Berasaskan CMOS Neuron dan Litar Sinaps Cekap Kawasan dan Kuasa Untuk Rangkaian Neural Spiking Analog domain Masa

ABSTRAK

Struktur saraf konvensional cenderung untuk berkomunikasi melalui kuantiti analog, seperti arus atau voltan; walau bagaimanapun, apabila peranti CMOS mengecut dan membekalkan voltan berkurangan, julat dinamik litar analog voltan/domain semasa menjadi lebih sempit, margin yang tersedia menjadi lebih kecil dan imuniti hingar berkurangan. Lebih daripada itu, penggunaan penguat operasi (op-amp) dan pembanding masa berterusan atau jam dalam reka bentuk konvensional membawa kepada penggunaan tenaga yang tinggi dan kawasan cip yang besar, yang akan memudaratkan membina rangkaian neural spiking. Memandangkan ini, kami mencadangkan struktur saraf untuk menjana dan menghantar isyarat domain masa, termasuk modul neuron, modul sinaps dan dua modul berat. Struktur neural yang dicadangkan didorong oleh arus bocor transistor MOS dan menggunakan pembanding berasaskan penyongsang untuk merealisasikan fungsi penembakan, sekali gus memberikan kecekapan tenaga dan kawasan yang lebih tinggi berbanding reka bentuk konvensional. Struktur saraf yang dicadangkan dibuat menggunakan teknologi CMOS 65 nm TSMC. Neuron dan sinaps yang dicadangkan menduduki kawasan 127 dan 231 lm2, masing-masing, sambil mencapai pemalar masa milisaat. Pengukuran cip sebenar menunjukkan bahawa struktur yang dicadangkan melaksanakan fungsi komunikasi isyarat temporal dengan pemalar masa milisaat, yang merupakan langkah kritikal ke arah pengkomputeran takungan perkakasan untuk interaksi manusia-komputer. Hasil simulasi rangkaian neural spiking untuk pengkomputeran takungan dengan model tingkah laku struktur saraf yang dicadangkan menunjukkan fungsi pembelajaran.

manfaat cistanche untuk lelaki-menguatkan sistem imun

Klik di sini untuk melihat produk Cistanche Enhance Immunity

【Minta lebih lanjut】 E-mel:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Rangkaian saraf dalam (DNN), yang merupakan generasi kedua rangkaian saraf tiruan (ANN), telah diterokai secara meluas dalam beberapa tahun kebelakangan ini untuk semakin banyak aplikasi. Walau bagaimanapun, penggunaan tenaga mereka yang besar terutamanya untuk capaian memori dalam seni bina von Neumann konvensional telah memaksa orang ramai untuk mencari cara alternatif untuk mencapai penyelesaian yang lebih cekap kuasa.1–6 Rangkaian neural Spiking (SNN) ialah salah satu daripada penyelesaian yang menarik sebagai penyelesaian ketiga. penjanaan ANN yang boleh merealisasikan fungsi pembelajaran dengan kuasa rendah dengan meniru neuron biologi. SNN terdiri daripada neuron dan sinaps dan biasanya dibina menggunakan pendekatan bawah ke atas, yang bermaksud bahawa setiap komponen SNN perlu direka bentuk terlebih dahulu.6–12 Banyak pelaksanaan perkakasan neuron berdenyut atau sinaps telah dilaporkan.13–21 Kepada melaksanakan fungsi penyepaduan neuron yang bocor, reka bentuk konvensional biasanya membina penyepadu dengan penguat operasi (op-amp)14 dan sering menggunakan kapasitor dan perintang pada cip yang besar untuk meniru pemalar masa milisaat neuron biologi.16,17 Selain itu, untuk melaksanakan fungsi "api" neuron, struktur litar khusus bagi pembanding masa berterusan atau jam biasanya digunakan untuk menetapkan ambang pengujaan neuron.13–16,20 Arus pincang pembanding masa berterusan sudah pasti meningkatkan penggunaan kuasa neuron, manakala pembanding jam memerlukan pengedaran isyarat jam tambahan dan struktur pembanding kompleks menduduki kawasan cip yang besar. Walaupun proses yang lebih maju boleh mencapai penggunaan kuasa yang rendah dengan mengurangkan voltan bekalan dan arus kebocoran statik,21 juga membawa kepada julat dinamik yang lebih sempit, margin tersedia yang lebih kecil dan imuniti hingar yang merendahkan litar analog voltan/domain semasa.22 Ini memudaratkan kepada rangkaian neural konvensional yang menggunakan kuantiti analog, seperti voltan dan arus, untuk berkomunikasi antara satu sama lain. Sebaliknya, terima kasih kepada transistor berskala yang mempunyai kelajuan operasi yang lebih baik dengan peralihan isyarat yang tajam, maklumat analog boleh diwakili dengan lebih cekap dalam domain masa, iaitu, selang masa dua peralihan isyarat. Litar domain masa yang dipanggil ini mempunyai kelebihan lain dalam kecekapan kuasanya kerana ia selalunya terdiri daripada penyongsang atau get logik yang idealnya tidak menggunakan kuasa DC.22,23 Oleh itu, litar domain masa sesuai untuk pelaksanaan masa hadapan SNN berkuasa rendah. .

