Tin tức

Các ứng dụng xử lý dữ liệu trong thế giới thực yêu cầu hệ thống máy tính nhỏ gọn, độ trễ thấp, tiêu thụ điện năng thấp. Với khả năng tính toán theo sự kiện, các kiến ​​trúc hình thái thần kinh lai bán dẫn oxit kim loại bổ sung cung cấp nền tảng phần cứng lý tưởng cho các tác vụ như vậy. Để chứng minh tiềm năng đầy đủ của các hệ thống như vậy, chúng tôi đề xuất và trình diễn thử nghiệm giải pháp xử lý cảm biến toàn diện cho các ứng dụng bản địa hóa đối tượng trong thế giới thực. Lấy cảm hứng từ giải phẫu thần kinh cú chuồng, chúng tôi đã phát triển một hệ thống định vị đối tượng theo hướng sự kiện, lấy cảm hứng từ sinh học, kết hợp bộ chuyển đổi đầu dò vi cơ áp điện tiên tiến nhất với bộ nhớ điện trở thần kinh dựa trên đồ thị tính toán. Chúng tôi trình bày các phép đo của một hệ thống được chế tạo bao gồm máy dò trùng khớp điện trở dựa trên bộ nhớ, mạch trễ và đầu dò siêu âm có thể tùy chỉnh hoàn toàn. Chúng tôi sử dụng các kết quả thử nghiệm này để hiệu chỉnh mô phỏng ở cấp hệ thống. Những mô phỏng này sau đó được sử dụng để đánh giá độ phân giải góc và hiệu suất năng lượng của mô hình định vị đối tượng. Kết quả cho thấy phương pháp tiếp cận của chúng tôi có thể tiết kiệm năng lượng hơn nhiều so với các bộ vi điều khiển thực hiện cùng một nhiệm vụ.
Chúng ta đang bước vào kỷ nguyên điện toán có mặt khắp nơi, nơi số lượng thiết bị và hệ thống được triển khai đang tăng theo cấp số nhân để hỗ trợ chúng ta trong cuộc sống hàng ngày. Các hệ thống này dự kiến ​​sẽ chạy liên tục, tiêu thụ ít năng lượng nhất có thể trong khi học cách diễn giải dữ liệu mà chúng thu thập từ nhiều cảm biến trong thời gian thực và tạo ra đầu ra nhị phân do các nhiệm vụ phân loại hoặc nhận dạng. Một trong những bước quan trọng nhất cần thiết để đạt được mục tiêu này là trích xuất thông tin hữu ích và cô đọng từ dữ liệu cảm giác ồn ào và thường không đầy đủ. Các phương pháp kỹ thuật thông thường thường lấy mẫu tín hiệu cảm biến ở tốc độ cao và không đổi, tạo ra lượng lớn dữ liệu ngay cả khi không có đầu vào hữu ích. Ngoài ra, các phương pháp này sử dụng các kỹ thuật xử lý tín hiệu số phức tạp để xử lý trước dữ liệu đầu vào (thường bị nhiễu). Thay vào đó, sinh học đưa ra các giải pháp thay thế để xử lý dữ liệu nhiễu cảm giác bằng cách sử dụng các phương pháp tiếp cận theo hướng sự kiện, không đồng bộ, tiết kiệm năng lượng2,3. Điện toán mô phỏng thần kinh lấy cảm hứng từ các hệ thống sinh học để giảm chi phí tính toán về mặt yêu cầu năng lượng và bộ nhớ so với các phương pháp xử lý tín hiệu truyền thống4,5,6. Gần đây, các hệ thống dựa trên não có mục đích chung cải tiến triển khai mạng lưới thần kinh xung lực (TrueNorth7, BrainScaleS8, DYNAP-SE9, Loihi10, Spinnaker11) đã được chứng minh. Những bộ xử lý này cung cấp các giải pháp tiêu thụ điện năng thấp, độ trễ thấp cho máy học và mô hình hóa mạch vỏ não. Để khai thác triệt để hiệu quả sử dụng năng lượng, các bộ xử lý thần kinh này phải được kết nối trực tiếp với các cảm biến điều khiển sự kiện12,13. Tuy nhiên, ngày nay chỉ có một số thiết bị cảm ứng cung cấp trực tiếp dữ liệu theo sự kiện. Các ví dụ nổi bật là cảm biến hình ảnh động (DVS) dành cho các ứng dụng thị giác như theo dõi và phát hiện chuyển động14,15,16,17 ốc tai silicon18 và cảm biến thính giác hình thái thần kinh (NAS)19 để xử lý tín hiệu thính giác, cảm biến khứu giác20 và nhiều ví dụ21,22 về cảm ứng. . cảm biến kết cấu.
Trong bài báo này, chúng tôi trình bày một hệ thống xử lý thính giác theo hướng sự kiện mới được phát triển áp dụng cho việc bản địa hóa đối tượng. Ở đây, lần đầu tiên, chúng tôi mô tả một hệ thống đầu cuối để định vị đối tượng thu được bằng cách kết nối đầu dò siêu âm vi máy áp điện tiên tiến nhất (pMUT) với biểu đồ tính toán dựa trên bộ nhớ điện trở thần kinh (RRAM). Kiến trúc điện toán trong bộ nhớ sử dụng RRAM là một giải pháp đầy hứa hẹn để giảm mức tiêu thụ điện năng23,24,25,26,27,28,29. Tính không biến động vốn có của chúng—không yêu cầu mức tiêu thụ điện năng chủ động để lưu trữ hoặc cập nhật thông tin—hoàn toàn phù hợp với tính chất không đồng bộ, theo hướng sự kiện của điện toán mô phỏng thần kinh, dẫn đến mức tiêu thụ điện năng gần như không có khi hệ thống không hoạt động. Đầu dò siêu âm vi máy áp điện (pMUT) là những đầu dò siêu âm dựa trên silicon thu nhỏ, rẻ tiền, có khả năng hoạt động như máy phát và máy thu30,31,32,33,34. Để xử lý các tín hiệu mà các cảm biến tích hợp nhận được, chúng tôi đã lấy cảm hứng từ giải phẫu thần kinh của loài cú chuồng35,36,37. Cú lợn Tyto alba được biết đến với khả năng săn đêm vượt trội nhờ hệ thống định vị thính giác rất hiệu quả. Để tính toán vị trí của con mồi, hệ thống định vị của cú chuồng mã hóa thời gian bay (ToF) khi sóng âm thanh từ con mồi truyền đến từng tai hoặc cơ quan tiếp nhận âm thanh của cú. Với khoảng cách giữa hai tai, sự khác biệt giữa hai phép đo ToF (Chênh lệch thời gian giữa các tai, ITD) giúp có thể tính toán một cách phân tích vị trí góc phương vị của mục tiêu. Mặc dù các hệ thống sinh học kém phù hợp để giải các phương trình đại số nhưng chúng có thể giải quyết các vấn đề định vị rất hiệu quả. Hệ thống thần kinh của cú chuồng sử dụng một bộ máy phát hiện sự trùng hợp (CD)35 tế bào thần kinh (tức là các tế bào thần kinh có khả năng phát hiện mối tương quan thời gian giữa các gai truyền xuống đến các đầu kích thích hội tụ)38,39 được tổ chức thành các biểu đồ tính toán để giải quyết các vấn đề về định vị.
Nghiên cứu trước đây đã chỉ ra rằng phần cứng bổ sung chất bán dẫn oxit kim loại (CMOS) và phần cứng thần kinh dựa trên RRAM lấy cảm hứng từ colliculus kém (“vỏ thính giác”) của cú chuồng là một phương pháp hiệu quả để tính toán vị trí bằng ITD13, 40, 41, 42, 43, 44, 45, 46. Tuy nhiên, tiềm năng của các hệ thống hình thái thần kinh hoàn chỉnh liên kết các tín hiệu thính giác với đồ thị tính toán hình thái thần kinh vẫn chưa được chứng minh. Vấn đề chính là tính biến thiên cố hữu của các mạch CMOS tương tự, ảnh hưởng đến độ chính xác của việc phát hiện sự trùng khớp. Gần đây, các cách triển khai bằng số khác của ước tính ITD47 đã được chứng minh. Trong bài báo này, chúng tôi đề xuất sử dụng khả năng của RRAM để thay đổi giá trị độ dẫn theo cách không thay đổi nhằm chống lại sự biến đổi trong các mạch tương tự. Chúng tôi đã triển khai một hệ thống thử nghiệm bao gồm một màng truyền pMUT hoạt động ở tần số 111,9 kHz, hai màng thu pMUT (cảm biến) mô phỏng tai cú vượn và một màng . Chúng tôi đã mô tả thử nghiệm hệ thống phát hiện pMUT và biểu đồ tính toán ITD dựa trên RRAM để kiểm tra hệ thống bản địa hóa của chúng tôi và đánh giá độ phân giải góc của nó.
Chúng tôi so sánh phương pháp của mình với cách triển khai kỹ thuật số trên một bộ vi điều khiển thực hiện cùng một nhiệm vụ định vị bằng cách sử dụng các phương pháp định dạng chùm tia hoặc mô hình thần kinh thông thường, cũng như mảng cổng lập trình trường (FPGA) để ước tính ITD được đề xuất trong tài liệu tham khảo. 47. Sự so sánh này nêu bật hiệu quả năng lượng cạnh tranh của hệ thống hình thái thần kinh tương tự dựa trên RRAM được đề xuất.
