Gerçek dünyadaki veri işleme uygulamaları kompakt, düşük gecikme süreli, düşük güçlü bilgi işlem sistemleri gerektirir. Olay odaklı bilgi işlem yetenekleriyle, tamamlayıcı metal-oksit-yarı iletken hibrit anımsatıcı nöromorfik mimariler, bu tür görevler için ideal bir donanım temeli sağlar. Bu tür sistemlerin tam potansiyelini göstermek amacıyla, gerçek dünyadaki nesne yerelleştirme uygulamalarına yönelik kapsamlı bir sensör işleme çözümü öneriyoruz ve deneysel olarak gösteriyoruz. Peçeli baykuş nöroanatomisinden ilham alarak, son teknoloji ürünü piezoelektrik mikromekanik dönüştürücü dönüştürücüyü hesaplamalı grafik tabanlı nöromorfik dirençli hafızayla birleştiren, biyoilhamlı, olay odaklı bir nesne lokalizasyon sistemi geliştirdik. Bellek tabanlı dirençli çakışma detektörü, gecikme hattı devresi ve tamamen özelleştirilebilir bir ultrasonik dönüştürücü içeren fabrikasyon bir sistemin ölçümlerini gösteriyoruz. Bu deneysel sonuçları sistem düzeyinde simülasyonları kalibre etmek için kullanırız. Bu simülasyonlar daha sonra nesne konumlandırma modelinin açısal çözünürlüğünü ve enerji verimliliğini değerlendirmek için kullanılır. Sonuçlar, yaklaşımımızın aynı görevi gerçekleştiren mikrodenetleyicilerden birkaç kat daha verimli olabileceğini gösteriyor.
Günlük yaşamlarımızda bize yardımcı olmak için konuşlandırılan cihaz ve sistem sayısının katlanarak arttığı, her yerde bulunan bilgi işlem çağına giriyoruz. Bu sistemlerin, birden fazla sensörden topladığı verileri gerçek zamanlı olarak yorumlamayı öğrenirken, sınıflandırma veya tanıma görevleri sonucunda ikili çıktı üretmeyi öğrenirken, mümkün olduğunca az güç tüketerek, sürekli çalışması beklenmektedir. Bu amaca ulaşmak için gerekli olan en önemli adımlardan biri, gürültülü ve çoğu zaman eksik olan duyusal verilerden yararlı ve kompakt bilgilerin çıkarılmasıdır. Geleneksel mühendislik yaklaşımları tipik olarak sensör sinyallerini sabit ve yüksek bir hızda örnekleyerek yararlı girdilerin olmadığı durumlarda bile büyük miktarda veri üretir. Ek olarak, bu yöntemler (çoğunlukla gürültülü) giriş verilerini önceden işlemek için karmaşık dijital sinyal işleme tekniklerini kullanır. Bunun yerine biyoloji, enerji tasarruflu, asenkron, olay odaklı yaklaşımlar (ani artışlar)2,3 kullanarak gürültülü duyusal verileri işlemek için alternatif çözümler sunar. Nöromorfik hesaplama, geleneksel sinyal işleme yöntemleri4,5,6 ile karşılaştırıldığında enerji ve bellek gereksinimleri açısından hesaplama maliyetlerini azaltmak için biyolojik sistemlerden ilham alır. Son zamanlarda, dürtü sinir ağlarını uygulayan yenilikçi genel amaçlı beyin tabanlı sistemler (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) gösterilmiştir. Bu işlemciler, makine öğrenimi ve kortikal devre modelleme için düşük güçlü, düşük gecikmeli çözümler sağlar. Enerji verimliliğinden tam olarak yararlanmak için bu nöromorfik işlemcilerin doğrudan olay odaklı sensörlere bağlanması gerekir12,13. Ancak günümüzde doğrudan olaya dayalı verileri sağlayan yalnızca birkaç dokunmatik cihaz bulunmaktadır. Öne çıkan örnekler, izleme ve hareket algılama14,15,16,17 gibi görme uygulamalarına yönelik dinamik görsel sensörler (DVS), silikon koklea18 ve işitsel sinyal işlemeye yönelik nöromorfik işitsel sensörler (NAS)19, koku alma sensörleri20 ve çok sayıda dokunma örneğidir21,22. . doku sensörleri.
Bu yazıda, nesne lokalizasyonuna uygulanan yeni geliştirilmiş olay odaklı işitsel işleme sistemini sunuyoruz. Burada, ilk kez, son teknoloji ürünü bir piezoelektrik mikroişlenmiş ultrasonik dönüştürücüyü (pMUT) nöromorfik dirençli belleğe (RRAM) dayalı bir hesaplama grafiğine bağlayarak elde edilen nesne lokalizasyonu için uçtan uca bir sistemi tanımlıyoruz. RRAM kullanan bellek içi bilgi işlem mimarileri, güç tüketimini azaltmak için umut verici bir çözümdür23,24,25,26,27,28,29. Bilgiyi depolamak veya güncellemek için aktif güç tüketimi gerektirmeyen doğal uçuculukları, nöromorfik bilgi işlemin eşzamansız, olaya dayalı doğasıyla mükemmel bir uyum sağlar ve sistem boştayken neredeyse hiç güç tüketimine neden olmaz. Piezoelektrik mikro işlenmiş ultrasonik dönüştürücüler (pMUT'ler), verici ve alıcı30,31,32,33,34 gibi davranabilen ucuz, minyatür silikon bazlı ultrasonik dönüştürücülerdir. Yerleşik sensörler tarafından alınan sinyalleri işlemek için peçeli baykuş nöroanatomisinden ilham aldık35,36,37. Peçeli baykuş Tyto alba, çok verimli işitsel konum belirleme sistemi sayesinde olağanüstü gece avlanma yetenekleriyle tanınır. Avın yerini hesaplamak için peçeli baykuşun lokalizasyon sistemi, avdan gelen ses dalgalarının baykuşun kulaklarına veya ses alıcılarına ulaştığı uçuş zamanını (ToF) kodlar. Kulaklar arasındaki mesafe göz önüne alındığında, iki ToF ölçümü arasındaki fark (Kulaklararası Zaman Farkı, ITD), hedefin azimut konumunun analitik olarak hesaplanmasını mümkün kılar. Biyolojik sistemler cebirsel denklemleri çözmeye pek uygun olmasalar da, lokalizasyon problemlerini çok etkili bir şekilde çözebilirler. Peçeli baykuş sinir sistemi, konumlandırma problemlerini çözmek için hesaplamalı grafikler halinde organize edilmiş bir dizi tesadüf dedektörü (CD)35 nöron (yani, yakınsak uyarıcı sonlara doğru ilerleyen sivri uçlar arasındaki zamansal korelasyonları tespit edebilen nöronlar)38,39 kullanır.
Önceki araştırmalar, peçeli baykuşun alt kollikulusundan (“işitsel korteks”) ilham alan tamamlayıcı metal oksit yarı iletken (CMOS) donanım ve RRAM tabanlı nöromorfik donanımın, ITD13, 40, 41, 42, 43, 44, 45, 46. Bununla birlikte, işitsel ipuçlarını nöromorfik hesaplamalara bağlayan tam nöromorfik sistemlerin potansiyeli grafikler henüz gösterilmedi. Ana sorun, eşleşme tespitinin doğruluğunu etkileyen analog CMOS devrelerinin doğal değişkenliğidir. Son zamanlarda ITD47 tahminlerinin alternatif sayısal uygulamaları gösterilmiştir. Bu yazıda, analog devrelerdeki değişkenliği ortadan kaldırmak için RRAM'in iletkenlik değerini kalıcı bir şekilde değiştirme yeteneğini kullanmayı öneriyoruz. 111.9 kHz frekansında çalışan bir pMUT verici membran, peçeli baykuş kulaklarını simüle eden iki pMUT alıcı membran (sensör) ve bir adet pMUT alıcı membrandan (sensörler) oluşan bir deney sistemi uyguladık. Lokalizasyon sistemimizi test etmek ve açısal çözünürlüğünü değerlendirmek için pMUT tespit sistemini ve RRAM tabanlı ITD hesaplama grafiğini deneysel olarak karakterize ettik.
Yöntemimizi, geleneksel hüzme oluşturma veya nöromorfik yöntemlerin yanı sıra referansta önerilen ITD tahmini için alan programlanabilir kapı dizisi (FPGA) kullanarak aynı lokalizasyon görevini gerçekleştiren bir mikro denetleyici üzerindeki dijital uygulamayla karşılaştırıyoruz. 47. Bu karşılaştırma, önerilen RRAM tabanlı analog nöromorfik sistemin rekabetçi güç verimliliğini vurgulamaktadır.
