在随机纳米线网络中识别获胜者获取全部的出现:一个反向问题
F R Duarte1, S Mukim1,2, M S Ferreira1,2
1School of Physics, Trinity College Dublin, Dublin 2, Ireland. duarteff@tcd.ie.
Physical chemistry chemical physics : PCCP
|November 18, 2024
概括
我们开发了一种不适合最小化方法,以推断复杂的随机纳米线网络 (NWN) 的内在特性. 这种方法可用于先进的电子应用,预测内存NWN中的传导机制.
科学领域:
- 材料科学与工程 材料科学与工程
- 纳米技术纳米技术
- 计算物理 计算物理
背景情况:
- 随机纳米线网络 (NWN) 提供了容错处理,但隐藏了个别纳米线的特性.
- 了解内在纳米线特征对于预测网络行为和应用程序至关重要.
- 像NWN这样的记忆系统表现出复杂的动态导电性,阻碍了直接的属性分析.
研究的目的:
- 介绍一个数学框架来推断复杂的随机NWN的内在性质.
- 通过分析网络响应,使得能够预测具有记忆性的NWNs中的传导机制.
- 促进下一代记忆和大脑启发的计算技术的发展.
主要方法:
- 开发了一种根植于非线性回归监督学习的"不适应最小化"技术.
- 从多个NWN配置中使用导电性演变曲线训练了一个模型.
- 最小化了目标NWN响应和训练样本之间的最小误差,以提取参数.
主要成果:
- 从网络的整体响应函数中成功推断出内在纳米线的特性.
- 启用了在NWN中的传导机制 (例如",赢家取全部"或平行路径) 的预测.
- 从输出函数测量中证明了初始系统条件的反向推断.
结论:
- 不适合最小化框架有效地从复杂的NWN中提取单个纳米线特征.
- 这种方法对于理解和预测记忆性NWN的行为至关重要.
- 能够在先进的电子设备中应用NWN,包括神经形态计算和记忆系统.


