间歇性尖列车通过分数漏洞的整合和火焰神经形态单元进行处理.
R T Sibatov1,2, A K Gavrilova3, A I Savitskiy1,2
1Scientific-Manufacturing Complex "Technological Centre," Moscow, Russia.
Chaos (Woodbury, N.Y.)
|May 22, 2025
概括
我们介绍了一个带有长期内存的分数顺序泄漏整合与火 (LIF) 模型,用于处理规模不变信号. 一个新的碳纳米管晶体管硬件实现证明了它对神经形态计算的潜力.
科学领域:
- 神经科学是一个神经科学.
- 复杂的系统复杂的系统.
- 材料科学 材料科学 材料科学
背景情况:
- 漏洞整合和发射 (LIF) 模型是模拟神经元行为在尖端网络的基石.
- 一般化的LIF模型提供了诸如适应性和噪声等增强功能,但捕捉远程时间相关性仍然是一个挑战.
- 权力规律动态对于处理间歇性,规模不变信号至关重要,模仿长期记忆效应.
研究的目的:
- 调查LIF模型的分数顺序扩展,以模拟长期记忆.
- 分析这个模型对分数Poisson过程输入的统计反应.
- 为神经形态应用开发分数顺序LIF模型的硬件实现.
主要方法:
- 开发了一个分数顺序的漏洞整合和火 (LIF) 模型,包含分数衍生品.
- 评估了模型对波桑分数过程特征的闪输入电压脉冲的响应的统计性质.
- 使用单壁碳纳米管和电解质门制造了一个微量晶体管,以实现分数顺序动态.
主要成果:
- 分数顺序LIF模型表现出功率定律动态,有效模拟长期记忆.
- 统计分析描述了模型对分数Poisson过程输入的响应.
- 制造的碳纳米管晶体管成功展示了分数顺序动态.
结论:
- 分数顺序LIF模型是模拟长期记忆的神经元动态的一个有希望的框架.
- 开发的硬件为创建能够处理尺度不变信号的神经形态尖端网络提供了可行的途径.
- 这种方法促进了人工智能和信号处理应用程序的高效硬件的开发.