Doğru ve etkili bir nesne konumlandırma sisteminin en çarpıcı örneklerinden biri peçeli baykuşta bulunabilir35,37,48. Peçeli baykuş (Tyto Alba) alacakaranlıkta ve şafak vakti öncelikle pasif dinlemeye güvenir ve aktif olarak tarla faresi veya fare gibi küçük avları arar. Bu işitsel uzmanlar, Şekil 1a'da gösterildiği gibi, avdan gelen işitsel sinyalleri şaşırtıcı bir doğrulukla (yaklaşık 2°)35 konumlandırabilirler. Peçeli baykuşlar, azimut (yatay) düzlemdeki ses kaynaklarının konumunu, ses kaynağından iki kulağa gelen uçuş süresindeki (ITD) farktan çıkarır. ITD hesaplama mekanizması, sinir geometrisine dayanan ve iki temel bileşen gerektiren Jeffress49,50 tarafından önerilmiştir: bir akson, bir gecikme hattı görevi gören bir nöronun sinir lifi ve bir hesaplama sistemi halinde organize edilmiş bir dizi tesadüf dedektörü nöron. Şekil 1b'de gösterilen grafik. Ses, kulağa azimut bağımlı zaman gecikmesi (ITD) ile ulaşır. Ses daha sonra her kulakta bir diken desenine dönüştürülür. Sol ve sağ kulağın aksonları gecikme hatları görevi görür ve CD nöronlarında birleşir. Teorik olarak, eşleşen nöron dizisindeki yalnızca bir nöron aynı anda girdi alacaktır (gecikmenin tam olarak ortadan kalktığı yerde) ve maksimum düzeyde ateşlenecektir (komşu hücreler de ateşlenecektir, ancak daha düşük bir frekansta). Belirli nöronların etkinleştirilmesi, ITD'yi açılara dönüştürmeden hedefin uzaydaki konumunu kodlar. Bu kavram Şekil 1c'de özetlenmiştir: örneğin, sağ kulaktan gelen giriş sinyali sol kulaktan gelen yoldan daha uzun bir yol kat ettiğinde ses sağ taraftan geliyorsa, örneğin ITD'lerin sayısını telafi ederek, nöron 2 eşleştiğinde. Başka bir deyişle, her CD, aksonal gecikme nedeniyle belirli bir ITD'ye (aynı zamanda optimal gecikme olarak da bilinir) yanıt verir. Böylece beyin zamansal bilgiyi mekansal bilgiye dönüştürür. Bu mekanizmaya ilişkin anatomik kanıtlar bulunmuştur37,51. Faz kilitli makronükleus nöronları, gelen seslerle ilgili zamansal bilgileri depolar: Adından da anlaşılacağı gibi, belirli sinyal fazlarında ateşlenirler. Jeffress modelinin tesadüf dedektörü nöronları laminer çekirdekte bulunabilir. Aksonları geciktirme hattı görevi gören makronükleer nöronlardan bilgi alırlar. Gecikme hattının sağladığı gecikme miktarı, aksonun uzunluğunun yanı sıra iletim hızını değiştiren başka bir miyelinasyon modeliyle açıklanabilir. Peçeli baykuşun işitsel sisteminden esinlenerek nesnelerin yerini belirlemek için biyomimetik bir sistem geliştirdik. İki kulak, iki pMUT alıcısıyla temsil edilir. Ses kaynağı, aralarında bulunan pMUT vericisidir (Şekil 1a) ve hesaplama grafiği, girişleri geciken CD nöronlarının rolünü oynayan RRAM tabanlı CD devrelerinden oluşan bir ızgara (Şekil 1b, yeşil) tarafından oluşturulur. Devre boyunca gecikme hatları (mavi), biyolojik karşılıktaki aksonlar gibi davranır. Önerilen duyu sistemi, çalışma frekansı açısından, işitsel sistemi 1-8 kHz aralığında çalışan baykuşunkinden farklıdır, ancak bu çalışmada yaklaşık 117 kHz'de çalışan pMUT sensörleri kullanılmıştır. Ultrasonik dönüştürücünün seçimi teknik ve optimizasyon kriterlerine göre değerlendirilir. İlk olarak, alma bant genişliğini tek bir frekansla sınırlamak ideal olarak ölçüm doğruluğunu artırır ve işlem sonrası adımı basitleştirir. Ek olarak, ultrasonda çalışmanın avantajı, yayılan darbelerin duyulamaması, dolayısıyla işitsel aralıkları ~20-20 kHz olduğundan insanları rahatsız etmemesidir.
peçeli baykuş bir hedeften, bu durumda hareketli bir avdan ses dalgaları alır. Ses dalgasının uçuş süresi (ToF) her kulak için farklıdır (av doğrudan baykuşun önünde olmadığı sürece). Noktalı çizgi, ses dalgalarının peçeli baykuşun kulaklarına ulaşmak için izlediği yolu göstermektedir. Avın yeri, iki akustik yol arasındaki uzunluk farkına ve buna karşılık gelen kulaklar arası zaman farkına (ITD) bağlı olarak yatay düzlemde doğru bir şekilde konumlandırılabilir (soldaki resim, referans 74, telif hakkı 2002, Nörobilim Derneği'nden esinlenilmiştir). Sistemimizde pMUT vericisi (koyu mavi), hedeften yansıyan ses dalgaları üretir. Yansıyan ultrason dalgaları iki pMUT alıcısı (açık yeşil) tarafından alınır ve nöromorfik işlemci (sağda) tarafından işlenir. b Peçeli baykuşun kulaklarına giren seslerin önce büyük çekirdekte (NM) faz kilitli sivri uçlar olarak nasıl kodlandığını ve ardından katmanlı çekirdekte geometrik olarak düzenlenmiş eşleşen dedektör nöronları ızgarasını nasıl kullandığını açıklayan bir ITD (Jeffress) hesaplama modeli. İşleniyor (Hollanda) (solda). Gecikme çizgilerini ve tesadüf dedektör nöronlarını birleştiren bir nöroITD hesaplama grafiğinin çizimi, baykuş biyosensör sistemi, RRAM tabanlı nöromorfik devreler (sağda) kullanılarak modellenebilir. c Ana Jeffress mekanizmasının şeması, ToF farklılığından dolayı iki kulak ses uyarılarını farklı zamanlarda alır ve her iki uçtan aksonları dedektöre gönderir. Aksonlar, her biri zamanla güçlü bir şekilde ilişkili girdilere seçici olarak yanıt veren bir dizi tesadüf dedektörü (CD) nöronunun parçasıdır. Sonuç olarak, yalnızca girişleri en küçük zaman farkıyla gelen CD'ler maksimum düzeyde uyarılır (ITD tam olarak telafi edilir). CD daha sonra hedefin açısal konumunu kodlayacaktır.
Piezoelektrik mikromekanik ultrasonik dönüştürücüler, gelişmiş CMOS teknolojisi31,32,33,52 ile entegre edilebilen ve geleneksel hacimsel dönüştürücülere53 göre daha düşük başlangıç voltajı ve güç tüketimine sahip, ölçeklenebilir ultrasonik dönüştürücülerdir. Çalışmamızda membran çapı 880 µm'dir ve rezonans frekansı 110-117 kHz aralığında dağılmıştır (Şekil 2a, ayrıntılar için Yöntemlere bakınız). On test cihazından oluşan bir grupta ortalama kalite faktörü yaklaşık 50 idi (ref. 31). Teknoloji endüstriyel olgunluğa ulaştı ve kendi başına biyolojik bir ilham kaynağı değil. Farklı pMUT filmlerinden gelen bilgilerin birleştirilmesi iyi bilinen bir tekniktir ve örneğin hüzme oluşturma teknikleri31,54 kullanılarak pMUT'lardan açı bilgisi elde edilebilir. Ancak açı bilgisini çıkarmak için gereken sinyal işleme, düşük güçlü ölçümler için uygun değildir. Önerilen sistem, nöromorfik veri ön işleme devresi pMUT'u Jeffress modelinden esinlenen RRAM tabanlı nöromorfik hesaplama grafiğiyle birleştirerek (Şekil 2c) alternatif enerji tasarruflu ve kaynakları kısıtlı bir donanım çözümü sağlar. İki alıcı membran tarafından alınan farklı ToF seslerinden yararlanmak için iki pMUT sensörünün yaklaşık 10 cm aralıklarla yerleştirildiği bir deney gerçekleştirdik. Verici görevi gören bir pMUT, alıcılar arasında bulunur. Hedef, pMUT cihazının önünde D mesafesinde bulunan 12 cm genişliğinde bir PVC plakaydı (Şekil 2b). Alıcı, nesneden yansıyan sesi kaydeder ve ses dalgasının geçişi sırasında mümkün olduğu kadar tepki verir. D mesafesi ve θ açısı ile belirlenen nesnenin konumunu değiştirerek deneyi tekrarlayın. Bir bağlantıdan ilham alındı. Şekil 55'te, nöromorfik bir hesaplama grafiğinin girilmesi için yansıyan dalgaları zirvelere dönüştürmek üzere pMUT ham sinyallerinin nöromorfik bir ön işlemesini öneriyoruz. Tepe genliğine karşılık gelen ToF, iki kanalın her birinden çıkarılır ve ayrı ayrı tepe noktalarının tam zamanlaması olarak kodlanır. Şek. Şekil 2c, pMUT sensörünü RRAM tabanlı bir hesaplama grafiğiyle arayüzlemek için gereken devreyi gösterir: iki pMUT alıcısının her biri için, ham sinyal, yumuşatmak, düzeltmek için bant geçişli filtreden geçirilir ve ardından üstesinden gelme modunda sızıntılı entegratöre iletilir. dinamik eşik (Şekil 2d) bir çıkış olayı (sivri uç) ve ateşleme (LIF) nöronu oluşturur: çıkış artış süresi, tespit edilen uçuş süresini kodlar. LIF eşiği pMUT yanıtına göre kalibre edilir, böylece cihazdan cihaza pMUT değişkenliği azalır. Bu yaklaşımla, tüm ses dalgasının hafızada saklanması ve daha sonra işlenmesi yerine, basitçe ses dalgasının ToF'sine karşılık gelen ve dirençli hafıza hesaplama grafiğine girdi oluşturan bir tepe noktası üretiriz. Sivri uçlar doğrudan gecikme hatlarına gönderilir ve nöromorfik hesaplama grafiklerindeki eşleşme tespit modülleriyle paralelleştirilir. Transistörlerin kapılarına gönderildiklerinden ek amplifikasyon devresine gerek yoktur (ayrıntılar için Ek Şekil 4'e bakınız). pMUT ve önerilen sinyal işleme yöntemi tarafından sağlanan lokalizasyon açısal doğruluğunu değerlendirmek için, nesnenin mesafesi ve açısı değiştikçe ITD'yi (yani iki alıcı tarafından oluşturulan zirve olaylar arasındaki zaman farkını) ölçtük. ITD analizi daha sonra açılara dönüştürüldü (Yöntemlere bakın) ve nesnenin konumuna göre çizildi: ölçülen ITD'deki belirsizlik, nesneye olan mesafe ve açıyla birlikte arttı (Şekil 2e, f). Asıl sorun, pMUT yanıtındaki tepe-gürültü oranıdır (PNR). Nesne ne kadar uzakta olursa akustik sinyal o kadar düşük olur, dolayısıyla PNR azalır (Şekil 2f, yeşil çizgi). PNR'daki bir azalma, ITD tahminindeki belirsizliğin artmasına yol açarak lokalizasyon doğruluğunun artmasına neden olur (Şekil 2f, mavi çizgi). Vericiden 50 cm uzaklıktaki bir nesne için sistemin açısal doğruluğu yaklaşık 10°'dir. Sensör özelliklerinin getirdiği bu sınırlama iyileştirilebilir. Örneğin, yayıcı tarafından gönderilen basınç arttırılabilir, böylece pMUT membranını çalıştıran voltaj arttırılabilir. İletilen sinyali güçlendirmek için başka bir çözüm, birden fazla vericiyi (56) bağlamaktır. Bu çözümler, artan enerji maliyetleri pahasına algılama aralığını artıracaktır. Alıcı tarafta ek iyileştirmeler yapılabilir. PMUT'un alıcı gürültü tabanı, pMUT ile birinci aşama amplifikatör arasındaki şu anda kablo bağlantıları ve RJ45 kablolarla yapılan bağlantının iyileştirilmesiyle önemli ölçüde azaltılabilir.
