉపయోగించబడతాయి. ప్రాసెసింగ్ విషయానికొస్తే, ఉపయోగించిన బీమ్‌ఫార్మింగ్ పద్ధతి ఆలస్యం సమ్మషన్. ఇది ఒక లేన్ మరియు రిఫరెన్స్ లేన్ మధ్య రాక సమయాలలో ఊహించిన వ్యత్యాసానికి అనుగుణంగా ఉండే లేన్‌లకు ఆలస్యాన్ని వర్తింపజేయడం మాత్రమే. సిగ్నల్స్ దశలో ఉన్నట్లయితే, ఈ సిగ్నల్స్ మొత్తం సమయ మార్పు తర్వాత అధిక శక్తిని కలిగి ఉంటుంది. అవి దశ దాటితే, విధ్వంసక జోక్యం వాటి మొత్తం శక్తిని పరిమితం చేస్తుంది. ఒక సంబంధంలో. అంజీర్ న. 31, నమూనాల పూర్ణాంక సంఖ్య ద్వారా డేటాను టైమ్‌షిప్ చేయడానికి 2 MHz నమూనా రేటు ఎంపిక చేయబడింది. 250 kHz యొక్క ముతక నమూనా రేటును నిర్వహించడం మరియు పాక్షిక ఆలస్యాలను సంశ్లేషణ చేయడానికి పరిమిత ప్రేరణ ప్రతిస్పందన (FIR) ఫిల్టర్‌ను ఉపయోగించడం మరింత నిరాడంబరమైన విధానం. ప్రతి ఛానెల్ ప్రతి దిశలో 16 ట్యాప్‌లతో FIR ఫిల్టర్‌తో కలుస్తుంది కాబట్టి, బీమ్‌ఫార్మింగ్ అల్గోరిథం యొక్క సంక్లిష్టత ప్రధానంగా టైమ్ షిఫ్ట్ ద్వారా నిర్ణయించబడుతుందని మేము ఊహిస్తాము. ఈ ఆపరేషన్ కోసం అవసరమైన MIPS సంఖ్యను లెక్కించేందుకు, మేము 1 మీటర్, 5 ఛానెల్‌లు, 11 బీమ్‌ఫార్మింగ్ దిశలను (10° దశల్లో +/- 50°) పరిధిని క్యాప్చర్ చేయడానికి ఒక్కో కొలతకు 6ms విండోను పరిగణనలోకి తీసుకుంటాము. సెకనుకు 75 కొలతలు మైక్రోకంట్రోలర్‌ను గరిష్టంగా 100 MIPSకి నెట్టాయి. లింక్. 68, ఆన్‌బోర్డ్ ADC కంట్రిబ్యూషన్‌ని జోడించిన తర్వాత మొత్తం 11.71 mW విద్యుత్ వెదజల్లడానికి 11.26 mW పవర్ డిస్పాషన్ అవుతుంది.
సహేతుకమైన అభ్యర్థనపై సంబంధిత రచయిత, FM నుండి ఈ అధ్యయన ఫలితాలకు మద్దతు ఇచ్చే డేటా అందుబాటులో ఉంది.
Indiveri, G. & Sandamirskaya, Y. న్యూరోమార్ఫిక్ ఏజెంట్లలో సిగ్నల్ ప్రాసెసింగ్ కోసం స్థలం మరియు సమయం యొక్క ప్రాముఖ్యత: పర్యావరణంతో పరస్పర చర్య చేసే తక్కువ-శక్తి, స్వయంప్రతిపత్త ఏజెంట్లను అభివృద్ధి చేయడంలో సవాలు. Indiveri, G. & Sandamirskaya, Y. న్యూరోమార్ఫిక్ ఏజెంట్లలో సిగ్నల్ ప్రాసెసింగ్ కోసం స్థలం మరియు సమయం యొక్క ప్రాముఖ్యత: పర్యావరణంతో పరస్పర చర్య చేసే తక్కువ-శక్తి, స్వయంప్రతిపత్త ఏజెంట్లను అభివృద్ధి చేయడంలో సవాలు.Indiveri G. మరియు Sandamirskaya Y. న్యూరోమార్ఫిక్ ఏజెంట్లలో సిగ్నల్ ప్రాసెసింగ్ కోసం స్థలం మరియు సమయం యొక్క ప్రాముఖ్యత: పర్యావరణంతో పరస్పర చర్య చేసే తక్కువ-శక్తి స్వయంప్రతిపత్త ఏజెంట్లను అభివృద్ధి చేయడం సవాలు. ఇండివేరి, జి. & సందమిర్స్కాయ, వై. 、自主代理的挑战。 ఇందివేరి, జి. & సందమిర్స్కాయ, వై.Indiveri G. మరియు Sandamirskaya Y. న్యూరోమార్ఫిక్ ఏజెంట్లలో సిగ్నల్ ప్రాసెసింగ్ కోసం స్థలం మరియు సమయం యొక్క ప్రాముఖ్యత: పర్యావరణంతో పరస్పర చర్య చేసే తక్కువ-శక్తి స్వయంప్రతిపత్త ఏజెంట్లను అభివృద్ధి చేయడం సవాలు.IEEE సిగ్నల్ ప్రాసెసింగ్. జర్నల్ 36, 16–28 (2019).
