一个可重新配置的光敏分离浮动门内存用于神经形态计算和非线性激活

科学领域:

• * 材料科学与工程 * 材料科学与工程
• * 神经形态计算是一种神经形态计算.
• * 人工智能 硬件 硬件

背景情况:

• *人工智能 (AI) 和物联网 (IoT) 的扩张需要能够集成传感,计算和非线性处理的紧硬件.
• *当前的神经形态系统往往受限于功能,依赖于异质集成,阻碍了可扩展性和效率.

研究的目的:

• * 推出一种新的多式联络分开浮动门记忆装置.
• * 在一个单一的设备内展示传感器内计算,内存计算和多个非线性激活函数的单一集成.
• *为可扩展,节能智能系统建立硬件基础.

主要方法:

• *开发了一种高速,可重新配置的多模式分割浮动门内存架构.
• * 在空间分离的浮动门中对电荷进行编程,以控制光响应性和导电性.
• * 整形的电气重新配置以模拟ReLU和Sigmoid激活功能.
• * 实现完全基于硬件的传感器处理器系统,使用内存阵列进行学习任务.

主要成果:

• * 该设备单体集成传感,内存计算和多个非线性激活功能 (ReLU,Sigmoid).
• *通过充电编程实现光响应性和导电性的非挥发性模拟控制.
• * 一个完整的传感器处理器系统成功地在硬件中执行了无监督和监督的学习任务.
• * 证明了高速和可重新配置的操作.

结论:

• *开发的分裂浮动门内存为智能系统提供了紧而节能的解决方案.
• * 多种功能的单体集成增强了与现有的神经形态方法相比的可扩展性和效率.
• * 这项技术为下一代人工智能和物联网应用提供了可重新配置的硬件基础.