manfaat cistanche untuk lelaki-menguatkan sistem imun

Dalam makalah ini, kami mencadangkan struktur saraf asal untuk menjana dan menghantar isyarat domain masa untuk menyusun rangkaian saraf domain masa. Struktur bersepadu termasuk modul neuron dan sinaps yang masing-masing menjana dan menghantar isyarat domain masa, serta modul berat untuk fungsi pembelajaran. Salah satu aplikasi sasaran utama kami ialah pengkomputeran takungan, yang memproses maklumat yang berkaitan dengan aktiviti manusia. Aplikasi kami menyasarkan pemprosesan yang lebih mudah dan kurang intensif data, seperti isyarat bio. Dalam pengkomputeran takungan, fungsi pembelajaran seperti ECG dan pengecaman pembesar suara serta pengecaman tulisan tangan boleh dilaksanakan menggunakan hanya beberapa ratus neuron. Rujukan 24 menunjukkan bahawa prestasi pembelajaran bertambah baik apabila pemalar masa kesan input dipadankan antara fungsi sasaran dan dinamik takungan, dan kami menggunakan pemalar masa milisaat sebagai sasaran reka bentuk untuk struktur saraf yang akan digunakan untuk memproses maklumat siri masa bagi aktiviti manusia. Kami menggunakan model tingkah laku struktur saraf yang dicadangkan untuk membina SNN untuk pengkomputeran takungan dan melaksanakan fungsi pembelajaran, yang membuktikan bahawa struktur saraf yang dicadangkan kami boleh digunakan untuk pengkomputeran takungan. Struktur saraf yang direka bentuk dan direka ditunjukkan dalam Rajah 1(a), yang berdasarkan kepada modul neuron, sinaps dan berat yang dicadangkan, yang akan diterangkan secara terperinci di bawah. Dalam struktur ini, input modul neuron disambungkan kepada dua modul berat, satu untuk menala isyarat perencatan dan satu lagi untuk isyarat rangsangan. Kami mencipta struktur saraf yang dicadangkan yang ditunjukkan dalam Rajah 1(a) dengan teknologi CMOS standard TSMC 65 nm. Mikrograf cip ditunjukkan dalam Rajah 1(b), di mana kawasan mati neuron, sinaps, dan modul berat masing-masing ialah 127, 231, dan 525 lm2.

