Krugovi neurona i sinapse temeljeni na području i energiji koji su učinkoviti na CMOS-u za analogne šiljaste neuronske mreže u vremenskoj domeni

SAŽETAK

Konvencionalne neuronske strukture nastoje komunicirati putem analognih veličina, kao što su struje ili naponi; međutim, kako se CMOS uređaji smanjuju i naponi napajanja opadaju, dinamički raspon analognih krugova naponske/strujne domene postaje uži, raspoloživa margina postaje manja, a otpornost na šum se smanjuje. Štoviše, uporaba operacijskih pojačala (operacijskih pojačala) i komparatora s kontinuiranim vremenom ili taktom u konvencionalnim dizajnima dovodi do velike potrošnje energije i velike površine čipa, što bi bilo štetno za izgradnju šiljastih neuronskih mreža. S obzirom na to, predlažemo neuronsku strukturu za generiranje i prijenos signala u vremenskoj domeni, uključujući modul neurona, modul sinapse i dva modula težine. Predloženu neuronsku strukturu pokreće struja curenja MOS tranzistora i koristi komparator temeljen na inverteru za realizaciju funkcije paljenja, čime se osigurava veća energetska i površinska učinkovitost u usporedbi s konvencionalnim dizajnom. Predložena neuronska struktura proizvedena je pomoću TSMC 65 nm CMOS tehnologije. Predloženi neuron i sinapsa zauzimaju površinu od 127 odnosno 231 lm2, pri čemu se postižu vremenske konstante milisekundi. Stvarna mjerenja čipa pokazuju da predložena struktura implementira funkciju vremenske signalne komunikacije s milisekundnim vremenskim konstantama, što je kritičan korak prema računanju hardverskog rezervoara za interakciju između čovjeka i računala. Rezultati simulacije šiljaste neuronske mreže za računanje ležišta s modelom ponašanja predložene neuronske strukture pokazuju funkciju učenja.

koristi cistanche za muškarce-jača imunološki sustav

Kliknite ovdje za pregled Cistanche proizvoda za jačanje imuniteta

【Tražite više】 E-pošta:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Duboke neuronske mreže (DNN), koje su druga generacija umjetnih neuronskih mreža (ANN), opsežno su istražene posljednjih godina za sve veći broj primjena. Međutim, njihova ogromna potrošnja energije, posebno za pristup memoriji u konvencionalnoj von Neumann arhitekturi, natjerala je ljude da pronađu alternativni način za postizanje energetski učinkovitijih rješenja.1–6 Spiking neuronska mreža (SNN) jedno je od atraktivnih rješenja kao treće generacija ANN-ova koji mogu ostvariti funkciju učenja s malom snagom oponašanjem bioloških neurona. SNN-ovi se sastoje od neurona i sinapsi i obično se grade pristupom odozdo prema gore, što znači da svaku komponentu SNN-ova treba prvo dizajnirati.6–12 Zabilježene su mnoge hardverske implementacije pulsirajućih neurona ili sinapsi.13–21 implementirati propusnu integrirajuću funkciju neurona, konvencionalni dizajni obično grade integratore s operacijskim pojačalima (op-amps)14 i često koriste velike kondenzatore i otpornike na čipu za oponašanje milisekundnih vremenskih konstanti bioloških neurona.16,17 Štoviše, za implementaciju neuronska "paljena" funkcija, namjenska strujna struktura komparatora s kontinuiranim vremenom ili komparatora s taktom obično se koristi za postavljanje praga za pobuđivanje neurona.13–16,20 Struja prednapona komparatora s kontinuiranim vremenom nedvojbeno povećava potrošnju energije neurona, dok taktni komparator zahtijeva dodatnu distribuciju taktnog signala, a složena struktura komparatora zauzima veliku površinu čipa. Dok napredniji procesi mogu postići nisku potrošnju energije smanjenjem napona napajanja i statičke struje curenja,21 također dovodi do užeg dinamičkog raspona, manje dostupne margine i smanjene otpornosti na šum analognih krugova naponske/strujne domene.22 To je štetno za konvencionalne neuronske mreže koje koriste analogne veličine, kao što su napon i struja, za međusobnu komunikaciju. S druge strane, zahvaljujući skaliranim tranzistorima koji imaju poboljšanu brzinu rada s oštrim prijelazima signala, analogna informacija može se učinkovitije prikazati u vremenskoj domeni, tj. vremenskom intervalu od dva prijelaza signala. Ovaj takozvani krug u vremenskoj domeni ima još jednu prednost u svojoj energetskoj učinkovitosti jer se često sastoji od pretvarača ili logičkih vrata koja idealno ne troše istosmjernu struju.22,23 Stoga su sklopovi u vremenskoj domeni idealni za buduće implementacije SNN-ova male snage .