Một trong những ví dụ nổi bật nhất về hệ thống bản địa hóa đối tượng chính xác và hiệu quả có thể được tìm thấy trong Barn owl35,37,48. Vào lúc hoàng hôn và bình minh, cú chuồng (Tyto Alba) chủ yếu dựa vào khả năng lắng nghe thụ động, tích cực tìm kiếm những con mồi nhỏ như chuột đồng hoặc chuột nhắt. Các chuyên gia thính giác này có thể định vị các tín hiệu thính giác từ con mồi với độ chính xác đáng kinh ngạc (khoảng 2°)35, như trong Hình 1a. Cú lợn suy ra vị trí của nguồn âm thanh trong mặt phẳng góc phương vị (ngang) từ sự chênh lệch về thời gian bay tới (ITD) từ nguồn âm thanh đến hai tai. Cơ chế tính toán ITD được đề xuất bởi Jeffress49,50 dựa trên hình học thần kinh và yêu cầu hai thành phần chính: một sợi trục, sợi thần kinh của tế bào thần kinh hoạt động như một đường trễ và một loạt các tế bào thần kinh phát hiện sự trùng hợp được tổ chức thành một hệ thống tính toán. đồ thị như trong Hình 1b. Âm thanh đến tai có độ trễ thời gian phụ thuộc góc phương vị (ITD). Âm thanh sau đó được chuyển thành dạng tăng đột biến ở mỗi tai. Các sợi trục của tai trái và tai phải hoạt động như những đường trễ và hội tụ về các tế bào thần kinh CD. Về mặt lý thuyết, tại một thời điểm chỉ có một nơ-ron trong một dãy các nơ-ron phù hợp sẽ nhận được đầu vào (trong đó độ trễ bị loại bỏ chính xác) và sẽ kích hoạt tối đa (các ô lân cận cũng sẽ kích hoạt, nhưng ở tần số thấp hơn). Kích hoạt một số nơ-ron nhất định sẽ mã hóa vị trí của mục tiêu trong không gian mà không cần chuyển đổi ITD thành các góc. Khái niệm này được tóm tắt trong Hình 1c: ví dụ: nếu âm thanh phát ra từ phía bên phải khi tín hiệu đầu vào từ tai phải truyền đi một đường dài hơn đường đi từ tai trái, bù cho số lượng ITD, chẳng hạn, khi nơ-ron 2 khớp nhau. Nói cách khác, mỗi CD phản ứng với một ITD nhất định (còn được gọi là độ trễ tối ưu) do độ trễ sợi trục. Do đó, não chuyển đổi thông tin thời gian thành thông tin không gian. Bằng chứng giải phẫu cho cơ chế này đã được tìm thấy37,51. Các tế bào thần kinh macronucleus bị khóa pha lưu trữ thông tin tạm thời về các âm thanh đến: như tên gọi của chúng, chúng kích hoạt ở các pha tín hiệu nhất định. Các nơ-ron phát hiện sự trùng hợp của mô hình Jeffress có thể được tìm thấy trong lõi tầng. Chúng nhận thông tin từ các tế bào thần kinh hạt nhân lớn, các sợi trục của chúng hoạt động như các đường trễ. Lượng độ trễ do đường trễ cung cấp có thể được giải thích bằng độ dài của sợi trục, cũng như một kiểu myelin hóa khác làm thay đổi tốc độ dẫn truyền. Lấy cảm hứng từ hệ thống thính giác của loài cú, chúng tôi đã phát triển một hệ thống mô phỏng sinh học để định vị các vật thể. Hai tai được đại diện bởi hai máy thu pMUT. Nguồn âm thanh là bộ phát pMUT nằm giữa chúng (Hình 1a) và biểu đồ tính toán được hình thành bởi một lưới các mạch CD dựa trên RRAM (Hình 1b, màu xanh lá cây), đóng vai trò là các nơ-ron CD có đầu vào bị trễ. thông qua mạch, các đường trễ (màu xanh) hoạt động giống như các sợi trục trong bản sao sinh học. Hệ thống cảm giác được đề xuất có tần số hoạt động khác với hệ thống thính giác của loài cú, có hệ thống thính giác hoạt động trong phạm vi 1–8 kHz, nhưng cảm biến pMUT hoạt động ở tần số khoảng 117 kHz được sử dụng trong công việc này. Việc lựa chọn đầu dò siêu âm được xem xét theo tiêu chí kỹ thuật và tối ưu hóa. Đầu tiên, việc giới hạn băng thông thu ở một tần số sẽ cải thiện độ chính xác của phép đo một cách lý tưởng và đơn giản hóa bước xử lý hậu kỳ. Ngoài ra, hoạt động trong siêu âm có ưu điểm là các xung phát ra không thể nghe được nên không làm phiền con người vì dải thính giác của họ là ~20-20 kHz.
cú chuồng nhận được sóng âm thanh từ mục tiêu, trong trường hợp này là con mồi đang di chuyển. Thời gian bay (ToF) của sóng âm ở mỗi tai là khác nhau (trừ khi con mồi ở ngay trước mặt con cú). Đường chấm chấm biểu thị đường đi của sóng âm thanh đến tai cú lợn. Con mồi có thể được định vị chính xác trong mặt phẳng ngang dựa trên chênh lệch độ dài giữa hai đường âm thanh và chênh lệch thời gian giữa các vùng tương ứng (ITD) (hình ảnh bên trái lấy cảm hứng từ tham chiếu 74, bản quyền 2002, Hiệp hội khoa học thần kinh). Trong hệ thống của chúng tôi, máy phát pMUT (màu xanh đậm) tạo ra sóng âm thanh dội ra khỏi mục tiêu. Sóng siêu âm phản xạ được hai máy thu pMUT (màu xanh nhạt) tiếp nhận và được xử lý bởi bộ xử lý thần kinh (phải). b Một mô hình tính toán ITD (Jeffress) mô tả cách âm thanh đi vào tai cú chuồng trước tiên được mã hóa dưới dạng các gai khóa pha trong nhân lớn (NM) và sau đó sử dụng một lưới các nơ-ron dò tìm phù hợp được sắp xếp theo hình học trong nhân lamellar. Đang xử lý (Hà Lan) (trái). Minh họa biểu đồ tính toán NeuroITD kết hợp các đường trễ và nơ-ron phát hiện sự trùng hợp, hệ thống cảm biến sinh học cú có thể được mô hình hóa bằng các mạch biến đổi thần kinh dựa trên RRAM (phải). c Sơ đồ cơ chế Jeffress chính, do sự khác biệt về ToF nên hai tai nhận kích thích âm thanh vào các thời điểm khác nhau và gửi các sợi trục từ hai đầu đến máy dò. Các sợi trục là một phần của một loạt các nơ-ron phát hiện sự trùng hợp (CD), mỗi nơ-ron phản ứng có chọn lọc với các đầu vào có mối tương quan chặt chẽ với thời gian. Kết quả là, chỉ những đĩa CD có đầu vào đến với chênh lệch thời gian nhỏ nhất mới được kích thích tối đa (ITD được bù chính xác). Đĩa CD sau đó sẽ mã hóa vị trí góc của mục tiêu.
Đầu dò siêu âm vi cơ áp điện là đầu dò siêu âm có thể mở rộng, có thể được tích hợp với công nghệ CMOS tiên tiến31,32,33,52 và có điện áp và mức tiêu thụ điện năng ban đầu thấp hơn so với đầu dò thể tích truyền thống53. Trong nghiên cứu của chúng tôi, đường kính màng là 880 µm và tần số cộng hưởng được phân bổ trong phạm vi 110–117 kHz (Hình 2a, xem Phương pháp để biết chi tiết). Trong một lô mười thiết bị thử nghiệm, hệ số chất lượng trung bình là khoảng 50 (tham khảo 31). Công nghệ này đã đạt đến mức trưởng thành về mặt công nghiệp và bản thân nó không phải là nguồn cảm hứng sinh học. Kết hợp thông tin từ các màng pMUT khác nhau là một kỹ thuật nổi tiếng và thông tin góc có thể thu được từ các pMUT bằng cách sử dụng, chẳng hạn như kỹ thuật tạo chùm tia31,54. Tuy nhiên, việc xử lý tín hiệu cần thiết để trích xuất thông tin góc không phù hợp với các phép đo công suất thấp. Hệ thống được đề xuất kết hợp mạch tiền xử lý dữ liệu thần kinh pMUT với biểu đồ điện toán thần kinh dựa trên RRAM lấy cảm hứng từ mô hình Jeffress (Hình 2c), cung cấp giải pháp phần cứng thay thế tiết kiệm năng lượng và hạn chế tài nguyên. Chúng tôi đã thực hiện một thí nghiệm trong đó hai cảm biến pMUT được đặt cách nhau khoảng 10 cm để khai thác các âm thanh ToF khác nhau mà hai màng thu nhận được. Một pMUT hoạt động như một máy phát nằm giữa các máy thu. Mục tiêu là một tấm PVC rộng 12 cm, nằm ở khoảng cách D phía trước thiết bị pMUT (Hình 2b). Máy thu ghi lại âm thanh phản xạ từ vật thể và phản ứng nhiều nhất có thể trong quá trình truyền sóng âm. Lặp lại thí nghiệm bằng cách thay đổi vị trí của vật được xác định bởi khoảng cách D và góc θ. Lấy cảm hứng từ một liên kết. Như được hiển thị trong Hình 55, chúng tôi đề xuất phương pháp xử lý trước mô phỏng thần kinh các tín hiệu thô pMUT để chuyển đổi sóng phản xạ thành các đỉnh để đưa vào biểu đồ tính toán mô phỏng thần kinh. ToF tương ứng với biên độ cực đại được trích xuất từ ​​mỗi kênh trong số hai kênh và được mã hóa thành thời gian chính xác của từng đỉnh riêng lẻ. Trên hình. Hình 2c hiển thị mạch điện cần thiết để kết nối cảm biến pMUT với biểu đồ tính toán dựa trên RRAM: đối với mỗi trong số hai bộ thu pMUT, tín hiệu thô được lọc thông dải để làm mịn, chỉnh lưu và sau đó được chuyển đến bộ tích hợp rò rỉ ở chế độ khắc phục. ngưỡng động (Hình 2d) tạo ra một nơron sự kiện đầu ra (tăng đột biến) và kích hoạt (LIF): thời gian tăng đột biến đầu ra mã hóa thời gian bay được phát hiện. Ngưỡng LIF được hiệu chỉnh theo phản hồi pMUT, do đó làm giảm độ biến thiên pMUT giữa các thiết bị. Với phương pháp này, thay vì lưu trữ toàn bộ sóng âm vào bộ nhớ và xử lý sau, chúng ta chỉ cần tạo ra một đỉnh tương ứng với ToF của sóng âm, tạo thành đầu vào cho biểu đồ tính toán bộ nhớ điện trở. Các đột biến được gửi trực tiếp đến các đường trễ và song song với các mô-đun phát hiện sự trùng khớp trong biểu đồ tính toán mô phỏng thần kinh. Bởi vì chúng được gửi đến các cổng của bóng bán dẫn nên không cần mạch khuếch đại bổ sung (xem Hình bổ sung 4 để biết chi tiết). Để đánh giá độ chính xác góc định vị do pMUT cung cấp và phương pháp xử lý tín hiệu được đề xuất, chúng tôi đã đo ITD (nghĩa là chênh lệch về thời gian giữa các sự kiện cao điểm do hai máy thu tạo ra) khi khoảng cách và góc của đối tượng thay đổi. Phân tích ITD sau đó được chuyển đổi thành các góc (xem Phương pháp) và được vẽ theo vị trí của đối tượng: độ không đảm bảo trong ITD đo được tăng theo khoảng cách và góc tới đối tượng (Hình 2e, f). Vấn đề chính là tỷ lệ đỉnh trên nhiễu (PNR) trong phản hồi pMUT. Vật thể càng ở xa thì tín hiệu âm thanh càng thấp, do đó làm giảm PNR (Hình 2f, đường màu xanh lá cây). PNR giảm dẫn đến sự gia tăng độ không chắc chắn trong ước tính ITD, dẫn đến tăng độ chính xác nội địa hóa (Hình 2f, đường màu xanh lam). Đối với một vật ở khoảng cách 50 cm so với máy phát, độ chính xác góc của hệ thống là khoảng 10°. Hạn chế này do đặc tính của cảm biến áp đặt có thể được cải thiện. Ví dụ, áp suất do bộ phát gửi có thể tăng lên, do đó làm tăng điện áp điều khiển màng pMUT. Một giải pháp khác để khuếch đại tín hiệu truyền đi là kết nối nhiều máy phát 56. Những giải pháp này sẽ tăng phạm vi phát hiện nhưng phải trả giá bằng việc tăng chi phí năng lượng. Những cải tiến bổ sung có thể được thực hiện ở phía bên nhận. Tầng nhiễu máy thu của pMUT có thể được giảm đáng kể bằng cách cải thiện kết nối giữa pMUT và bộ khuếch đại giai đoạn đầu tiên, hiện được thực hiện bằng kết nối dây và cáp RJ45.
