CMOS-alapú terület- és energiahatékony neuron- és szinapszis áramkörök időtartományos analóg tüskés neurális hálózatokhoz

ABSZTRAKT

A hagyományos neurális struktúrák általában analóg mennyiségeken, például áramokon vagy feszültségeken keresztül kommunikálnak; azonban, ahogy a CMOS-eszközök zsugorodnak és a tápfeszültség csökken, a feszültség/áramtartomány analóg áramkörök dinamikus tartománya szűkül, a rendelkezésre álló ráhagyás csökken, és a zajtűrés csökken. Sőt, a műveleti erősítők (műveleti erősítők) és a folyamatos idejű vagy órajeles komparátorok hagyományos kivitelben történő használata magas energiafogyasztáshoz és nagy chipterülethez vezet, ami káros lenne a tüskés neurális hálózatok kiépítésére. Ennek alapján egy neurális struktúrát javasolunk az időtartomány jeleinek generálására és továbbítására, beleértve egy neuronmodult, egy szinapszis modult és két súlymodult. A javasolt neurális struktúrát MOS tranzisztorok szivárgó árama hajtja, és inverter alapú komparátort használ a tüzelési funkció megvalósításához, így nagyobb energia- és területhatékonyságot biztosít a hagyományos kialakításokhoz képest. A javasolt neurális struktúra TSMC 65 nm-es CMOS technológiával készült. A javasolt neuron és szinapszis 127, illetve 231 lm2 területet foglal el, miközben ezredmásodperces időállandót ér el. A tényleges chipmérések azt mutatják, hogy a javasolt struktúra az időbeli jelátviteli funkciót ezredmásodperces időállandókkal valósítja meg, ami kritikus lépés az ember-számítógép interakció hardveres tartályszámítása felé. A spiking neurális hálózat szimulációs eredményei rezervoárszámításhoz a javasolt neurális struktúra viselkedési modelljével demonstrálják a tanulási funkciót.

A cistanche előnyei a férfiak számára – erősítik az immunrendszert

Kattintson ide a Cistanche Enhance Immunity termékek megtekintéséhez

【Kérjen többet】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

A mély neurális hálózatokat (DNN), amelyek a mesterséges neurális hálózatok (ANN-ok) második generációja, az elmúlt években széles körben kutatták egyre több alkalmazás számára. Hatalmas energiafogyasztásuk, különösen a hagyományos Neumann-architektúra memóriaelérésénél, arra kényszerítette az embereket, hogy alternatív módot találjanak energiahatékonyabb megoldások elérésére.1–6 A Spiking Neural Network (SNN) az egyik vonzó megoldás, mint a harmadik. ANN-ok generálása, amelyek a biológiai neuronok utánzásával kis teljesítményű tanulási funkciót tudnak megvalósítani. Az SNN-ek neuronokból és szinapszisokból állnak, és általában alulról felfelé építkező megközelítéssel épülnek fel, ami azt jelenti, hogy az SNN-ek minden egyes komponensét először meg kell tervezni.6–12 Számos pulzáló neuron vagy szinapszis hardveres megvalósításáról számoltak be.13–21 a neuronok szivárgó integrálási funkcióját valósítják meg, a hagyományos tervezések általában műveleti erősítőket (működési erősítőket) tartalmazó integrátorokat építenek14, és gyakran nagy chipen lévő kondenzátorokat és ellenállásokat használnak a biológiai neuronok ezredmásodperces időállandóinak imitálására.16,17 Ezenkívül a neuron "tűz" funkció, egy folyamatos idejű vagy órajeles komparátor dedikált áramköri struktúráját általában a neuronok gerjesztésének küszöbének beállítására használják.13–16,20 A folyamatos idejű komparátor előfeszítő árama kétségtelenül növeli a vezérlő áramfelvételét. neuron, míg az órajeles komparátor további órajel-eloszlást igényel, és a komplex komparátor szerkezet nagy chipterületet foglal el. Míg a fejlettebb folyamatok alacsony energiafogyasztást érhetnek el a tápfeszültség és a statikus szivárgóáram csökkentésével,21 a feszültség/áramtartomány analóg áramkörök szűkebb dinamikus tartományához, kisebb rendelkezésre álló tartalékhoz és csökkent zajtűréshez is vezet.22 Ez káros az hagyományos neurális hálózatok, amelyek analóg mennyiségeket, például feszültséget és áramot használnak az egymással való kommunikációhoz. Másrészt a skálázott tranzisztoroknak köszönhetően, amelyek működési sebessége jobb éles jelátmenetekkel rendelkezik, az analóg információ hatékonyabban ábrázolható az időtartományban, azaz két jelátmenetes időintervallumban. Ennek az úgynevezett időtartományos áramkörnek van egy másik előnye az energiahatékonyság terén, mivel gyakran inverterekből vagy logikai kapukból áll, amelyek ideális esetben nem fogyasztanak egyenáramú áramot.22,23 Így az időtartományos áramkörök ideálisak az alacsony teljesítményű SNN-ek jövőbeli megvalósításához. .

