CMOS-pohjaiset alue- ja tehotehokkaat neuroni- ja synapsipiirit aika-alueen analogisiin spiking-hermoverkkoihin

ABSTRAKTI

Tavanomaisilla hermorakenteilla on taipumus kommunikoida analogisten suureiden, kuten virtojen tai jännitteiden, kautta; Kuitenkin kun CMOS-laitteet kutistuvat ja syöttöjännitteet pienenevät, jännite/virta-alueen analogisten piirien dynaaminen alue kapeautuu, käytettävissä oleva marginaali pienenee ja kohinansieto heikkenee. Lisäksi operaatiovahvistimien (operaatiovahvistimien) ja jatkuva-aikaisten tai kellotettujen vertailijoiden käyttö tavanomaisissa malleissa johtaa korkeaan energiankulutukseen ja suureen sirualueeseen, mikä olisi haitallista hermoverkkojen rakentamiselle. Tämän vuoksi ehdotamme hermorakennetta aika-alueen signaalien generoimiseksi ja lähettämiseksi, mukaan lukien neuronimoduuli, synapsimoduuli ja kaksi painomoduulia. Ehdotettua hermorakennetta ohjaa MOS-transistorien vuotovirta, ja se käyttää invertteripohjaista vertailijaa laukaisutoiminnon toteuttamiseen, mikä tarjoaa paremman energian ja alueen tehokkuuden verrattuna perinteisiin malleihin. Ehdotettu hermorakenne on valmistettu käyttämällä TSMC 65 nm CMOS-tekniikkaa. Ehdotettu neuroni ja synapsi vievät 127 ja 231 lm2 alueen, vastaavasti, samalla kun ne saavuttavat millisekunnin aikavakiot. Todelliset sirumittaukset osoittavat, että ehdotettu rakenne toteuttaa ajallisen signaalin viestintätoiminnon millisekunnin aikavakioilla, mikä on kriittinen askel kohti laitteistovarastolaskentaa ihmisen ja tietokoneen välisessä vuorovaikutuksessa. Piikkihermoverkon simulaatiotulokset säiliölaskentaa varten ehdotetun hermorakenteen käyttäytymismallilla osoittavat oppimistoiminnon.

Cistanche-edut miehille - vahvistavat immuunijärjestelmää

Napsauta tästä nähdäksesi Cistanche Enhance Immunity -tuotteet

【Kysy lisää】 Sähköposti:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Syviä hermoverkkoja (DNN), jotka ovat keinotekoisten hermoverkkojen (ANN) toinen sukupolvi, on tutkittu laajasti viime vuosina yhä useammille sovelluksille. Niiden valtava energiankulutus erityisesti tavanomaisen von Neumann-arkkitehtuurin muistin käyttöön on kuitenkin pakottanut ihmiset etsimään vaihtoehtoista tapaa saavuttaa tehokkaampia ratkaisuja.1–6 Spiking Neural Network (SNN) on yksi houkuttelevista ratkaisuista kolmantena. ANN:ien sukupolvi, joka voi toteuttaa oppimistoiminnon pienellä teholla matkimalla biologisia hermosoluja. SNN:t koostuvat hermosoluista ja synapseista, ja ne rakennetaan yleensä alhaalta ylös -lähestymistavalla, mikä tarkoittaa, että SNN:n jokainen komponentti on suunniteltava ensin.6–12 Monia pulssihermosolujen tai synapsien laitteistototeutuksia on raportoitu.13–21 toteuttaa hermosolujen vuotavan integrointitoiminnon, tavanomaiset mallit rakentavat yleensä integraattoreita operaatiovahvistimilla (operaatiovahvistimilla)14 ja käyttävät usein suuria piirikondensaattoreita ja vastuksia jäljittelemään biologisten hermosolujen millisekunnin aikavakioita.16,17 Lisäksi hermosolujen "fire"-toiminto, jatkuva-aikaisen tai kellotetun komparaattorin omaa piirirakennetta käytetään yleensä asettamaan kynnys hermosolujen viritykselle.13–16,20 Jatkuvaajan komparaattorin bias-virta epäilemättä lisää virrankulutusta. neuroni, kun taas kellotettu komparaattori vaatii ylimääräistä kellosignaalin jakautumista ja monimutkainen vertailijarakenne vie suuren sirualueen. Vaikka edistyneemmät prosessit voivat saavuttaa alhaisen virrankulutuksen vähentämällä syöttöjännitettä ja staattista vuotovirtaa,21 johtaa myös kapeampaan dynamiikkaan, pienempään marginaaliin ja heikentyneeseen jännite/virta-alueen analogisten piirien kohinansietokykyyn.22 Tämä on haitallista tavanomaiset neuroverkot, jotka käyttävät analogisia suureita, kuten jännitettä ja virtaa, kommunikoidakseen keskenään. Toisaalta skaalattujen transistoreiden ansiosta, joilla on parannettu toimintanopeus terävillä signaalisiirtymillä, analoginen informaatio voidaan esittää tehokkaammin aikatasolla eli kahden signaalisiirtymän aikavälillä. Tällä niin kutsutulla aika-aluepiirillä on toinen etu tehotehokkuudessaan, koska se koostuu usein inverttereistä tai logiikkaporteista, jotka ihanteellisesti eivät kuluta tasavirtaa.22,23 Näin ollen aika-aluepiirit ovat ihanteellisia pienitehoisten SNN-verkkojen tuleviin toteutuksiin. .