modul ght ialah 127, 231, dan 525 lm2, masing-masing. Model neuron LIF terdiri terutamanya daripada kapasitor membran, perintang bocor dan pembanding voltan. Neuron menerima isyarat daripada neuron lain melalui sinaps dan soma menjana potensi tindakan sebagai tindak balas kepada isyarat luaran ini. Jika neuron menerima bilangan pancang yang mencukupi melalui sinaps, potensi membrannya akan mencapai nilai ambang, menyebabkan neuron "berapi."8,25,26 Penggunaan penyongsang untuk melaksanakan fungsi "api" sudah dikenali sebagai alternatif kepada pembanding. Rujukan 27 telah mencadangkan neuron berasaskan penyongsang, yang sangat sesuai untuk digunakan dalam struktur saraf yang dicadangkan, dan oleh itu, neuron yang digunakan dalam kajian ini telah direka berdasarkan Ruj. 27, yang ditunjukkan dalam Rajah 2(a). Ia terdiri daripada peranti input, peranti penyepadu bocor, peranti api dan peranti lengah. Pada asalnya, dalam Ruj. 27, litar tidak diandaikan direka bentuk sebagai elemen untuk membina rangkaian saraf dan, dengan itu, tidak mempunyai struktur untuk menerima isyarat rangsangan dan perencatan. Dalam litar yang dicadangkan pula, peranti input yang terdiri daripada M1 dan M2 masing-masing menerima input rangsangan dan input perencatan. Input kepada M1 dan M2 ialah isyarat nadi sempit seperti yang ditunjukkan dalam Rajah 2(a), yang dihasilkan daripada sinaps pra-peringkat. Aktiviti sinaps pra-peringkat diwakili oleh kekerapan nadi, dan berat gandingan diwakili oleh lebar nadi. Apabila lebih daripada satu sinaps pra-peringkat disambungkan untuk mengarang rangkaian, denyutan berbilang boleh digunakan melalui logik ATAU atau dengan menambahkan peranti input yang disambungkan secara selari. Dengan peranti input selari, litar neuron boleh menerima berbilang denyutan walaupun pada masa yang sama.

cistanche tubulosa-meningkatkan sistem imun

Dalam peranti penyepadu bocor, Cmem mewakili membran sel neuron, dan M5 boleh dianggap sebagai perintang bocor dalam keadaan rehat. Apabila tiada input luaran ke peranti input, kapasitor dicas oleh arus bocor M3 dan M4, dan potensi membran Vmem meningkat secara berterusan dengan aliran masuk arus bocor [arus disepadukan seperti ditunjukkan dalam Rajah 2( bi)]. Pada ketika ini, memandangkan M5 berada dalam keadaan mati, ia boleh dianggap sebagai perintang selari dengan kapasitor, iaitu perintang bocor, mampu mencapai pemalar jangka panjang. Sebaik sahaja Vmem meningkat kepada voltan ambang VthðFireÞ, peranti penembakan diaktifkan [Gamb. 2(b-ii)]. Dalam reka bentuk konvensional, neuron LIF kebanyakannya menggunakan struktur litar khusus bagi pembanding masa berterusan atau jam untuk menetapkan voltan ambang. Ini tidak mesra untuk membina SNN yang cekap tenaga dan berskala bio seperti otak. Dalam kajian ini, peranti penembakan dilaksanakan oleh pembanding berasaskan penyongsang yang boleh menetapkan voltan ambang oleh dua transistor dan bukannya pembanding masa berterusan atau jam. Untuk merealisasikan voltan ambang yang tepat bagi pembanding berasaskan penyongsang, kami mungkin menggunakan teknik auto-sifar yang secara berkala mengesan, menyimpan dan membatalkan offset dengan suis dan kapasitor.28 Walau bagaimanapun, ia memerlukan jam berbilang fasa untuk mengawal suis; oleh itu, ia tidak sesuai untuk pelaksanaan takungan yang cekap kawasan dan kuasa. Walaupun dengan pembanding berasaskan penyongsang yang mudah, mungkin terdapat variasi ambang disebabkan oleh turun naik proses, voltan dan suhu, ia boleh dilihat sebagai meniru perbezaan antara individu neuron sebenar. Selain itu, fungsi pembelajaran boleh mengimbangi perbezaan ambang dan variasi proses.29 Apabila terdapat input nadi pengujaan, M1 akan dihidupkan serta-merta, yang menyebabkan lebih banyak arus untuk mengecas Cmem dan Vmem meningkat dengan cepat. Sebaliknya, isyarat input nadi perencatan akan menyebabkan M2 dihidupkan seketika, menyebabkan Cmem mengecas lebih perlahan atau bahkan menyahcas melalui M2, yang seterusnya memperlahankan kadar kenaikan atau penurunan Vmem.