A cistanche előnyei a férfiak számára – erősítik az immunrendszert

Ebben a cikkben egy eredeti neurális struktúrát javasolunk az időtartomány jeleinek generálására és továbbítására egy időtartomány neurális hálózat létrehozásához. Az integrált struktúra neuron és szinapszis modulokat tartalmaz, amelyek rendre időtartomány jeleket generálnak és továbbítanak, valamint súlymodulokat a tanulási funkciókhoz. Egyik fő célalkalmazásunk a tározó számítástechnika, amely emberi tevékenységgel kapcsolatos információkat dolgoz fel. Alkalmazásunk az egyszerűbb és kevésbé adatigényes feldolgozást célozza meg, mint például a biojelek. A rezervoár számítástechnikában az olyan tanulási funkciók, mint az EKG és a hangszóró-felismerés, valamint a kézírás-felismerés csak néhány száz neuron felhasználásával valósíthatók meg. A 24. hivatkozás azt mutatja, hogy a tanulási teljesítmény javul, ha a bemeneti effektusok időállandói illeszkednek a célfüggvény és a tározódinamika között, és ezredmásodperces időállandókat használunk tervezési célként egy neurális struktúrához, amelyet az idősoros információk feldolgozására használunk. emberi tevékenységek. A javasolt neurális struktúra viselkedési modelljét használjuk a rezervoárszámításhoz szükséges SNN létrehozásához és a tanulási függvény megvalósításához, ami bizonyítja, hogy a javasolt neurális struktúránk felhasználható tározószámításra. A tervezett és elkészített idegi struktúra az 1(a) ábrán látható, amely a javasolt neuron-, szinapszis- és súlymodulokon alapul, amelyeket az alábbiakban részletesen ismertetünk. Ebben a struktúrában a neuron modul bemenete két súlymodulhoz csatlakozik, az egyik a gátló jel, a másik pedig a gerjesztő jel hangolására szolgál. Az 1(a) ábrán látható javasolt neurális struktúrát TSMC 65 nm szabványos CMOS technológiával készítettük el. A chip mikroképe az 1(b) ábrán látható, ahol a neuron, a szinapszis és a súlymodulok vágófelülete 127, 231 és 525 lm2.

A ght modulok 127, 231 és 525 lm2-esek. A LIF neuron modell főként membránkondenzátorból, szivárgó ellenállásból és feszültség-komparátorból áll. A neuronok szinapszisokon keresztül kapnak jeleket más neuronoktól, és a szóma akciós potenciálokat generál válaszul ezekre a külső jelekre. Ha egy neuron elegendő számú tüskét kap a szinapszison keresztül, membránpotenciálja eléri a küszöbértéket, aminek következtében a neuron "tüzelni" fog.8,25,26 Az inverterek használata a "tűz" funkció megvalósítására már az ún. a komparátorok alternatívája. A 27. hivatkozás egy inverter alapú neuront javasolt, amely jól használható a javasolt idegi struktúrában, ezért a tanulmányban használt neuront a Ref. 27. ábra, amely a 2(a) ábrán látható. Egy beviteli eszközből, egy szivárgó integrátoreszközből, egy tűzvédelmi eszközből és egy késleltető eszközből áll. Eredetileg a Ref. A 27. ábrán látható, hogy az áramkört nem úgy tervezték, hogy neurális hálózatot építsen fel, és így nem rendelkezik olyan szerkezettel, amely gerjesztő és gátló jeleket fogadna. A javasolt áramkörben viszont az M1-ből és M2-ből álló bemeneti eszköz gerjesztő, illetve gátló bemenetet kap. Az M1 és M2 bemenetei keskeny impulzusjelek, amint az a 2(a) ábrán látható, amelyeket egy előfokozatú szinapszisból állítanak elő. A stádium előtti szinapszis aktivitását az impulzusfrekvencia, a csatolási súlyt pedig az impulzusszélesség reprezentálja. Ha egynél több pre-stage szinapszis van csatlakoztatva egy hálózat létrehozásához, a több impulzus alkalmazható VAGY logikán keresztül, vagy párhuzamosan csatlakoztatott bemeneti eszközök hozzáadásával. Párhuzamos bemeneti eszközökkel a neuronáramkör több impulzust is képes fogadni egyszerre.