Cistanche-edut miehille - vahvistavat immuunijärjestelmää

Tässä artikkelissa ehdotamme alkuperäistä hermorakennetta aika-alueen signaalien generoimiseksi ja lähettämiseksi aika-alueen hermoverkon muodostamiseksi. Integroitu rakenne sisältää neuroni- ja synapsimoduuleja, jotka generoivat ja lähettävät vastaavasti aika-alueen signaaleja, sekä painomoduulit oppimistoimintoja varten. Yksi tärkeimmistä kohdesovelluksistamme on säiliölaskenta, joka käsittelee ihmisen toimintaan liittyvää tietoa. Sovelluksemme tähtää yksinkertaisempaan ja vähemmän dataintensiiviseen käsittelyyn, kuten biosignaaleihin. Varastolaskennassa oppimistoiminnot, kuten EKG:n ja kaiuttimen tunnistus sekä käsinkirjoituksen tunnistus voidaan toteuttaa vain muutaman sadan neuronin avulla. Viite 24 osoittaa, että oppimissuorituskyky paranee, kun tulotehosteiden aikavakiot täsmäävät kohdefunktion ja säiliödynamiikan välillä, ja käytämme millisekunnin aikavakioita suunnittelukohteena hermorakenteelle, jota käytetään aikasarjatietojen käsittelyyn. ihmistoiminta. Käytämme ehdotetun hermorakenteen käyttäytymismallia SNN:n rakentamiseen säiliölaskentaa varten ja oppimisfunktion toteuttamiseen, mikä todistaa, että ehdottamaamme hermorakennetta voidaan käyttää säiliölaskentaan. Suunniteltu ja valmistettu hermorakenne on esitetty kuvassa 1(a), joka perustuu ehdotettuihin neuroni-, synapsi- ja painomoduuleihin, jotka kuvataan yksityiskohtaisesti alla. Tässä rakenteessa neuronimoduulin tulo on kytketty kahteen painomoduuliin, joista toinen virittää inhiboivaa signaalia ja toinen virittävä signaali. Valmistimme kuvassa 1(a) esitetyn ehdotetun hermorakenteen TSMC 65 nm -standardin CMOS-tekniikalla. Mikrovalokuva sirusta on esitetty kuviossa 1(b), jossa neuronin, synapsin ja painomoduulin suulakepinta-ala on vastaavasti 127, 231 ja 525 lm2.

