相关实验视频
Updated: Aug 2, 2026
07:46
A Method for Growing Bio-memristors from Slime Mold
Published on: November 2, 2017
9.0K
基于SWCNTs的模拟单层记忆2D结构,用于在尖端神经网络中节能深度学习
Heba Abunahla1, Yawar Abbas2, Anteneh Gebregiorgis3
1Quantum & Computer Engineering Department, Delft University of Technology, Delft, The Netherlands. h.n.abunahla@tudelft.nl.
Scientific reports
|December 4, 2023
概括
研究人员开发了一种使用单壁碳纳米管 (SWCNTs) 的新型模拟memristor,用于节能的人工智能. 这种memristor能够实现内存计算,实现高精度的尖端神经网络与最小的能源消耗.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机工程 计算机工程
- 人工智能的人工智能
背景情况:
- 新兴的memristor技术旨在通过将存储和处理集成到内存横条中来实现节能计算.
- 人工智能 (AI) 系统从材料科学和内存设备的进步中受益.
- 记忆器设备对于开发下一代计算架构至关重要.
研究的目的:
- 使用单壁碳纳米管 (SWCNTs) 制造一个模拟记忆器设备.
- 为了研究设备的模拟切换能力,状态稳定性和可调节的导电/电容.
- 为了展示memristor在AI的节能尖端神经网络 (SNN) 中的应用.
主要方法:
- 使用SWCNT作为开关介质制造具有平面结构的模拟记忆器设备.
- 记忆器的模拟切换行为,状态稳定性和电导和电容的同时调节的特征.
- 在尖端神经网络 (SNN) 中部署memristor用于内存计算 (CIM) 任务.
主要成果:
- 制造的SWCNT记忆器具有稳定的模拟开关特性.
- 该设备可以同时调整导电和电容,从而实现多状态存储和长期存储.
- 在SNN中实现CIM实现了对矢量矩阵乘法的95%推理精度,每个尖端的能量效率为femtjoule级.
结论:
- 基于SWCNT的模拟memristor是生物灵感计算和AI应用的有希望的候选者.
- 该设备的功能在深度学习系统中促进了节能模拟计算.
- 这项工作突出了SWCNT在推进未来AI硬件方面的潜力.
