מעגלים עצביים וסינפסות מבוססי שטח וחסכוניים בצריכת חשמל עבור רשתות עצביות אנלוגיות בתחום הזמן

תַקצִיר

מבנים עצביים קונבנציונליים נוטים לתקשר באמצעות כמויות אנלוגיות, כגון זרמים או מתחים; עם זאת, ככל שהתקני CMOS מתכווצים ומתחי האספקה ​​יורדים, הטווח הדינמי של מעגלים אנלוגיים מתח/זרם הופך צר יותר, השוליים הזמינים הופכים קטנים יותר וחסינות הרעש יורדת. יותר מזה, השימוש במגברים תפעוליים (op-amps) ובהשוואות בזמן רציף או שעון בעיצובים קונבנציונליים מוביל לצריכת אנרגיה גבוהה ושטח שבב גדול, דבר שיזיק לבניית רשתות עצביות מתפרצות. בהתחשב בכך, אנו מציעים מבנה עצבי להפקה והעברת אותות של תחום זמן, כולל מודול נוירון, מודול סינפסה ושני מודולי משקל. המבנה העצבי המוצע מונע על ידי זרם דליפה של טרנזיסטורי MOS ומשתמש בהשוואה מבוסס אינוורטר כדי לממש פונקציית ירי, ובכך מספק יעילות אנרגיה ושטח גבוהים יותר בהשוואה לתכנונים קונבנציונליים. המבנה העצבי המוצע מיוצר באמצעות טכנולוגיית TSMC 65 ננומטר CMOS. הנוירון והסינפסה המוצעים תופסים את השטח של 127 ו-231 lm2, בהתאמה, תוך השגת קבועי זמן של אלפיות השנייה. מדידות שבבים בפועל מראות שהמבנה המוצע מיישם את פונקציית תקשורת האות הזמנית עם קבועי זמן של אלפיות השנייה, שהיא צעד קריטי לקראת מחשוב מאגר חומרה לאינטראקציה בין אדם למחשב. תוצאות סימולציה של הרשת העצבית המתקדמת עבור מחשוב מאגר עם המודל ההתנהגותי של המבנה העצבי המוצע מדגימות את פונקציית הלמידה.

יתרונות cistanche לגברים - מחזקים את המערכת החיסונית

לחץ כאן לצפייה במוצרי Cistanche Enhance Immunity

【בקש עוד】 דוא"ל:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

רשתות עצביות עמוקות (DNNs), שהן הדור השני של רשתות עצביות מלאכותיות (ANNs), נחקרו רבות בשנים האחרונות עבור מספר הולך וגדל של יישומים. עם זאת, צריכת האנרגיה העצומה שלהם במיוחד עבור גישה לזיכרון בארכיטקטורה קונבנציונלית פון נוימן אילצה אנשים למצוא דרך חלופית להשיג פתרונות יעילים יותר בצריכת החשמל. דור של ANNs שיכול לממש פונקציית למידה בעוצמה נמוכה על ידי חיקוי נוירונים ביולוגיים. SNNs מורכבים מנוירונים וסינפסות ובדרך כלל בנויים באמצעות גישה מלמטה למעלה, מה שאומר שכל רכיב של SNNs צריך להיות מתוכנן תחילה.6–12 דווחו יישומי חומרה רבים של נוירונים פולסים או סינפסות.13–21 כדי ליישם את פונקציית האינטגרציה הדולפת של נוירונים, תכנונים קונבנציונליים בדרך כלל בונים אינטגרטורים עם מגברים תפעוליים (op-amps)14 ולעתים קרובות משתמשים בקבלים ובנגדים גדולים על-שבב כדי לחקות את קבועי הזמן של אלפית השניות של נוירונים ביולוגיים.16,17 יתר על כן, כדי ליישם את פונקציית "אש" של נוירון, מבנה מעגל ייעודי של משווה בזמן רציף או שעון משמש בדרך כלל לקביעת הסף לעירור נוירונים.13–16,20 זרם ההטיה של משווה הזמן הרציף ללא ספק מגדיל את צריכת החשמל של נוירון, בעוד שהמשווה השעון דורש חלוקת אותות שעון נוספת ומבנה המשווה המורכב תופס שטח שבב גדול. בעוד שתהליכים מתקדמים יותר יכולים להשיג צריכת חשמל נמוכה על ידי הפחתת מתח אספקה ​​וזרם זליגה סטטי,21 מוביל גם לטווח דינמי מצומצם יותר, מרווח זמין קטן יותר וחסינות רעשים מושפלת של המעגלים האנלוגיים של מתח/זרם תחום.22 זה מזיק ל רשתות עצביות קונבנציונליות המשתמשות בכמויות אנלוגיות, כגון מתח וזרם, כדי לתקשר זו עם זו. מצד שני, הודות לטרנזיסטורים בקנה מידה שיש להם מהירות פעולה משופרת עם מעברי אותות חדים, ניתן לייצג את המידע האנלוגי בצורה יעילה יותר בתחום הזמן, כלומר, מרווח זמן של שני מעברי אותות. למעגל תחום הזמן הזה יש יתרון נוסף ביעילות ההספק שלו, שכן הוא מורכב לרוב מממירים או שערים לוגיים שאינם צורכים באופן אידיאלי כוח DC.22,23 לפיכך, מעגלי תחום זמן הם אידיאליים עבור יישומים עתידיים של SNNs עם הספק נמוך. .

