节能的神经形态系统使用基于新道FET的LIF神经元设计,用于适应值逻辑和图像分析应用

科学领域:

• 神经形态工程的神经形态工程
• 设备物理 设备物理
• 人工智能的人工智能

背景情况:

• 传统的神经元在集成密度和能量消耗方面面临限制.
• 现有的神经形态设计往往需要复杂的电路.
• 带对带道为新型低功耗计算设备提供了潜力.

研究的目的:

• 提出一种基于道场效应晶体管 (TFET) 的新型可调节的无兴奋剂泄漏整合和火 (LIF) 神经元.
• 为了证明基于TFET的神经元的能力,以高能效复制生物神经元尖端行为.
• 利用拟议的神经元探索可适应值逻辑函数和图像识别的实现.

主要方法:

• 利用TFETs的前向转移特征与急剧的下值摆动来模拟神经活动.
• 使用Atlas 2D软件进行设备模拟.
• 实现了多层尖端神经网络 (SNN) 用于性能评估.

主要成果:

• 拟议的基于TFET的LIF神经元有效地复制了生物神经元的尖端行为,没有额外的电路.
• 每个尖峰的能量消耗显著低,为144JJ,超过现有设计.
• 成功实现了可适应值逻辑函数 (NOT,OR,AND).
• 在多层SNN中具有92.1%准确度的图像识别能力.

结论:

• 基于TFET的新型无兴奋剂LIF神经元为神经形态计算提供了可扩展和节能的解决方案.
• 该设备的可调节功能和低功耗是未来硬件实现的优势.
• 拟议的神经元架构显示了对像图像识别和复杂逻辑函数等先进应用的承诺.