koristi cistanche za muškarce-jača imunološki sustav

U ovom radu predlažemo originalnu neuronsku strukturu za generiranje i prijenos signala u vremenskoj domeni za sastavljanje neuronske mreže u vremenskoj domeni. Integrirana struktura uključuje module neurona i sinapse koji generiraju i prenose signale u vremenskoj domeni, kao i module težine za funkcije učenja. Jedna od naših glavnih ciljnih aplikacija je računalstvo u ležištima, koje obrađuje informacije povezane s ljudskom aktivnošću. Naša aplikacija cilja na jednostavniju i manje intenzivnu obradu podataka, kao što su bio-signali. U računalstvu rezervoara, funkcije učenja kao što su EKG i prepoznavanje govornika kao i prepoznavanje rukopisa mogu se implementirati pomoću samo nekoliko stotina neurona. Referenca 24 pokazuje da se izvedba učenja poboljšava kada se vremenske konstante ulaznih učinaka usklade između ciljne funkcije i dinamike ležišta, a mi koristimo vremenske konstante milisekunde kao cilj dizajna za neuronsku strukturu koja će se koristiti za obradu informacija o vremenskom nizu ljudske aktivnosti. Koristimo model ponašanja predložene neuralne strukture za konstruiranje SNN-a za računanje ležišta i implementaciju funkcije učenja, što dokazuje da se naša predložena neuronska struktura može koristiti za računanje ležišta. Dizajnirana i izrađena neuralna struktura prikazana je na slici 1(a), koja se temelji na predloženim modulima neurona, sinapse i težine, koji će biti detaljno opisani u nastavku. U ovoj strukturi, ulaz neuronskog modula povezan je s dva težinska modula, jednim za podešavanje inhibitornog signala, a drugim za ekscitacijski signal. Proizveli smo predloženu neuronsku strukturu prikazanu na slici 1(a) sa TSMC 65 nm standardnom CMOS tehnologijom. Mikrografija čipa prikazana je na slici 1(b), gdje je površina modula neurona, sinapse i težine 127, 231 i 525 lm2.