יתרונות cistanche לגברים - מחזקים את המערכת החיסונית

במאמר זה, אנו מציעים מבנה עצבי מקורי להפקה והעברת אותות של תחום זמן כדי להרכיב רשת עצבית בתחום הזמן. המבנה המשולב כולל מודולי נוירון וסינפסה היוצרים ומשדרים אותות של תחום זמן, בהתאמה, כמו גם מודולי משקל לפונקציות למידה. אחד מיישומי היעד העיקריים שלנו הוא מחשוב מאגר, המעבד מידע הקשור לפעילות אנושית. האפליקציה שלנו מכוונת לעיבוד פשוט יותר ופחות אינטנסיבי בנתונים, כגון סיגנלים ביולוגיים. במחשוב מאגר, ניתן ליישם פונקציות למידה כגון א.ק.ג וזיהוי דובר וכן זיהוי כתב יד באמצעות כמה מאות נוירונים בלבד. הפניה 24 מראה שביצועי הלמידה משתפרים כאשר קבועי הזמן של אפקטי הקלט מותאמים בין פונקציית המטרה ודינמיקת המאגר, ואנו משתמשים בקבועי זמן של אלפיות שניות כיעד עיצוב למבנה עצבי שישמש לעיבוד מידע מסדרת זמן של פעילויות אנוש. אנו משתמשים במודל ההתנהגותי של המבנה העצבי המוצע כדי לבנות את ה-SNN עבור מחשוב מאגר וליישם את פונקציית הלמידה, מה שמוכיח שניתן להשתמש במבנה העצבי המוצע שלנו עבור מחשוב מאגר. המבנה העצבי המעוצב והמיוצר מוצג באיור 1(א), המבוסס על מודולי הנוירון, הסינפסה והמשקל המוצעים, אשר יתוארו בפירוט להלן. במבנה זה, הקלט של מודול הנוירון מחובר לשני מודולי משקל, האחד לכוונון האות המעכב והשני לאות המעורר. יצרנו את המבנה העצבי המוצע המוצג באיור 1(א) עם טכנולוגיית CMOS סטנדרטית של TSMC 65 ננומטר. צילום המיקרו של השבב מוצג באיור 1(ב), כאשר אזור הקוביות של מודולי הנוירון, הסינפסה והמשקל הוא 127, 231 ו-525 lm2, בהתאמה.

מודולי ght הם 127, 231 ו-525 lm2, בהתאמה. מודל הנוירון LIF מורכב בעיקר מקבל ממברנה, נגד דולף ומשווה מתח. נוירונים מקבלים אותות מנוירונים אחרים באמצעות סינפסות והסומה מייצרת פוטנציאל פעולה בתגובה לאותות חיצוניים אלו. אם נוירון מקבל מספר מספיק של דוקרנים דרך הסינפסה, פוטנציאל הממברנה שלו יגיע לערך סף, מה שיגרום לנוירון "לירות". חלופה להשוואות. הפניה 27 הציעה נוירון מבוסס אינוורטר, המתאים היטב לשימוש במבנה העצבי המוצע, ולכן, הנוירון המשמש במחקר זה תוכנן על סמך Ref. 27, המוצג באיור 2(א). הוא מורכב מהתקן קלט, התקן אינטגרטור דולף, התקן כיבוי והתקן השהייה. במקור, ב-Ref. 27, לא מניחים שהמעגל מתוכנן כאלמנט לבניית רשת עצבית, ולכן אין לו מבנה לקליטת אותות מעוררים ומעכבים. במעגל המוצע, לעומת זאת, התקן הקלט המורכב מ-M1 ו-M2 מקבל קלט מעורר וקלט מעכב, בהתאמה. הכניסות ל-M1 ו-M2 הן אותות פולסים צרים כפי שמוצג באיור 2(א), אשר נוצרים מסינפסה מוקדמת. הפעילות של הסינפסה הטרום-שלבית מיוצגת על ידי תדירות הדופק, ומשקל הצימוד מיוצג על ידי רוחב הדופק. כאשר מחברים יותר מסינפסה אחת לפני שלב לחיבור רשת, ניתן להפעיל את הפולסים המרובים באמצעות לוגיקה OR או על ידי הוספת התקני קלט המחוברים במקביל. עם התקני קלט מקבילים, מעגל הנוירון יכול לקבל פולסים מרובים אפילו בו-זמנית.