cistanche tubulosa – erősíti az immunrendszert

A szivárgó-integrátor eszközben a Cmem a neuron sejtmembránját képviseli, az M5 pedig nyugalmi állapotban szivárgó ellenállásnak tekinthető. Ha nincs külső bemenet a bemeneti eszközhöz, a kondenzátor az M3 és M4 szivárgó áramával töltődik, és a Vmem membránpotenciál folyamatosan növekszik a szivárgó áram beáramlásával [az áram integrálása a 2. ábrán látható módon. kettős)]. Ezen a ponton, mivel az M5 kikapcsolt állapotban van, a kondenzátorral párhuzamos ellenállásnak tekinthető, azaz szivárgó ellenállásnak, amely képes hosszú idejű állandót elérni. Amint a Vmem a VthðFireÞ küszöbfeszültségre emelkedik, a gyújtószerkezet aktiválódik [ábra. 2(b-ii)]. A hagyományos kialakításokban az LIF neuronok többnyire folyamatos idejű vagy órajeles komparátor dedikált áramköri struktúráit használnak a küszöbfeszültség beállítására. Ez nem alkalmas olyan SNN-ek építésére, amelyek ugyanolyan energiahatékonyak és biológiai léptékűek, mint az agy. Ebben a tanulmányban a tüzelőberendezést egy inverter alapú komparátor valósítja meg, amely a küszöbfeszültséget két tranzisztorral tudja beállítani a folyamatos idejű vagy órajeles komparátor helyett. Az inverter alapú komparátor pontos küszöbfeszültségének eléréséhez használhatunk egy automatikus nullázási technikát, amely időszakonként érzékeli, tárolja és törli az eltolást kapcsolókkal és kondenzátorokkal.28 A kapcsolók vezérléséhez azonban többfázisú órajelekre van szükség; így nem alkalmas terület- és energiatakarékos tározós megvalósításokra. Noha egy egyszerű inverter alapú komparátornál előfordulhat a küszöbérték változás a folyamat, a feszültség és a hőmérséklet ingadozása miatt, ez a valódi neuronok egyedei közötti különbséget utánozza. Ezen túlmenően a tanulási funkció kompenzálni tudja a küszöbérték-különbségeket és a folyamatváltozásokat.29 Gerjesztő impulzusbemenet esetén az M1 azonnal bekapcsol, ami több áramot okoz a Cmem töltéséhez és a Vmem gyors növekedéséhez. Ezzel szemben egy gátló impulzus bemeneti jel hatására az M2 pillanatnyilag bekapcsol, ami miatt a Cmem lassabban töltődik, vagy akár kisül is az M2-n keresztül, ami viszont lelassítja vagy lelassítja a Vmem emelkedésének sebességét.

Amikor az elsütőeszköz aktiválva van, alacsony szintű VFire-t generál, amelyet az M4-hez kell csatlakoztatni, ami növeli a Cmem membránkondenzátor feltöltéséhez szükséges áramerősséget, ami a Vmem membránpotenciál azonnali növekedését eredményezi, ami elősegíti a tüzelést. eszköz. Ez utánozza a Naþ sejtmembránba való beáramlását, ami a membránfeszültség gyors növekedését, azaz pozitív visszacsatolási hatást vált ki. Végül az elsütőeszköz által generált alacsony szintű VFire magas szintű VSpike-vé alakul [ábra. 2(b-iii)] egy késleltető eszközzel, amely háromfokozatú invertert tartalmaz, és összeköti a VSpike-ot az M3-mal és az M5-tel, visszaállítva a Vmem-et nullára. Ez a folyamat utánozza a Kþ csatornák aktiválását a biológiai neuronokban, ami a Kþ ionok kifelé áramlását és a sejtmembrán nyugalmi állapotába való visszatérését eredményezi.