ght moduli su 127, 231, odnosno 525 lm2. Model LIF neurona sastoji se uglavnom od membranskog kondenzatora, propusnog otpornika i komparatora napona. Neuroni primaju signale od drugih neurona putem sinapsi, a soma stvara akcijske potencijale kao odgovor na te vanjske signale. Ako neuron primi dovoljan broj šiljaka kroz sinapsu, njegov će membranski potencijal dosegnuti vrijednost praga, uzrokujući "paljenje" neurona. 8,25,26 Upotreba invertora za implementaciju funkcije "paljenja" već je poznata kao alternativa komparatorima. Referenca 27 predložila je neuron baziran na inverteru, koji je vrlo prikladan za upotrebu u predloženoj neuralnoj strukturi, i stoga je neuron korišten u ovoj studiji dizajniran na temelju Ref. 27, što je prikazano na slici 2(a). Sastoji se od ulaznog uređaja, propusnog integratorskog uređaja, protupožarnog uređaja i uređaja za kašnjenje. Izvorno, u Ref. 27, pretpostavlja se da sklop nije dizajniran kao element za izgradnju neuronske mreže i stoga nema strukturu za primanje ekscitatornih i inhibitornih signala. U predloženom krugu, s druge strane, ulazni uređaj koji se sastoji od M1 i M2 prima ekscitatorni ulaz odnosno inhibicijski ulaz. Ulazi u M1 i M2 su uski pulsni signali kao što je prikazano na slici 2(a), koji su generirani iz sinapse prije stupnja. Aktivnost predfazne sinapse predstavljena je frekvencijom pulsa, a težina sprezanja predstavljena je širinom pulsa. Kada je više od jedne sinapse predfaze spojeno za sastavljanje mreže, višestruki impulsi mogu se primijeniti putem logike ILI ili dodavanjem ulaznih uređaja spojenih paralelno. S paralelnim ulaznim uređajima, neuronski krug može prihvatiti više impulsa čak i u isto vrijeme.

cistanche tubulosa-poboljšava imunološki sustav

U propusnom integratorskom uređaju, Cmem predstavlja staničnu membranu neurona, a M5 se može smatrati propusnim otpornikom u stanju mirovanja. Kada nema vanjskog ulaza u ulazni uređaj, kondenzator se puni strujom curenja M3 i M4, a membranski potencijal Vmem kontinuirano raste s priljevom struje curenja [struja je integrirana kao što je prikazano na slici 2( dvo)]. U ovom trenutku, budući da je M5 u isključenom stanju, može se smatrati otpornikom paralelnim s kondenzatorom, tj. nepropusnim otpornikom, sposobnim za postizanje dugotrajne konstante. Jednom kada Vmem poraste do napona praga VthðFireÞ, aktivira se uređaj za paljenje [Sl. 2(b-ii)]. U konvencionalnim izvedbama, LIF neuroni uglavnom koriste namjenske strujne strukture kontinuiranog vremena ili taktnog komparatora za postavljanje napona praga. Ovo nije pogodno za izgradnju SNN-ova koji su energetski učinkoviti i na biorazmjeru poput mozga. U ovoj studiji, uređaj za paljenje implementiran je komparatorom temeljenim na inverteru koji može postaviti napon praga pomoću dva tranzistora umjesto komparatora s kontinuiranim vremenom ili taktom. Da bismo ostvarili točan napon praga za komparator temeljen na inverteru, možemo koristiti tehniku ​​automatskog nuliranja koja periodički očitava, pohranjuje i poništava pomak pomoću sklopki i kondenzatora.28 Međutim, za kontrolu sklopki potrebni su višefazni satovi; prema tome, nije prikladan za implementacije rezervoara s učinkovitom površinom i energijom. Iako kod jednostavnog komparatora temeljenog na inverteru može postojati varijacija praga zbog procesa, napona i temperaturnih fluktuacija, to se može smatrati oponašanjem razlike između pojedinaca pravih neurona. Osim toga, funkcija učenja može kompenzirati razlike u pragovima i varijacije procesa.29 Kada postoji ulaz pobudnog impulsa, M1 će se trenutno uključiti, što uzrokuje više struje za punjenje Cmem i brzi porast Vmem. Nasuprot tome, inhibicijski impulsni ulazni signal uzrokovat će trenutno uključivanje M2, uzrokujući sporije punjenje ili čak pražnjenje Cmem kroz M2, što zauzvrat usporava brzinu porasta Vmem ili pada.

