灵活的自我纠正突触阵列用于在心电图诊断中节能边缘乘法
Younghyun Lee1, Hakseung Rhee1, Geunyoung Kim1
1Department of Materials Science and Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291 Daehak-ro, Yuseong-gu, Daejeon, 34141, Republic of Korea.
Nature communications
|May 9, 2025
概括
一个新的灵活的记忆点产品引擎 (f-MDPE) 能够为可穿戴设备提供高效的边缘计算. 这种紧的低功率发动机在实时心电图 (ECG) 分析中实现了93.5%的准确性,使用的能量最小.
科学领域:
- 神经形态工程的神经形态工程
- 灵活的电子 灵活的电子
- 可穿戴技术可穿戴技术
背景情况:
- 边缘计算增强了实时数据处理和响应能力,特别是在不稳定的网络中.
- 可穿戴和皮肤附着的电子产品需要紧,节能和灵活的边缘设备.
- 目前用于可穿戴设备边缘AI的数字方法在功耗和形式因素方面面临限制.
研究的目的:
- 提出和演示灵活的记忆点产品引擎 (f-MDPE),用于可穿戴应用中的高效边缘计算.
- 将f-MDPE集成到实时心电图 (ECG) 监测系统中,用于边缘诊断.
- 评估拟议的f-MDPE的性能,能源效率和机械稳定性.
主要方法:
- 在灵活的聚胺基板上制造32x32横杆阵列,使用低温加工的自调电荷陷记忆器.
- 开发一个硬件意识的神经网络训练算法,用于实时心电图分类.
- 在曲条件下测试f-MDPE的电气和机械稳定性.
主要成果:
- 在5毫米曲下,f-MDPE表现出高均性和强大的稳定性.
- 使用f-MDPE实现了93.5%的分类准确度.
- 与传统的数字方法相比,该系统只消耗了0.3%的能量.
结论:
- 拟议的灵活的memristive点产品引擎是用于可穿戴设备中紧,低功耗边缘AI的可行解决方案.
- 这种方法显著降低了边缘设备实时数据分析的能源消耗.
- 在医疗保健应用中,f-MDPE显示出新兴边缘神经形态硬件的巨大潜力.