థోర్ప్, SJ పీక్ అరైవల్ టైమ్: యాన్ ఎఫిషియెంట్ న్యూరల్ నెట్‌వర్క్ కోడింగ్ స్కీమ్. Eckmiller, R., Hartmann, G. & Hauske, G. (eds). Eckmiller, R., Hartmann, G. & Hauske, G. (eds).Eckmiller, R., Hartmann, G. మరియు Hauske, G. (eds.).Eckmiller, R., Hartmann, G., మరియు Hauske, G. (eds.). న్యూరల్ సిస్టమ్స్ మరియు కంప్యూటర్లలో సమాంతర ప్రాసెసింగ్ 91–94 (నార్త్-హాలండ్ ఎల్సెవియర్, 1990).
లెవీ, WB & కాల్వెర్ట్, VG కమ్యూనికేషన్ మానవ కార్టెక్స్‌లో గణన కంటే 35 రెట్లు ఎక్కువ శక్తిని వినియోగిస్తుంది, అయితే సినాప్స్ సంఖ్యను అంచనా వేయడానికి రెండు ఖర్చులు అవసరం. లెవీ, WB & కాల్వెర్ట్, VG కమ్యూనికేషన్ మానవ కార్టెక్స్‌లో గణన కంటే 35 రెట్లు ఎక్కువ శక్తిని వినియోగిస్తుంది, అయితే సినాప్స్ సంఖ్యను అంచనా వేయడానికి రెండు ఖర్చులు అవసరం.లెవీ, WB మరియు కాల్వెర్ట్, WG కమ్యూనికేషన్ మానవ కార్టెక్స్‌లో గణన కంటే 35 రెట్లు ఎక్కువ శక్తిని వినియోగిస్తుంది, అయితే సినాప్సెస్ సంఖ్యను అంచనా వేయడానికి రెండు ఖర్చులు అవసరం. లెవీ, WB & కల్వర్ట్, VG కమ్యూనికేషన్ 消耗的能量是人类皮层讗的35 లెవీ, WB & కాల్వెర్ట్, VG కమ్యూనికేషన్లెవీ, WB మరియు కాల్వెర్ట్, WG కమ్యూనికేషన్ మానవ కార్టెక్స్‌లో గణన కంటే 35 రెట్లు ఎక్కువ శక్తిని వినియోగిస్తుంది, అయితే రెండు ఖర్చులకు సినాప్సెస్ సంఖ్యను అంచనా వేయడం అవసరం.ప్రక్రియ. నేషనల్ అకాడమీ ఆఫ్ సైన్స్. శాస్త్రం. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
డాల్గాటీ, T., వియానెల్లో, E., డి సాల్వో, B. & కాసాస్, J. కీటకాల-ప్రేరేపిత న్యూరోమార్ఫిక్ కంప్యూటింగ్. డాల్గాటీ, T., వియానెల్లో, E., డి సాల్వో, B. & కాసాస్, J. కీటకాల-ప్రేరేపిత న్యూరోమార్ఫిక్ కంప్యూటింగ్.దల్గటి, టి., వియానెల్లో, ఇ., డిసాల్వో, బి. మరియు కాసాస్, జె. కీటకాల-ప్రేరేపిత న్యూరోమార్ఫిక్ కంప్యూటింగ్.దల్గటి టి., వియానెల్లో ఇ., డిసాల్వో బి. మరియు కాసాస్ జె. కీటకాల-ప్రేరేపిత న్యూరోమార్ఫిక్ కంప్యూటింగ్. ప్రస్తుత. అభిప్రాయం. కీటక శాస్త్రం. 30, 59–66 (2018).
రాయ్, K., జైస్వాల్, A. & పాండా, P. న్యూరోమార్ఫిక్ కంప్యూటింగ్‌తో స్పైక్-ఆధారిత మెషిన్ ఇంటెలిజెన్స్ వైపు. రాయ్, K., జైస్వాల్, A. & పాండా, P. న్యూరోమార్ఫిక్ కంప్యూటింగ్‌తో స్పైక్-ఆధారిత మెషిన్ ఇంటెలిజెన్స్ వైపు. రాయ్, K., జైస్వాల్, A. & పాండా, P. న్యూరోమార్ఫిక్ కంప్యూటింగ్‌తో స్పైక్-బేస్డ్ మెషిన్ ఇంటెలిజెన్స్ వైపు.రాయ్ కె, జైస్వాల్ ఎ, మరియు పాండా పి. న్యూరోమార్ఫిక్ కంప్యూటింగ్ ఉపయోగించి పల్స్-ఆధారిత కృత్రిమ మేధస్సు. ప్రకృతి 575, 607–617 (2019).