ght-moduulit ovat 127, 231 ja 525 lm2, vastaavasti. LIF-neuronimalli koostuu pääasiassa kalvokondensaattorista, vuotavasta vastuksesta ja jännitevertailijasta. Neuronit vastaanottavat signaaleja muista neuroneista synapsien kautta ja soma tuottaa toimintapotentiaalia vasteena näihin ulkoisiin signaaleihin. Jos neuroni saa riittävän määrän piikkejä synapsin kautta, sen kalvopotentiaali saavuttaa kynnysarvon, jolloin hermosolu "sytyttää".8,25,26 Invertterien käyttö "tuli"-toiminnon toteuttamiseen tunnetaan jo nimellä vaihtoehto vertaileville. Viitteessä 27 on ehdotettu invertteripohjaista neuronia, joka soveltuu hyvin käytettäväksi ehdotetussa hermorakenteessa, ja siksi tässä tutkimuksessa käytetty neuroni suunniteltiin viitteen perusteella. 27, joka on esitetty kuviossa 2(a). Se koostuu syöttölaitteesta, vuotavasta integraattorilaitteesta, palolaitteesta ja viivelaitteesta. Alunperin viitenumerossa Kuviossa 27 piiriä ei oleta suunniteltu elementiksi hermoverkon rakentamiseen, eikä sillä siten ole rakennetta vastaanottaa herättäviä ja estäviä signaaleja. Ehdotetussa piirissä sitä vastoin syöttölaite, joka koostuu M1:stä ja M2:sta, vastaanottaa vastaavasti herättävän ja estävän tulon. Ml:n ja M2:n sisääntulot ovat kapeita pulssisignaaleja, kuten on esitetty kuviossa 2(a), jotka muodostetaan esivaiheisesta synapsista. Esivaiheen synapsin aktiivisuutta edustaa pulssitaajuus, ja kytkentäpainoa edustaa pulssin leveys. Kun useampi kuin yksi esivaiheinen synapsi on kytketty muodostamaan verkko, useita pulsseja voidaan käyttää TAI-logiikan kautta tai lisäämällä rinnakkain kytkettyjä syöttölaitteita. Rinnakkaisilla syöttölaitteilla neuronipiiri voi hyväksyä useita pulsseja jopa samanaikaisesti.

cistanche tubulosa - parantaa immuunijärjestelmää

Vuotavassa integraattorilaitteessa Cmem edustaa hermosolun solukalvoa ja M5:tä voidaan pitää lepotilassa vuotavana vastuksena. Kun tulolaitteessa ei ole ulkoista tuloa, kondensaattori latautuu M3:n ja M4:n vuotovirralla ja kalvopotentiaali Vmem kasvaa jatkuvasti vuotovirran myötä [virta integroidaan kuvan 2 mukaisesti. bi)]. Tässä vaiheessa, koska M5 on off-tilassa, sitä voidaan pitää kondensaattorin rinnalla olevana vastuksena eli vuotavana vastuksena, joka pystyy saavuttamaan pitkäkestoisen vakion. Kun Vmem nousee kynnysjännitteeseen VthðFireÞ, laukaisulaite aktivoituu [Kuva. 2(b-ii)]. Perinteisissä malleissa LIF-neuronit käyttävät enimmäkseen jatkuvan ajan tai kellotetun komparaattorin omistettuja piirirakenteita kynnysjännitteen asettamiseen. Tämä ei ole ystävällinen SNN-verkkojen rakentamiseen, jotka ovat yhtä energiatehokkaita ja biomittakaavaisia ​​kuin aivot. Tässä tutkimuksessa laukaisulaite on toteutettu invertteripohjaisella komparaattorilla, joka voi asettaa kynnysjännitteen kahdella transistorilla jatkuvan ajan tai kellotetun komparaattorin sijaan. Tarkan kynnysjännitteen saavuttamiseksi invertteripohjaiselle vertailijalle voimme käyttää automaattista nollaustekniikkaa, joka ajoittain havaitsee, tallentaa ja peruuttaa siirtymän kytkimillä ja kondensaattoreilla.28 Se vaatii kuitenkin monivaiheisia kelloja kytkimien ohjaamiseen; siksi se ei sovellu alue- ja tehotehokkaisiin säiliötoteutuksiin. Vaikka yksinkertaisella invertteripohjaisella vertailulaitteella voi esiintyä kynnyksen vaihtelua prosessin, jännitteen ja lämpötilan vaihteluista johtuen, sen voidaan nähdä jäljittelevän todellisten hermosolujen yksilöiden välistä eroa. Lisäksi oppimistoiminto voi kompensoida kynnysarvojen eroja ja prosessivaihteluita.29 Kun on virityspulssitulo, M1 kytkeytyy päälle välittömästi, mikä saa lisää virtaa lataamaan Cmem ja Vmem nousemaan nopeasti. Sitä vastoin estävä pulssitulosignaali saa M2:n käynnistymään hetkellisesti, jolloin Cmem latautuu hitaammin tai jopa purkautuu M2:n kautta, mikä puolestaan ​​hidastaa Vmem:n nousunopeutta tai laskee sen.