A szinapszisok lényeges modulok az SNN-ekben, mivel a neuronok összekapcsolódnak egymással. Terveztünk egy neuronmodult az időtartomány jeleinek generálására, majd szükségünk van egy átviteli közegre, azaz egy szinapszisra, amely ezt az időtartományú jelet továbbítja más neuronoknak. Egy teljes neurális hálózat összeállításához frekvenciajelek alapján tervezünk egy szinapszis modult, amint az a 2(c) ábrán látható. A szinapszis főként egy szivárgási áram alatt működő feszültségvezérelt gyűrűs oszcillátorból áll, amely egy háromfokozatú inverterből áll (M6; M7; M8; M9; M10 és M11). Az előző neuronáramkör begyújt, és egy VSpike tüskét generál, amelyet egy inverter megfordít, így az M5 rövid időre megnyílik, és az M5-ön átfolyó áram feltölti a CSYN-t, ami növeli a VSYN-t. Amint a VSYN eléri azt a feszültséget, amely kiváltja az oszcillációt, a gyűrűs oszcillátor oszcillálni kezd [1. 2(b-iv) és 2(bv)]. Ha az előző neuron hosszú ideig nem tüzel, a VSYN a kezdeti állapotig szivárog, ekkor a szinapszis ismét inaktívvá válik. Mivel a VSYN egyenértékű a gyűrűoszcillátor tápfeszültségével, az M5-ből kifolyó áram szabályozza a VSYN-t és így a gyűrűoszcillátor frekvenciáját.

A cistanche előnyei a férfiak számára – erősítik az immunrendszert

Az SNN-ek a tanulási funkciót a súlyok beállításával érik el; ezért olyan súlymodult javasolunk, amely kompatibilis a fent leírt javasolt idő-domain neuron és szinapszis modulokkal, amint az a 2(d) ábrán látható. A javasolt súlymodul hangolja az időtartomány-információt, amely a kimeneti impulzusok szélessége. Ez a modul egy késleltetési vonalból, egy multiplexerből és egy ÉS kapuból áll. A VRing a szinapszisból származó négyszögjel, amely áthalad a késleltetési vonalon. A VWeight a súlyt jelző digitális kód, amelyet a betanulás után határoznak meg, és a multiplexer vezérlésére használják. A kimeneti impulzus szélessége, amely megfelel az időtartomány súlyának, aszerint van beállítva, hogy az inverterláncban melyik leágazást választja ki a multiplexer. Amint azt korábban említettük, ha a serkentő vagy gátló impulzus szélessége széles, a következő neuronban a Vmem feszültség gyorsabban töltődik vagy kisül. Ez nagy súlynak felel meg. Ebben a tanulmányban egy 16 bemenettel rendelkező multiplexert választottunk, azaz négy bites súlyokkal (0000-től 1111-ig). A súlymodul kimenete a következő neuronáramkörök bemeneti eszközéhez csatlakozik. Az impulzus frekvenciája (impulzustávolság) és az impulzus szélessége egyszerre hat a neuronra, és megváltoztatja annak aktivitását. Az impulzus frekvenciáját az előző szinapszis kimeneti frekvenciája határozza meg, míg a csatolás erőssége a súlymodul által meghatározott impulzuskimenet szélességétől függ.

ÁBRA. 1. (a) A javasolt szerkezet és (b) a chip mikroképe.

ÁBRA. 2. (a) A javasolt neuron modul kapcsolási rajza, (b) a javasolt LIF neuron és szinapszis modulok viselkedése, (c) a javasolt szinapszis modul kapcsolási rajza és (d) a javasolt súlymodul kapcsolási rajza.