ఇందివేరి, G. & లియు, S.-C. ఇందివేరి, G. & లియు, S.-C.ఇందివేరి, G. మరియు లియు, S.-K. ఇందివేరి, G. & లియు, S.-C. ఇందివేరి, G. & లియు, S.-C.ఇందివేరి, G. మరియు లియు, S.-K.న్యూరోమోర్ఫిక్ సిస్టమ్స్‌లో మెమరీ మరియు ఇన్ఫర్మేషన్ ప్రాసెసింగ్. ప్రక్రియ. IEEE 103, 1379–1397 (2015).
అకోప్యన్ F. మరియు ఇతరులు. ట్రూనార్త్: 65 mW 1 మిలియన్ న్యూరాన్ ప్రోగ్రామబుల్ సినాప్టిక్ చిప్ కోసం డిజైన్ మరియు టూల్‌కిట్. IEEE లావాదేవీలు. ఇంటిగ్రేటెడ్ సర్క్యూట్ సిస్టమ్స్ యొక్క కంప్యూటర్ డిజైన్. 34, 1537–1557 (2015).
స్కెమ్మెల్, J. మరియు ఇతరులు. లైవ్ డెమో: ప్లేట్ స్కేల్‌లో బ్రెయిన్‌స్కేల్స్ న్యూరోమోర్ఫిక్ సిస్టమ్ యొక్క స్కేల్ డౌన్ వెర్షన్. 2012 IEEE ఇంటర్నేషనల్ సింపోజియం ఆన్ సర్క్యూట్స్ అండ్ సిస్టమ్స్ (ISCAS), (IEEE ed.) 702–702 (2012).
మొరాడి, S., Qiao, N., Stefanini, F. & Indiveri, G. డైనమిక్ న్యూరోమోర్ఫిక్ అసమకాలిక ప్రాసెసర్‌ల (DYNAPలు) కోసం భిన్నమైన మెమరీ నిర్మాణాలతో కూడిన స్కేలబుల్ మల్టీకోర్ ఆర్కిటెక్చర్. మొరాడి, S., Qiao, N., Stefanini, F. & Indiveri, G. డైనమిక్ న్యూరోమోర్ఫిక్ అసమకాలిక ప్రాసెసర్‌ల (DYNAPలు) కోసం భిన్నమైన మెమరీ నిర్మాణాలతో కూడిన స్కేలబుల్ మల్టీకోర్ ఆర్కిటెక్చర్.మొరాడి S., Qiao N., Stefanini F. మరియు Indiviri G. డైనమిక్ న్యూరోమోర్ఫిక్ అసమకాలిక ప్రాసెసర్‌ల (DYNAP) కోసం భిన్నమైన మెమరీ నిర్మాణాలతో కూడిన స్కేలబుల్ మల్టీకోర్ ఆర్కిటెక్చర్. మొరాడి, 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歄 (PY)异构内存结构。 మొరాడి, S.、Qiao, N.、Stefanini, F. & Indiveri, G. డైనమిక్ న్యూరల్ ప్రాసెసింగ్ (DYNAP) కోసం ప్రత్యేకమైన మెమరీ నిర్మాణంతో విస్తరించదగిన బహుళ-కోర్ ఆర్కిటెక్చర్.మొరాడి S., Qiao N., Stefanini F. మరియు Indiviri G. డైనమిక్ న్యూరోమోర్ఫిక్ అసమకాలిక ప్రాసెసర్‌ల (DYNAP) కోసం భిన్నమైన మెమరీ నిర్మాణాలతో కూడిన స్కేలబుల్ మల్టీకోర్ ఆర్కిటెక్చర్.బయోమెడికల్ సైన్స్‌పై IEEE లావాదేవీలు. విద్యుత్ వ్యవస్థ. 12, 106–122 (2018).
డేవిస్, M. మరియు ఇతరులు. లోహి: ఎంబెడెడ్ లెర్నింగ్‌తో కూడిన న్యూరోమోర్ఫిక్ మల్టీ-కోర్ ప్రాసెసర్. IEEE మైక్రో 38, 82–99 (2018).
Furber, SB, Galluppi, F., టెంపుల్, S. & ప్లానా, LA ది స్పినాకర్ ప్రాజెక్ట్. Furber, SB, Galluppi, F., టెంపుల్, S. & ప్లానా, LA ది స్పినాకర్ ప్రాజెక్ట్.ఫెర్బెర్ SB, గల్లుప్పి F., టెంపుల్ S. మరియు ప్లానా LA స్పినాకర్ ప్రాజెక్ట్.ఫెర్బెర్ SB, గల్లుప్పి F., టెంపుల్ S. మరియు ప్లానా LA స్పినాకర్ ప్రాజెక్ట్. ప్రక్రియ. IEEE 102, 652–665 (2014).