1,5 mm aralıkta entegre edilmiş altı adet 880 µm membranlı bir pMUT kristalinin görüntüsü. b Ölçüm kurulumunun şeması. Hedef, θ azimut pozisyonunda ve D mesafesinde bulunur. pMUT vericisi, hedeften yansıyan ve farklı uçuş zamanlarına (ToF) sahip iki pMUT alıcısına ulaşan 117,6 kHz'lik bir sinyal üretir. Sesler arası zaman farkı (ITD) olarak tanımlanan bu fark, bir nesnenin konumunu kodlar ve iki alıcı sensörünün tepe tepkisinin tahmin edilmesiyle tahmin edilebilir. c Ham pMUT sinyalini spike dizilerine (yani nöromorfik hesaplama grafiğine giriş) dönüştürmek için ön işleme adımlarının şeması. PMUT sensörleri ve nöromorfik hesaplamalı grafikler üretilmiş ve test edilmiştir ve nöromorfik ön işleme, yazılım simülasyonuna dayanmaktadır. d Bir sinyalin alınması üzerine pMUT membranının tepkisi ve bunun bir spike alanına dönüşümü. e Nesne açısının (Θ) ve hedef nesneye olan mesafenin (D) bir fonksiyonu olarak deneysel lokalizasyon açısal doğruluğu. ITD ekstraksiyon yöntemi, yaklaşık 4°C'lik minimum açısal çözünürlük gerektirir. f Θ = 0 için açısal doğruluk (mavi çizgi) ve karşılık gelen tepe-gürültü oranı (yeşil çizgi) ile nesne mesafesi.
Dirençli bellek, bilgileri uçucu olmayan iletken bir durumda saklar. Yöntemin temel prensibi, malzemenin atomik seviyedeki modifikasyonunun elektriksel iletkenliğinde bir değişikliğe neden olmasıdır57. Burada, üst ve alt titanyum ve titanyum nitrür elektrotlar arasına sıkıştırılmış 5 nm'lik bir hafniyum dioksit tabakasından oluşan oksit bazlı dirençli bir hafıza kullanıyoruz. RRAM cihazlarının iletkenliği, elektrotlar arasındaki iletken oksijen boşluklarını oluşturan veya kesen bir akım/voltaj dalga biçimi uygulanarak değiştirilebilir. Bir tesadüf detektörü ve bir gecikme hattı devresi uygulayan, fabrikasyon, yeniden yapılandırılabilir bir nöromorfik devre oluşturmak için bu tür cihazları58 standart bir 130 nm CMOS sürecine entegre ettik (Şekil 3a). Cihazın kalıcı ve analog yapısı, nöromorfik devrenin olay odaklı yapısıyla birleştiğinde güç tüketimini en aza indirir. Devrenin anında açma/kapama işlevi vardır: açıldıktan hemen sonra çalışır ve devre boştayken gücün tamamen kapatılmasına olanak tanır. Önerilen planın ana yapı taşları Şekil 2'de gösterilmektedir. 3b. Ağırlıklı akımların alındığı sinaptik ağırlıkları kodlayan, diferansiyel çift entegratörünün (DPI)59 ortak sinapsına enjekte edilen ve son olarak entegrasyonla sinapsa enjekte edilen N paralel tek dirençli tek transistörlü (1T1R) yapılardan oluşur ve sızıntı. aktive edilmiş (LIF) nöron 60 (ayrıntılar için Yöntemlere bakınız). Giriş dalgalanmaları, 1T1R yapısının kapısına, yüzlerce nanosaniye düzeyinde bir süreye sahip bir dizi voltaj darbesi şeklinde uygulanır. Dirençli bellek, Vbottom topraklandığında Vtop'a harici bir pozitif referans uygulanarak yüksek iletken duruma (HCS) yerleştirilebilir ve Vtop topraklandığında Vbottom'a pozitif voltaj uygulanarak düşük iletken duruma (LCS) sıfırlanabilir. HCS'nin ortalama değeri, SET'in (ICC) programlama akımının (uyumluluğunun) seri transistörün geçit kaynağı voltajıyla sınırlandırılmasıyla kontrol edilebilir (Şekil 3c). RRAM'ın devredeki işlevleri iki yönlüdür: giriş darbelerini yönlendirir ve ağırlıklandırırlar.
Yeşil seçici transistörlere (650 nm genişliğinde) sahip 130 nm CMOS teknolojisine entegre edilmiş mavi bir HfO2 1T1R RRAM cihazının taramalı elektron mikroskobu (SEM) görüntüsü. b Önerilen nöromorfik şemanın temel yapı taşları. Giriş voltajı darbeleri (tepe noktaları) Vin0 ve Vin1, 1T1R yapısının G0 ve G1 iletim durumlarıyla orantılı olan Iweight akımını tüketir. Bu akım DPI sinapslarına enjekte edilir ve LIF nöronlarını uyarır. RRAM G0 ve G1 sırasıyla HCS ve LCS'ye kuruludur. c İletim seviyesini etkili bir şekilde kontrol eden, ICC akım eşleştirmesinin bir fonksiyonu olarak bir grup 16K RRAM cihazı için kümülatif iletkenlik yoğunluğunun işlevi. d (a)'daki devre ölçümleri, G1'in (LCS'de) Vin1'den (yeşil) gelen girişi etkili bir şekilde engellediğini ve aslında çıkış nöronunun membran voltajının yalnızca Vin0'dan gelen mavi girişe yanıt verdiğini gösterir. RRAM, devredeki bağlantıları etkili bir şekilde belirler. e Vin0 voltaj darbesi uygulandıktan sonra G0 iletkenlik değerinin Vmem membran voltajı üzerindeki etkisini gösteren (b)'deki devrenin ölçümü. İletkenlik ne kadar fazla olursa yanıt da o kadar güçlü olur: dolayısıyla RRAM cihazı G/Ç bağlantısı ağırlıklandırmasını uygular. Devre üzerinde ölçümler yapıldı ve RRAM'ın ikili işlevini, giriş darbelerinin yönlendirilmesini ve ağırlıklandırılmasını gösterdi.
İlk olarak, iki temel iletim durumu (HCS ve LCS) olduğundan, RRAM'ler sırasıyla LCS veya HCS durumlarındayken giriş darbelerini engelleyebilir veya kaçırabilir. Sonuç olarak RRAM, devredeki bağlantıları etkili bir şekilde belirler. Bu, mimariyi yeniden yapılandırabilmenin temelidir. Bunu göstermek için, Şekil 3b'deki devre bloğunun fabrikasyon devre uygulamasını açıklayacağız. G0'a karşılık gelen RRAM, HCS'ye programlanır ve ikinci RRAM G1, LCS'ye programlanır. Giriş darbeleri hem Vin0 hem de Vin1'e uygulanır. Giriş darbelerinin iki dizisinin etkileri, bir osiloskop kullanılarak nöron membran voltajı ve çıkış sinyali toplanarak çıkış nöronlarında analiz edildi. Deney, membran gerginliğini uyarmak için nöronun darbesine yalnızca HCS cihazı (G0) bağlandığında başarılı oldu. Bu, Şekil 3d'de gösterilmektedir; burada mavi darbe dizisi membran voltajının membran kondansatörü üzerinde birikmesine neden olurken, yeşil darbe dizisi membran voltajını sabit tutar.
RRAM'ın ikinci önemli işlevi bağlantı ağırlıklarının uygulanmasıdır. RRAM'in analog iletkenlik ayarı kullanılarak G/Ç bağlantıları buna göre ağırlıklandırılabilir. İkinci deneyde G0 cihazı farklı HCS seviyelerine programlandı ve giriş darbesi VIn0 girişine uygulandı. Giriş darbesi cihazdan iletkenlik ve buna karşılık gelen Vtop – Vbot potansiyel düşüşüyle orantılı bir akım (Iağırlık) çeker. Bu ağırlıklı akım daha sonra DPI sinapslarına ve LIF çıkış nöronlarına enjekte edilir. Çıkış nöronlarının membran voltajı bir osiloskop kullanılarak kaydedildi ve Şekil 3d'de gösterildi. Tek bir giriş darbesine yanıt olarak nöron zarının voltaj zirvesi, dirençli belleğin iletkenliğiyle orantılıdır; bu, RRAM'ın sinaptik ağırlığın programlanabilir bir elemanı olarak kullanılabileceğini gösterir. Bu iki ön test, önerilen RRAM tabanlı nöromorfik platformun temel Jeffress mekanizmasının temel elemanlarını, yani gecikme hattını ve tesadüf dedektör devresini uygulayabildiğini göstermektedir. Devre platformu, Şekil 3b'deki bloklar gibi ardışık blokların yan yana istiflenmesi ve kapılarının ortak bir giriş hattına bağlanmasıyla oluşturulur. İki girdi alan iki çıktı nöronundan oluşan nöromorfik bir platform tasarladık, ürettik ve test ettik (Şekil 4a). Devre şeması Şekil 4b'de gösterilmektedir. Üstteki 2x2 RRAM matrisi, giriş darbelerinin iki çıkış nöronuna yönlendirilmesine izin verirken, alttaki 2x2 matris, iki nöronun (N0, N1) tekrarlayan bağlantılarına izin verir. Bu platformun, Şekil 4c-e'deki deneysel ölçümlerle gösterildiği gibi, bir gecikme hattı konfigürasyonu ve iki farklı tesadüf dedektörü fonksiyonuyla kullanılabileceğini gösterdik.