Hình ảnh của tinh thể pMUT với sáu màng 880 µm được tích hợp ở bước 1,5 mm. b Sơ đồ bố trí đo. Mục tiêu nằm ở vị trí góc phương vị θ và ở khoảng cách D. Máy phát pMUT tạo ra tín hiệu 117,6 kHz bật ra khỏi mục tiêu và đến hai máy thu pMUT có thời gian bay (ToF) khác nhau. Sự khác biệt này, được định nghĩa là chênh lệch thời gian giữa các âm thanh (ITD), mã hóa vị trí của một vật thể và có thể được ước tính bằng cách ước tính phản hồi cực đại của hai cảm biến máy thu. c Sơ đồ các bước tiền xử lý để chuyển đổi tín hiệu pMUT thô thành các chuỗi tăng đột biến (tức là đầu vào vào biểu đồ tính toán mô thần kinh). Các cảm biến pMUT và đồ thị tính toán mô thần kinh đã được chế tạo và thử nghiệm, đồng thời quá trình tiền xử lý mô thần kinh dựa trên mô phỏng phần mềm. d Phản ứng của màng pMUT khi nhận được tín hiệu và sự chuyển đổi của nó thành miền tăng đột biến. e Độ chính xác góc định vị thử nghiệm như là một hàm của góc đối tượng (Θ) và khoảng cách (D) đến đối tượng mục tiêu. Phương pháp chiết ITD yêu cầu độ phân giải góc tối thiểu khoảng 4°C. f Độ chính xác góc (đường màu xanh lam) và tỷ lệ nhiễu cực đại tương ứng (đường màu xanh lá cây) so với khoảng cách đối tượng cho Θ = 0.
Bộ nhớ điện trở lưu trữ thông tin ở trạng thái dẫn điện không bay hơi. Nguyên tắc cơ bản của phương pháp này là sự biến đổi của vật liệu ở cấp độ nguyên tử gây ra sự thay đổi độ dẫn điện của nó57. Ở đây, chúng tôi sử dụng bộ nhớ điện trở dựa trên oxit bao gồm một lớp hafnium dioxide 5nm được kẹp giữa các điện cực titan và titan nitrit trên và dưới. Độ dẫn điện của thiết bị RRAM có thể được thay đổi bằng cách áp dụng dạng sóng dòng điện/điện áp tạo ra hoặc phá vỡ các sợi dẫn điện của chỗ trống oxy giữa các điện cực. Chúng tôi đã tích hợp các thiết bị như vậy58 vào quy trình CMOS 130nm tiêu chuẩn để tạo ra một mạch biến đổi thần kinh có thể cấu hình lại được chế tạo thực hiện bộ phát hiện trùng khớp và mạch đường trễ (Hình 3a). Bản chất tương tự và không thay đổi của thiết bị, kết hợp với tính chất điều khiển sự kiện của mạch thần kinh, giúp giảm thiểu mức tiêu thụ điện năng. Mạch có chức năng bật/tắt tức thì: hoạt động ngay sau khi bật, cho phép tắt nguồn hoàn toàn khi mạch không hoạt động. Các khối xây dựng chính của sơ đồ đề xuất được thể hiện trong hình. 3b. Nó bao gồm N cấu trúc bóng bán dẫn đơn điện trở đơn (1T1R) song song mã hóa các trọng số khớp thần kinh từ đó lấy dòng điện có trọng số, đưa vào khớp thần kinh chung của bộ tích hợp cặp vi sai (DPI)59, và cuối cùng được đưa vào khớp thần kinh có tích phân và Sự rò rỉ. tế bào thần kinh được kích hoạt (LIF) 60 (xem Phương pháp để biết chi tiết). Các xung đầu vào được áp vào cổng của cấu trúc 1T1R dưới dạng một chuỗi các xung điện áp có thời lượng khoảng hàng trăm nano giây. Bộ nhớ điện trở có thể được đặt ở trạng thái dẫn điện cao (HCS) bằng cách áp dụng tham chiếu dương bên ngoài vào Vtop khi Vbottom được nối đất và đặt lại về trạng thái dẫn điện thấp (LCS) bằng cách đặt điện áp dương vào Vbottom khi Vtop được nối đất. Giá trị trung bình của HCS có thể được kiểm soát bằng cách giới hạn dòng lập trình (tuân thủ) của SET (ICC) bằng điện áp nguồn cổng của bóng bán dẫn nối tiếp (Hình 3c). Chức năng của RRAM trong mạch gồm có hai chức năng: chúng định hướng và điều chỉnh các xung đầu vào.
Hình ảnh kính hiển vi điện tử quét (SEM) của thiết bị RRAM HfO2 1T1R màu xanh lam được tích hợp công nghệ CMOS 130 nm với các bóng bán dẫn chọn lọc (rộng 650 nm) có màu xanh lục. b Các khối xây dựng cơ bản của lược đồ hình thái thần kinh được đề xuất. Các xung điện áp đầu vào (cực đại) Vin0 và Vin1 tiêu thụ dòng điện Iweight, tỷ lệ thuận với trạng thái dẫn G0 và G1 của cấu trúc 1T1R. Dòng điện này được đưa vào các khớp thần kinh PP và kích thích các tế bào thần kinh LIF. RRAM G0 và G1 lần lượt được cài đặt trong HCS và LCS. c Chức năng của mật độ độ dẫn tích lũy cho một nhóm thiết bị RRAM 16K như một chức năng khớp dòng ICC, giúp kiểm soát hiệu quả mức độ dẫn điện. d Các phép đo mạch trong (a) cho thấy G1 (trong LCS) chặn đầu vào từ Vin1 (màu xanh lá cây) một cách hiệu quả và thực sự điện áp màng tế bào thần kinh đầu ra chỉ phản ứng với đầu vào màu xanh lam từ Vin0. RRAM xác định hiệu quả các kết nối trong mạch. e Đo mạch ở (b) cho thấy ảnh hưởng của giá trị độ dẫn G0 đến điện áp màng Vmem sau khi đặt một xung điện áp Vin0. Độ dẫn càng cao thì phản hồi càng mạnh: do đó, thiết bị RRAM thực hiện tính trọng số kết nối I/O. Các phép đo được thực hiện trên mạch và thể hiện chức năng kép của RRAM, định tuyến và tính trọng số của các xung đầu vào.
Đầu tiên, vì có hai trạng thái dẫn cơ bản (HCS và LCS), RRAM có thể chặn hoặc bỏ lỡ các xung đầu vào khi chúng ở trạng thái LCS hoặc HCS tương ứng. Kết quả là RRAM xác định hiệu quả các kết nối trong mạch. Đây là cơ sở để có thể cấu hình lại kiến ​​trúc. Để chứng minh điều này, chúng tôi sẽ mô tả cách triển khai mạch chế tạo của khối mạch trong Hình 3b. RRAM tương ứng với G0 được lập trình vào HCS và RRAM G1 thứ hai được lập trình vào LCS. Xung đầu vào được áp dụng cho cả Vin0 và Vin1. Tác động của hai chuỗi xung đầu vào được phân tích trong các nơ-ron đầu ra bằng cách thu thập điện áp màng tế bào thần kinh và tín hiệu đầu ra bằng máy hiện sóng. Thí nghiệm thành công khi chỉ có thiết bị HCS (G0) được kết nối với xung thần kinh để kích thích sức căng màng tế bào. Điều này được thể hiện trong Hình 3d, trong đó chuỗi xung màu xanh lam làm cho điện áp màng tích tụ trên tụ điện màng, trong khi chuỗi xung màu xanh lá cây giữ cho điện áp màng không đổi.
Chức năng quan trọng thứ hai của RRAM là thực hiện các trọng số kết nối. Bằng cách sử dụng tính năng điều chỉnh độ dẫn tương tự của RRAM, các kết nối I/O có thể được tính trọng số tương ứng. Trong thử nghiệm thứ hai, thiết bị G0 được lập trình theo các mức HCS khác nhau và xung đầu vào được áp dụng cho đầu vào VIn0. Xung đầu vào tạo ra một dòng điện (Itrọng lượng) từ thiết bị, tỷ lệ thuận với độ dẫn và độ sụt điện thế tương ứng Vtop − Vbot. Dòng điện có trọng số này sau đó được đưa vào các khớp thần kinh DPI và tế bào thần kinh đầu ra LIF. Điện áp màng của các nơ-ron đầu ra được ghi lại bằng máy hiện sóng và hiển thị trong Hình 3d. Đỉnh điện áp của màng tế bào thần kinh phản ứng với một xung đầu vào tỷ lệ thuận với độ dẫn của bộ nhớ điện trở, chứng tỏ rằng RRAM có thể được sử dụng như một thành phần có thể lập trình của trọng số khớp thần kinh. Hai thử nghiệm sơ bộ này cho thấy nền tảng thần kinh dựa trên RRAM được đề xuất có thể triển khai các yếu tố cơ bản của cơ chế Jeffress cơ bản, cụ thể là đường trễ và mạch phát hiện trùng khớp. Nền tảng mạch được xây dựng bằng cách xếp chồng các khối liên tiếp cạnh nhau, chẳng hạn như các khối trong Hình 3b và kết nối các cổng của chúng với một đường đầu vào chung. Chúng tôi đã thiết kế, chế tạo và thử nghiệm một nền tảng mô thần kinh bao gồm hai nơ-ron đầu ra nhận hai đầu vào (Hình 4a). Sơ đồ mạch được hiển thị trong Hình 4b. Ma trận RRAM 2 × 2 phía trên cho phép các xung đầu vào được hướng đến hai nơ-ron đầu ra, trong khi ma trận 2 × 2 phía dưới cho phép kết nối tái phát của hai nơ-ron (N0, N1). Chúng tôi chứng minh rằng nền tảng này có thể được sử dụng với cấu hình đường trễ và hai chức năng phát hiện sự trùng hợp khác nhau, như được hiển thị bằng các phép đo thử nghiệm trong Hình 4c-e.