cistanche tubulosa- לשפר את המערכת החיסונית

במכשיר ה-Leky-Integrator, Cmem מייצג את קרום התא של הנוירון, וניתן להתייחס ל-M5 כנגד דולף במצב מנוחה. כאשר אין כניסה חיצונית להתקן הקלט, הקבל נטען על ידי זרם הזליגה של M3 ו-M4, ופוטנציאל הממברנה Vmem גדל ברציפות עם זרימת זרם הזליגה [הזרם משולב כפי שמוצג באיור 2( דוּ)]. בשלב זה, מכיוון ש-M5 נמצא במצב כבוי, ניתן להתייחס אליו כנגד במקביל לקבל, כלומר, נגד דולף, המסוגל להשיג קבוע לאורך זמן. ברגע ש-Vmem עולה למתח הסף VthðFireÞ, התקן הירי מופעל [איור. 2(ב-ii)]. בעיצובים קונבנציונליים, נוירוני LIF משתמשים בעיקר במבני מעגלים ייעודיים של משווה בזמן רציף או שעון כדי לקבוע את מתח הסף. זה לא ידידותי לבניית SNNs חסכוניים באנרגיה ובקנה מידה ביולוגי כמו המוח. במחקר זה, התקן הירי מיושם על ידי השוואת מבוסס-אינוורטר שיכול להגדיר את מתח הסף על ידי שני טרנזיסטורים במקום משווה בזמן רציף או שעון. כדי לממש מתח סף מדויק עבור השוואת מבוסס מהפך, אנו עשויים להשתמש בטכניקת איפוס אוטומטי המחושה, מאחסנת ומבטלת מדי פעם את ההיסט עם מתגים וקבלים.28 עם זאת, זה דורש שעונים מרובי פאזים כדי לשלוט במתגים; לפיכך, הוא אינו מתאים להטמעת מאגר חסכוני בשטח ובכוח. למרות שבעזרת השוואה פשוטה מבוססת אינוורטר, תיתכן וריאציה בסף עקב תנודות תהליך, מתח וטמפרטורה, ניתן לראות בה מחקה את ההבדל בין פרטים של נוירונים אמיתיים. בנוסף, פונקציית הלמידה יכולה לפצות על הבדלי סף וריאציות בתהליך.29 כאשר יש כניסת דופק מעוררת, M1 יופעל באופן מיידי, מה שגורם ליותר זרם לטעינת Cmem ו-Vmem לעלות במהירות. לעומת זאת, אות כניסה דופק מעכב יגרום ל-M2 להידלק לרגע, מה שיגרום ל-Cmem להיטען לאט יותר או אפילו לפרוק דרך M2, מה שבתורו מאט את קצב עליית ה-Vmem או גורם לו ליפול.

כאשר מכשיר הירי מופעל, הוא מייצר רמה נמוכה של VFire לחיבור ל-M4, מה שיגביר את הזרם לטעינת קבל הממברנה Cmem, וכתוצאה מכך לעלייה מיידית בפוטנציאל הממברנה Vmem, מה שמקדם את הפעלת הירי. התקן. זה מחקה את הנהירה של Naþ לתוך קרום התא מה שמביא לעלייה מהירה במתח הממברנה, כלומר, אפקט משוב חיובי. לבסוף, הרמה הנמוכה של VFire שנוצרת ממכשיר הירי מומרת לרמה גבוהה של VSpike [איור. 2(b-iii)] על ידי התקן השהיה הכולל מהפך תלת שלבי ומחבר את VSpike ל-M3 ו-M5, מאפס את Vmem לאפס. תהליך זה מחקה את ההפעלה של תעלות Kþ בנוירונים ביולוגיים, וכתוצאה מכך זרימה החוצה של יוני Kþ ובסופו של דבר חזרה של קרום התא למצב המנוחה שלו.