0 ve 1 girişlerini alan iki çıkış nöronu N0 ve N1 tarafından oluşturulan devre şeması. Dizinin en üstteki dört cihazı, girişten çıkışa sinaptik bağlantıları tanımlar ve alttaki dört hücre, nöronlar arasındaki tekrarlayan bağlantıları tanımlar. Renkli RRAM'ler sağdaki HCS'de yapılandırılan cihazları temsil eder: HCS'deki cihazlar bağlantılara izin verir ve ağırlıkları temsil ederken, LCS'deki cihazlar giriş darbelerini engeller ve çıkışlara giden bağlantıları devre dışı bırakır. b Sekiz RRAM modülünün mavi renkle vurgulandığı devre (a) diyagramı. c Gecikme çizgileri, yalnızca DPI sinapslarının ve LIF nöronlarının dinamikleri kullanılarak oluşturulur. Yeşil RRAM, Δt giriş gecikmesinden sonra çıkışta bir aksaklığa neden olabilecek kadar yüksek iletkenliğe ayarlanmıştır. d Zamana bağlı sinyallerin yöne duyarlı olmayan CD algılamasının şematik gösterimi. Çıkış nöronu 1, N1, kısa bir gecikmeyle 0 ve 1 girişlerini ateşler. e Yöne duyarlı CD devresi, giriş 1'in giriş 0'a yaklaştığını ve giriş 0'dan sonra geldiğini algılayan bir devre. Devrenin çıkışı nöron 1 (N1) tarafından temsil edilir.
Gecikme çizgisi (Şekil 4c), Tdel'i geciktirerek Vin1'den Vout1'e giriş artışını yeniden oluşturmak için DPI sinapslarının ve LIF nöronlarının dinamik davranışını kullanır. Yalnızca Vin1 ve Vout1'e bağlı G3 RRAM HCS'de programlanır, geri kalan RRAM'ler LCS'de programlanır. G3 cihazı, her giriş darbesinin, eşiğe ulaşmak ve gecikmeli bir çıkış darbesi oluşturmak için çıkış nöronunun membran voltajını yeterince artırmasını sağlamak üzere 92,6 µs için programlandı. Tdel gecikmesi sinaptik ve sinirsel zaman sabitleri tarafından belirlenir. Tesadüf dedektörleri, zamansal olarak ilişkili ancak mekansal olarak dağıtılmış giriş sinyallerinin oluşumunu tespit eder. Yöne duyarsız CD, bireysel girişlerin ortak bir çıkış nöronuna yaklaşmasına dayanır (Şekil 4d). Vin0 ve Vin1'i sırasıyla Vout1, G2 ve G4'e bağlayan iki RRAM, yüksek iletim için programlanmıştır. Vin0 ve Vin1'e eşzamanlı sivri uçların ulaşması, N1 nöron zarının voltajını, çıkış sivri ucunu oluşturmak için gereken eşiğin üzerine çıkarır. Eğer iki giriş zaman açısından birbirinden çok uzaksa, birinci giriş tarafından biriken membran voltajı üzerindeki yükün azalması için zaman olabilir, bu da N1 membran potansiyelinin eşik değerine ulaşmasını engelleyebilir. G1 ve G2 yaklaşık 65 µs için programlanmıştır; bu, tek bir giriş dalgalanmasının membran voltajını bir çıkış dalgalanmasına neden olacak kadar artırmamasını sağlar. Uzay ve zamanda dağıtılan olaylar arasındaki tesadüf tespiti, optik akışa dayalı engellerden kaçınma ve ses kaynağı lokalizasyonu gibi çok çeşitli algılama görevlerinde kullanılan temel bir işlemdir. Bu nedenle, yöne duyarlı ve duyarsız CD'lerin hesaplanması, görsel ve işitsel yerelleştirme sistemlerinin oluşturulması için temel bir yapı taşıdır. Zaman sabitlerinin özelliklerinin gösterdiği gibi (bkz. Ek Şekil 2), önerilen devre, dört büyüklük dereceli zaman ölçeğinden oluşan uygun bir aralık uygular. Böylece görüntü ve ses sistemlerinin ihtiyaçlarını aynı anda karşılayabilmektedir. Yöne duyarlı CD, darbelerin uzaysal varış sırasına duyarlı olan bir devredir: sağdan sola ve tam tersi. Drosophila görsel sisteminin temel hareket algılama ağında, hareket yönlerini hesaplamak ve çarpışmaları tespit etmek için kullanılan temel bir yapı taşıdır62. Yöne duyarlı bir CD elde etmek için iki girişin iki farklı nörona (N0, N1) yönlendirilmesi ve aralarında yönlü bir bağlantı kurulması gerekir (Şekil 4e). İlk giriş alındığında NO, membranındaki voltajı eşik değerinin üzerine çıkararak ve bir dalgalanma göndererek tepki verir. Bu çıkış olayı, yeşil renkle vurgulanan yönlü bağlantı sayesinde N1'i ateşler. Eğer bir giriş olayı Vin1 gelir ve membran voltajı hala yüksekken N1'e enerji verirse, N1 iki giriş arasında bir eşleşme bulunduğunu belirten bir çıkış olayı üretir. Yönlü bağlantılar, N1'in yalnızca giriş 1'in giriş 0'dan sonra gelmesi durumunda çıkış vermesine olanak tanır. G0, G3 ve G7 sırasıyla 73,5 µS, 67,3 µS ve 40,2 µS'ye programlanmıştır, böylece Vin0 girişindeki tek bir artışın gecikmeli bir gecikmeye neden olmasını sağlar. N1'in membran potansiyeli yalnızca her iki giriş patlaması senkronize olarak ulaştığında eşiğe ulaşırken, çıkış artışı gerçekleşir. .
Değişkenlik, modellenen nöromorfik sistemlerdeki kusurların kaynağıdır63,64,65. Bu, nöronların ve sinapsların heterojen davranışına yol açar. Bu tür dezavantajlara örnek olarak, girdi kazanımındaki %30'luk (ortalama standart sapma) değişkenlik, zaman sabiti ve refrakter periyot sayılabilir (Yöntemlere bakınız). Bu sorun, iki nörondan oluşan oryantasyona duyarlı bir CD gibi birden fazla sinir devresi birbirine bağlandığında daha da belirgindir. Düzgün çalışması için iki nöronun kazanç ve bozunma süresi sabitlerinin mümkün olduğunca benzer olması gerekir. Örneğin, giriş kazancındaki büyük bir fark, bir nöronun bir giriş darbesine aşırı tepki vermesine, diğer nöronun ise zar zor yanıt vermesine neden olabilir. Şek. Şekil 5a, rastgele seçilen nöronların aynı giriş darbesine farklı tepki verdiğini göstermektedir. Bu sinirsel değişkenlik, örneğin yöne duyarlı CD'lerin işleviyle ilgilidir. Şekil 2'de gösterilen şemada. Şekil 5b, c'de gösterildiği gibi, nöron 1'in giriş kazancı, nöron 0'ınkinden çok daha yüksektir. Bu nedenle, nöron 0, eşiğe ulaşmak için (1 yerine) üç giriş darbesine ihtiyaç duyar ve nöron 1, beklendiği gibi iki giriş olayına ihtiyaç duyar. Ani zamana bağlı biyomimetik plastisitenin (STDP) uygulanması, kesin olmayan ve yavaşlayan sinir ve sinaptik devrelerin sistem performansı üzerindeki etkisini azaltmanın olası bir yoludur43. Burada, dirençli hafızanın plastik davranışını, sinirsel girdinin arttırılmasını etkilemek ve nöromorfik devrelerdeki değişkenliğin etkilerini azaltmak için bir araç olarak kullanmayı öneriyoruz. Şekil 2'de gösterildiği gibi. Şekil 4e'de, RRAM sinaptik kütlesi ile ilişkili iletkenlik seviyeleri, ilgili sinir zarı voltaj tepkisini etkili bir şekilde modüle etti. Yinelemeli bir RRAM programlama stratejisi kullanıyoruz. Belirli bir giriş için sinaptik ağırlıkların iletkenlik değerleri, devrenin hedef davranışı elde edilene kadar yeniden programlanır (Yöntemlere bakınız).
a Rastgele seçilen dokuz ayrı nöronun aynı giriş darbesine tepkisinin deneysel ölçümleri. Tepki popülasyonlar arasında değişiklik göstererek girdi kazanımını ve zaman sabitini etkiler. b Yöne duyarlı CD'yi etkileyen nöronların değişkenliği üzerindeki nöronların etkisinin deneysel ölçümleri. İki yöne duyarlı CD çıkış nöronu, nörondan nörona değişkenlik nedeniyle giriş uyaranlarına farklı tepki verir. Nöron 0, nöron 1'den daha düşük bir giriş kazancına sahiptir, bu nedenle bir çıkış artışı oluşturmak için (1 yerine) üç giriş darbesi gerekir. Beklendiği gibi nöron 1, iki giriş olayıyla eşiğe ulaşır. Giriş 1, nöron 0 ateşlendikten sonra Δt = 50 µs'ye ulaşırsa CD sessiz kalır çünkü Δt, nöron 1'in zaman sabitinden daha büyüktür (yaklaşık 22 µs). c, Δt = 20 µs kadar azaltılır, böylece nöron 1'in ateşlenmesi hala yüksek olduğunda giriş 1 zirveye çıkar ve iki giriş olayının eşzamanlı olarak algılanmasıyla sonuçlanır.