Sơ đồ mạch được hình thành bởi hai nơ-ron đầu ra N0 và N1 nhận hai đầu vào 0 và 1. Bốn thiết bị trên cùng của mảng xác định các kết nối khớp thần kinh từ đầu vào đến đầu ra và bốn ô dưới cùng xác định các kết nối lặp lại giữa các nơ-ron. RRAM có màu tượng trưng cho các thiết bị được cấu hình trong HCS ở bên phải: các thiết bị trong HCS cho phép kết nối và biểu thị trọng số, trong khi các thiết bị trong LCS chặn các xung đầu vào và vô hiệu hóa các kết nối với đầu ra. b Sơ đồ mạch (a) với tám mô-đun RRAM được tô sáng màu xanh lam. c Các đường trễ được hình thành bằng cách sử dụng động lực học của các khớp thần kinh DPI và tế bào thần kinh LIF. RRAM màu xanh lá cây được đặt ở độ dẫn đủ cao để có thể gây ra sự cố ở đầu ra sau độ trễ đầu vào Δt. d Sơ đồ minh họa phát hiện CD không nhạy hướng của các tín hiệu phụ thuộc thời gian. Nơ ron đầu ra 1, N1, kích hoạt đầu vào 0 và 1 với độ trễ ngắn. e Mạch CD nhạy hướng, mạch phát hiện khi đầu vào 1 tiến gần đến đầu vào 0 và đến sau đầu vào 0. Đầu ra của mạch được biểu thị bằng nơ-ron 1 (N1).
Đường trễ (Hình 4c) chỉ đơn giản sử dụng hành vi động của các khớp thần kinh DPI và tế bào thần kinh LIF để tái tạo mức tăng đột biến đầu vào từ Vin1 đến Vout1 bằng cách trì hoãn Tdel. Chỉ RRAM G3 được kết nối với Vin1 và Vout1 được lập trình trong HCS, các RRAM còn lại được lập trình trong LCS. Thiết bị G3 được lập trình trong 92,6 µs để đảm bảo rằng mỗi xung đầu vào làm tăng điện áp màng của tế bào thần kinh đầu ra đủ để đạt đến ngưỡng và tạo ra xung đầu ra bị trễ. Độ trễ Tdel được xác định bởi hằng số thời gian khớp thần kinh và khớp thần kinh. Bộ phát hiện sự trùng hợp phát hiện sự xuất hiện của các tín hiệu đầu vào có tương quan về mặt thời gian nhưng được phân bố theo không gian. CD không nhạy hướng dựa vào các đầu vào riêng lẻ hội tụ đến một nơ-ron đầu ra chung (Hình 4d). Hai RRAM kết nối Vin0 và Vin1 với Vout1, G2 và G4 lần lượt được lập trình để có độ dẫn cao. Sự xuất hiện đồng thời của các xung điện trên Vin0 và Vin1 làm tăng điện áp của màng tế bào thần kinh N1 lên trên ngưỡng cần thiết để tạo ra xung điện đầu ra. Nếu hai đầu vào cách nhau quá xa về thời gian, điện tích trên điện áp màng được tích lũy bởi đầu vào đầu tiên có thể giảm dần, ngăn cản điện thế màng N1 đạt đến giá trị ngưỡng. G1 và G2 được lập trình trong khoảng 65 µs, đảm bảo rằng một xung điện đầu vào không làm tăng điện áp màng đủ để gây ra xung điện đầu ra. Phát hiện sự trùng hợp giữa các sự kiện phân bố trong không gian và thời gian là một hoạt động cơ bản được sử dụng trong một loạt các nhiệm vụ cảm biến như tránh chướng ngại vật dựa trên luồng quang học và định vị nguồn âm thanh. Do đó, các đĩa CD nhạy cảm với hướng tính toán và không nhạy cảm với hướng tính toán là một khối xây dựng cơ bản để xây dựng các hệ thống định vị hình ảnh và âm thanh. Như được thể hiện qua các đặc tính của hằng số thời gian (xem Hình bổ sung 2), mạch được đề xuất thực hiện một phạm vi phù hợp gồm bốn bậc thang thời gian cường độ. Vì vậy, nó có thể đáp ứng đồng thời các yêu cầu của hệ thống hình ảnh và âm thanh. CD nhạy định hướng là một mạch nhạy cảm với thứ tự không gian đến của các xung: từ phải sang trái và ngược lại. Nó là một khối xây dựng cơ bản trong mạng phát hiện chuyển động cơ bản của hệ thống thị giác Drosophila, được sử dụng để tính toán hướng chuyển động và phát hiện va chạm62. Để đạt được CD nhạy hướng, hai đầu vào phải được dẫn đến hai nơ-ron khác nhau (N0, N1) và kết nối định hướng phải được thiết lập giữa chúng (Hình 4e). Khi nhận được đầu vào đầu tiên, NO sẽ phản ứng bằng cách tăng điện áp trên màng của nó lên trên giá trị ngưỡng và tạo ra một xung đột biến. Đến lượt sự kiện đầu ra này sẽ kích hoạt N1 nhờ kết nối định hướng được đánh dấu màu xanh lục. Nếu một sự kiện đầu vào Vin1 đến và cung cấp năng lượng cho N1 trong khi điện áp màng của nó vẫn cao, thì N1 sẽ tạo ra một sự kiện đầu ra cho biết đã tìm thấy sự trùng khớp giữa hai đầu vào. Các kết nối định hướng chỉ cho phép N1 phát ra đầu ra nếu đầu vào 1 xuất hiện sau đầu vào 0. G0, G3 và G7 được lập trình lần lượt là 73,5 µS, 67,3 µS và 40,2 µS, đảm bảo rằng một đột biến duy nhất trên đầu vào Vin0 sẽ gây ra độ trễ đầu ra tăng đột biến, trong khi điện thế màng của N1 chỉ đạt đến ngưỡng khi cả hai cụm đầu vào đều đồng bộ. .
Tính biến đổi là nguồn gốc của sự không hoàn hảo trong các hệ thống thần kinh được mô hình hóa63,64,65. Điều này dẫn đến hành vi không đồng nhất của tế bào thần kinh và khớp thần kinh. Ví dụ về những nhược điểm như vậy bao gồm độ biến thiên 30% (độ lệch chuẩn trung bình) trong mức tăng đầu vào, hằng số thời gian và thời gian chịu lửa, chỉ kể tên một số ít (xem Phương pháp). Vấn đề này thậm chí còn rõ ràng hơn khi nhiều mạch thần kinh được kết nối với nhau, chẳng hạn như một đĩa CD nhạy cảm định hướng bao gồm hai nơ-ron. Để hoạt động bình thường, hằng số thời gian tăng và giảm của hai nơ-ron phải giống nhau nhất có thể. Ví dụ, một sự khác biệt lớn về mức tăng đầu vào có thể khiến một nơ-ron phản ứng thái quá với xung đầu vào trong khi nơ-ron kia hầu như không phản ứng. Trên hình. Hình 5a cho thấy các nơ-ron được chọn ngẫu nhiên phản ứng khác nhau với cùng một xung đầu vào. Ví dụ, sự biến đổi thần kinh này có liên quan đến chức năng của đĩa CD nhạy cảm với hướng. Trong sơ đồ thể hiện trong hình. Như được hiển thị trong Hình 5b, c, mức tăng đầu vào của nơ-ron 1 cao hơn nhiều so với nơ-ron 0. Do đó, nơ-ron 0 cần ba xung đầu vào (thay vì 1) để đạt đến ngưỡng và nơ-ron 1, như mong đợi, cần hai sự kiện đầu vào. Triển khai tính dẻo mô phỏng sinh học phụ thuộc vào thời gian tăng đột biến (STDP) là một cách khả thi để giảm thiểu tác động của các mạch thần kinh và khớp thần kinh không chính xác và chậm chạp đối với hiệu suất hệ thống43. Ở đây, chúng tôi đề xuất sử dụng hành vi dẻo của bộ nhớ điện trở như một phương tiện tác động đến việc tăng cường đầu vào thần kinh và giảm tác động của sự biến đổi trong các mạch thần kinh. Như thể hiện trong hình. Như được hiển thị trong Hình 4e, mức độ dẫn liên quan đến khối khớp thần kinh RRAM đã điều chỉnh hiệu quả phản ứng điện áp màng thần kinh tương ứng. Chúng tôi sử dụng chiến lược lập trình RRAM lặp đi lặp lại. Đối với một đầu vào nhất định, các giá trị độ dẫn của trọng số khớp thần kinh được lập trình lại cho đến khi đạt được hành vi mục tiêu của mạch (xem Phương thức).
một phép đo thử nghiệm về phản ứng của chín nơ-ron riêng lẻ được chọn ngẫu nhiên với cùng một xung đầu vào. Phản ứng khác nhau giữa các quần thể, ảnh hưởng đến mức tăng đầu vào và hằng số thời gian. b Các phép đo thực nghiệm về ảnh hưởng của tế bào thần kinh đến tính biến đổi của tế bào thần kinh ảnh hưởng đến CD nhạy cảm với hướng. Hai nơ-ron đầu ra CD nhạy cảm với hướng phản ứng khác nhau với các kích thích đầu vào do sự biến đổi giữa các nơ-ron với nhau. Neuron 0 có mức tăng đầu vào thấp hơn nơron 1, do đó phải mất ba xung đầu vào (thay vì 1) để tạo ra mức tăng đột biến đầu ra. Đúng như dự đoán, nơ-ron 1 đạt đến ngưỡng với hai sự kiện đầu vào. Nếu đầu vào 1 đến Δt = 50 µs sau khi nơron 0 kích hoạt, CD vẫn im lặng vì Δt lớn hơn hằng số thời gian của nơron 1 (khoảng 22 µs). c bị giảm đi Δt = 20 µs, do đó đầu vào 1 đạt đỉnh khi tốc độ kích hoạt của nơ-ron 1 vẫn ở mức cao, dẫn đến việc phát hiện đồng thời hai sự kiện đầu vào.