A 3(a) ábra mutatja a kísérleti elrendezést, amelyet a gyártott neurális szerkezeti chip tesztelésére használtak [ábra. 1(b)], ahol a chipet a Summit 11000 szondaállomásra helyezték, és azzal közvetlenül érintkező szondákkal tesztelték. A kísérletekben feltételezzük, hogy a két súlymodul bemenetei a szakasz előtti szinapszisok, amelyeket a tetszőleges függvénygenerátorok emulálnak. Az idegsejt kimenete a szinapszis modulhoz csatlakozik, melynek kimenete az idegsejt kimenetének változására reagálva változni fog. Egy Tektronix AFG31252 tetszőleges függvénygenerátort használtunk előfokozatú szinapszisként, hogy négyszöghullámú jeleket biztosítsunk gyártott neurális áramköreink számára. Ugyanakkor oszcilloszkópok (Keysight MSOX6004A és DSOX93304Q) segítségével megfigyeltük a kimeneti hullámformákat. A kísérleti eredményeket az 1-1. 3(b)–3(d). A súlyok neuronok tüzelési sebességére gyakorolt ​​hatásának igazolására a szakasz előtti szinapszis kimenet (függvénygenerátor) frekvenciáját 100 Hz-re rögzítettük, és a súlyzómodul beállításával négy chipen megfigyeltük a neuronok tüzelési sebességének változását. A tüskefrekvenciákat 1024-szer átlagoltuk 100 ms-os időintervallumban, hogy megkapjuk a megfelelő neuronok tüzelési frekvenciáját minden egyes súlybeállítás mellett, amint az a 3(b) ábrán látható. A javasolt neuron alapvetően a Cmem-be és onnan kilépő szivárgási áramok által meghatározott sebességgel tüzel egyensúlyban, és az előző szakasz bemenete ezt modulálja. Láthatjuk, hogy amikor a súlyok nagyobbak lesznek, a neuronmodulok tüzelési gyakorisága megnő. Főleg a FET-ek folyamatváltozása miatt a tüzelési frekvencia körülbelül 610% és 17% között ingadozik négy chipen. Különösen tározóban történő felhasználás esetén azonban az ismétlődő kapcsolatok véletlenszerű súlyai ​​miatt ezeket a véletlenszerű eltéréseket a tanulási folyamat során kompenzálni kell a kimeneti súlyokban.

A 3(c) ábra összehasonlítja a neuronok tűz idejének változását a szakasz előtti szinapszisból érkező jeltől függően. A 3(c) ábra (i)–(iii) betétjei a 100 Hz-es gátló bemenettel (1100-ra állítva), bemenet nélkül, illetve a 100 Hz-es gerjesztő bemenettel (a tömeg 1100-ra van állítva) eseteket mutatnak. , amelyből láthatjuk, hogy a gátló bemenet csökkenti a neuron tűzfrekvenciáját és növeli a tűz intervallumot, míg a gerjesztő bemenet a gátló bemenet ellentéteként működik. A kísérleti eredmények azt mutatják, hogy a javasolt neuron tüzelési intervalluma ezredmásodperces nagyságrendű, ami összhangban van a biológiai neuronok ezredmásodperces időállandójával. Ha a szint előtti szinapszisból nem érkezik jel, az energiafogyasztás körülbelül 800 pW, ami körülbelül 20 tüskét generál 100 ms-os cikluson belül. Ebből nagyjából meg lehet becsülni, hogy minden tüske körülbelül 4 pJ energiát fogyaszt. Ezt követően a 3(c) ábra (i)–(iii) betéteit a szinapszis bemeneti jeleiként használták a VRing befolyásolására. A mért VRing hullámformákat ebben a három esetben a 3(d) ábra mutatja. A frekvenciák átlaga minden esetben 5 s-os időintervallumban mérve 41, 90, illetve 98 Hz. Ennek a szinapszis kimeneti frekvenciatartománynak a megvalósíthatóságát rendszerszintű szimulációkkal ellenőrizzük a következő tárgyalás során.

ÁBRA. 3. (a) Fénykép a kísérleti elrendezésről, (b) a neuron mért tüzelési sebessége négy chipre, (c) a neuron kimenet mért hullámformái és (d) a szinapszis kimenet mért hullámformái.

ÁBRA. 4. (a) Egy másik kombinált szerkezet, amelyet a VRing és a VSYN szinapszisának és (b) mért hullámformáinak kiértékelésére készítettek.