סינפסות הן מודולים חיוניים ב-SNNs, שכן נוירונים מחוברים ביניהם. תכננו מודול נוירונים להפקת אותות של תחום זמן, ואז אנחנו צריכים מדיום שידור, כלומר סינפסה, כדי להעביר את האות הזה של תחום הזמן לנוירונים אחרים. כדי להרכיב רשת עצבית שלמה, אנו מתכננים מודול סינפסה המבוסס על אותות תדר, כפי שמוצג באיור 2(ג). הסינפסה מורכבת בעיקר ממתנד טבעת מבוקר מתח הפועל תחת זרם דליפה, המורכב ממהפך תלת שלבי (M6; M7; M8; M9; M10 ו-M11). מעגל הנוירון הקודם יורה ומייצר ספייק VSpike, שמתהפך על ידי מהפך, מה שהופך את M5 לפתוח לזמן קצר, והזרם הזורם דרך M5 טוען את CSYN, מה שיגדיל את VSYN. ברגע ש- VSYN מגיע למתח שמפעיל את התנודה, מתנד הטבעת מתחיל להתנוד [איורים. 2(ב-iv) ו-2(bv)]. אם הנוירון הקודם לא יורה במשך זמן רב, VSYN תדלוף עד למצב ההתחלתי, ואז הסינפסה הופכת שוב ללא פעילה. מכיוון ש- VSYN שווה ערך למתח האספקה ​​של מתנד הטבעת, הזרם הזורם מ-M5 שולט על VSYN, ובכך, על התדר של מתנד הטבעת.

יתרונות cistanche לגברים - מחזקים את המערכת החיסונית

SNNs משיגים את פונקציית הלמידה על ידי התאמת המשקולות; לכן, אנו מציעים מודול משקל התואם למודולי הנוירון והסינפסה המוצעים בתחום הזמן שתוארו לעיל, כפי שמוצג באיור 2(ד). מודול המשקל המוצע מכוון את מידע תחום הזמן, שהוא הרוחב של פעימות הפלט. מודול זה מורכב מקו השהייה, מרובה ושער AND. VRing הוא אות הגל הריבועי מהסינפסה שיעבור דרך קו ההשהיה. VWeight הוא הקוד הדיגיטלי המייצג משקל, שנקבע לאחר למידה ומשמש לשליטה במרבב. רוחב פולס המוצא המתאים למשקל תחום הזמן מותאם לפי איזה ברז בשרשרת המהפך נבחר על ידי המרבב. כפי שהוזכר קודם לכן, אם רוחב הפולס המעורר או המעכב רחב, המתח Vmem בנוירון העוקב נטען או נפרק מהר יותר, בהתאמה. זה מתאים למשקל גדול. במחקר זה, בחרנו מרובה עם 16 כניסות, כלומר, משקלים של ארבע סיביות (0000 עד 1111). הפלט של מודול המשקל מחובר להתקן הקלט של מעגלי הנוירונים הבאים. תדירות הדופק (מרווח הדופק) ורוחב הדופק פועלים בו זמנית על הנוירון כדי לשנות את פעילותו. תדירות הפולס נקבעת על פי תדירות הפלט של הסינפסה הקודמת, בעוד שעוצמת הצימוד תלויה ברוחב פלט הפולס שנקבע על ידי מודול המשקל.

תאנה. 1. (א) המבנה המוצע ו-(ב) צילום מיקרו של השבב.

תאנה. 2. (א) דיאגרמת מעגל של מודול הנוירון המוצע, (ב) התנהגויות של מודולי נוירון LIF וסינפסה מוצעים, (ג) דיאגרמת מעגלים של מודול הסינפסה המוצע, ו-(ד) דיאגרמת מעגלים של מודול המשקל המוצע.