Apabila peranti penembakan diaktifkan, ia menghasilkan tahap VFire yang rendah untuk disambungkan kepada M4, yang akan meningkatkan arus untuk mengecas kapasitor membran Cmem, mengakibatkan peningkatan serta-merta dalam potensi membran Vmem, yang menggalakkan pencetusan penembakan. peranti. Ini meniru kemasukan Naþ ke dalam membran sel menyebabkan peningkatan pesat dalam voltan membran, iaitu, kesan maklum balas positif. Akhir sekali, tahap rendah VFire yang dijana daripada peranti penembakan ditukar kepada tahap VSpike yang tinggi [Gamb. 2(b-iii)] oleh peranti lengah yang termasuk penyongsang tiga peringkat dan menyambungkan VSpike ke M3 dan M5, menetapkan semula Vmem kepada sifar. Proses ini meniru pengaktifan saluran Kþ dalam neuron biologi, mengakibatkan aliran keluar ion Kþ dan akhirnya kembali membran sel kepada keadaan rehatnya.

Sinaps ialah modul penting dalam SNN, kerana neuron saling berkaitan oleh mereka. Kami telah mereka modul neuron untuk menjana isyarat domain masa, dan kemudian kami memerlukan medium penghantaran, iaitu sinaps, untuk menghantar isyarat domain masa ini kepada neuron lain. Untuk mengarang rangkaian saraf yang lengkap, kami mereka bentuk modul sinaps berdasarkan isyarat frekuensi, seperti yang ditunjukkan dalam Rajah 2(c). Sinaps terdiri terutamanya daripada pengayun cincin terkawal voltan yang beroperasi di bawah arus bocor, yang terdiri daripada penyongsang tiga peringkat (M6; M7; M8; M9; M10, dan M11). Litar neuron sebelumnya menyala dan menghasilkan spike VSpike, yang diterbalikkan oleh penyongsang, menjadikan M5 terbuka untuk masa yang singkat, dan arus yang mengalir melalui M5 mengecas CSYN, yang akan meningkatkan VSYN. Sebaik sahaja VSYN mencapai voltan yang mencetuskan ayunan, pengayun cincin mula berayun [Gamb. 2(b-iv) dan 2(bv)]. Jika neuron sebelumnya tidak menyala untuk masa yang lama, VSYN akan bocor sehingga keadaan awal, di mana sinaps menjadi tidak aktif semula. Oleh kerana VSYN bersamaan dengan voltan bekalan pengayun cincin, arus yang mengalir keluar dari M5 mengawal VSYN dan, dengan itu, kekerapan pengayun cincin.

manfaat cistanche untuk lelaki-menguatkan sistem imun

SNN mencapai fungsi pembelajaran dengan melaraskan pemberat; oleh itu, kami mencadangkan modul pemberat yang serasi dengan neuron domain masa yang dicadangkan dan modul sinaps yang diterangkan di atas, seperti ditunjukkan dalam Rajah 2(d). Modul berat yang dicadangkan menala maklumat domain masa, iaitu lebar denyutan output. Modul ini terdiri daripada garis tunda, pemultipleks dan get AND. VRing ialah isyarat gelombang persegi daripada sinaps yang akan melalui garisan penangguhan. VWeight ialah kod digital yang mewakili berat, yang ditentukan selepas pembelajaran dan digunakan untuk mengawal pemultipleks. Lebar nadi keluaran yang sepadan dengan berat domain masa dilaraskan mengikut ketuk mana dalam rantai penyongsang dipilih oleh pemultipleks. Seperti yang dinyatakan sebelum ini, jika lebar nadi pengujaan atau perencatan adalah lebar, voltan Vmem dalam neuron berikutnya dicas atau dilepaskan dengan lebih cepat, masing-masing. Ini sepadan dengan berat yang besar. Dalam kajian ini, kami memilih pemultipleks dengan 16 input, iaitu, pemberat empat bit (0000 hingga 1111). Output modul berat disambungkan ke peranti input litar neuron seterusnya. Kekerapan denyutan (pulse spacing) dan lebar nadi bertindak serentak pada neuron untuk mengubah aktivitinya. Kekerapan nadi ditentukan oleh frekuensi keluaran sinaps sebelumnya, manakala kekuatan gandingan bergantung pada lebar output nadi yang ditentukan oleh modul berat.