Kada se aktivira uređaj za paljenje, on generira nisku razinu VFire za spajanje na M4, što će povećati struju za punjenje membranskog kondenzatora Cmem, što rezultira trenutnim povećanjem potencijala membrane Vmem, što potiče okidanje paljenja uređaj. Ovo oponaša dotok Naþ u staničnu membranu potičući brzo povećanje napona membrane, tj. pozitivan povratni učinak. Konačno, niska razina VFire generirana iz uređaja za paljenje pretvara se u visoku razinu VSpike [Sl. 2(b-iii)] pomoću uređaja za kašnjenje koji uključuje trostupanjski pretvarač i povezuje VSpike na M3 i M5, vraćajući Vmem na nulu. Ovaj proces oponaša aktivaciju Kþ kanala u biološkim neuronima, što rezultira vanjskim protokom Kþ iona i eventualnim povratkom stanične membrane u stanje mirovanja.

Sinapse su bitni moduli u SNN-ovima, budući da su neuroni njima međusobno povezani. Dizajnirali smo neuronski modul za generiranje signala u vremenskoj domeni, a zatim nam je potreban prijenosni medij, tj. sinapsa, za prijenos tog signala u vremenskoj domeni drugim neuronima. Kako bismo sastavili potpunu neuronsku mrežu, dizajnirali smo modul sinapse temeljen na frekvencijskim signalima, kao što je prikazano na slici 2(c). Sinapsa se uglavnom sastoji od naponski kontroliranog prstenastog oscilatora koji radi pod strujom curenja, a koji se sastoji od trostupanjskog pretvarača (M6; M7; M8; M9; M10 i M11). Prethodni neuronski krug se aktivira i generira šiljak VSpike, koji se invertira pomoću pretvarača, čineći M5 otvorenim na kratko vrijeme, a struja koja teče kroz M5 puni CSYN, što će povećati VSYN. Jednom kada VSYN dosegne napon koji pokreće oscilaciju, prstenasti oscilator počinje oscilirati [Sl. 2(b-iv) i 2(bv)]. Ako se prethodni neuron ne aktivira dulje vrijeme, VSYN će curiti do početnog stanja, u kojem trenutku sinapsa ponovno postaje neaktivna. Budući da je VSYN ekvivalentan naponu napajanja prstenastog oscilatora, struja koja teče iz M5 kontrolira VSYN, a time i frekvenciju prstenastog oscilatora.

koristi cistanche za muškarce-jača imunološki sustav

SNN-ovi postižu funkciju učenja podešavanjem težina; stoga predlažemo težinski modul koji je kompatibilan s predloženim modulima neurona vremenske domene i sinapse opisanim gore, kao što je prikazano na slici 2(d). Predloženi modul težine podešava informacije o vremenskoj domeni, što je širina izlaznih impulsa. Ovaj modul sastoji se od linije kašnjenja, multipleksera i AND vrata. VRing je signal kvadratnog vala iz sinapse koji će proći kroz liniju kašnjenja. VWeight je digitalni kod koji predstavlja težinu, koji se određuje nakon učenja i koristi se za upravljanje multipleksorom. Širina izlaznog impulsa koja odgovara težini vremenske domene podešava se prema tome koji odvod u lancu pretvarača odabire multiplekser. Kao što je ranije spomenuto, ako je širina ekscitatornog ili inhibitornog impulsa široka, napon Vmem u sljedećem neuronu se puni odnosno prazni brže. To odgovara velikoj težini. U ovom istraživanju odabrali smo multiplekser sa 16 ulaza, tj. 4-bitne težine (0000 do 1111). Izlaz modula težine povezan je s ulaznim uređajem sljedećih neuronskih krugova. Frekvencija pulsa (razmak između impulsa) i širina pulsa istodobno djeluju na neuron i mijenjaju njegovu aktivnost. Frekvencija impulsa određena je izlaznom frekvencijom prethodne sinapse, dok snaga sprege ovisi o širini izlaza impulsa određenom modulom težine.

SLIKA 1. (a) Predložena struktura i (b) mikrofotografija čipa.

