实时无监督学习和图像识别通过基于电化学金属化细胞神经元装置负差分电阻的memristive神经集成芯片
Dae-Seong Woo1, Jae-Kyeong Kim1, Gwang-Ho Park1
1Department of Nano-scale Semiconductor Engineering, Hanyang University, Seoul, 04763, Republic of Korea.
Small (Weinheim an der Bergstrasse, Germany)
|January 22, 2025
概括
这项研究介绍了一种新的无电容记忆神经集成芯片 (MnIC),用于节能的神经形态计算. 该芯片实现低压操作,并展示实时手写数字分类,为先进的类似大脑的人工智能系统铺平了道路.
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
- 人工智能的人工智能
背景情况:
- 尖端神经元对于节能生物仿真系统至关重要,它们利用稀疏的二进制信号.
- 基于电容器的人工神经元面临密度限制,需要高工作电压.
- 低压操作 (<1.0 V) 对于与现代C-MOSFET电路集成至关重要.
研究的目的:
- 为高密度,低压神经形态应用开发无电容记忆神经集成芯片 (MnIC).
- 将MnIC与一种新的突触装置集成为一个完整的尖端神经网络 (SNN).
- 展示开发的SNN在实时模式识别中的实际应用.
主要方法:
- 使用28纳米C-MOSFET工艺设计和制造了一个无电容MnIC,利用电化学金属化细胞和负差电阻.
- 利用了在GeS2石化化层中的Ag线材破裂动态,用于在<0.7V运行下进行神经元仿真.
- 开发了一种基于氧化无形碳 (α-COx) 的突触装置,具有32个多层电导状态.
- 在SNN中实施了依赖于尖峰时间的可塑性学习规则,用于实时无监督学习.
主要成果:
- 制造的MnIC证明了超低压 (<0.7V) 操作和模仿生物系统的非线性作用电位生成.
- 集成的MnIC和α-COx突触装置成功地进行了实时无监督学习.
- 训练有素的SNN精确地分类了实时手写数字从现场网络摄像头上传.
结论:
- 开发的无电容MnIC和突触装置为高密度,高能效的神经形态计算提供了有前途的解决方案.
- 该系统的实时学习和分类能力突出显示了它对实用大脑类AI应用的潜力.
- 这项工作推动了用于各种智能系统的下一代低功耗神经形芯片的开发.