Gbr. 1. (a) Struktur yang dicadangkan dan (b) mikrograf cip.

Gbr. 2. (a) Gambar rajah litar modul neuron yang dicadangkan, (b) gelagat neuron LIF dan modul sinaps yang dicadangkan, (c) gambar rajah litar modul sinaps yang dicadangkan, dan (d) gambar rajah litar modul berat yang dicadangkan.

Rajah 3(a) menunjukkan persediaan eksperimen yang digunakan untuk menguji cip struktur saraf yang direka [Rajah. 1(b)], di mana cip itu diletakkan pada stesen siasatan Summit 11000 dan diuji dengan probe yang bersentuhan langsung dengannya. Dalam eksperimen, kami menganggap bahawa input dua modul berat adalah sinaps pra-peringkat, yang dicontohi oleh penjana fungsi sewenang-wenangnya. Output neuron disambungkan ke modul sinaps, output yang akan diubah sebagai tindak balas kepada perubahan dalam output neuron. Kami menggunakan penjana fungsi arbitrari Tektronix AFG31252 sebagai sinaps pra-peringkat untuk menyediakan isyarat gelombang persegi untuk litar saraf rekaan kami. Pada masa yang sama, kami memerhatikan bentuk gelombang keluaran menggunakan osiloskop (Keysight MSOX6004A dan DSOX93304Q). Keputusan eksperimen ditunjukkan dalam Rajah. 3(b)–3(d). Untuk mengesahkan kesan pemberat pada kadar penembakan neuron, kami menetapkan frekuensi keluaran sinaps pra-peringkat (penjana fungsi) pada 100 Hz dan memerhatikan perubahan dalam kadar penembakan neuron untuk empat cip dengan melaraskan modul pemberat. Kami purata frekuensi lonjakan 1024 kali dalam julat masa 100 ms untuk memperoleh frekuensi tembakan neuron yang sepadan di bawah setiap tetapan berat, seperti ditunjukkan dalam Rajah 3(b). Neuron yang dicadangkan pada dasarnya menyala dengan kadar yang ditentukan oleh arus bocor masuk dan keluar dari Cmem dalam keseimbangan, dan input dari peringkat sebelumnya memodulasinya. Kita dapat melihat bahawa apabila pemberat menjadi lebih besar, frekuensi penembakan modul neuron menjadi lebih besar. Terutamanya disebabkan oleh variasi proses FET, kekerapan penembakan turun naik dari kira-kira 610%–17% ke atas empat cip. Terutama untuk kegunaan dalam takungan, walau bagaimanapun, disebabkan pemberat rawak dalam sambungan berulangnya, variasi rawak ini harus diberi pampasan semasa proses pembelajaran dalam pemberat keluaran.

Rajah 3(c) membandingkan variasi masa kebakaran neuron bergantung pada isyarat daripada sinaps pra-peringkat. Inset (i)–(iii) Rajah 3(c) menunjukkan kes dengan input perencatan 100 Hz (berat ditetapkan kepada 1100), tiada input, dan dengan input rangsangan 100 Hz (berat ditetapkan kepada 1100), masing-masing , dari mana kita dapat melihat bahawa input perencatan mengurangkan kekerapan kebakaran neuron dan meningkatkan selang kebakaran, manakala input pengujaan berfungsi sebagai bertentangan dengan input perencatan. Keputusan eksperimen menunjukkan bahawa selang penembakan neuron yang dicadangkan adalah mengikut urutan milisaat, yang sesuai dengan ciri neuron biologi yang mempunyai pemalar masa milisaat. Apabila tiada isyarat disalurkan daripada sinaps pra-peringkat, penggunaan kuasa adalah kira-kira 800 pW, menjana kira-kira 20 pancang dalam kitaran 100 ms. Daripada ini, boleh dianggarkan secara kasar bahawa setiap spike menggunakan kira-kira 4 pJ tenaga. Selepas itu, inset (i)–(iii) Rajah 3(c) digunakan sebagai isyarat input kepada sinaps untuk mempengaruhi VRing. Bentuk gelombang VRing yang diukur dalam tiga kes ini ditunjukkan dalam Rajah 3(d). Purata frekuensi bagi setiap kes yang diukur dalam tempoh masa 5 saat ialah 41, 90, dan 98 Hz, masing-masing. Kebolehlaksanaan julat frekuensi keluaran sinaps ini akan disahkan dengan simulasi peringkat sistem dalam perbincangan berikut.