Hai phần tử được sử dụng trong cột tính toán ITD là đường trễ và CD không nhạy hướng. Cả hai mạch đều yêu cầu hiệu chuẩn chính xác để đảm bảo hiệu suất định vị đối tượng tốt. Đường trễ phải cung cấp phiên bản trễ chính xác của đỉnh đầu vào (Hình 6a) và CD chỉ phải được kích hoạt khi đầu vào nằm trong phạm vi phát hiện mục tiêu. Đối với đường trễ, trọng số khớp thần kinh của các kết nối đầu vào (G3 trong Hình 4a) đã được lập trình lại cho đến khi đạt được độ trễ mục tiêu. Đặt dung sai xung quanh độ trễ mục tiêu để dừng chương trình: dung sai càng nhỏ thì càng khó thiết lập thành công đường trễ. Trên hình. Hình 6b cho thấy kết quả của quá trình hiệu chỉnh đường trễ: có thể thấy rằng sơ đồ đề xuất có thể cung cấp chính xác tất cả độ trễ cần thiết trong sơ đồ thiết kế (từ 10 đến 300 μs). Số lần lặp hiệu chuẩn tối đa ảnh hưởng đến chất lượng của quá trình hiệu chuẩn: 200 lần lặp có thể giảm sai số xuống dưới 5%. Một lần lặp hiệu chuẩn tương ứng với thao tác thiết lập/đặt lại của ô RRAM. Quá trình điều chỉnh cũng rất quan trọng để cải thiện độ chính xác của việc phát hiện sự kiện đóng tức thời của mô-đun CD. Phải mất mười lần hiệu chuẩn để đạt được tỷ lệ dương thực sự (tức là tỷ lệ các sự kiện được xác định chính xác là có liên quan) trên 95% (đường màu xanh lam trong Hình 6c). Tuy nhiên, quá trình điều chỉnh không ảnh hưởng đến các sự kiện dương tính giả (nghĩa là tần suất của các sự kiện được xác định sai là có liên quan). Một phương pháp khác được quan sát thấy trong các hệ thống sinh học để khắc phục hạn chế về thời gian của các con đường kích hoạt nhanh chóng là phương pháp dự phòng (nghĩa là nhiều bản sao của cùng một đối tượng được sử dụng để thực hiện một chức năng nhất định). Lấy cảm hứng từ sinh học66, chúng tôi đã đặt một số mạch CD trong mỗi mô-đun CD giữa hai đường trễ để giảm tác động của kết quả dương tính giả. Như thể hiện trong hình. 6c (đường màu xanh lá cây), việc đặt ba phần tử CD trong mỗi mô-đun CD có thể giảm tỷ lệ cảnh báo sai xuống dưới 10–2.
Ảnh hưởng của sự biến đổi nơ-ron thần kinh lên các mạch đường trễ. b Các mạch đường trễ có thể được điều chỉnh thành độ trễ lớn bằng cách đặt hằng số thời gian của các nơ-ron LIF tương ứng và các khớp thần kinh DPI thành các giá trị lớn. Việc tăng số lần lặp của quy trình hiệu chỉnh RRAM giúp cải thiện đáng kể độ chính xác của độ trễ mục tiêu: 200 lần lặp đã giảm sai số xuống dưới 5%. Một lần lặp tương ứng với thao tác SET/RESET trên ô RRAM. Mỗi mô-đun CD trong mô hình c Jeffress có thể được triển khai bằng cách sử dụng N phần tử CD song song để có tính linh hoạt cao hơn khi xử lý các lỗi hệ thống. d Nhiều lần lặp hiệu chuẩn RRAM hơn sẽ làm tăng tỷ lệ dương thực sự (đường màu xanh lam), trong khi tỷ lệ dương tính giả không phụ thuộc vào số lần lặp (đường màu xanh lá cây). Việc đặt song song nhiều phần tử CD hơn sẽ tránh được việc phát hiện sai các kết quả khớp của mô-đun CD.
Bây giờ chúng tôi đánh giá hiệu suất và mức tiêu thụ điện năng của hệ thống định vị đối tượng tích hợp đầu cuối được hiển thị trong Hình 2 bằng cách sử dụng các phép đo đặc tính âm thanh của cảm biến pMUT, CD và các mạch đường trễ tạo nên biểu đồ điện toán mô phỏng thần kinh. Mô hình Jeffress (Hình 1a). Đối với đồ thị điện toán mô phỏng thần kinh, số lượng mô-đun CD càng lớn thì độ phân giải góc càng tốt nhưng năng lượng của hệ thống cũng càng cao (Hình 7a). Có thể đạt được sự thỏa hiệp bằng cách so sánh độ chính xác của từng thành phần (cảm biến pMUT, tế bào thần kinh và mạch khớp thần kinh) với độ chính xác của toàn bộ hệ thống. Độ phân giải của đường trễ bị giới hạn bởi hằng số thời gian của các khớp thần kinh và tế bào thần kinh mô phỏng, trong sơ đồ của chúng tôi vượt quá 10 µs, tương ứng với độ phân giải góc 4 ° (xem Phương pháp). Các nút tiên tiến hơn với công nghệ CMOS sẽ cho phép thiết kế các mạch thần kinh và khớp thần kinh với hằng số thời gian thấp hơn, dẫn đến độ chính xác cao hơn của các phần tử đường trễ. Tuy nhiên, trong hệ thống của chúng tôi, độ chính xác bị hạn chế bởi sai số pMUT khi ước tính vị trí góc, tức là 10° (đường ngang màu xanh lam trong Hình 7a). Chúng tôi đã cố định số lượng mô-đun CD ở mức 40, tương ứng với độ phân giải góc khoảng 4°, tức là độ chính xác góc của biểu đồ tính toán (đường ngang màu xanh nhạt trong Hình 7a). Ở cấp độ hệ thống, điều này mang lại độ phân giải 4° và độ chính xác 10° đối với các vật thể nằm cách hệ thống cảm biến 50 cm. Giá trị này có thể so sánh với các hệ thống định vị âm thanh thần kinh được báo cáo trong ref. 67. Có thể tìm thấy sự so sánh giữa hệ thống được đề xuất với hệ thống hiện đại trong Bảng bổ sung 1. Việc bổ sung thêm pMUT, tăng mức tín hiệu âm thanh và giảm nhiễu điện tử là những cách khả thi để cải thiện hơn nữa độ chính xác của việc định vị. ) ước tính là 9,7. nz. 55. Cho 40 đơn vị CD trên biểu đồ tính toán, mô phỏng SPICE ước tính năng lượng trên mỗi thao tác (tức là năng lượng định vị đối tượng) là 21,6 nJ. Hệ thống mô phỏng thần kinh chỉ được kích hoạt khi có sự kiện đầu vào, tức là khi sóng âm đến bất kỳ máy thu pMUT nào và vượt quá ngưỡng phát hiện, nếu không thì nó vẫn không hoạt động. Điều này tránh được việc tiêu thụ điện năng không cần thiết khi không có tín hiệu đầu vào. Xem xét tần số hoạt động nội địa hóa là 100 Hz và thời gian kích hoạt là 300 µs cho mỗi hoạt động (ITD tối đa có thể), mức tiêu thụ điện năng của biểu đồ tính toán mô phỏng thần kinh là 61,7 nW. Với quá trình xử lý trước mô phỏng thần kinh được áp dụng cho mỗi máy thu pMUT, mức tiêu thụ điện năng của toàn bộ hệ thống đạt tới 81,6 nW. Để hiểu hiệu quả sử dụng năng lượng của phương pháp biến đổi thần kinh được đề xuất so với phần cứng thông thường, chúng tôi đã so sánh con số này với năng lượng cần thiết để thực hiện cùng một nhiệm vụ trên một bộ vi điều khiển hiện đại tiêu thụ điện năng thấp sử dụng kỹ năng định dạng chùm tia thần kinh hoặc thông thường68. Cách tiếp cận mô hình thần kinh xem xét giai đoạn chuyển đổi tương tự sang số (ADC), tiếp theo là bộ lọc thông dải và giai đoạn trích xuất đường bao (phương pháp Teeger-Kaiser). Cuối cùng, một thao tác ngưỡng được thực hiện để trích xuất ToF. Chúng tôi đã bỏ qua việc tính toán ITD dựa trên ToF và chuyển đổi sang vị trí góc ước tính vì điều này xảy ra một lần cho mỗi phép đo (xem Phương pháp). Giả sử tốc độ lấy mẫu là 250 kHz trên cả hai kênh (bộ thu pMUT), 18 hoạt động lọc thông dải, 3 hoạt động trích xuất đường bao và 1 hoạt động ngưỡng trên mỗi mẫu, tổng mức tiêu thụ điện năng được ước tính là 245 microwatt. Chế độ này sử dụng chế độ năng lượng thấp69 của bộ vi điều khiển, chế độ này sẽ bật khi các thuật toán không thực thi, giúp giảm mức tiêu thụ điện năng xuống 10,8 µW. Công suất tiêu thụ của giải pháp xử lý tín hiệu dạng chùm được đề xuất trong tài liệu tham khảo. 31, với 5 máy thu pMUT và 11 chùm tia phân bố đồng đều trong mặt phẳng phương vị [-50°, +50°], là 11,71 mW (xem phần Phương pháp để biết chi tiết). Ngoài ra, chúng tôi báo cáo mức tiêu thụ điện năng của Bộ mã hóa chênh lệch thời gian (TDE) dựa trên FPGA47 ước tính khoảng 1,5 mW để thay thế cho mô hình Jeffress để bản địa hóa đối tượng. Dựa trên những ước tính này, phương pháp mô phỏng thần kinh được đề xuất giúp giảm mức tiêu thụ điện năng xuống năm bậc độ lớn so với bộ vi điều khiển sử dụng kỹ thuật tạo chùm tia cổ điển cho các hoạt động định vị đối tượng. Việc áp dụng phương pháp mô phỏng thần kinh để xử lý tín hiệu trên bộ vi điều khiển cổ điển giúp giảm mức tiêu thụ điện năng khoảng hai bậc độ lớn. Hiệu quả của hệ thống được đề xuất có thể được giải thích bằng sự kết hợp của mạch tương tự bộ nhớ điện trở không đồng bộ có khả năng thực hiện các phép tính trong bộ nhớ và thiếu chuyển đổi tương tự sang số cần thiết để nhận biết tín hiệu.
a Độ phân giải góc (xanh dương) và mức tiêu thụ điện năng (xanh lục) của hoạt động bản địa hóa tùy thuộc vào số lượng mô-đun CD. Thanh ngang màu xanh đậm biểu thị độ chính xác góc của PMUT và thanh ngang màu xanh nhạt biểu thị độ chính xác góc của biểu đồ tính toán mô thần kinh. b Mức tiêu thụ điện năng của hệ thống được đề xuất và so sánh với hai cách triển khai vi điều khiển đã thảo luận và triển khai kỹ thuật số của Bộ mã hóa chênh lệch thời gian (TDE)47 FPGA.