Kun laukaisulaite aktivoidaan, se tuottaa alhaisen VFire-tason kytkettäväksi M4:ään, mikä lisää virtaa kalvokondensaattorin Cmem lataamiseksi, mikä johtaa kalvopotentiaalin Vmem välittömään kasvuun, mikä edistää laukaisun laukaisua. laite. Tämä jäljittelee Naþ:n sisäänvirtausta solukalvoon, mikä saa aikaan nopean kalvojännitteen nousun, eli positiivisen palautevaikutuksen. Lopuksi laukaisulaitteesta generoitu alhainen VFire-taso muunnetaan korkeaksi VSpike-tasoksi [Kuva. 2(b-iii)] viivelaitteella, joka sisältää kolmivaiheisen invertterin ja yhdistää VSpiken M3:een ja M5:een, jolloin Vmem nollataan. Tämä prosessi jäljittelee Kþ-kanavien aktivaatiota biologisissa neuroneissa, mikä johtaa Kþ-ionien ulosvirtaukseen ja solukalvon mahdolliseen palautumiseen lepotilaan.

Synapsit ovat olennaisia ​​moduuleja SNN:issä, koska ne yhdistävät neuronit toisiinsa. Olemme suunnitelleet neuronimoduulin aika-alueen signaalien generoimiseksi, ja sitten tarvitsemme siirtovälineen eli synapsin välittämään tämän aika-alueen signaalin muille neuroneille. Täydellisen hermoverkon muodostamiseksi suunnittelemme synapsimoduulin taajuussignaalien perusteella, kuten kuvassa 2(c). Synapsi koostuu pääasiassa jänniteohjatusta vuotovirralla toimivasta rengasoskillaattorista, joka koostuu kolmivaiheisesta invertteristä (M6; M7; M8; M9; M10 ja M11). Edellinen neuronipiiri laukeaa ja synnyttää piikki VSpike, jonka invertteri kääntää, jolloin M5 aukeaa lyhyen aikaa ja M5:n läpi kulkeva virta varaa CSYN:n, mikä lisää VSYN:ää. Kun VSYN saavuttaa jännitteen, joka laukaisee värähtelyn, rengasoskillaattori alkaa värähdellä [kuvat. 2(b-iv) ja 2(bv)]. Jos edellinen neuroni ei laukea pitkään aikaan, VSYN vuotaa alkutilaan asti, jolloin synapsi muuttuu jälleen passiiviseksi. Koska VSYN vastaa rengasoskillaattorin syöttöjännitettä, M5:stä ulos tuleva virta ohjaa VSYN:ää ja siten rengasoskillaattorin taajuutta.

Cistanche-edut miehille - vahvistavat immuunijärjestelmää

SNN:t saavuttavat oppimistoiminnon säätämällä painoja; siksi ehdotamme painomoduulia, joka on yhteensopiva edellä kuvattujen aika-alueen neuroni- ja synapsimoduulien kanssa, kuten kuviossa 2(d) esitetään. Ehdotettu painomoduuli virittää aikatason informaatiota, joka on lähtöpulssien leveys. Tämä moduuli koostuu viivelinjasta, multiplekseristä ja AND-portista. VRing on synapsista tuleva neliöaaltosignaali, joka kulkee viivelinjan läpi. VWeight on painoa kuvaava digitaalinen koodi, joka määritetään oppimisen jälkeen ja jota käytetään multiplekserin ohjaamiseen. Aika-alueen painoa vastaavan lähtöpulssin leveys säädetään sen mukaan, mikä vaihtosuuntaajaketjun väliotto multiplekseri valitsee. Kuten aiemmin mainittiin, jos virittävä tai estävä pulssin leveys on leveä, seuraavan hermosolun jännite Vmem varautuu tai purkautuu vastaavasti nopeammin. Tämä vastaa suurta painoa. Tässä tutkimuksessa valitsimme multiplekserin, jossa on 16 tuloa, eli neljän bitin painot (0000 - 1111). Painomoduulin lähtö on kytketty seuraavien neuronipiirien syöttölaitteeseen. Pulssin taajuus (pulssiväli) ja pulssin leveys vaikuttavat samanaikaisesti hermosoluon ja muuttavat sen aktiivisuutta. Pulssin taajuus määräytyy edellisen synapsin lähtötaajuuden mukaan, kun taas kytkentävoimakkuus riippuu painomoduulin määrittämästä pulssilähdön leveydestä.