Gbr. 3. (a) Foto persediaan eksperimen, (b) kadar pembakaran neuron yang diukur untuk empat cip, (c) bentuk gelombang terukur keluaran neuron, dan (d) bentuk gelombang terukur keluaran sinaps.

Gbr. 4. (a) Satu lagi struktur gabungan yang direka untuk menilai sinaps dan (b) bentuk gelombang terukur VRing dan VSYN.

Untuk memudahkan pemerhatian tindak balas segerak sinaps, kami juga mengarang struktur Rajah 4(a). Rajah 4(b) ialah keputusan eksperimen Rajah 4(a). Kami menggunakan penjana fungsi arbitrari Tektronix AFG31252 untuk menjana isyarat gelombang persegi 10 Hz VIN seperti ditunjukkan dalam Rajah 4(ai). Selepas VIN melalui modul berat, ia menghasilkan isyarat pancang VOUTðWeightÞ. Voltan VSYN diperhatikan melalui pengikut sumber pada cip sebagai penimbal analog. Walaupun VOUTðWeightÞ tidak direka untuk diperhatikan dari luar kerana ia adalah nadi yang sempit, dengan ketibaan VOUTðWeightÞ selepas tepi jatuh VIN, voltan VSYN pada sinaps meningkat serta-merta seperti yang ditunjukkan dalam Rajah 4(b-ii), yang seterusnya meningkatkan kekerapan VRing. Jika VOUTðWeightÞ tidak sampai untuk masa yang lama, VSYN berkurangan, yang seterusnya menjejaskan kekerapan VRing menjadi lebih kecil. Jadual I menunjukkan perbandingan prestasi antara litar neuron berdiri sendiri. Litar neuron yang dicadangkan mempunyai kelebihan dari segi penggunaan tenaga dan kawasan. Reka bentuk dalam Ruj. 13–16 menggunakan pembanding masa berterusan atau jam, dan reka bentuk ini menggunakan sejumlah besar kawasan cip serta penggunaan kuasa. Neuron yang direka dalam proses bukan CMOS yang dicadangkan dalam Ruj. 18 tidak memerlukan pembanding, yang membawa kepada kelebihan di kawasan itu. Walau bagaimanapun, penggunaan tenaganya agak tinggi dan teknologi tertentu ini kurang matang dan, oleh itu, lebih mahal berbanding proses CMOS standard. Kedua-dua Ruj. 19 dan 21 sedang direka dalam proses lanjutan. Walau bagaimanapun, berbanding dengan karya ini, Ruj. 19 tidak mempunyai kelebihan dari segi penggunaan tenaga dan kawasan. Walaupun Ruj. 21 menunjukkan kecekapan tenaga yang lebih baik dengan hasil simulasi, apabila dinormalisasi oleh nod teknologi, neuron yang dicadangkan mencapai kecekapan kawasan yang lebih baik.