איור 3(א) מציג את מערך הניסוי המשמש לבדיקת שבב המבנה העצבי המיוצר [איור. 1(ב)], שם השבב הונח על תחנת בדיקה Summit 11000 ונבדק עם בדיקות במגע ישיר איתו. בניסויים, אנו מניחים שהכניסות של שני מודולי המשקל הם הסינפסות הקדם-שלביות, אשר מחוקות על ידי מחוללי הפונקציות השרירותיות. הפלט של הנוירון מחובר למודול הסינפסה, שתפוקתו תשתנה בתגובה לשינוי בפלט של הנוירון. השתמשנו במחולל פונקציות שרירותיות של Tektronix AFG31252 כסינפסה קדם-שלבית כדי לספק אותות גל ריבועי עבור המעגלים העצביים המיוצרים שלנו. במקביל, צפינו בצורות הגל של הפלט באמצעות אוסילוסקופים (Keysight MSOX6004A ו-DSOX93304Q). תוצאות הניסוי מוצגות באיורים. 3(ב)–3(ד). כדי לאמת את ההשפעה של משקולות על קצב הירי של נוירונים, תיקנו את התדירות של תפוקת הסינפסה שלפני השלב (מחולל פונקציות) ב-100 הרץ וצפינו בשינוי בקצב הירי של נוירונים עבור ארבעה שבבים על ידי התאמת מודול המשקולות. ביצענו ממוצע של תדרי הספייק פי 1024 על פני טווח זמן של 100 אלפיות השנייה כדי לגזור את תדירות הירי הנוירונים התואמת תחת כל הגדרת משקל, כפי שמוצג באיור 3(ב). הנוירון המוצע בעצם יורה עם הקצב שנקבע על ידי זרמי הזליגה לתוך והחוצה מ-Cmem באיזון, והקלט מהשלב הקודם מווסת אותו. אנו יכולים לראות שכאשר המשקולות הופכות גדולות יותר, תדירות הירי של מודול הנוירון נהיית גדולה יותר. בעיקר בשל וריאציות התהליך של ה-FETs, תדירות הירי נעה בין כ-610%-17% על פני ארבעה שבבים. עם זאת, במיוחד עבור השימוש במאגר, בשל המשקולות האקראיות בחיבוריו החוזרים, יש לפצות על שינויים אקראיים אלו במהלך תהליך הלמידה במשקלי התפוקה.

איור 3(ג) משווה את השונות של זמני אש נוירון בהתאם לאות מהסינפסה המוקדמת לשלב. התוספות (i)-(iii) של איור 3(ג) מציגות את המקרים עם קלט מעכב של 100 הרץ (המשקל מוגדר ל-1100), ללא קלט, ועם קלט מעורר 100 הרץ (המשקל מוגדר ל-1100), בהתאמה , שממנו ניתן לראות שהקלט המעכב מפחית את תדירות האש של הנוירון ומגדיל את מרווח האש, בעוד שהקלט המעורר פועל כהפוך מהקלט המעכב. תוצאות הניסוי מראות שמרווח הירי של הנוירון המוצע הוא בסדר גודל של אלפיות שנייה, וזה בהתאם לתכונה של נוירונים ביולוגיים בעלי קבועי זמן של אלפיות שנייה. כאשר לא מוזן אות מהסינפסה שלפני השלב, צריכת החשמל היא כ-800 pW, מה שיוצר כ-20 קוצים במחזור של 100 אלפיות השנייה. מכאן, ניתן להעריך באופן גס שכל ספייק צורך כ-4 pJ של אנרגיה. לאחר מכן, התוספות (i)-(iii) של איור 3(ג) שימשו כאותות כניסה לסינפסה כדי להשפיע על VRing. צורות הגל הנמדדות של VRing בשלושת המקרים הללו מוצגות באיור 3(ד). הממוצעים של התדרים עבור כל מקרה שנמדדו בפרק זמן של 5 שניות הם 41, 90 ו-98 הרץ, בהתאמה. ההיתכנות של טווח תדרי פלט סינפסה זה תאומת עם סימולציות ברמת המערכת בדיון הבא.

תאנה. 3. (א) תמונה של מערך הניסוי, (ב) קצב הירי הנמדד של הנוירון עבור ארבעה שבבים, (ג) צורות הגל הנמדדות של פלט הנוירון, ו-(ד) צורות הגל הנמדדות של פלט הסינפסה.

תאנה. 4. (א) מבנה משולב נוסף שיוצר להערכת הסינפסה ו-(ב) צורות הגל הנמדדות של VRing ו- VSYN.