KUVA. 1. (a) Ehdotettu rakenne ja (b) mikrokuva sirusta.

KUVA. 2. (a) Ehdotetun neuronimoduulin piirikaavio, (b) ehdotetun LIF-neuroni- ja synapsimoduulien käyttäytyminen, (c) ehdotetun synapsimoduulin piirikaavio ja (d) ehdotetun painomoduulin piirikaavio.

Kuva 3(a) esittää kokeellisen järjestelyn, jota käytettiin valmistetun hermorakennesirun testaamiseen [kuvio. 1(b)], jossa siru asetettiin koetinasemalle Summit 11000 ja testattiin sen kanssa suoraan kosketuksissa olevilla antureilla. Kokeissa oletetaan, että kahden painomoduulin syötteet ovat esivaiheisia synapseja, joita mielivaltaiset funktiogeneraattorit emuloivat. Neuronin lähtö on kytketty synapsimoduuliin, jonka lähtöä muutetaan vasteena hermosolun lähdön muutokselle. Käytimme Tektronix AFG31252 mielivaltaisten toimintojen generaattoria esivaiheisena synapsina tuottaaksemme neliöaaltosignaaleja valmistetuille hermopiireillemme. Samaan aikaan tarkkailimme lähtöaaltomuotoja oskilloskoopeilla (Keysight MSOX6004A ja DSOX93304Q). Koetulokset on esitetty kuvioissa 1 ja 2. 3(b)–3(d). Varmistaaksemme painojen vaikutuksen hermosolujen laukaisunopeuteen kiinnitimme esivaiheen synapsin lähdön (toimintogeneraattorin) taajuuden 100 Hz:iin ja tarkkailimme muutosta neuronien laukaisunopeudessa neljällä sirulla säätämällä painomoduulia. Laskimme piikkitaajuuksien keskiarvon 1024 kertaa 100 ms:n aikavälillä saadaksemme vastaavan hermosolujen laukaisutaajuuden kunkin painoasetuksen alla, kuten kuvassa 3(b). Ehdotettu neuroni laukeaa periaatteessa nopeudella, jonka määrittävät vuotovirrat Cmemiin ja sieltä ulos tasapainossa, ja edellisen vaiheen tulo moduloi sitä. Voimme nähdä, että kun painot kasvavat, hermosolumoduulin laukaisutaajuus kasvaa. Pääasiassa FETien prosessivaihteluista johtuen sytytystaajuus vaihtelee noin 610–17 % neljän sirun aikana. Erityisesti säiliössä käytettäessä sen toistuvien yhteyksien satunnaisten painojen vuoksi nämä satunnaiset vaihtelut tulisi kuitenkin kompensoida oppimisprosessin aikana lähtöpainoissa.

Kuvassa 3(c) verrataan hermosolujen paloaikojen vaihtelua esivaiheen synapsista tulevan signaalin mukaan. Kuvan 3(c) upotukset (i)–(iii) esittävät tapaukset, joissa 100 Hz:n estävä tulo (paino on asetettu 1100:ksi), ei syöttöä ja 100 Hz:n kiihottava tulo (paino on asetettu arvoon 1100). , josta voimme nähdä, että estotulo vähentää hermosolun palotaajuutta ja pidentää paloväliä, kun taas virityssyöttö toimii estävän tulon vastakohtana. Kokeelliset tulokset osoittavat, että ehdotetun hermosolun laukaisuväli on millisekuntien luokkaa, mikä on millisekunnin aikavakioiden omaavien biologisten neuronien ominaisuuden mukaista. Kun esivaiheen synapsista ei syötetä signaalia, virrankulutus on noin 800 pW, mikä tuottaa noin 20 piikkiä 100 ms:n jaksossa. Tästä voidaan karkeasti arvioida, että jokainen piikki kuluttaa noin 4 pJ energiaa. Myöhemmin kuvan 3(c) sisäosia (i)–(iii) käytettiin tulosignaaleina synapsiin vaikuttamaan VRing:iin. Näissä kolmessa tapauksessa mitatut VRing-aaltomuodot on esitetty kuvassa 3(d). Kunkin tapauksen taajuuksien keskiarvot mitattuna 5 sekunnin aikajaksolla ovat vastaavasti 41, 90 ja 98 Hz. Tämän synapsin lähtötaajuusalueen toteutettavuus validoidaan järjestelmätason simulaatioilla seuraavassa keskustelussa.