ITD hesaplama sütununda kullanılan iki unsur, gecikme çizgisi ve yöne duyarsız CD'dir. Her iki devre de iyi nesne konumlandırma performansı sağlamak için hassas kalibrasyon gerektirir. Gecikme hattı, giriş zirvesinin tam olarak gecikmeli bir versiyonunu sağlamalıdır (Şekil 6a) ve CD, yalnızca giriş hedef tespit aralığına düştüğünde etkinleştirilmelidir. Gecikme hattı için, giriş bağlantılarının (Şekil 4a'daki G3) sinaptik ağırlıkları, hedef gecikme elde edilene kadar yeniden programlandı. Programı durdurmak için hedef gecikme etrafında bir tolerans ayarlayın: tolerans ne kadar küçük olursa, gecikme hattını başarılı bir şekilde ayarlamak o kadar zor olur. Şek. Şekil 6b, gecikme hattı kalibrasyon işleminin sonuçlarını göstermektedir: önerilen şemanın, tasarım şemasında gerekli olan tüm gecikmeleri (10'dan 300 μs'ye kadar) tam olarak sağlayabildiği görülmektedir. Maksimum kalibrasyon yineleme sayısı, kalibrasyon sürecinin kalitesini etkiler: 200 yineleme, hatayı %5'in altına düşürebilir. Bir kalibrasyon yinelemesi, bir RRAM hücresinin ayarlama/sıfırlama işlemine karşılık gelir. Ayarlama işlemi aynı zamanda CD modülünün anında kapanma olayı tespitinin doğruluğunun arttırılması açısından da kritik öneme sahiptir. %95'in üzerinde (Şekil 6c'deki mavi çizgi) gerçek bir pozitif orana (yani ilgili olarak doğru şekilde tanımlanan olayların oranına) ulaşmak için on kalibrasyon yinelemesi gerekti. Ancak ayarlama süreci hatalı pozitif olayları (yani hatalı bir şekilde ilgili olarak tanımlanan olayların sıklığını) etkilemedi. Biyolojik sistemlerde hızla etkinleşen yolların zaman kısıtlamalarının üstesinden gelmek için gözlemlenen bir başka yöntem de fazlalıktır (yani, belirli bir işlevi gerçekleştirmek için aynı nesnenin birçok kopyası kullanılır). Biyoloji66'dan esinlenerek, yanlış pozitiflerin etkisini azaltmak için her bir CD modülüne iki gecikme hattı arasına birkaç CD devresi yerleştirdik. Şekil 2'de gösterildiği gibi. Şekil 6c'de (yeşil çizgi) her bir CD modülüne üç CD elemanı yerleştirilmesi, yanlış alarm oranını 10-2'nin altına düşürebilir.
a Nöronal değişkenliğin gecikme hattı devreleri üzerindeki etkisi. b Gecikme hattı devreleri, karşılık gelen LIF nöronlarının ve DPI sinapslarının zaman sabitlerinin büyük değerlere ayarlanmasıyla büyük gecikmelere ölçeklendirilebilir. RRAM kalibrasyon prosedürünün yineleme sayısının arttırılması, hedef gecikmenin doğruluğunun önemli ölçüde iyileştirilmesini mümkün kıldı: 200 yineleme, hatayı %5'in altına düşürdü. Bir yineleme, bir RRAM hücresindeki AYARLAMA/SIFIRLAMA işlemine karşılık gelir. C Jeffress modelindeki her CD modülü, sistem arızalarına ilişkin daha fazla esneklik sağlamak için N paralel CD öğesi kullanılarak uygulanabilir. d Daha fazla RRAM kalibrasyon yinelemesi gerçek pozitif oranı (mavi çizgi) artırırken, yanlış pozitif oranı yineleme sayısından bağımsızdır (yeşil çizgi). Daha fazla CD öğesini paralel olarak yerleştirmek, CD modülü eşleşmelerinin yanlış algılanmasını önler.
Şimdi, nöromorfik hesaplama grafiğini oluşturan pMUT sensörünün, CD'nin ve gecikme hattı devrelerinin akustik özelliklerinin ölçümlerini kullanarak, Şekil 2'de gösterilen uçtan uca entegre nesne konumlandırma sisteminin performansını ve güç tüketimini değerlendiriyoruz. Jeffress modeli (Şekil 1a). Nöromorfik hesaplama grafiğine gelince, CD modüllerinin sayısı ne kadar fazla olursa, açısal çözünürlük o kadar iyi olur, ancak aynı zamanda sistemin enerjisi de o kadar yüksek olur (Şekil 7a). Bireysel bileşenlerin (pMUT sensörleri, nöronlar ve sinaptik devreler) doğruluğunu tüm sistemin doğruluğuyla karşılaştırarak bir uzlaşmaya varılabilir. Gecikme çizgisinin çözünürlüğü, simüle edilmiş sinapsların ve nöronların zaman sabitleri ile sınırlıdır; bu bizim şemamızda 10 µs'yi aşar, bu da 4°'lik bir açısal çözünürlüğe karşılık gelir (bkz. Yöntemler). CMOS teknolojisine sahip daha gelişmiş düğümler, daha düşük zaman sabitlerine sahip sinir ve sinaptik devrelerin tasarlanmasına olanak tanıyacak ve bu da gecikme hattı elemanlarının daha yüksek doğrulukla sonuçlanmasını sağlayacaktır. Ancak sistemimizde doğruluk, açısal konumun tahmin edilmesindeki pMUT hatasıyla, yani 10° ile sınırlıdır (Şekil 7a'daki mavi yatay çizgi). CD modüllerinin sayısını 40'a sabitledik; bu, yaklaşık 4°'lik bir açısal çözünürlüğe, yani hesaplamalı grafiğin açısal doğruluğuna karşılık gelir (Şekil 7a'daki açık mavi yatay çizgi). Sistem düzeyinde bu, sensör sisteminin 50 cm önünde bulunan nesneler için 4° çözünürlük ve 10° doğruluk sağlar. Bu değer, referansta bildirilen nöromorfik ses lokalizasyon sistemleriyle karşılaştırılabilir. 67. Önerilen sistemin son teknoloji ile karşılaştırması Ek Tablo 1'de bulunabilir. Ek pMUT'ların eklenmesi, akustik sinyal seviyesinin arttırılması ve elektronik gürültünün azaltılması, lokalizasyon doğruluğunu daha da iyileştirmenin olası yollarıdır. ) 9,7 olarak tahmin ediliyor. Yeni Zelanda. 55. Hesaplamalı grafikte 40 CD birimi verildiğinde, SPICE simülasyonu işlem başına enerjinin (yani nesne konumlandırma enerjisinin) 21,6 nJ olduğunu tahmin etmiştir. Nöromorfik sistem yalnızca bir giriş olayı geldiğinde, yani bir akustik dalga herhangi bir pMUT alıcısına ulaştığında ve algılama eşiğini aştığında etkinleştirilir, aksi takdirde etkin değildir. Bu, giriş sinyali olmadığında gereksiz güç tüketimini önler. 100 Hz'lik lokalizasyon işlemlerinin sıklığı ve işlem başına 300 µs'lik bir aktivasyon periyodu (mümkün olan maksimum ITD) göz önüne alındığında, nöromorfik hesaplama grafiğinin güç tüketimi 61,7 nW'dir. Her pMUT alıcısına uygulanan nöromorfik ön işleme ile tüm sistemin güç tüketimi 81,6 nW'a ulaşıyor. Geleneksel donanıma kıyasla önerilen nöromorfik yaklaşımın enerji verimliliğini anlamak için, bu sayıyı, nöromorfik veya geleneksel hüzme oluşturma68 Skill kullanarak aynı görevi modern düşük güçlü bir mikro denetleyicide gerçekleştirmek için gereken enerjiyle karşılaştırdık. Nöromorfik yaklaşım, bir analogdan dijitale dönüştürücü (ADC) aşamasını, ardından bir bant geçiren filtreyi ve bir zarf çıkarma aşamasını (Teeger-Kaiser yöntemi) dikkate alır. Son olarak ToF'yi çıkarmak için bir eşik işlemi gerçekleştirilir. ToF'ye dayalı ITD hesaplamasını ve tahmini açısal konuma dönüştürmeyi atladık çünkü bu, her ölçüm için bir kez gerçekleşir (bkz. Yöntemler). Her iki kanalda (pMUT alıcıları) 250 kHz örnekleme hızı, 18 bant geçiren filtre işlemi, 3 zarf çıkarma işlemi ve örnek başına 1 eşik işlemi varsayıldığında, toplam güç tüketiminin 245 mikrowatt olduğu tahmin edilmektedir. Bu, mikro denetleyicinin algoritmalar çalışmadığında devreye giren ve güç tüketimini 10,8 µW'a düşüren düşük güç modunu69 kullanır. Referansta önerilen hüzme oluşturma sinyal işleme çözümünün güç tüketimi. 31, 5 pMUT alıcısı ve azimut düzleminde [-50°, +50°] eşit şekilde dağıtılmış 11 ışınla 11,71 mW'dır (ayrıntılar için Yöntemler bölümüne bakın). Ek olarak, nesne lokalizasyonu için Jeffress modelinin yerine geçecek FPGA47 tabanlı Zaman Farkı Kodlayıcının (TDE) güç tüketimini 1,5 mW olarak tahmin ediyoruz. Bu tahminlere dayanarak önerilen nöromorfik yaklaşım, nesne lokalizasyon işlemleri için klasik hüzme oluşturma tekniklerini kullanan bir mikro denetleyiciye kıyasla güç tüketimini beş kat azaltır. Klasik bir mikrodenetleyicide sinyal işlemeye nöromorfik bir yaklaşım benimsemek, güç tüketimini yaklaşık iki kat azaltır. Önerilen sistemin etkinliği, bellek içi hesaplamaları gerçekleştirebilen asenkron dirençli bellek analog devresinin ve sinyalleri algılamak için gereken analogdan dijitale dönüşümün eksikliğinin birleşimi ile açıklanabilir.
a CD modüllerinin sayısına bağlı olarak yerelleştirme işleminin açısal çözünürlüğü (mavi) ve güç tüketimi (yeşil). Koyu mavi yatay çubuk PMUT'un açısal doğruluğunu, açık mavi yatay çubuk ise nöromorfik hesaplamalı grafiğin açısal doğruluğunu temsil eder. b Önerilen sistemin güç tüketimi ve tartışılan iki mikrodenetleyici uygulaması ve Zaman Farkı Kodlayıcısının (TDE)47 FPGA dijital uygulamasıyla karşılaştırılması.