A szinapszis szinkron válaszának megfigyelésének megkönnyítésére elkészítettük a 4(a) ábra szerkezetét is. A 4(b) ábra a 4(a) ábra kísérleti eredményei. Egy Tektronix AFG31252 tetszőleges függvénygenerátort használtunk egy 10 Hz-es VIN négyszögjel generálására, ahogy az a 4(ai) ábrán látható. Miután a VIN áthalad egy súlymodulon, VOUTðWeightÞ tüskejelet állít elő. A VSYN feszültséget egy chipen lévő forráskövetőn keresztül figyeljük meg, mint analóg puffert. Bár a VOUTðWeightÞ-t nem úgy tervezték, hogy kívülről megfigyelhető legyen, mivel ez egy keskeny impulzus, a VOUTðWeightÞ megérkezésével a VIN lefutó éle után a szinapszisnál a VSYN feszültség azonnal megemelkedik, amint az a 4(b-ii) ábrán látható. ami viszont növeli a VRing gyakoriságát. Ha a VOUTðWeightÞ hosszú ideig nem érkezik meg, a VSYN csökken, ami viszont befolyásolja a VRing frekvencia csökkenését. Az I. táblázat az önálló neuronáramkörök teljesítményének összehasonlítását mutatja be. A javasolt neuronáramkörnek előnyei vannak az energiafogyasztás és a terület tekintetében. A tervek a Refs. A 13–16. ábrák folyamatos idejű vagy órajeles komparátort használtak, és ezek a kialakítások nagy chipterületet és energiafogyasztást foglalnak el. Az idegsejt egy nem CMOS eljárással készült, amelyet a Ref. 18 nem igényel komparátort, ami előnyhöz vezet a területen. Energiafogyasztása azonban viszonylag magas, és ezek a speciális technológiák kevésbé kiforrottak, és így költségesebbek a szabványos CMOS-eljárásokhoz képest. Mindkét Ref. A 19-es és 21-es gyártási folyamat fejlett folyamatban történik. Ehhez a munkához képest azonban a Ref. 19 energiafogyasztás és terület tekintetében nincs előnye. Bár a Ref. A 21. ábra jobb energiahatékonyságot mutat szimulációs eredményekkel, a technológiai csomópont által normalizálva a javasolt neuron jobb területhatékonyságot ér el.

A javasolt tüskés neuron és a gyűrűoszcillátor alapú szinapszis áramkörök megvalósíthatóságának demonstrálására egy MATLAB környezetben viselkedési szimulációt hajtunk végre, amint az 5(a) ábrán látható. Ebben a szimulációban 100 neuront használnak véletlenszerű ismétlődő kapcsolatokkal a javasolt szinapszis- és súlyozási modulokkal. A javasolt súlymodulokat csak a tározórétegben alkalmazzák, súlyukat véletlenszerűen előre hozzárendeljük és rögzítjük a tanulási folyamat során. Így a tartály véletlenszerű ingadozásait a tanulási folyamat során a kimeneti súlyok kompenzálják. A valósághű szimuláció létrehozásához az egyes szinapszisok kimeneti frekvenciatartományát 15 és 200 Hz között kell beállítani a tényleges mérési eredmények alapján. A rekurzív legkisebb négyzetes (RLS) algoritmus a kimeneti súlyok betanítására szolgál, amint azt a Ref. 30. A 10 Hz-es szinuszhullám, amely megfelel az emberi tevékenységgel kapcsolatos információk időskálájának, példaként szolgál a felügyeleti bemeneti jelre. A felügyeleti és a betanított kimeneti jel az 5(bi) ábrán látható. A kimenetről érkező visszacsatoló jelet gerjesztő és gátló impulzussorozatokká alakítják át, amelyek frekvenciája arányos a kimeneti amplitúdó abszolút értékével, amint az a 1-1. 5(b-ii), illetve 5(b-iii). A felügyeleti jel öt periódusa után a kimeneti súlyok rögzítésre kerülnek, és az SNN önmagában generálja a tanult jelet, amely bemutatja a javasolt neurális struktúrák megvalósíthatóságát a tanulási funkció számára. Ezekből a szimulációkból azt is megállapítottuk, hogy a tanulási képesség további javítása érdekében a szinapszis kimeneti frekvencia hangolási tartományát növelni kell, ami a szinapszis áramkör optimalizálásával tehető meg. Például a kiterjesztett 15 Hz–2 kHz és 15 Hz–20 kHz frekvencia-hangolási tartományokkal a tanult jelek simábbá válnak, hogy jobban reprodukálják a felügyeleti jelet, ahogy az a 1. és 2. ábrán látható. 5(b-iv), illetve 5(bv).