KUVA. 3. (a) Valokuva kokeellisesta asetelmasta, (b) neuronin mitattu laukaisunopeus neljälle sirulle, (c) neuronin ulostulon mitatut aaltomuodot ja (d) synapsin ulostulon mitatut aaltomuodot.

KUVA. 4. (a) Toinen yhdistetty rakenne, joka on valmistettu arvioimaan synapsin ja (b) VRingin ja VSYN:n mitatut aaltomuodot.

Synapsin synkronisen vasteen havainnoinnin helpottamiseksi valmistimme myös kuvan 4(a) rakenteen. Kuvio 4(b) on kuvion 4(a) kokeelliset tulokset. Käytimme Tektronix AFG31252 mielivaltaisten funktioiden generaattoria generoimme 10 Hz:n kanttiaaltosignaalin VIN kuvan 4(ai) mukaisesti. Kun VIN kulkee painomoduulin läpi, se tuottaa piikkisignaalin VOUTðWeightÞ. Jännite VSYN tarkkaillaan sirulla olevan lähdeseuraajan kautta analogisena puskurina. Vaikka VOUTðWeightÞ ei ole suunniteltu ulkopuolelta havaittavaksi, koska se on kapea pulssi, kun VOUTðWeightÞ saapuu VIN:n laskevan reunan jälkeen, VSYN-jännite synapsissa nousee välittömästi kuvan 4(b-ii) mukaisesti. mikä puolestaan ​​lisää VRingin taajuutta. Jos VOUTðWeightÞ ei saavu pitkään aikaan, VSYN pienenee, mikä puolestaan ​​vaikuttaa VRing-taajuuden pienenemiseen. Taulukossa I esitetään suorituskyvyn vertailu itsenäisten neuronipiirien välillä. Ehdotetulla neuronipiirillä on etuja energiankulutuksen ja pinta-alan suhteen. Mallit viitenumeroissa. 13–16 käytti jatkuvaa aikaa tai kellotettua komparaattoria, ja nämä mallit vievät paljon sirualuetta ja virrankulutusta. Neuron, joka on valmistettu ei-CMOS-prosessissa, jota ehdotetaan viitteessä. 18 ei vaadi vertailijaa, mikä johtaa etuun alueella. Sen energiankulutus on kuitenkin suhteellisen korkea, ja nämä tietyt tekniikat ovat vähemmän kypsiä ja siten kalliimpia kuin tavalliset CMOS-prosessit. Molemmat Refs. 19 ja 21 valmistetaan edistyneellä prosessilla. Kuitenkin verrattuna tähän työhön, viite. 19 ei ole etua energiankulutuksen ja pinta-alan suhteen. Vaikka viite 21 näyttää paremman energiatehokkuuden simulointituloksilla, kun teknologiasolmu normalisoi ehdotettu neuroni saavuttaa paremman aluetehokkuuden.