SLIKA 2. (a) Dijagram strujnog kruga predloženog modula neurona, (b) ponašanja predloženih modula LIF neurona i sinapse, (c) dijagram strujnog kruga predloženog modula sinapse, i (d) dijagram strujnog kruga predloženog modula težine.

Slika 3(a) prikazuje eksperimentalni postav korišten za testiranje proizvedenog čipa neuralne strukture [Sl. 1(b)], gdje je čip postavljen na sondu postaje Summit 11000 i testiran sondama u izravnom kontaktu s njom. U eksperimentima pretpostavljamo da su ulazi dva modula težine predfazne sinapse, koje emuliraju proizvoljni generatori funkcija. Izlaz neurona povezan je s modulom sinapse, čiji će izlaz varirati kao odgovor na promjenu izlaza neurona. Koristili smo generator proizvoljne funkcije Tektronix AFG31252 kao predfazu sinapse za pružanje pravokutnih signala za naše proizvedene neuronske sklopove. Istovremeno smo promatrali izlazne valne oblike pomoću osciloskopa (Keysight MSOX6004A i DSOX93304Q). Eksperimentalni rezultati prikazani su na sl. 3(b)–3(d). Kako bismo potvrdili učinak utega na brzinu aktiviranja neurona, fiksirali smo frekvenciju izlaza sinapse (generator funkcije) prije stupnja na 100 Hz i promatrali promjenu u brzini aktiviranja neurona za četiri čipa podešavanjem modula težina. Izračunali smo prosjek frekvencija šiljaka 1024 puta u vremenskom rasponu od 100 ms da bismo dobili odgovarajuću frekvenciju aktiviranja neurona pod svakom postavkom težine, kao što je prikazano na slici 3(b). Predloženi neuron u osnovi radi brzinom određenom strujama curenja u i iz Cmem-a u ravnoteži, a ulaz iz prethodnog stupnja ga modulira. Možemo vidjeti da kada težine postanu veće, frekvencija aktiviranja modula neurona postaje veća. Uglavnom zbog varijacije procesa FET-ova, frekvencija aktiviranja varira od oko 610%–17% na četiri čipa. Međutim, posebno za upotrebu u rezervoaru, zbog slučajnih težina u njegovim rekurentnim vezama, ove slučajne varijacije trebale bi se kompenzirati tijekom procesa učenja u težinama izlaza.

Slika 3(c) uspoređuje varijaciju vremena paljenja neurona ovisno o signalu iz sinapse prije faze. Umetci (i)–(iii) na slici 3(c) prikazuju slučajeve s inhibicijskim ulazom od 100 Hz (težina je postavljena na 1100), bez ulaza i s ekscitacijskim ulazom od 100 Hz (težina je postavljena na 1100), redom , iz čega možemo vidjeti da inhibicijski input smanjuje frekvenciju paljenja neurona i povećava interval paljenja, dok ekscitacijski input djeluje suprotno inhibicijskom inputu. Eksperimentalni rezultati pokazuju da je interval aktiviranja predloženog neurona reda veličine milisekundi, što je u skladu sa značajkom bioloških neurona koji imaju vremenske konstante milisekundi. Kada nema signala iz sinapse prije stupnja, potrošnja energije je oko 800 pW, generirajući oko 20 šiljaka u ciklusu od 100 ms. Iz ovoga se može grubo procijeniti da svaki šiljak troši oko 4 pJ energije. Nakon toga, umetci (i)–(iii) na slici 3(c) korišteni su kao ulazni signali u sinapsu za utjecaj na VRing. Izmjereni valni oblici VRinga u ova tri slučaja prikazani su na slici 3(d). Prosjeci frekvencija za svaki slučaj izmjereni u vremenskom razdoblju od 5 s su 41, 90, odnosno 98 Hz. Izvedivost ovog izlaznog frekvencijskog raspona sinapse bit će potvrđena simulacijama na razini sustava u sljedećoj raspravi.