Để giảm thiểu mức tiêu thụ điện năng của hệ thống định vị mục tiêu, chúng tôi đã nghĩ ra, thiết kế và triển khai một mạch thần kinh dựa trên RRAM dựa trên sự kiện hiệu quả, xử lý thông tin tín hiệu do các cảm biến tích hợp tạo ra để tính toán vị trí của đối tượng mục tiêu trong thực tế. thời gian. . Trong khi các phương pháp xử lý truyền thống liên tục lấy mẫu các tín hiệu được phát hiện và thực hiện các phép tính để trích xuất thông tin hữu ích thì giải pháp mô phỏng thần kinh được đề xuất thực hiện các phép tính không đồng bộ khi có thông tin hữu ích, tối đa hóa hiệu quả sử dụng năng lượng của hệ thống lên năm bậc độ lớn. Ngoài ra, chúng tôi nhấn mạnh tính linh hoạt của các mạch thần kinh dựa trên RRAM. Khả năng của RRAM thay đổi độ dẫn điện theo cách không thay đổi (độ dẻo) bù đắp cho sự biến đổi vốn có của các mạch thần kinh và khớp thần kinh tương tự của DVI tương tự công suất cực thấp. Điều này làm cho mạch dựa trên RRAM này trở nên linh hoạt và mạnh mẽ. Mục tiêu của chúng tôi không phải là trích xuất các hàm hoặc mẫu phức tạp từ tín hiệu mà là định vị các đối tượng trong thời gian thực. Hệ thống của chúng tôi cũng có thể nén tín hiệu một cách hiệu quả và cuối cùng gửi tín hiệu đến các bước xử lý tiếp theo để đưa ra các quyết định phức tạp hơn khi cần. Trong bối cảnh các ứng dụng bản địa hóa, bước tiền xử lý thần kinh của chúng tôi có thể cung cấp thông tin về vị trí của các đối tượng. Thông tin này có thể được sử dụng, chẳng hạn như để phát hiện chuyển động hoặc nhận dạng cử chỉ. Chúng tôi nhấn mạnh tầm quan trọng của việc kết hợp các cảm biến công suất cực thấp như pMUT với thiết bị điện tử công suất cực thấp. Đối với điều này, các phương pháp tiếp cận mô hình thần kinh đóng vai trò then chốt vì chúng đã giúp chúng tôi phát triển việc triển khai mạch mới của các phương pháp tính toán lấy cảm hứng từ sinh học, chẳng hạn như mô hình Jeffress. Trong bối cảnh ứng dụng tổng hợp cảm biến, hệ thống của chúng tôi có thể được kết hợp với một số cảm biến dựa trên sự kiện khác nhau để thu được thông tin chính xác hơn. Mặc dù cú rất giỏi trong việc tìm kiếm con mồi trong bóng tối nhưng chúng có thị lực tuyệt vời và thực hiện kết hợp tìm kiếm thính giác và thị giác trước khi bắt con mồi70. Khi một tế bào thần kinh thính giác cụ thể kích hoạt, con cú sẽ nhận được thông tin cần thiết để xác định hướng nào sẽ bắt đầu tìm kiếm bằng hình ảnh, từ đó tập trung sự chú ý của nó vào một phần nhỏ của khung cảnh thị giác. Cần khám phá sự kết hợp giữa cảm biến hình ảnh (máy ảnh DVS) và cảm biến nghe được đề xuất (dựa trên pMUT) để phát triển các tác nhân tự trị trong tương lai.
Cảm biến pMUT được đặt trên PCB với hai bộ thu cách nhau khoảng 10 cm và bộ phát được đặt giữa các bộ thu. Trong nghiên cứu này, mỗi màng là một cấu trúc lưỡng hình lơ lửng bao gồm hai lớp nhôm nitrit áp điện (AlN) dày 800 nm được kẹp giữa ba lớp molypden (Mo) dày 200 nm và được phủ một lớp dày 200 nm. lớp SiN thụ động trên cùng như được mô tả trong tài liệu tham khảo. 71. Các điện cực bên trong và bên ngoài được áp dụng cho các lớp molypden dưới cùng và trên cùng, trong khi điện cực molypden ở giữa không có hoa văn và được sử dụng làm nền, tạo ra một màng có bốn cặp điện cực.
Kiến trúc này cho phép sử dụng một biến dạng màng thông thường, giúp cải thiện độ nhạy truyền và nhận. Một pMUT như vậy thường thể hiện độ nhạy kích thích là 700 nm/V dưới dạng bộ phát, cung cấp áp suất bề mặt là 270 Pa/V. Là một máy thu, một màng pMUT thể hiện độ nhạy ngắn mạch 15 nA/Pa, liên quan trực tiếp đến hệ số áp điện của AlN. Sự thay đổi kỹ thuật của điện áp trong lớp AlN dẫn đến sự thay đổi tần số cộng hưởng, có thể được bù bằng cách áp dụng độ lệch DC cho pMUT. Độ nhạy DC được đo ở mức 0,5 kHz/V. Để mô tả đặc tính âm thanh, một micrô được sử dụng phía trước pMUT.
Để đo xung vang, chúng tôi đặt một tấm hình chữ nhật có diện tích khoảng 50 cm2 phía trước pMUT để phản xạ sóng âm phát ra. Cả khoảng cách giữa các tấm và góc so với mặt phẳng pMUT đều được điều khiển bằng các giá đỡ đặc biệt. Nguồn điện áp Tectronix CPX400DP phân cực ba màng pMUT, điều chỉnh tần số cộng hưởng thành 111,9 kHz31, trong khi các máy phát được điều khiển bởi bộ tạo xung Tectronix AFG 3102 được điều chỉnh theo tần số cộng hưởng (111,9 kHz) và chu kỳ nhiệm vụ là 0,01. Dòng điện đọc từ bốn cổng đầu ra của mỗi máy thu pMUT được chuyển đổi thành điện áp bằng cách sử dụng cấu trúc điện áp và dòng điện vi sai đặc biệt, sau đó tín hiệu thu được sẽ được số hóa bởi hệ thống thu thập dữ liệu Spektrum. Giới hạn phát hiện được đặc trưng bởi việc thu tín hiệu pMUT trong các điều kiện khác nhau: chúng tôi di chuyển gương phản xạ đến các khoảng cách khác nhau [30, 40, 50, 60, 80, 100] cm và thay đổi góc hỗ trợ pMUT ([0, 20, 40] o ) Hình 2b cho thấy độ phân giải phát hiện ITD theo thời gian tùy thuộc vào vị trí góc tương ứng tính bằng độ.
Bài viết này sử dụng hai mạch RRAM có sẵn khác nhau. Đầu tiên là một mảng gồm 16.384 (16.000) thiết bị (128 × 128 thiết bị) trong cấu hình 1T1R với một bóng bán dẫn và một điện trở. Con chip thứ hai là nền tảng thần kinh được hiển thị trong Hình 4a. Ô RRAM bao gồm một màng HfO2 dày 5 nm được nhúng trong ngăn xếp TiN/HfO2/Ti/TiN. Ngăn xếp RRAM được tích hợp vào phần cuối dòng (BEOL) của quy trình CMOS 130nm tiêu chuẩn. Các mạch biến đổi thần kinh dựa trên RRAM đưa ra một thách thức về thiết kế cho các hệ thống điện tử hoàn toàn tương tự, trong đó các thiết bị RRAM cùng tồn tại với công nghệ CMOS truyền thống. Đặc biệt, trạng thái dẫn truyền của thiết bị RRAM phải được đọc và sử dụng làm biến chức năng cho hệ thống. Để đạt được mục đích này, một mạch đã được thiết kế, chế tạo và thử nghiệm để đọc dòng điện từ thiết bị khi nhận được xung đầu vào và sử dụng dòng điện này để cân nhắc phản hồi của khớp thần kinh bộ tích hợp cặp vi sai (DPI). Mạch này được hiển thị trong Hình 3a, thể hiện các khối xây dựng cơ bản của nền tảng mô phỏng thần kinh trong Hình 4a. Xung đầu vào kích hoạt cổng của thiết bị 1T1R, tạo ra dòng điện qua RRAM tỷ lệ với độ dẫn G của thiết bị (Iweight = G(Vtop – Vx)). Đầu vào đảo ngược của mạch khuếch đại thuật toán (op-amp) có điện áp phân cực DC không đổi Vtop. Phản hồi tiêu cực của op-amp sẽ cung cấp Vx = Vtop bằng cách cung cấp dòng điện bằng nhau từ M1. Trọng lượng hiện tại được lấy từ thiết bị được đưa vào khớp thần kinh DPI. Dòng điện mạnh hơn sẽ dẫn đến khử cực nhiều hơn, do đó độ dẫn của RRAM thực hiện hiệu quả các trọng số khớp thần kinh. Dòng điện khớp thần kinh hàm mũ này được đưa qua tụ điện màng của các tế bào thần kinh Kích thích và Tích hợp Rò rỉ (LIF), tại đó nó được tích hợp dưới dạng điện áp. Nếu vượt qua ngưỡng điện áp ngưỡng của màng (điện áp chuyển mạch của biến tần), phần đầu ra của tế bào thần kinh sẽ được kích hoạt, tạo ra một xung đầu ra. Xung này quay trở lại và làm tụ điện màng tế bào thần kinh chạm đất, khiến nó phóng điện. Mạch này sau đó được bổ sung một bộ mở rộng xung (không được hiển thị trong Hình 3a), giúp định hình xung đầu ra của nơron LIF theo độ rộng xung mục tiêu. Bộ ghép kênh cũng được tích hợp vào mỗi đường dây, cho phép điện áp được đưa vào các điện cực trên và dưới của thiết bị RRAM.
Kiểm tra điện bao gồm phân tích và ghi lại hành vi động của các mạch tương tự, cũng như lập trình và đọc các thiết bị RRAM. Cả hai bước đều yêu cầu các công cụ đặc biệt, tất cả đều được kết nối với bảng cảm biến cùng một lúc. Việc truy cập vào các thiết bị RRAM trong các mạch mô phỏng thần kinh được thực hiện từ các công cụ bên ngoài thông qua bộ ghép kênh (MUX). MUX tách tế bào 1T1R khỏi phần còn lại của mạch điện mà nó thuộc về, cho phép thiết bị được đọc và/hoặc lập trình. Để lập trình và đọc các thiết bị RRAM, máy Keithley 4200 SCS được sử dụng cùng với bộ vi điều khiển Arduino: máy đầu tiên để tạo xung và đọc dòng điện chính xác, máy thứ hai để truy cập nhanh vào các phần tử 1T1R riêng lẻ trong mảng bộ nhớ. Hoạt động đầu tiên là tạo thành thiết bị RRAM. Các tế bào được chọn từng cái một và điện áp dương được đặt vào giữa các điện cực trên và dưới. Trong trường hợp này, dòng điện bị giới hạn ở mức hàng chục microampe do việc cung cấp điện áp cổng tương ứng cho bóng bán dẫn chọn. Sau đó, tế bào RRAM có thể chuyển đổi giữa trạng thái dẫn điện thấp (LCS) và trạng thái dẫn điện cao (HCS) bằng cách sử dụng các thao tác RESET và SET tương ứng. Hoạt động SET được thực hiện bằng cách đặt một xung điện áp hình chữ nhật có thời lượng 1 μs và điện áp cực đại 2,0-2,5 V vào điện cực trên và xung đồng bộ có hình dạng tương tự với điện áp cực đại 0,9-1,3 V đến cổng của bóng bán dẫn chọn. Các giá trị này cho phép điều chỉnh độ dẫn RRAM trong khoảng thời gian 20-150 µs. Đối với RESET, xung cực đại 3 V, rộng 1 µs được đưa vào điện cực dưới cùng (đường bit) của ô khi điện áp cổng nằm trong khoảng 2,5-3,0 V. Đầu vào và đầu ra của mạch analog là tín hiệu động . Đối với đầu vào, chúng tôi xen kẽ hai bộ tạo xung HP 8110 với bộ tạo tín hiệu Tektronix AFG3011. Xung đầu vào có độ rộng 1 µs và cạnh tăng/giảm là 50 ns. Loại xung này được coi là một trục trặc điển hình trong các mạch dựa trên trục trặc tương tự. Đối với tín hiệu đầu ra, tín hiệu đầu ra được ghi lại bằng máy hiện sóng Teledyne LeCroy 1 GHz. Tốc độ thu thập của máy hiện sóng đã được chứng minh không phải là yếu tố hạn chế trong việc phân tích và thu thập dữ liệu mạch.