Ehdotetun piikkihermosolun ja rengasoskillaattoripohjaisten synapsipiirien toteutettavuuden osoittamiseksi suoritetaan käyttäytymissimulaatio MATLAB-ympäristössä, kuten kuviossa 5(a) esitetään. Tässä simulaatiossa käytetään 100 hermosolua satunnaisten toistuvien yhteyksien kanssa ehdotettujen synapsien ja painotusmoduulien kanssa. Ehdotettuja painomoduuleja käytetään vain säiliökerroksessa ja niiden painot määrätään satunnaisesti etukäteen ja kiinnitetään oppimisprosessin aikana. Näin ollen säiliön satunnaiset vaihtelut kompensoidaan oppimisprosessin aikana lähtöpainoissa. Realistisen simulaation luomiseksi kunkin synapsin lähtötaajuusalue on asetettu 15 - 200 Hz todellisten mittaustulosten perusteella. Rekursiivista pienimmän neliösumman (RLS) algoritmia käytetään tulosten painojen harjoittamiseen viitteessä esitellyllä tavalla. 30. Esimerkkinä valvontatulosignaalista käytetään 10 Hz siniaaltoa, joka vastaa ihmisen toimintaan liittyvän tiedon aikaskaalaa. Valvonta- ja opetettu lähtösignaali on esitetty kuvassa 5(bi). Ulostulosta tuleva takaisinkytkentäsignaali muunnetaan viritys- ja estopulssijonoiksi, joiden taajuudet ovat suhteessa lähtöamplitudin itseisarvoon, kuten kuvioissa 1 ja 1 on esitetty. 5(b-ii) ja 5(b-iii), vastaavasti. Viiden valvontasignaalin jakson jälkeen lähtöpainot ovat kiinteät ja SNN generoi opitun signaalin itse, mikä osoittaa ehdotettujen hermorakenteiden soveltuvuuden oppimistoimintoon. Näistä simulaatioista olemme myös havainneet, että oppimiskyvyn parantamiseksi edelleen synapsin lähtötaajuuden viritysaluetta tulisi kasvattaa, mikä voidaan tehdä optimoimalla synapsipiiri. Esimerkiksi laajennetuilla taajuusviritysalueilla 15 Hz–2 kHz ja 15 Hz–20 kHz opitut signaalit muuttuvat tasaisemmiksi, jotta ne toistavat paremmin valvontasignaalin kuvien 1 ja 2 mukaisesti. 5(b-iv) ja 5(bv), vastaavasti.

cistanche tubulosa - parantaa immuunijärjestelmää

Yhteenvetona olemme ehdottaneet hermorakennetta aika-alueen signaalien generoimiseksi ja lähettämiseksi. Ehdotettu neuroni ja synapsi ovat kooltaan 127 ja 231 lm2, vastaavasti. Tässä rakenteessa ei käytetä operaatiovahvistimia ja jatkuva-aikaisia ​​tai kellotettuja vertailijoita, kun taas laukaisutoiminto on toteutettu invertteripohjaisella komparaattorilla, joka tarjoaa etuja alueen ja tehonkulutuksen suhteen. Ehdotettu aika-alueen hermorakenne hyötyy skaalatusta prosessiteknologioista verrattuna tavanomaisiin jännite-/virta-alueen malleihin. Todelliset sirun valmistus- ja mittaustulokset osoittavat ajallisen signaalin kommunikaatiotoiminnon millisekunnin aikavakioilla. Ehdotettu aika-alueen hermorakenne soveltuu hyvin piikkejähermoverkkojen rakentamiseen reaaliaikaisen aikasarjainformaation käsittelemiseksi ihmisen ja tietokoneen vuorovaikutusta varten.

TAULUKKO I. Erillisten neuronipiirien suorituskyvyn vertailu

KUVA. 5. (a) SNN:n käyttäytymismalli säiliölaskentaa varten perustuu ehdotettuun hermorakenteeseen. (b) Järjestelmätason käyttäytymissimulaatiotulokset: (i) perustuvat malliin, jossa on 15–200 Hz:n taajuussäätöalue, zoomattu näkymä (ii) virittävästä ja (iii) lähdöstä muunnetusta estävästä tulosignaalista, (iv) perustuu 15–2 kHz:iin ja (v) 15–20 kHz:n taajuusviritysalueisiin.

VIITTEET

1 Y. Zhang, P. Qu, Y. Ji, W. Zhang, G. Gao, G. Wang, S. Song, G. Li, W. Chen, W. Zheng, F. Chen, J. Pei, R Zhao, M. Zhao ja L. Shi, Nature 586, 378–384 (2020).