Hedef lokalizasyon sisteminin güç tüketimini en aza indirmek için, hedef nesnenin gerçekte konumunu hesaplamak üzere yerleşik sensörler tarafından üretilen sinyal bilgilerini işleyen, etkili, olay odaklı RRAM tabanlı bir nöromorfik devre tasarladık, tasarladık ve uyguladık. zaman. . Geleneksel işleme yöntemleri sürekli olarak algılanan sinyalleri örnekler ve yararlı bilgileri çıkarmak için hesaplamalar gerçekleştirirken, önerilen nöromorfik çözüm, yararlı bilgiler geldikçe hesaplamaları eşzamansız olarak gerçekleştirerek sistemin güç verimliliğini beş kat artırıyor. Ayrıca RRAM tabanlı nöromorfik devrelerin esnekliğini de vurguluyoruz. RRAM'in iletkenliği kalıcı bir şekilde değiştirme yeteneği (plastisite), ultra düşük güçlü analog DPI'nın sinaptik ve sinir devrelerindeki doğal değişkenliği telafi eder. Bu, RRAM tabanlı devreyi çok yönlü ve güçlü kılar. Amacımız sinyallerden karmaşık işlevler veya desenler çıkarmak değil, nesneleri gerçek zamanlı olarak yerelleştirmektir. Sistemimiz ayrıca sinyali verimli bir şekilde sıkıştırabilir ve gerektiğinde daha karmaşık kararlar almak için daha sonraki işlem adımlarına gönderebilir. Lokalizasyon uygulamaları bağlamında nöromorfik ön işleme adımımız nesnelerin konumu hakkında bilgi sağlayabilir. Bu bilgiler örneğin hareket algılama veya jest tanıma için kullanılabilir. PMUT'lar gibi ultra düşük güçlü sensörleri ultra düşük güçlü elektroniklerle birleştirmenin önemini vurguluyoruz. Bunun için nöromorfik yaklaşımlar kilit rol oynadı çünkü bizi Jeffress modeli gibi biyolojik olarak ilham alan hesaplamalı yöntemlerin yeni devre uygulamalarını geliştirmeye yönlendirdi. Sensör füzyon uygulamaları bağlamında sistemimiz, daha doğru bilgi elde etmek için birkaç farklı olay bazlı sensörle birleştirilebilir. Baykuşlar karanlıkta av bulmakta mükemmel olsalar da, mükemmel bir görüşe sahiptirler ve avını yakalamadan önce işitsel ve görsel aramayı bir arada gerçekleştirirler70. Belirli bir işitsel nöron ateşlendiğinde baykuş, görsel aramaya hangi yönde başlayacağını belirlemek için ihtiyaç duyduğu bilgiyi alır ve böylece dikkatini görsel sahnenin küçük bir kısmına odaklar. Gelecekteki otonom etmenlerin geliştirilmesi için görsel sensörler (DVS kamera) ve önerilen bir dinleme sensörünün (pMUT'a dayalı) bir kombinasyonu araştırılmalıdır.
PMUT sensörü, yaklaşık 10 cm aralıklı iki alıcıya sahip bir PCB üzerinde bulunur ve verici, alıcılar arasında bulunur. Bu çalışmada, her bir membran, 200 nm kalınlığında üç molibden (Mo) katmanı arasına sıkıştırılmış ve 200 nm kalınlığında bir katmanla kaplanmış, 800 nm kalınlığında iki katman piezoelektrik alüminyum nitrürden (AlN) oluşan asılı bir bimorf yapıdır. referansta açıklandığı gibi üst pasifleştirici SiN katmanı. 71. İç ve dış elektrotlar molibdenin alt ve üst katmanlarına uygulanırken orta molibden elektrot desensizdir ve toprak olarak kullanılır, böylece dört çift elektrotlu bir membran elde edilir.
Bu mimari, ortak bir membran deformasyonunun kullanılmasına olanak tanır ve bu da gelişmiş iletim ve alım hassasiyeti sağlar. Böyle bir pMUT tipik olarak bir yayıcı olarak 700 nm/V'lik bir uyarılma hassasiyeti sergiler ve 270 Pa/V'lik bir yüzey basıncı sağlar. Bir alıcı olarak bir pMUT filmi, AlN'nin piezoelektrik katsayısıyla doğrudan ilişkili olan 15 nA/Pa'lık bir kısa devre duyarlılığı sergiler. AlN katmanındaki voltajın teknik değişkenliği, rezonans frekansında bir değişikliğe yol açar ve bu, pMUT'a bir DC öngerilim uygulanarak telafi edilebilir. DC duyarlılığı 0,5 kHz/V'de ölçüldü. Akustik karakterizasyon için pMUT'un önünde bir mikrofon kullanılır.
Yankı darbesini ölçmek için, yayılan ses dalgalarını yansıtacak şekilde pMUT'un önüne yaklaşık 50 cm2 alana sahip dikdörtgen bir plaka yerleştirdik. Hem plakalar arasındaki mesafe hem de pMUT düzlemine göre açı, özel tutucular kullanılarak kontrol edilir. Bir Tectronix CPX400DP voltaj kaynağı üç pMUT membranını öngerileyerek rezonans frekansını 111,9 kHz31'e ayarlarken, vericiler rezonans frekansına (111,9 kHz) ve 0,01 görev döngüsüne ayarlanmış bir Tectronix AFG 3102 puls üreteci tarafından çalıştırılır. Her pMUT alıcısının dört çıkış portundan okunan akımlar, özel diferansiyel akım ve gerilim mimarisi kullanılarak gerilime dönüştürülür ve ortaya çıkan sinyaller, Spektrum veri toplama sistemi tarafından sayısallaştırılır. Algılama sınırı, farklı koşullar altında pMUT sinyal edinimi ile karakterize edildi: reflektörü farklı mesafelere [30, 40, 50, 60, 80, 100] cm taşıdık ve pMUT destek açısını değiştirdik ([0, 20, 40] o ) Şekil 2b, derece cinsinden karşılık gelen açısal konuma bağlı olarak zamansal ITD algılama çözünürlüğünü gösterir.
Bu makalede iki farklı kullanıma hazır RRAM devresi kullanılmaktadır. Birincisi, bir transistör ve bir direnç ile 1T1R konfigürasyonunda 16.384 (16.000) cihazdan (128 × 128 cihaz) oluşan bir dizidir. İkinci çip, Şekil 4a'da gösterilen nöromorfik platformdur. RRAM hücresi, bir TiN/HfO2/Ti/TiN yığınına gömülü 5 nm kalınlığında bir HfO2 filminden oluşur. RRAM yığını, standart 130nm CMOS işleminin arka hattına (BEOL) entegre edilmiştir. RRAM tabanlı nöromorfik devreler, RRAM cihazlarının geleneksel CMOS teknolojisiyle bir arada bulunduğu tamamen analog elektronik sistemler için tasarım zorluğu sunar. Özellikle RRAM cihazının iletim durumu okunmalı ve sistem için bir fonksiyon değişkeni olarak kullanılmalıdır. Bu amaçla, bir giriş darbesi alındığında cihazdan gelen akımı okuyan ve bu akımı diferansiyel çift entegratör (DPI) sinapsının tepkisini ağırlıklandırmak için kullanan bir devre tasarlandı, üretildi ve test edildi. Bu devre, Şekil 4a'daki nöromorfik platformun temel yapı taşlarını temsil eden Şekil 3a'da gösterilmektedir. Bir giriş darbesi, 1T1R cihazının kapısını etkinleştirerek, cihazın iletkenliği G (Iweight = G(Vtop – Vx)) ile orantılı olarak RRAM üzerinden bir akım indükler. İşlemsel yükselteç (op-amp) devresinin evirici girişi, sabit bir DC öngerilim voltajına (Vtop) sahiptir. Op-amp'in negatif geri beslemesi M1'den eşit akım sağlayarak Vx = Vtop'u sağlayacaktır. Cihazdan alınan mevcut Iweight, DPI sinapsına enjekte edilir. Daha güçlü bir akım daha fazla depolarizasyona neden olur, dolayısıyla RRAM iletkenliği sinaptik ağırlıkları etkili bir şekilde uygular. Bu üstel sinaptik akım, bir voltaj olarak entegre edildiği Sızıntılı Entegrasyon ve Uyarma (LIF) nöronlarının membran kapasitörü aracılığıyla enjekte edilir. Membranın eşik voltajı (invertörün anahtarlama voltajı) aşılırsa, nöronun çıkış kısmı etkinleştirilir ve bir çıkış artışı üretilir. Bu darbe geri döner ve nöronun membran kapasitörünü toprağa yönlendirerek deşarj olmasına neden olur. Bu devre daha sonra LIF nöronunun çıkış darbesini hedef darbe genişliğine göre şekillendiren bir darbe genişletici (Şekil 3a'da gösterilmemiştir) ile desteklenir. Ayrıca her hatta çoklayıcılar yerleştirilmiştir ve RRAM cihazının üst ve alt elektrotlarına voltaj uygulanmasına olanak sağlar.
Elektrik testi, analog devrelerin dinamik davranışının analiz edilmesini ve kaydedilmesini, ayrıca RRAM cihazlarının programlanmasını ve okunmasını içerir. Her iki adım da tamamı sensör kartına aynı anda bağlanan özel aletler gerektirir. Nöromorfik devrelerdeki RRAM cihazlarına erişim, bir çoklayıcı (MUX) aracılığıyla harici araçlardan gerçekleştirilir. MUX, 1T1R hücresini ait olduğu devrenin geri kalanından ayırarak cihazın okunmasına ve/veya programlanmasına olanak tanır. RRAM cihazlarını programlamak ve okumak için bir Keithley 4200 SCS makinesi, bir Arduino mikrokontrolcüsü ile birlikte kullanılır: birincisi doğru darbe üretimi ve akım okuması için, ikincisi ise bellek dizisindeki bireysel 1T1R öğelerine hızlı erişim için. İlk işlem RRAM cihazını oluşturmaktır. Hücreler tek tek seçilir ve üst ve alt elektrotlar arasına pozitif voltaj uygulanır. Bu durumda, seçici transistöre karşılık gelen kapı voltajının sağlanması nedeniyle akım, onlarca mikroamper mertebesinde sınırlıdır. RRAM hücresi daha sonra sırasıyla RESET ve SET işlemlerini kullanarak düşük iletkenlik durumu (LCS) ve yüksek iletkenlik durumu (HCS) arasında geçiş yapabilir. SET işlemi, üst elektrota 1 μs süreli ve 2,0-2,5 V tepe voltajına sahip dikdörtgen bir voltaj darbesi ve 0,9-1,3 V tepe voltajına sahip benzer şekle sahip bir senkronizasyon darbesi uygulanarak gerçekleştirilir. seçici transistörün kapısı. Bu değerler RRAM iletkenliğinin 20-150 µs aralıklarla modüle edilmesine olanak sağlar. RESET için, kapı voltajı 2,5-3,0 V aralığında olduğunda hücrenin alt elektroduna (bit hattı) 1 µs genişliğinde, 3 V tepe darbesi uygulanır. Analog devrelerin giriş ve çıkışları dinamik sinyallerdir. . Giriş için iki adet HP 8110 puls üretecini Tektronix AFG3011 sinyal üreteçleriyle birleştirdik. Giriş darbesi 1 µs genişliğe ve 50 ns yükseliş/düşüş kenarına sahiptir. Bu tür bir darbenin, analog aksaklık tabanlı devrelerde tipik bir aksaklık olduğu varsayılır. Çıkış sinyaline gelince, çıkış sinyali Teledyne LeCroy 1 GHz osiloskop kullanılarak kaydedildi. Bir osiloskopun toplama hızının, devre verilerinin analizinde ve ediniminde sınırlayıcı bir faktör olmadığı kanıtlanmıştır.