SLIKA 3. (a) Fotografija eksperimentalne postavke, (b) izmjerena brzina paljenja neurona za četiri čipa, (c) izmjereni valni oblici izlaza neurona i (d) izmjereni valni oblici izlaza sinapse.

SLIKA 4. (a) Još jedna kombinirana struktura izrađena za procjenu sinapse i (b) izmjereni valni oblici VRinga i VSYN.

Kako bismo olakšali promatranje sinkronog odgovora sinapse, također smo izradili strukturu slike 4(a). Slika 4(b) su eksperimentalni rezultati sa slike 4(a). Koristili smo generator proizvoljne funkcije Tektronix AFG31252 za ​​generiranje pravokutnog valnog signala od 10 Hz VIN kao što je prikazano na slici 4(ai). Nakon što VIN prođe kroz modul težine, proizvodi šiljasti signal VOUTðWeightÞ. Napon VSYN promatra se kroz pratilac izvora na čipu kao analogni međuspremnik. Iako VOUTðWeightÞ nije dizajniran za promatranje izvana jer je uski puls, s dolaskom VOUTðWeightÞ nakon padajućeg ruba VIN, VSYN napon na sinapsi trenutno raste kao što je prikazano na slici 4(b-ii), što zauzvrat povećava učestalost VRinga. Ako VOUTðWeightÞ ne stigne dulje vrijeme, VSYN se smanjuje, što zauzvrat utječe na smanjenje frekvencije VRinga. Tablica I prikazuje usporedbu performansi među samostalnim neuronskim krugovima. Predloženi neuronski krug ima prednosti u pogledu potrošnje energije i površine. Nacrti u Ref. 13-16 koristio je komparator s kontinuiranim vremenom ili taktom, a ti dizajni zauzimaju veliku količinu površine čipa kao i potrošnju energije. Neuron proizveden u procesu koji nije CMOS predložen u Ref. 18 ne zahtijeva komparator, što dovodi do prednosti u području. Međutim, njegova je potrošnja energije relativno visoka, a te posebne tehnologije manje su razvijene i stoga skuplje u usporedbi sa standardnim CMOS procesima. Oba Ref. 19 i 21 izrađuju se u naprednom procesu. Međutim, u usporedbi s ovim radom, ref. 19 nema prednost u pogledu potrošnje energije i površine. Iako Ref. Slika 21 prikazuje bolju energetsku učinkovitost s rezultatima simulacije, kada se normalizira pomoću tehnološkog čvora, predloženi neuron postiže bolju učinkovitost područja.

Kako bi se pokazala izvedivost predloženog šiljastog neurona i krugova sinapse temeljenih na prstenastom oscilatoru, provodi se simulacija ponašanja u MATLAB okruženju kao što je prikazano na slici 5(a). U ovoj simulaciji koristi se 100 neurona s nasumičnim ponavljajućim vezama s predloženim modulima sinapse i težine. Predloženi težinski moduli primjenjuju se samo u sloju ležišta i njihove se težine unaprijed nasumično dodjeljuju i utvrđuju tijekom procesa učenja. Stoga se nasumične fluktuacije u rezervoaru kompenziraju tijekom procesa učenja u izlaznim težinama. Kako bi se uspostavila realna simulacija, raspon izlazne frekvencije svake sinapse postavljen je od 15 do 200 Hz na temelju stvarnih rezultata mjerenja. Rekurzivni algoritam najmanjeg kvadrata (RLS) koristi se za treniranje izlaznih težina kao što je predstavljeno u Ref. 30. Sinusni val od 10 Hz, koji odgovara vremenskoj skali informacija povezanih s ljudskom aktivnošću, koristi se kao primjer nadzornog ulaznog signala. Nadzorni i uvježbani izlazni signal prikazani su na slici 5(bi). Povratni signal s izlaza pretvara se u niz ekscitacijskih i inhibitornih impulsa čije su frekvencije proporcionalne apsolutnoj vrijednosti izlazne amplitude kao što je prikazano na sl. 5(b-ii) odnosno 5(b-iii). Nakon pet razdoblja nadzornog signala, izlazne težine su fiksne i SNN sam generira naučeni signal, što pokazuje izvedivost predloženih neuronskih struktura za funkciju učenja. Iz ovih smo simulacija također otkrili da bi se radi daljnjeg poboljšanja sposobnosti učenja trebao povećati raspon ugađanja izlazne frekvencije sinapse, što se može učiniti optimizacijom kruga sinapse. Na primjer, s proširenim rasponima podešavanja frekvencije od 15 Hz–2 kHz i 15 Hz–20 kHz, naučeni signali postaju glatkiji kako bi se bolje reproducirao nadzorni signal kao što je prikazano na sl. 5(b-iv) odnosno 5(bv).