2 D. Shin ja H.-J. Joo, Proc. IEEE 108, 1245–1260 (2020).

3 Y. LeCun, Y. Bengio ja G. Hinton, Nature 521, 436–444 (2015).

4 T. Kohno ja K. Aihara, AIP Conf. Proc. 1028, 113–128 (2008).

5 E. Chicca ja G. Indiveri, Appl. Phys. Lett. 116, 120501 (2020).

6 Y. Bo, P. Zhang, Y. Zhang, J. Song, S. Li ja X. Liu, J. Appl. Phys. 127, 245101 (2020).

7 K. Yang ja A. Sengupta, Appl. Phys. Lett. 116, 043701 (2020).

8 X. Chen, T. Yajima, IH Inoue ja T. Iizuka, Jpn. J. Appl. Phys. 61, SC1051 (2022).

9 W. Maass, Neural. Networks 10, 1659-1671 (1997).

10S. S. Radhakrishnan, A. Sebastian, A. Oberoi, S. Das ja S. Das, Nat. Commun. 12, 2143 (2021).

11X. Chen, T. Yajima, IH Inoue ja T. Iizuka, julkaisussa Extended Abstract of International Conference on Solid State Devices and Materials (SSDM) (JSAP, 2021), s. 682–683.

12D. S. Jeong, J. Appl. Phys. 124, 152002 (2018).

13G. Indiveri, E. Chicca ja R. Douglas, IEEE Trans. Neuraalinen. Networks 17, 211–221 (2006).

14X. Wu, V. Saxena, K. Zhu ja S. Balagopal, IEEE Trans. Circuits Syst. II 62, 1088–1092 (2015).

15A. Joubert, B. Belhadj, O. Temam ja R. Heliot julkaisussa The 2012 International Joint Conference on Neural Networks (IJCNN), 2012.

16S. A. Aamir, P. M€uller, G. Kiene, L. Kriener, Y. Stradmann, A. Gr€ubl, J. Schemmel ja K. Meier, IEEE Trans. Biomed. Circuits Syst. 12, 1027–1037 (2018).

17A. Basu ja PE Hasler, IEEE Trans. Circuits Syst. I 57, 2938–2947 (2010).

18S. Dutta, V. Kumar, A. Shukla, NR Mohapatra ja U. Ganguly, Sci. Rep. 7, 8257 (2017).

19A. Rubino, M. Payvand ja G. Indiveri, 26. IEEE International Conference on Electronics, Circuits, and Systems (ICECS) (IEEE, 2019), s. 458–461.

20S. A. Aamir, Y. Stradmann, P. M€uller, C. Pehle, A. Hartel, A. Gr€ubl, J. Schemmel ja K. Meier, IEEE Trans. Circuits Syst. I 65, 4299–4312 (2018).

21R. M. Saber Moradi ja SA Bhave, IEEE Symposium Series on Computational Intelligence (SSCI), 2017.

22K. Asada, T. Nakura, T. Iizuka ja M. Ikeda, IEICE Electron. Express 15, 20182001 (2018).

23R. Staszewski, K. Muhammad, D. Leipold, C.-M. Hung, Y.-C. Ho, J. Wallberg, C. Fernando, K. Maggio, R. Staszewski, T. Jung, J. Koh, S. John, IY Deng, V. Sarda, O. Moreira-Tamayo, V. Mayega, R. Katz , O. Friedman, O. Eliezer, E. de Obaldia ja P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

24C. Gallicchio ja A. Micheli, Neural. Netwotks 24, 440–456 (2011).

25L. F. Abbott ja P. Dayan, Theoretical Neuroscience (The MIT Press, 2005).

26W. Gerstner ja WM Kistler, Spiking Neuron Models: Single Neurons, Populations (Cambridge University Press, 2012).

27T. Yajima, Sci. Rep. 12, 1150 (2022).

28B. Razavi, Data Conversion System Designin periaate (Wiley-IEEE Press, 1995).

29T. Wunderlich, AF Kungl, E. M€uller, A. Hartel, Y. Stradmann, SA Aamir, A. Gr€ubl, A. Heimbrecht, K. Schreiber, D. St€ockel, C. Pehle, S. Billaudelle, G. Kiene, C. Mauch, J. Schemmel, K. Meier ja MA Petrovici, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo ja L. Abbott, "Koherenttien toimintamallien luominen kaoottisista hermoverkoista", Neuron 63, 544–557 (2009).