כדי להקל על התצפית על התגובה הסינכרונית של הסינפסה, יצרנו גם את המבנה של איור 4(א). איור 4(ב) הוא תוצאות הניסוי של איור 4(א). השתמשנו במחולל פונקציות שרירותיות של Tektronix AFG31252 כדי ליצור אות גל מרובע של 10 הרץ VIN כפי שמוצג באיור 4(ai). לאחר ש-VIN עובר דרך מודול משקל, הוא מייצר אות ספייק VOUTðWeightÞ. המתח VSYN נצפה דרך עוקב מקור על-שבב כמאגר אנלוגי. אף על פי ש-VOUTðWeightÞ לא מתוכנן להסתכל מבחוץ מכיוון שהוא דופק צר, עם הגעת ה-VOUTðWeightÞ לאחר הקצה הנופל של VIN, מתח VSYN בסינפסה עולה באופן מיידי כפי שמוצג באיור 4(b-ii), מה שבתורו מגביר את תדירות ה-VRing. אם ה-VOUTðWeightÞ לא מגיע לזמן ממושך, VSYN פוחת, מה שבתורו משפיע על תדר ה-VRing להיות קטן יותר. טבלה I מציגה את השוואת הביצועים בין מעגלי נוירונים עצמאיים. למעגל הנוירונים המוצע יש יתרונות מבחינת צריכת אנרגיה ושטח. העיצובים ב-Refs. 13–16 השתמשו במשווה רציף של זמן או שעון, ועיצובים אלה תופסים כמות גדולה של שטח שבב כמו גם צריכת חשמל. הנוירון מפוברק בתהליך שאינו CMOS שהוצע ב-Ref. 18 אינו מצריך משווה, מה שמוביל ליתרון באזור. עם זאת, צריכת האנרגיה שלו גבוהה יחסית והטכנולוגיות המסוימות הללו בוגרות פחות ולפיכך יקרות יותר בהשוואה לתהליכי CMOS סטנדרטיים. שני השופטים. 19 ו-21 מיוצרים בתהליך מתקדם. עם זאת, בהשוואה לעבודה זו, Ref. ל-19 אין יתרון מבחינת צריכת אנרגיה ושטח. למרות ש-Ref. 21 מראה יעילות אנרגטית טובה יותר עם תוצאות סימולציה, כאשר מנורמל על ידי צומת הטכנולוגיה, הנוירון המוצע משיג יעילות שטח טובה יותר.

כדי להדגים את ההיתכנות של הנוירון המתוכנן המוצע ומעגלי הסינפסה המבוססים על מתנד הטבעת, מבוצעת סימולציה התנהגותית בסביבת MATLAB כפי שמוצג באיור. 5(א). בסימולציה זו, נעשה שימוש ב-100 נוירונים עם קשרים חוזרים אקראיים עם מודולי הסינפסה והשקלול המוצעים. מודולי המשקל המוצעים מיושמים רק בשכבת המאגר והמשקלים שלהם מוקצים באופן אקראי מראש וקבועים במהלך תהליך הלמידה. לפיכך, התנודות האקראיות במאגר מפוצות במהלך תהליך הלמידה במשקלי התפוקה. כדי ליצור סימולציה מציאותית, טווח תדר המוצא של כל סינפסה מוגדר מ-15 עד 200 הרץ בהתבסס על תוצאות המדידה בפועל. האלגוריתם הרקורסי של הריבוע הקטן ביותר (RLS) משמש לאימון משקולות הפלט כפי שהוצג ב-Ref. 30. גל סינוס של 10 הרץ, התואם את טווח הזמן של מידע הקשור לפעילות אנושית, משמש כדוגמה לאות קלט פיקוח. אות הפיקוח והמוצא המאומן מוצגים באיור 5(בי). אות המשוב מהמוצא מומר לרכבות פולסים מעוררות ומעכבות שתדירויותיהן עומדות ביחס לערך המוחלט של משרעת המוצא כפי שמוצג באיורים. 5(ב-ii) ו-5(ב-iii), בהתאמה. לאחר חמש תקופות של אות פיקוח, משקלי הפלט קבועים וה-SNN מייצר את האות הנלמד בעצמו, מה שמדגים את היתכנותם של המבנים העצביים המוצעים לתפקוד למידה. מצאנו גם מהסימולציות הללו שכדי לשפר עוד יותר את יכולת הלמידה יש ​​להגדיל את טווח כוונון תדר המוצא של הסינפסה, דבר שניתן לעשות על ידי אופטימיזציה של מעגל הסינפסה. לדוגמה, עם טווחי כוונון התדרים המורחבים בין 15 הרץ-2 קילו-הרץ ו-15 הרץ-20 קילו-הרץ, האותות הנלמדים הופכים חלקים יותר כדי לשחזר טוב יותר את אות הפיקוח כפי שמוצג באיורים. 5(b-iv) ו-5(bv), בהתאמה.