Sử dụng động lực học của thiết bị điện tử tương tự để mô phỏng hoạt động của tế bào thần kinh và khớp thần kinh là một giải pháp tinh tế và hiệu quả để cải thiện hiệu quả tính toán. Nhược điểm của lớp nền tính toán này là nó sẽ thay đổi theo từng sơ đồ. Chúng tôi đã định lượng sự biến đổi của tế bào thần kinh và mạch khớp thần kinh (Hình bổ sung 2a, b). Trong tất cả các biểu hiện của tính biến thiên, những biểu hiện liên quan đến hằng số thời gian và độ lợi đầu vào có tác động lớn nhất ở cấp độ hệ thống. Hằng số thời gian của nơron LIF và khớp thần kinh DPI được xác định bởi mạch RC, trong đó giá trị của R được điều khiển bởi điện áp phân cực đặt vào cổng của bóng bán dẫn (Vlk cho nơron và Vtau cho khớp thần kinh), xác định tỷ lệ rò rỉ. Mức tăng đầu vào được định nghĩa là điện áp cực đại đạt được bởi các tụ điện màng tế bào thần kinh và khớp thần kinh được kích thích bởi xung đầu vào. Độ lợi đầu vào được điều khiển bởi một bóng bán dẫn phân cực khác điều chỉnh dòng điện đầu vào. Một mô phỏng Monte Carlo được hiệu chỉnh trên quy trình 130nm của ST Microelectronics đã được thực hiện để thu thập một số thống kê về mức tăng đầu vào và hằng số thời gian. Các kết quả được trình bày trong Hình 2 bổ sung, trong đó mức tăng đầu vào và hằng số thời gian được định lượng như một hàm của điện áp phân cực kiểm soát tốc độ rò rỉ. Điểm đánh dấu màu xanh lá cây định lượng độ lệch chuẩn của hằng số thời gian so với giá trị trung bình. Cả tế bào thần kinh và mạch khớp thần kinh đều có thể biểu thị một loạt các hằng số thời gian trong khoảng 10-5-10-2 giây, như thể hiện trong sơ đồ Hình bổ sung. Độ khuếch đại đầu vào (Hình bổ sung 2e, d) của độ biến thiên nơ-ron thần kinh và khớp thần kinh lần lượt là khoảng 8% và 3%. Sự thiếu hụt như vậy đã được ghi lại rõ ràng trong tài liệu: nhiều phép đo khác nhau đã được thực hiện trên mảng chip DYNAP để đánh giá sự không khớp giữa các quần thể tế bào thần kinh LIF63. Các khớp thần kinh trong chip tín hiệu hỗn hợp BrainScale đã được đo và phân tích sự không nhất quán của chúng, đồng thời đề xuất một quy trình hiệu chuẩn để giảm tác động của sự biến đổi ở cấp hệ thống64.
Chức năng của RRAM trong các mạch mô phỏng thần kinh có hai phần: định nghĩa kiến ​​trúc (định tuyến đầu vào đến đầu ra) và thực hiện các trọng số khớp thần kinh. Thuộc tính thứ hai có thể được sử dụng để giải quyết vấn đề về tính biến thiên của các mạch thần kinh được mô hình hóa. Chúng tôi đã phát triển một quy trình hiệu chuẩn đơn giản bao gồm việc lập trình lại thiết bị RRAM cho đến khi mạch được phân tích đáp ứng các yêu cầu nhất định. Đối với một đầu vào nhất định, đầu ra được giám sát và RRAM được lập trình lại cho đến khi đạt được hành vi mục tiêu. Thời gian chờ 5 giây được đưa ra giữa các hoạt động lập trình để giải quyết vấn đề thư giãn RRAM dẫn đến dao động độ dẫn nhất thời (Thông tin bổ sung). Trọng số khớp thần kinh được điều chỉnh hoặc hiệu chỉnh theo yêu cầu của mạch thần kinh đang được mô hình hóa. Quy trình hiệu chuẩn được tóm tắt trong các thuật toán bổ sung [1, 2] tập trung vào hai tính năng cơ bản của nền tảng mô phỏng thần kinh, các đường trễ và CD không nhạy hướng. Đối với mạch có đường trễ, hành vi mục tiêu là cung cấp xung đầu ra có độ trễ Δt. Nếu độ trễ mạch thực tế nhỏ hơn giá trị mục tiêu thì nên giảm trọng lượng khớp thần kinh của G3 (nên đặt lại G3 và sau đó đặt thành dòng Icc phù hợp thấp hơn). Ngược lại, nếu độ trễ thực tế lớn hơn giá trị mục tiêu thì độ dẫn của G3 phải được tăng lên (trước tiên G3 phải được đặt lại và sau đó được đặt thành giá trị Icc cao hơn). Quá trình này được lặp lại cho đến khi độ trễ do mạch tạo ra khớp với giá trị mục tiêu và dung sai được đặt để dừng quá trình hiệu chuẩn. Đối với các đĩa CD không nhạy định hướng, hai thiết bị RRAM, G1 và G3, tham gia vào quá trình hiệu chỉnh. Mạch này có hai đầu vào, Vin0 và Vin1, bị trễ bởi dt. Mạch chỉ phản hồi với độ trễ dưới phạm vi phù hợp [0,dtCD]. Nếu không có đỉnh đầu ra nhưng đỉnh đầu vào lại gần thì cả hai thiết bị RRAM sẽ được tăng cường để giúp nơ-ron đạt đến ngưỡng. Ngược lại, nếu mạch phản ứng với độ trễ vượt quá phạm vi mục tiêu của dtCD thì độ dẫn phải giảm. Lặp lại quá trình cho đến khi đạt được hành vi đúng. Dòng điện tuân thủ có thể được điều chỉnh bằng mạch tương tự tích hợp trong ref. 72,73. Với mạch tích hợp này, các quy trình như vậy có thể được thực hiện định kỳ để hiệu chỉnh hệ thống hoặc tái sử dụng nó cho ứng dụng khác.
Chúng tôi đánh giá mức tiêu thụ năng lượng của phương pháp xử lý tín hiệu thần kinh trên bộ vi điều khiển 32 bit tiêu chuẩn68. Trong đánh giá này, chúng tôi giả định hoạt động với thiết lập tương tự như trong bài viết này, với một bộ phát pMUT và hai bộ thu pMUT. Phương pháp này sử dụng bộ lọc thông dải, tiếp theo là bước trích xuất đường bao (Teeger-Kaiser) và cuối cùng áp dụng thao tác ngưỡng cho tín hiệu để trích xuất thời gian bay. Việc tính toán ITD và chuyển đổi nó sang góc phát hiện bị bỏ qua trong đánh giá. Chúng tôi xem xét việc triển khai bộ lọc thông dải bằng bộ lọc đáp ứng xung vô hạn bậc 4 yêu cầu 18 phép toán dấu phẩy động. Trích xuất phong bì sử dụng thêm ba thao tác dấu phẩy động và thao tác cuối cùng được sử dụng để đặt ngưỡng. Cần có tổng cộng 22 thao tác dấu phẩy động để xử lý trước tín hiệu. Tín hiệu được truyền là một chuỗi ngắn dạng sóng hình sin 111,9 kHz được tạo ra cứ sau 10 ms dẫn đến tần số hoạt động định vị là 100 Hz. Chúng tôi đã sử dụng tốc độ lấy mẫu 250 kHz để tuân thủ Nyquist và cửa sổ 6 ms cho mỗi phép đo để thu được phạm vi 1 mét. Lưu ý rằng 6 mili giây là thời gian bay của một vật cách xa 1 mét. Điều này cung cấp mức tiêu thụ điện năng là 180 µW cho chuyển đổi A/D ở tốc độ 0,5 MSPS. Quá trình xử lý trước tín hiệu là 6,60 MIPS (hướng dẫn mỗi giây), tạo ra 0,75 mW. Tuy nhiên, bộ vi điều khiển có thể chuyển sang chế độ năng lượng thấp 69 khi thuật toán không chạy. Chế độ này cung cấp mức tiêu thụ điện tĩnh là 10,8 μW và thời gian đánh thức là 113 μs. Với tần số xung nhịp là 84 MHz, bộ vi điều khiển hoàn thành tất cả các hoạt động của thuật toán mô phỏng thần kinh trong vòng 10 mili giây và thuật toán tính toán chu kỳ nhiệm vụ là 6,3%, do đó sử dụng chế độ năng lượng thấp. Công suất tiêu tán thu được là 244,7 μW. Lưu ý rằng chúng tôi bỏ qua đầu ra ITD từ ToF và chuyển đổi sang góc phát hiện, do đó đánh giá thấp mức tiêu thụ điện năng của bộ vi điều khiển. Điều này mang lại giá trị bổ sung cho hiệu quả năng lượng của hệ thống được đề xuất. Là một điều kiện so sánh bổ sung, chúng tôi đánh giá mức tiêu thụ điện năng của các phương pháp tạo chùm tia cổ điển được đề xuất trong tài liệu tham khảo. 31,54 khi được nhúng vào cùng một bộ vi điều khiển68 ở điện áp nguồn 1,8V. Năm màng pMUT cách đều nhau được sử dụng để thu thập dữ liệu cho quá trình định dạng chùm tia. Đối với bản thân quá trình xử lý, phương pháp tạo chùm tia được sử dụng là tổng hợp độ trễ. Nó chỉ đơn giản bao gồm việc áp dụng độ trễ cho các làn tương ứng với sự khác biệt dự kiến ​​về thời gian đến giữa một làn và làn tham chiếu. Nếu các tín hiệu cùng pha thì tổng các tín hiệu này sẽ có năng lượng cao sau khi dịch chuyển thời gian. Nếu chúng lệch pha nhau, sự giao thoa triệt tiêu sẽ hạn chế năng lượng của tổng của chúng. trong một mối quan hệ. Trên hình. 31, tốc độ lấy mẫu 2 MHz được chọn để dịch chuyển dữ liệu theo thời gian theo số nguyên mẫu. Một cách tiếp cận khiêm tốn hơn là duy trì tốc độ mẫu thô hơn 250 kHz và sử dụng bộ lọc Phản hồi xung hữu hạn (FIR) để tổng hợp độ trễ phân đoạn. Chúng tôi sẽ giả định rằng độ phức tạp của thuật toán tạo chùm tia chủ yếu được xác định bởi sự dịch chuyển thời gian, vì mỗi kênh được tích hợp với bộ lọc FIR với 16 vòi theo mỗi hướng. Để tính toán số lượng MIPS cần thiết cho hoạt động này, chúng tôi xem xét cửa sổ 6 mili giây cho mỗi phép đo để thu được phạm vi 1 mét, 5 kênh, 11 hướng định dạng chùm tia (phạm vi +/- 50° trong các bước 10°). 75 phép đo mỗi giây đã đẩy bộ vi điều khiển lên mức tối đa 100 MIPS. Liên kết. 68, dẫn đến mức tiêu thụ điện năng là 11,26 mW cho tổng công suất tiêu thụ là 11,71 mW sau khi bổ sung thêm phần đóng góp ADC trên bo mạch.