Nöronların ve sinapsların davranışlarını simüle etmek için analog elektroniklerin dinamiklerini kullanmak, hesaplama verimliliğini artırmak için zarif ve etkili bir çözümdür. Bu hesaplamalı altlığın dezavantajı, şemadan şemaya değişmesidir. Nöronların ve sinaptik devrelerin değişkenliğini ölçtük (Ek Şekil 2a,b). Değişkenliğin tüm belirtileri arasında, zaman sabitleri ve girdi kazancıyla ilişkili olanlar sistem düzeyinde en büyük etkiye sahiptir. LIF nöronunun ve DPI sinapsının zaman sabiti, bir RC devresi tarafından belirlenir; burada R değeri, transistörün kapısına uygulanan bir ön gerilim (nöron için Vlk ve sinaps için Vtau) tarafından kontrol edilir. sızıntı oranı. Giriş kazancı, bir giriş darbesiyle uyarılan sinaptik ve nöronal membran kapasitörlerinin ulaştığı tepe voltajı olarak tanımlanır. Giriş kazancı, giriş akımını modüle eden başka bir öngerilim transistörü tarafından kontrol edilir. Bazı girdi kazancı ve zaman sabiti istatistiklerini toplamak için ST Microelectronics'in 130nm işlemine göre kalibre edilmiş bir Monte Carlo simülasyonu gerçekleştirildi. Sonuçlar, giriş kazancı ve zaman sabitinin, sızıntı oranını kontrol eden ön gerilimin bir fonksiyonu olarak ölçüldüğü Ek Şekil 2'de gösterilmektedir. Yeşil işaretleyiciler zaman sabitinin ortalamadan standart sapmasını ölçer. Hem nöronlar hem de sinaptik devreler, Ek Şekil şemasında gösterildiği gibi 10-5-10-2 s aralığında geniş bir zaman sabiti aralığını ifade edebildi. Nöronal ve sinaps değişkenliğinin girdi amplifikasyonu (Ek Şekil 2e, d) sırasıyla yaklaşık% 8 ve% 3 idi. Böyle bir eksiklik literatürde iyi bir şekilde belgelenmiştir: LIF63 nöron popülasyonları arasındaki uyumsuzluğu değerlendirmek için DYNAP çipleri dizisi üzerinde çeşitli ölçümler yapılmıştır. BrainScale karışık sinyal çipindeki sinapslar ölçüldü ve tutarsızlıkları analiz edildi ve sistem düzeyindeki değişkenliğin etkisini azaltmak için bir kalibrasyon prosedürü önerildi64.
RRAM'ın nöromorfik devrelerdeki işlevi iki yönlüdür: mimari tanımı (girdilerin çıkışlara yönlendirilmesi) ve sinaptik ağırlıkların uygulanması. İkinci özellik, modellenen nöromorfik devrelerin değişkenliği problemini çözmek için kullanılabilir. Analiz edilen devre belirli gereksinimleri karşılayana kadar RRAM cihazının yeniden programlanmasını içeren basit bir kalibrasyon prosedürü geliştirdik. Belirli bir giriş için çıkış izlenir ve RRAM, hedef davranışa ulaşılıncaya kadar yeniden programlanır. Geçici iletkenlik dalgalanmalarına neden olan RRAM gevşemesi sorununu çözmek için programlama işlemleri arasında 5 saniyelik bir bekleme süresi getirildi (Ek Bilgiler). Sinaptik ağırlıklar, modellenen nöromorfik devrenin gereksinimlerine göre ayarlanır veya kalibre edilir. Kalibrasyon prosedürü, nöromorfik platformların iki temel özelliğine, gecikme çizgilerine ve yöne duyarlı olmayan CD'ye odaklanan ek algoritmalarda [1, 2] özetlenmiştir. Gecikme hattına sahip bir devre için hedef davranış, Δt gecikmeli bir çıkış darbesi sağlamaktır. Gerçek devre gecikmesi hedef değerden azsa, G3'ün sinaptik ağırlığı azaltılmalıdır (G3 sıfırlanmalı ve ardından daha düşük bir eşleşen akım Icc'ye ayarlanmalıdır). Tersine, eğer gerçek gecikme hedef değerden büyükse, G3'ün iletkenliği arttırılmalıdır (G3 önce sıfırlanmalı ve daha sonra daha yüksek bir Icc değerine ayarlanmalıdır). Bu işlem, devre tarafından oluşturulan gecikme hedef değerle eşleşene ve kalibrasyon işlemini durduracak bir tolerans ayarlanana kadar tekrarlanır. Yönlendirmeye duyarlı olmayan CD'ler için, kalibrasyon işlemine iki RRAM cihazı (G1 ve G3) dahil edilir. Bu devrenin dt gecikmeli Vin0 ve Vin1 olmak üzere iki girişi vardır. Devre yalnızca [0,dtCD] eşleşme aralığının altındaki gecikmelere yanıt vermelidir. Çıkış zirvesi yoksa ancak giriş zirvesi yakınsa, nöronun eşiğe ulaşmasına yardımcı olmak için her iki RRAM cihazının da güçlendirilmesi gerekir. Tersine, devre dtCD'nin hedef aralığını aşan bir gecikmeye yanıt verirse iletkenliğin azaltılması gerekir. Doğru davranış elde edilene kadar işlemi tekrarlayın. Uyumluluk akımı, referanstaki yerleşik analog devre tarafından modüle edilebilir. 72.73. Bu yerleşik devre sayesinde, sistemi kalibre etmek veya başka bir uygulama için yeniden kullanmak amacıyla bu tür prosedürler periyodik olarak gerçekleştirilebilir.
Nöromorfik sinyal işleme yaklaşımımızın güç tüketimini standart bir 32 bit mikro denetleyici üzerinde değerlendiriyoruz68. Bu değerlendirmede, bu yazıdakiyle aynı kurulumla, bir pMUT vericisi ve iki pMUT alıcısıyla çalışmayı varsayıyoruz. Bu yöntemde bir bant geçiren filtre kullanılır, bunu bir zarf çıkarma adımı (Teeger-Kaiser) takip eder ve son olarak uçuş süresini çıkarmak için sinyale bir eşikleme işlemi uygulanır. ITD'nin hesaplanması ve tespit açılarına dönüştürülmesi değerlendirmede dikkate alınmaz. 18 kayan nokta işlemi gerektiren 4. dereceden sonsuz dürtü yanıt filtresi kullanan bir bant geçiren filtre uygulamasını düşünüyoruz. Zarf çıkarma üç kayan nokta işlemi daha kullanır ve son işlem eşiği ayarlamak için kullanılır. Sinyalin ön işlenmesi için toplam 22 kayan nokta işlemi gereklidir. İletilen sinyal, her 10 ms'de bir üretilen ve 100 Hz'lik konumlandırma çalışma frekansıyla sonuçlanan 111,9 kHz sinüs dalga biçimindeki kısa bir patlamadır. Nyquist'e uymak için 250 kHz'lik bir örnekleme hızı ve 1 metrelik bir aralığı yakalamak amacıyla her ölçüm için 6 ms'lik bir pencere kullandık. 6 milisaniyenin, 1 metre uzaklıktaki bir nesnenin uçuş süresi olduğunu unutmayın. Bu, 0,5 MSPS'de A/D dönüşümü için 180 µW güç tüketimi sağlar. Sinyal ön işlemesi 6,60 MIPS'tir (saniye başına talimat) ve 0,75 mW üretir. Bununla birlikte, mikrokontrolör, algoritma çalışmadığında düşük güç moduna (69) geçebilir. Bu mod, 10,8 μW statik güç tüketimi ve 113 μs uyanma süresi sağlar. 84 MHz'lik bir saat frekansı verildiğinde mikro denetleyici, nöromorfik algoritmanın tüm işlemlerini 10 ms içinde tamamlar ve algoritma, düşük güç modunu kullanarak %6,3'lük bir görev döngüsünü hesaplar. Ortaya çıkan güç kaybı 244,7 μW'dir. ITD çıkışını ToF'tan ve algılama açısına dönüştürmeyi ihmal ettiğimizi, dolayısıyla mikro denetleyicinin güç tüketimini küçümsediğimizi unutmayın. Bu, önerilen sistemin enerji verimliliği için ek değer sağlar. Ek bir karşılaştırma koşulu olarak, referansta önerilen klasik hüzme oluşturma yöntemlerinin güç tüketimini değerlendiriyoruz. 1,8V besleme voltajında aynı mikro denetleyiciye68 yerleştirildiğinde 31,54. Işın oluşturma için veri elde etmek amacıyla eşit aralıklı beş pMUT membranı kullanılır. İşlemenin kendisine gelince, kullanılan hüzme oluşturma yöntemi gecikme toplamıdır. Bu sadece bir şerit ile referans şeridi arasındaki varış zamanlarında beklenen farka karşılık gelen şeritlere bir gecikme uygulanmasından ibarettir. Eğer sinyaller aynı fazda ise, bu sinyallerin toplamı bir zaman kaymasından sonra yüksek bir enerjiye sahip olacaktır. Eğer faz dışılarsa, yıkıcı girişim toplamlarının enerjisini sınırlayacaktır. bir ilişkide. Şek. Şekil 31'de, verileri tam sayıda örnekle zaman kaydırmak için 2 MHz'lik bir örnekleme hızı seçilir. Daha mütevazı bir yaklaşım, 250 kHz'lik daha kaba bir örnekleme hızını korumak ve kesirli gecikmeleri sentezlemek için bir Sonlu Darbe Yanıtı (FIR) filtresi kullanmaktır. Her kanal, her yönde 16 dokunuşa sahip bir FIR filtresiyle evrildiği için hüzme oluşturma algoritmasının karmaşıklığının esas olarak zaman kayması tarafından belirlendiğini varsayacağız. Bu işlem için gereken MIPS sayısını hesaplamak amacıyla, 1 metre, 5 kanal, 11 hüzme oluşturma yönü (10° adımlarla +/- 50° aralık) aralığını yakalamak üzere ölçüm başına 6 ms'lik bir pencere dikkate alıyoruz. Saniyede 75 ölçüm, mikro denetleyiciyi maksimum 100 MIPS'ye itti. Bağlantı. 68, yerleşik ADC katkısını ekledikten sonra 11,71 mW toplam güç kaybı için 11,26 mW güç kaybıyla sonuçlanır.