cistanche tubulosa – erősíti az immunrendszert

Összefoglalva, egy neurális struktúrát javasoltunk az időtartomány jeleinek generálására és továbbítására. A javasolt neuron és szinapszis 127, illetve 231 lm2 területet foglal el. Ez a struktúra nem használ műveleti erősítőket és folyamatos idejű vagy órajeles komparátorokat, míg a tüzelési funkciót inverter alapú komparátorral valósítják meg a terület és az energiafogyasztás terén. A javasolt idő-domain neurális struktúra a skálázott folyamattechnológiák előnyeit élvezi a hagyományos feszültség/áram tartomány kialakításához képest. A tényleges chipgyártási és mérési eredmények az időbeli jelátviteli funkciót mutatják ezredmásodperces időállandókkal. A javasolt idő-domain neurális struktúra kiválóan alkalmas tüskés neurális hálózatok építésére az ember-számítógép interakcióhoz szükséges valós idejű idősoros információk feldolgozására.

I. TÁBLÁZAT. Önálló neuronáramkörök teljesítményének összehasonlítása

ÁBRA. 5. (a) Az SNN tározószámítási viselkedési modellje a javasolt neurális struktúrán alapul. (b) A rendszerszintű viselkedésszimulációs eredmények: (i) egy 15–200 Hz-es frekvencia-hangolási tartományú modell alapján, a (ii) gerjesztő és (iii) a kimenetről átalakított gátló bemeneti jelek nagyított képe, (iv) 15–2 kHz és (v) 15–20 kHz frekvencia-hangolási tartományok alapján.

IRODALOM

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 és L. Shi, Nature 586, 378–384 (2020).

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

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

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

5 E. Chicca és G. Indiveri, Appl. Phys. Lett. 116, 120501 (2020).

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

7 K. Yang és A. Sengupta, Appl. Phys. Lett. 116, 043701 (2020).

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

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

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

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

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

13G. Indiveri, E. Chicca és R. Douglas, IEEE Trans. Neurális. Networks 17, 211–221 (2006).

14X. Wu, V. Saxena, K. Zhu és S. Balagopal, IEEE Trans. Áramkörök Syst. II 62, 1088–1092 (2015).

15A. Joubert, B. Belhadj, O. Temam és R. Heliot, 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 és K. Meier, IEEE Trans. Biomed. Áramkörök Syst. 12, 1027–1037 (2018).

17A. Basu és PE ​​Hasler, IEEE Trans. Áramkörök Syst. I 57, 2938–2947 (2010).

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

19A. Rubino, M. Payvand és G. Indiveri, 26. IEEE International Conference on Electronics, Circuits and Systems (ICECS) (IEEE, 2019), 458–461.

20-AS ÉVEK. A. Aamir, Y. Stradmann, P. M€uller, C. Pehle, A. Hartel, A. Gr€ubl, J. Schemmel és K. Meier, IEEE Trans. Áramkörök Syst. I 65, 4299–4312 (2018).

21R. M. Saber Moradi és SA Bhave, IEEE Symposium Series on Computational Intelligence (SSCI), 2017.

22K. Asada, T. Nakura, T. Iizuka és M. Ikeda, IEICE Electron. Express 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 és P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

24C. Gallicchio és A. Micheli, Neural. Netwotks 24, 440–456 (2011).

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

26W. Gerstner és WM Kistler, Spiking Neuron Models: Single Neurons, Populations (Cambridge University Press, 2012).

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

28B. Razavi: Adatkonverziós rendszertervezés elve (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 és MA Petrovici, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo és L. Abbott: „Koherens aktivitási minták generálása kaotikus neurális hálózatokból”, Neuron 63, 544–557 (2009).