cistanche tubulosa-poboljšava imunološki sustav

Ukratko, predložili smo neuronsku strukturu za generiranje i prijenos signala u vremenskoj domeni. Predloženi neuron i sinapsa zauzimaju površinu od 127 odnosno 231 lm2. Ova struktura ne koristi operacijska pojačala i komparatore s kontinuiranim vremenom ili taktom, dok je funkcija aktiviranja ostvarena s komparatorom temeljenim na inverteru kako bi se pružile prednosti u području i potrošnji energije. Predložena neuronska struktura u vremenskoj domeni ima koristi od skaliranih procesnih tehnologija u usporedbi s konvencionalnim dizajnom naponske/strujne domene. Stvarna izrada čipa i rezultati mjerenja pokazuju funkciju vremenske komunikacije signala s vremenskim konstantama milisekundi. Predložena neuronska struktura u vremenskoj domeni vrlo je prikladna za izgradnju šiljastih neuronskih mreža za obradu informacija vremenskih serija u stvarnom vremenu za interakciju između čovjeka i računala.

TABLICA I. Usporedba performansi samostalnih neuronskih krugova

SLIKA 5. (a) Model ponašanja SNN-a za računanje ležišta temelji se na predloženoj neuronskoj strukturi. (b) Rezultati simulacije ponašanja na razini sustava: (i) na temelju modela s rasponom ugađanja frekvencije od 15–200 Hz, uvećani prikaz (ii) ekscitatornih i (iii) inhibitornih ulaznih signala pretvorenih iz izlaza, (iv) na temelju 15–2 kHz i (v) 15–20 kHz raspona ugađanja frekvencije.

REFERENCE

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

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

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

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

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

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

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

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

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

10S. S. Radhakrishnan, A. Sebastian, A. Oberoi, S. Das i S. Das, Nat. Komun. 12, 2143 (2021).

11X. Chen, T. Yajima, IH Inoue i T. Iizuka, u Proširenom sažetku međunarodne konferencije o uređajima i materijalima čvrstog stanja (SSDM) (JSAP, 2021.), str. 682–683.

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

13G. Indiveri, E. Chicca i R. Douglas, IEEE Trans. Neuralni. Mreže 17, 211–221 (2006).

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

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

17A. Basu i PE Hasler, IEEE Trans. Krugovi Syst. I 57, 2938–2947 (2010).

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

19A. Rubino, M. Payvand i G. Indiveri, na 26. IEEE međunarodnoj konferenciji o elektronici, sklopovima i sustavima (ICECS) (IEEE, 2019.), str. 458–461.

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

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

22K. Asada, T. Nakura, T. Iizuka i 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 i P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

24C. Gallicchio i A. Micheli, Neural. Networks 24, 440–456 (2011).

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

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

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

28B. Razavi, Princip dizajna sustava za pretvorbu podataka (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 i MA Petrovici, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo i L. Abbott, "Generiranje koherentnih obrazaca aktivnosti iz kaotičnih neuronskih mreža", Neuron 63, 544–557 (2009).