cistanche tubulosa- לשפר את המערכת החיסונית

לסיכום, הצענו מבנה עצבי להפקה והעברת אותות של תחום זמן. הנוירון והסינפסה המוצעים תופסים שטח של 127 ו-231 lm2, בהתאמה. מבנה זה אינו משתמש במגברי הפעלה ומשווים בזמן רציף או שעון, בעוד שפונקציית הירי מתממשת עם השוואת מבוסס-אינוורטר כדי לספק יתרונות בשטח ובצריכת החשמל. המבנה העצבי המוצע של תחום הזמן נהנה מטכנולוגיות תהליך מוגדל בהשוואה לתכנונים קונבנציונליים של מתח/זרם. תוצאות ייצור ומדידה של שבבים בפועל מדגימות את פונקציית תקשורת האות הזמני עם קבועי זמן של אלפיות שנייה. המבנה העצבי המוצע של תחום הזמן מתאים היטב לבניית רשתות עצביות מתקדמות לעיבוד מידע מסדרת זמן בזמן אמת לאינטראקציה בין אדם למחשב.

טבלה I. השוואת ביצועים של מעגלי נוירונים עצמאיים

תאנה. 5. (א) המודל ההתנהגותי של ה-SNN עבור מחשוב מאגר מבוסס על המבנה העצבי המוצע. (ב) תוצאות הסימולציה ההתנהגותית ברמת המערכת: (i) מבוססת על מודל עם טווח כוונון תדרים של 15-200 הרץ, תצוגה מוגברת של (ii) אותות הכניסה המעוררים ו-(iii) המעכבים שהומרו מהפלט, (iv) מבוסס על 15–2 קילוהרץ ו-(v) טווחי כוונון תדרים של 15–20 קילוהרץ.

הפניות

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

2 ד' שין וה'-י. יו, פרוק. IEEE 108, 1245–1260 (2020).

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

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

5 E. Chicca and G. Indiveri, Appl. פיזי. Lett. 116, 120501 (2020).

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

7 K. Yang and A. Sengupta, Appl. פיזי. Lett. 116, 043701 (2020).

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

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

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

11X. Chen, T. Yajima, IH Inoue, and T. Iizuka, ב- Extended Abstract of International Conference on Solid State Devices and Materials (SSDM) (JSAP, 2021), עמ' 682–683.

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

13G. Indiveri, E. Chicca, and R. Douglas, IEEE Trans. עֲצַבִּי. רשתות 17, 211–221 (2006).

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

15A. Joubert, B. Belhadj, O. Temam, and R. Heliot, ב-2012 The 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, and K. Meier, IEEE Trans. ביומד. Circuits Syst. 12, 1027–1037 (2018).

17א. Basu ו-PE Hasler, IEEE Trans. Circuits Syst. I 57, 2938–2947 (2010).

18S. Dutta, V. Kumar, A. Shukla, NR Mohapatra, and U. Ganguly, Sci. רפ' 7, 8257 (2017).

19א. Rubino, M. Payvand, and G. Indiveri, בכנס הבינלאומי ה-26 של IEEE בנושא אלקטרוניקה, מעגלים ומערכות (ICECS) (IEEE, 2019), עמ' 458–461.

20S. A. Aamir, Y. Stradmann, P. M€uller, C. Pehle, A. Hartel, A. Gr€ubl, J. Schemmel, and K. Meier, IEEE Trans. Circuits Syst. I 65, 4299–4312 (2018).

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

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

23R. Staszewski, K. Muhammad, D. Leipold, C.-M. הונג, י.-סי. 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, and P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

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

25 ליטר. F. Abbott and P. Dayan, Theoretical Neuroscience (The MIT Press, 2005).

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

27T. יאג'ימה, מדע רפ' 12, 1150 (2022).

28ב. Razavi, עקרון עיצוב מערכת המרת נתונים (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, and MA Petrovici, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo ול. אבוט, "יצירת דפוסי פעילות קוהרנטיים מרשתות עצביות כאוטיות," Neuron 63, 544–557 (2009).