Untuk menunjukkan kebolehlaksanaan neuron spiking yang dicadangkan dan litar sinaps berasaskan pengayun cincin, simulasi tingkah laku dijalankan dalam persekitaran MATLAB seperti ditunjukkan dalam Rajah 5(a). Dalam simulasi ini, 100 neuron digunakan dengan sambungan berulang rawak dengan sinaps dan modul pemberat yang dicadangkan. Modul berat yang dicadangkan digunakan hanya dalam lapisan takungan dan pemberatnya ditetapkan secara rawak terlebih dahulu dan ditetapkan semasa proses pembelajaran. Oleh itu, turun naik rawak dalam takungan diberi pampasan semasa proses pembelajaran dalam pemberat keluaran. Untuk mewujudkan simulasi realistik, julat frekuensi keluaran setiap sinaps ditetapkan daripada 15 hingga 200 Hz berdasarkan hasil pengukuran sebenar. Algoritma kuasa dua terkecil rekursif (RLS) digunakan untuk melatih pemberat keluaran seperti yang diperkenalkan dalam Ruj. 30. Gelombang sinus 10 Hz, yang sepadan dengan skala masa maklumat berkaitan aktiviti manusia, digunakan sebagai contoh isyarat input penyeliaan. Isyarat keluaran penyeliaan dan terlatih ditunjukkan dalam Rajah 5(bi). Isyarat maklum balas daripada keluaran ditukar kepada keretapi nadi pengujaan dan perencatan yang frekuensinya adalah berkadaran dengan nilai mutlak amplitud keluaran seperti yang ditunjukkan dalam Rajah. 5(b-ii) dan 5(b-iii), masing-masing. Selepas lima tempoh isyarat penyeliaan, pemberat keluaran ditetapkan dan SNN menjana isyarat yang dipelajari dengan sendirinya, yang menunjukkan kebolehlaksanaan struktur saraf yang dicadangkan untuk fungsi pembelajaran. Kami juga mendapati daripada simulasi ini bahawa untuk meningkatkan lagi keupayaan pembelajaran, julat penalaan frekuensi keluaran sinaps harus ditingkatkan, yang boleh dilakukan dengan mengoptimumkan litar sinaps. Contohnya, dengan julat penalaan frekuensi lanjutan dari 15 Hz–2 kHz dan 15 Hz–20 kHz, isyarat yang dipelajari menjadi lebih lancar untuk menghasilkan semula isyarat penyeliaan dengan lebih baik seperti yang ditunjukkan dalam Rajah. 5(b-iv) dan 5(bv), masing-masing.

cistanche tubulosa-meningkatkan sistem imun

Ringkasnya, kami telah mencadangkan struktur saraf untuk menjana dan menghantar isyarat domain masa. Neuron dan sinaps yang dicadangkan menduduki kawasan seluas 127 dan 231 lm2, masing-masing. Struktur ini tidak menggunakan op-amp dan pembanding masa berterusan atau jam, manakala fungsi penembakan direalisasikan dengan pembanding berasaskan penyongsang untuk memberikan kelebihan dalam kawasan dan penggunaan kuasa. Struktur neural domain masa yang dicadangkan mendapat manfaat daripada teknologi proses berskala berbanding reka bentuk voltan/domain semasa konvensional. Hasil fabrikasi dan pengukuran cip sebenar menunjukkan fungsi komunikasi isyarat temporal dengan pemalar masa milisaat. Struktur neural domain masa yang dicadangkan sangat sesuai untuk membina rangkaian neural spiking untuk memproses maklumat siri masa masa nyata untuk interaksi manusia-komputer.

JADUAL I. Perbandingan prestasi litar neuron berdiri sendiri

Gbr. 5. (a) Model tingkah laku SNN untuk pengkomputeran takungan adalah berdasarkan struktur saraf yang dicadangkan. (b) Hasil simulasi tingkah laku peringkat sistem: (i) berdasarkan model dengan julat penalaan frekuensi 15–200 Hz, paparan dizum masuk bagi (ii) isyarat masukan yang merangsang dan (iii) menghalang yang ditukar daripada output, (iv) berdasarkan julat penalaan frekuensi 15–2 kHz dan (v) 15–20 kHz.

RUJUKAN

1 Y. Zhang, P. Qu, Y. Ji, W. Zhang, G. Gao, G. Wang, S. Song, G. Li, W. Chen, W. Zheng, F. Chen, J. Pei, R Zhao, M. Zhao, dan L. Shi, Alam Semula Jadi 586, 378–384 (2020).

