重构的神经形态计算:材料,设备和集成
Minyi Xu1, Xinrui Chen1, Yehao Guo1
1State Key Laboratory of Electronic Thin Film and Integrated Devices, School of Physics, University of Electronic Science and Technology of China, Chengdu, 610054, China.
Advanced materials (Deerfield Beach, Fla.)
|June 7, 2023
概括
可重新配置的神经形态计算为人工通用智能提供了更高的能源效率. 这篇评论详细介绍了这种脑启发技术的材料,设备和整合方面的进展.
科学领域:
- 神经形态工程的神经形态工程
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 神经形态计算为后穆尔时代的人工通用智能提供了能源效率的承诺.
- 目前的系统在相互连接,功耗和复杂任务的数据处理方面面临限制.
- 可重新配置的神经形态计算提供了一个解决方案,通过调整资源用于各种大脑启发的功能.
研究的目的:
- 系统地审查可重新配置的神经形态计算的最新进展.
- 从材料,设备和整合角度提供全面的概述.
- 确定该领域的未来挑战和机遇.
主要方法:
- 关于可重新配置的神经形态计算的最新研究的文献综述.
- 在材料和设备层面上对主导的重新配置机制进行分类.
- 分析整合策略和未来的研究方向.
主要成果:
- 主要的重构机制包括离子迁移,载体迁移,相位过渡,自旋电子学和光子学.
- 材料和设备工程的发展使得按需的资源重新分配成为可能.
- 集成级别的策略对于实现先进的神经形态系统至关重要.
结论:
- 可重新配置的神经形态计算是一种破坏性框架,可以弥合计算原始.
- 需要进一步的研究来克服材料,设备和系统集成方面的挑战.
- 这个领域在推进人工通用智能方面具有巨大的潜力.
更多相关视频
10:32Design, Surface Treatment, Cellular Plating, and Culturing of Modular Neuronal Networks Composed of Functionally Inter-connected Circuits
Published on: April 15, 2015
8.5K
08:40Bidirectional Electrical and Optoelectronic Interfaces in Healthy and Ischemic Ex Vivo Rat Hearts
Published on: July 18, 2025
49