లియు, S.-K. & డెల్బ్రక్, T. న్యూరోమోర్ఫిక్ సెన్సరీ సిస్టమ్స్. & డెల్బ్రక్, T. న్యూరోమోర్ఫిక్ సెన్సరీ సిస్టమ్స్.మరియు డెల్బ్రూక్ T. న్యూరోమోర్ఫిక్ సెన్సరీ సిస్టమ్స్. & డెల్బ్రక్, T. 神经形态感觉系统。 & డెల్బ్రక్, టి.మరియు డెల్బ్రూక్ T. న్యూరోమోర్ఫిక్ సెన్సరీ సిస్టమ్.ప్రస్తుత. అభిప్రాయం. న్యూరోబయాలజీ. 20, 288–295 (2010).
చోప్, T. మరియు ఇతరులు. కంబైన్డ్ సౌండ్ సోర్స్ స్థానికీకరణ మరియు తాకిడి ఎగవేత కోసం న్యూరోమోర్ఫిక్ సెన్సరీ ఇంటిగ్రేషన్. 2019లో బయోమెడికల్ సర్క్యూట్‌లు మరియు సిస్టమ్స్‌పై IEEE కాన్ఫరెన్స్‌లో (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. స్టీరియో విజన్ యొక్క స్పైక్-ఆధారిత న్యూరోమోర్ఫిక్ ఆర్కిటెక్చర్. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. స్టీరియో విజన్ యొక్క స్పైక్-ఆధారిత న్యూరోమోర్ఫిక్ ఆర్కిటెక్చర్.Risi N, Aymar A, Donati E, Solinas S, మరియు Indiveri G. A స్పైక్-ఆధారిత న్యూరోమార్ఫిక్ స్టీరియోవిజన్ ఆర్కిటెక్చర్. 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。 రిసి, ఎన్., ఐమార్, ఎ., డొనాటి, ఇ., సోలినాస్, ఎస్. & ఇండివేరి, జి.Risi N, Aimar A, Donati E, Solinas S, మరియు Indiveri G. స్టీరియో విజన్ కోసం స్పైక్-ఆధారిత న్యూరోమోర్ఫిక్ ఆర్కిటెక్చర్.ముందు. న్యూరోరోబోటిక్స్ 14, 93 (2020).
ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R. & Indiveri, G. ఈవెంట్-ఆధారిత న్యూరోమార్ఫిక్ స్టీరియో విజన్ సిస్టమ్స్ కోసం 3Dపర్సెప్షన్ యొక్క స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ మోడల్. ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R. & Indiveri, G. ఈవెంట్-ఆధారిత న్యూరోమార్ఫిక్ స్టీరియో విజన్ సిస్టమ్స్ కోసం 3Dపర్సెప్షన్ యొక్క స్పైకింగ్ న్యూరల్ నెట్‌వర్క్ మోడల్.ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R., మరియు Indiveri, G. ఈవెంట్-బేస్డ్ న్యూరోమార్ఫిక్ స్టీరియో విజన్ సిస్టమ్స్ కోసం 3D పల్సెడ్ న్యూరల్ నెట్‌వర్క్ పర్సెప్షన్ మోడల్. ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R. & Indiveri, G. ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R. & Indiveri, G. 3Dపర్సెప్షన్ 脉冲神经网络模型。ఓస్వాల్డ్, M., Ieng, S.-H., బెనోస్మాన్, R., మరియు Indiveri, G. ఈవెంట్-బేస్డ్ న్యూరోమార్ఫిక్ స్టీరియో విజన్ సిస్టమ్ కోసం స్పైక్డ్ 3Dపర్సెప్షన్ న్యూరల్ నెట్‌వర్క్ మోడల్.శాస్త్రం. నివేదిక 7, 1–11 (2017).
దల్గాటీ, T. మరియు ఇతరులు. కీటకాల-ప్రేరేపిత ప్రాథమిక చలన గుర్తింపులో రెసిస్టివ్ మెమరీ మరియు బర్స్టీ న్యూరల్ నెట్‌వర్క్‌లు ఉంటాయి. బయోనిక్ బయోహైబ్రిడ్ వ్యవస్థ. 10928, 115–128 (2018).
డి'ఏంజెలో, జి. మరియు ఇతరులు. టెంపోరల్ డిఫరెన్షియల్ కోడింగ్‌ని ఉపయోగించి ఈవెంట్-ఆధారిత అసాధారణ చలన గుర్తింపు. ముందు. న్యూరాలజీ. 14, 451 (2020).