Dữ liệu hỗ trợ kết quả của nghiên cứu này có sẵn từ tác giả tương ứng, FM, theo yêu cầu hợp lý.
Indiveri, G. & Sandamirskaya, Y. Tầm quan trọng của không gian và thời gian đối với việc xử lý tín hiệu trong các tác nhân thần kinh: Thách thức trong việc phát triển các tác nhân tự trị, năng lượng thấp tương tác với môi trường. Indiveri, G. & Sandamirskaya, Y. Tầm quan trọng của không gian và thời gian đối với việc xử lý tín hiệu trong các tác nhân thần kinh: Thách thức trong việc phát triển các tác nhân tự trị, năng lượng thấp tương tác với môi trường.Indiveri G. và Sandamirskaya Y. Tầm quan trọng của không gian và thời gian đối với việc xử lý tín hiệu trong các tác nhân thần kinh: thách thức phát triển các tác nhân tự trị năng lượng thấp tương tác với môi trường. Indiveri, G. & Sandamirskaya, Y. 空间和时间对于神经形态代理中信号处理的重要性:开发与环境交互的低功耗、自主代理的挑战。 Indiveri, G. & Sandamirskaya, Y.Indiveri G. và Sandamirskaya Y. Tầm quan trọng của không gian và thời gian đối với việc xử lý tín hiệu trong các tác nhân thần kinh: thách thức phát triển các tác nhân tự trị năng lượng thấp tương tác với môi trường.Xử lý tín hiệu IEEE. Tạp chí 36, 16–28 (2019).
Thorpe, SJ Thời gian đến cao điểm: Sơ đồ mã hóa mạng thần kinh hiệu quả. trong Eckmiller, R., Hartmann, G. & Hauske, G. (eds). trong Eckmiller, R., Hartmann, G. & Hauske, G. (eds).trong Eckmiller, R., Hartmann, G. và Hauske, G. (eds.).Trong Eckmiller, R., Hartmann, G. và Hauske, G. (eds.). Xử lý song song trong hệ thống thần kinh và máy tính 91–94 (North-Holland Elsevier, 1990).
Levy, WB & Calvert, VG Communications tiêu thụ năng lượng nhiều hơn 35 lần so với tính toán trong vỏ não con người, nhưng cả hai chi phí đều cần thiết để dự đoán số lượng khớp thần kinh. Levy, WB & Calvert, VG Communications tiêu thụ năng lượng nhiều hơn 35 lần so với tính toán trong vỏ não con người, nhưng cả hai chi phí đều cần thiết để dự đoán số lượng khớp thần kinh.Levy, WB và Calvert, WG Communications tiêu thụ năng lượng nhiều hơn 35 lần so với tính toán trong vỏ não con người, nhưng cả hai chi phí đều cần thiết để dự đoán số lượng khớp thần kinh. Levy, WB & Calvert, VG Communications Thông tin liên lạc Levy, WB & Calvert, Truyền thông VGLevy, WB và Calvert, WG Communications tiêu thụ năng lượng nhiều hơn 35 lần so với tính toán trong vỏ não con người, nhưng cả hai chi phí đều yêu cầu dự đoán số lượng khớp thần kinh.quá trình. Viện Hàn lâm Khoa học Quốc gia. khoa học. US 118, https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Điện toán thần kinh lấy cảm hứng từ côn trùng. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Điện toán thần kinh lấy cảm hứng từ côn trùng.Dalgati, T., Vianello, E., DeSalvo, B. và Casas, J. Điện toán thần kinh lấy cảm hứng từ côn trùng.Dalgati T., Vianello E., DeSalvo B. và Casas J. Điện toán thần kinh lấy cảm hứng từ côn trùng. Hiện hành. Ý kiến. Khoa học côn trùng. 30, 59–66 (2018).
Roy, K., Jaiswal, A. & Panda, P. Hướng tới trí thông minh máy dựa trên đột biến với điện toán mô phỏng thần kinh. Roy, K., Jaiswal, A. & Panda, P. Hướng tới trí thông minh máy dựa trên đột biến với điện toán mô phỏng thần kinh. Roy, K., Jaiswal, A. & Panda, P. Hướng tới trí thông minh máy dựa trên đột biến với tính toán mô phỏng thần kinh.Roy K, Jaiswal A và Panda P. Trí tuệ nhân tạo dựa trên xung sử dụng điện toán mô phỏng thần kinh. Thiên nhiên 575, 607–617 (2019).
Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. và Liu, S.-K. Indiveri, G. & Liu, S.-C. Indiveri, G. & Liu, S.-C.Indiveri, G. và Liu, S.-K.Bộ nhớ và xử lý thông tin trong các hệ thống thần kinh. quá trình. IEEE 103, 1379–1397 (2015).
Akopyan F. và cộng sự. Truenorth: Thiết kế và bộ công cụ cho chip tiếp hợp có thể lập trình được 1 triệu nơ-ron có công suất 65 mW. Giao dịch của IEEE. Thiết kế máy tính của hệ thống mạch tích hợp. 34, 1537–1557 (2015).
Đề án, J. và cộng sự. Bản demo trực tiếp: phiên bản thu nhỏ của hệ thống thần kinh BrainScaleS ở quy mô tấm. Hội nghị chuyên đề quốc tế về mạch và hệ thống của IEEE 2012 (ISCAS), (IEEE ed.) 702–702 (2012).
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Kiến trúc đa lõi có thể mở rộng với cấu trúc bộ nhớ không đồng nhất dành cho bộ xử lý không đồng bộ hình thần kinh động (DYNAP). Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. Kiến trúc đa lõi có thể mở rộng với cấu trúc bộ nhớ không đồng nhất dành cho bộ xử lý không đồng bộ hình thần kinh động (DYNAP).Moradi S., Qiao N., Stefanini F. và Indiviri G. Kiến trúc đa lõi có thể mở rộng với cấu trúc bộ nhớ không đồng nhất dành cho bộ xử lý không đồng bộ mô phỏng thần kinh động (DYNAP). Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. 一种可扩展的多核架构,具有用于动态神经形态异步处理器(DYNAP)结构。 Moradi, S.、Qiao, N.、Stefanini, F. & Indiveri, G. Một loại kiến ​​trúc đa lõi có thể mở rộng, với cấu trúc bộ nhớ duy nhất để xử lý thần kinh động (DYNAP).Moradi S., Qiao N., Stefanini F. và Indiviri G. Kiến trúc đa lõi có thể mở rộng với cấu trúc bộ nhớ không đồng nhất dành cho bộ xử lý không đồng bộ mô phỏng thần kinh động (DYNAP).Giao dịch của IEEE về khoa học y sinh. hệ thống điện. 12, 106–122 (2018).
Davis, M. và cộng sự. Loihi: Bộ xử lý đa lõi thần kinh có tính năng học tập nhúng. IEEE Micro 38, 82–99 (2018).
Furber, SB, Galluppi, F., Temple, S. & Plana, LA Dự án SpiNNaker. Furber, SB, Galluppi, F., Temple, S. & Plana, LA Dự án SpiNNaker.Dự án Ferber SB, Galluppi F., Temple S. và Plana LA SpiNNaker.Dự án Ferber SB, Galluppi F., Temple S. và Plana LA SpiNNaker. quá trình. IEEE 102, 652–665 (2014).
Lưu, S.-K. & Delbruck, T. Hệ thống cảm giác thần kinh. & Delbruck, T. Hệ thống cảm giác thần kinh.và Delbrück T. Hệ thống cảm giác thần kinh. & Delbruck, T. 神经形态感觉系统。 & Delbruck, T.và Delbrück T. Hệ thống cảm giác thần kinh.Hiện hành. Ý kiến. Sinh học thần kinh. 20, 288–295 (2010).
Chope, T. và cộng sự. Tích hợp cảm giác thần kinh để kết hợp định vị nguồn âm thanh và tránh va chạm. Năm 2019 tại Hội nghị IEEE về Hệ thống và Mạch Y sinh (BioCAS), (IEEE Ed.) 1–4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Kiến trúc hình thái thần kinh dựa trên gai của tầm nhìn âm thanh nổi. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. Kiến trúc hình thái thần kinh dựa trên gai của tầm nhìn âm thanh nổi.Risi N, Aymar A, Donati E, Solinas S và Indiveri G. Kiến trúc hình ảnh lập thể thần kinh dựa trên gai. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. 一种基于脉冲的立体视觉神经形态结构。 Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G.Risi N, Aimar A, Donati E, Solinas S và Indiveri G. Kiến trúc hình thái thần kinh dựa trên Spike cho tầm nhìn âm thanh nổi.đằng trước. Robot thần kinh 14, 93 (2020).
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Một mô hình mạng lưới thần kinh tăng đột biến của Nhận thức 3D dành cho các hệ thống thị giác lập thể thần kinh dựa trên sự kiện. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. Một mô hình mạng lưới thần kinh tăng đột biến của Nhận thức 3D dành cho các hệ thống thị giác lập thể thần kinh dựa trên sự kiện.Oswald, M., Ieng, S.-H., Benosman, R., và Indiveri, G. Mô hình nhận thức mạng thần kinh xung 3D cho các hệ thống thị giác âm thanh nổi thần kinh dựa trên sự kiện. Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 基于事件的神经形态立体视觉系统的3Dperception 脉冲神经网络模型。 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. và Indiveri, G. Mô hình mạng thần kinh nhận thức 3D Spiked cho Hệ thống thị giác thần kinh lập thể dựa trên sự kiện.khoa học. Báo cáo 7, 1–11 (2017).
Dalgaty, T. và cộng sự. Phát hiện chuyển động cơ bản lấy cảm hứng từ côn trùng bao gồm bộ nhớ điện trở và mạng lưới thần kinh bùng nổ. Hệ thống lai sinh học Bionic. 10928, 115–128 (2018).
D'Angelo, G. và cộng sự. Phát hiện chuyển động lệch tâm dựa trên sự kiện bằng cách sử dụng mã hóa vi phân theo thời gian. đằng trước. Thần kinh học. 14, 451 (2020).