Bu çalışmanın sonuçlarını destekleyen veriler makul talep üzerine ilgili yazar FM'den temin edilebilir.
Indiveri, G. & Sandamirskaya, Y. Nöromorfik ajanlarda sinyal işleme için uzay ve zamanın önemi: Çevre ile etkileşime giren düşük güçlü, otonom ajanlar geliştirmenin zorluğu. Indiveri, G. & Sandamirskaya, Y. Nöromorfik ajanlarda sinyal işleme için uzay ve zamanın önemi: Çevre ile etkileşime giren düşük güçlü, otonom ajanlar geliştirmenin zorluğu.Indiveri G. ve Sandamirskaya Y. Nöromorfik ajanlarda sinyal işleme için uzay ve zamanın önemi: çevre ile etkileşime giren düşük güçlü otonom ajanlar geliştirmenin zorluğu. Indiveri, G. ve Sandamirskaya, Y.空间和时间对于神经形态代理中信号处理的重要性:开发与环境交互的低功耗、自主代理的挑战。 Indiveri, G. ve Sandamirskaya, Y.Indiveri G. ve Sandamirskaya Y. Nöromorfik ajanlarda sinyal işleme için uzay ve zamanın önemi: çevre ile etkileşime giren düşük güçlü otonom ajanlar geliştirmenin zorluğu.IEEE Sinyal İşleme. Dergi 36, 16–28 (2019).
Thorpe, SJ Zirveye Varış Zamanı: Verimli Bir Sinir Ağı Kodlama Şeması. Eckmiller, R., Hartmann, G. & Hauske, G. (ed.) içinde. Eckmiller, R., Hartmann, G. & Hauske, G. (ed.) içinde.Eckmiller, R., Hartmann, G. ve Hauske, G. (ed.) içinde.Eckmiller, R., Hartmann, G. ve Hauske, G. (ed.) içinde. Sinir sistemlerinde ve bilgisayarlarda paralel işleme 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG İletişim, insan korteksindeki hesaplamaya göre 35 kat daha fazla enerji tüketiyor, ancak sinaps sayısını tahmin etmek için her iki maliyete de ihtiyaç var. Levy, WB & Calvert, VG İletişim, insan korteksindeki hesaplamaya göre 35 kat daha fazla enerji tüketiyor, ancak sinaps sayısını tahmin etmek için her iki maliyete de ihtiyaç var.Levy, WB ve Calvert, WG İletişim, insan korteksindeki hesaplamaya göre 35 kat daha fazla enerji tüketiyor, ancak sinaps sayısını tahmin etmek için her iki maliyete de ihtiyaç var. Levy, WB & Calvert, VG Communications Levy, WB ve Calvert, VG İletişimiLevy, WB ve Calvert, WG İletişim, insan korteksindeki hesaplamaya göre 35 kat daha fazla enerji tüketiyor, ancak her iki maliyet de sinaps sayısının tahmin edilmesini gerektiriyor.işlem. Ulusal Bilim Akademisi. bilim. ABD 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Böceklerden ilham alan nöromorfik hesaplama. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Böceklerden ilham alan nöromorfik hesaplama.Dalgati, T., Vianello, E., DeSalvo, B. ve Casas, J. Böcekten ilham alan nöromorfik hesaplama.Dalgati T., Vianello E., DeSalvo B. ve Casas J. Böceklerden ilham alan nöromorfik hesaplama. Akım. Görüş. Böcek bilimi. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Nöromorfik hesaplama ile spike tabanlı makine zekasına doğru. Roy, K., Jaiswal, A. & Panda, P. Nöromorfik hesaplama ile spike tabanlı makine zekasına doğru. Roy, K., Jaiswal, A. ve Panda, P. Nöromorfik Hesaplama ile Spike Tabanlı Makine Zekasına Doğru.Roy K, Jaiswal A ve Panda P. Nöromorfik hesaplamayı kullanan darbe tabanlı yapay zeka. Doğa 575, 607–617 (2019).
Indiveri, G. ve Liu, S.-C. Indiveri, G. ve Liu, S.-C.Indiveri, G. ve Liu, S.-K. Indiveri, G. ve Liu, S.-C. Indiveri, G. ve Liu, S.-C.Indiveri, G. ve Liu, S.-K.Nöromorfik sistemlerde bellek ve bilgi işleme. işlem. IEEE 103, 1379–1397 (2015).
Akopyan F. ve ark. Truenorth: 65 mW 1 milyon nöronlu programlanabilir sinaptik çip için tasarım ve araç seti. IEEE işlemleri. Tümleşik devre sistemlerinin bilgisayar tasarımı. 34, 1537–1557 (2015).
Schemmel, J. ve diğerleri. Canlı demo: BrainScaleS nöromorfik sisteminin plaka ölçeğinde küçültülmüş versiyonu. 2012 IEEE Uluslararası Devreler ve Sistemler Sempozyumu (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Dinamik nöromorfik asenkron işlemciler (DYNAP'ler) için heterojen bellek yapılarına sahip ölçeklenebilir çok çekirdekli bir mimari. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Dinamik nöromorfik asenkron işlemciler (DYNAP'ler) için heterojen bellek yapılarına sahip ölçeklenebilir çok çekirdekli bir mimari.Moradi S., Qiao N., Stefanini F. ve Indiviri G. Dinamik nöromorfik asenkron işlemciler (DYNAP) için heterojen bellek yapılarına sahip ölçeklenebilir çok çekirdekli bir mimari. Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. bu bir gerçektir. Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Dinamik sinir işleme (DYNAP) için benzersiz bir bellek yapısına sahip, genişletilebilir çok çekirdekli bir mimari türü.Moradi S., Qiao N., Stefanini F. ve Indiviri G. Dinamik nöromorfik asenkron işlemciler (DYNAP) için heterojen bellek yapılarına sahip ölçeklenebilir çok çekirdekli bir mimari.Biyomedikal bilimde IEEE İşlemleri. elektrik sistemi. 12, 106–122 (2018).
Davis, M. ve ark. Loihi: Gömülü öğrenmeye sahip nöromorfik çok çekirdekli bir işlemci. IEEE Mikro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker projesi. Furber, SB, Galluppi, F., Temple, S. & Plana, LA SpiNNaker projesi.Ferber SB, Galluppi F., Temple S. ve Plana LA SpiNNaker projesi.Ferber SB, Galluppi F., Temple S. ve Plana LA SpiNNaker projesi. işlem. IEEE 102, 652–665 (2014).
Liu, S.-K. & Delbruck, T. Nöromorfik duyu sistemleri. & Delbruck, T. Nöromorfik duyu sistemleri.ve Delbrück T. Nöromorfik duyu sistemleri. & Delbruck, T. 神经形感觉系统。 ve Delbruck, T.ve Delbrück T. Nöromorfik duyu sistemi.Akım. Fikir. Nörobiyoloji. 20, 288–295 (2010).
Chope, T. ve ark. Kombine ses kaynağı lokalizasyonu ve çarpışmadan kaçınma için nöromorfik duyu entegrasyonu. 2019'da IEEE Biyomedikal Devreler ve Sistemler Konferansı'nda (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Stereo görmenin sivri uçlu nöromorfik mimarisi. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Stereo görmenin sivri uçlu nöromorfik mimarisi.Risi N, Aymar A, Donati E, Solinas S ve Indiveri G. Spike tabanlı nöromorfik stereovizyon mimarisi. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G.Risi N, Aimar A, Donati E, Solinas S ve Indiveri G. Stereo görüş için Spike tabanlı nöromorfik mimari.ön. Nörorobotik 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Olaya dayalı nöromorfik stereo görüş sistemleri için 3D algının yükselen bir sinir ağı modeli. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Olaya dayalı nöromorfik stereo görüş sistemleri için 3D algının yükselen bir sinir ağı modeli.Oswald, M., Ieng, S.-H., Benosman, R. ve Indiveri, G. Olay Tabanlı Nöromorfik Stereo Görme Sistemleri için 3D Darbeli Sinir Ağı Algılama Modeli. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型。 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. ve Indiveri, G. Olay Tabanlı Nöromorfik Stereo Görme Sistemi için Çivili 3D Algılama Sinir Ağı Modeli.bilim. Rapor 7, 1–11 (2017).
Dalgaty, T. ve ark. Böceklerden ilham alan temel hareket algılama, dirençli hafıza ve patlamalı sinir ağlarını içerir. Biyonik biyohibrit sistem. 10928, 115–128 (2018).
D'Angelo, G. ve ark. Zamansal diferansiyel kodlamayı kullanan olaya dayalı eksantrik hareket algılama. ön. Nöroloji. 14, 451 (2020).
Gönderim zamanı: 17 Kasım 2022