从固体到流体:神经形态工程的新方法

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:

• 神经形态工程模仿大脑功能使用人工memristors,这些表现出电阻切换.
• 基于memristor的系统为传统计算的局限性提供了解决方案,例如速度慢和高能耗.
• 传统的memristor数组难以复制生物神经网络的多维性.

研究的目的:

• 审查基于memristor的神经形态系统的原则,历史和应用.
• 探索先进的神经形态架构,包括多维纳米线/纳米粒子系统和液态设备.
• 突出纳米流体在创建可重新配置的记忆网络方面的潜力.

主要方法:

• 关于电阻开关和memristor操作的基础研究的审查.
• 分析非传统的神经形态系统,如纳米线,纳米粒子和基于液体的设备.
• 探索纳米流体应用用于记忆性纳米粒子网络.

主要成果:

• 记忆器展示了电阻切换,使得类似大脑的计算成为可能.
• 纳米线和纳米粒子系统显示出储计算的潜力,具有类似神经元的尖端行为.
• 液态记忆器和纳米流体为模拟生物信息传输和创建可重新配置网络提供了新的途径.

结论:

• 使用memristors的神经形态工程承诺更高效和先进的计算.
• 多维和液态方法对于复制生物神经网络复杂性至关重要.
• 纳米流体代表了下一代可重新配置的神经形态硬件的一个有希望的前沿.