2 D. Shin dan H.-J. Yoo, Proc. IEEE 108, 1245–1260 (2020).

3 Y. LeCun, Y. Bengio, dan G. Hinton, Nature 521, 436–444 (2015).

4 T. Kohno dan K. Aihara, AIP Conf. Proc. 1028, 113–128 (2008).

5 E. Chicca dan G. Indiveri, Appl. Fizik. Lett. 116, 120501 (2020).

6 Y. Bo, P. Zhang, Y. Zhang, J. Song, S. Li, dan X. Liu, J. Appl. Fizik. 127, 245101 (2020).

7 K. Yang dan A. Sengupta, Appl. Fizik. Lett. 116, 043701 (2020).

8 X. Chen, T. Yajima, IH Inoue, dan T. Iizuka, Jpn. J. Appl. Fizik. 61, SC1051 (2022).

9 W. Maass, Neural. Rangkaian 10, 1659–1671 (1997).

10S. S. Radhakrishnan, A. Sebastian, A. Oberoi, S. Das, dan S. Das, Nat. Commun. 12, 2143 (2021).

11X. Chen, T. Yajima, IH Inoue, dan T. Iizuka, dalam Extended Abstract of International Conference on Solid State Devices and Materials (SSDM) (JSAP, 2021), ms 682–683.

12D. S. Jeong, J. Appl. Fizik. 124, 152002 (2018).

13G. Indiveri, E. Chicca, dan R. Douglas, IEEE Trans. saraf. Rangkaian 17, 211–221 (2006).

14X. Wu, V. Saxena, K. Zhu, dan S. Balagopal, IEEE Trans. Sistem Litar. II 62, 1088–1092 (2015).

15A. Joubert, B. Belhadj, O. Temam, dan R. Heliot, dalam The 2012 International Joint Conference on Neural Networks (IJCNN), 2012.

16S. A. Aamir, P. M€uller, G. Kiene, L. Kriener, Y. Stradmann, A. Gr€ubl, J. Schemmel, dan K. Meier, IEEE Trans. Berbiomed. Sistem Litar. 12, 1027–1037 (2018).

17A. Basu dan PE Hasler, IEEE Trans. Sistem Litar. Saya 57, 2938–2947 (2010).

18S. Dutta, V. Kumar, A. Shukla, NR Mohapatra, dan U. Ganguly, Sci. Rep. 7, 8257 (2017).

19A. Rubino, M. Payvand, dan G. Indiveri, dalam Persidangan Antarabangsa IEEE ke-26 mengenai Elektronik, Litar dan Sistem (ICECS) (IEEE, 2019), ms 458–461.

20S. A. Aamir, Y. Stradmann, P. M€uller, C. Pehle, A. Hartel, A. Gr€ubl, J. Schemmel, dan K. Meier, IEEE Trans. Sistem Litar. Saya 65, 4299–4312 (2018).

21R. M. Saber Moradi dan SA Bhave, dalam Siri IEEE Symposium on Computational Intelligence (SSCI), 2017.

22K. Asada, T. Nakura, T. Iizuka, dan M. Ikeda, IEICE Electron. Ekspres 15, 20182001 (2018).

23R. Staszewski, K. Muhammad, D. Leipold, C.-M. Hung, Y.-C. Ho, J. Wallberg, C. Fernando, K. Maggio, R. Staszewski, T. Jung, J. Koh, S. John, IY Deng, V. Sarda, O. Moreira-Tamayo, V. Mayega, R. Katz , O. Friedman, O. Eliezer, E. de Obaldia, dan P. Balsara, IEEE J. Litar Keadaan Pepejal 39, 2278–2291 (2004).

24C. Gallicchio dan A. Micheli, Neural. Rangkaian 24, 440–456 (2011).

25L. F. Abbott dan P. Dayan, Theoretical Neuroscience (The MIT Press, 2005).

26W. Gerstner dan WM Kistler, Model Neuron Spiking: Neuron Tunggal, Populasi (Cambridge University Press, 2012).

27T. Yajima, Sci. Rep. 12, 1150 (2022).

28B. Razavi, Prinsip Reka Bentuk Sistem Penukaran Data (Wiley-IEEE Press, 1995).

29T. Wunderlich, AF Kungl, E. M€uller, A. Hartel, Y. Stradmann, SA Aamir, A. Gr€ubl, A. Heimbrecht, K. Schreiber, D. St€ockel, C. Pehle, S. Billaudelle, G. Kiene, C. Mauch, J. Schemmel, K. Meier, dan MA Petrovici, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo dan L. Abbott, "Menjana corak aktiviti yang koheren daripada rangkaian saraf huru-hara," Neuron 63, 544-557 (2009).