Uz CMOS balstītas zonas un enerģijas efektīvas neironu un sinapses shēmas laika domēna analogajiem neironu tīkliem

KOPSAVILKUMS

Parastās neironu struktūras mēdz sazināties, izmantojot analogos lielumus, piemēram, strāvu vai spriegumu; tomēr, CMOS ierīcēm samazinoties un barošanas spriegumam samazinoties, sprieguma/strāvas domēna analogo ķēžu dinamiskais diapazons kļūst šaurāks, pieejamā rezerve kļūst mazāka un trokšņu noturība samazinās. Turklāt operacionālo pastiprinātāju (operācijas pastiprinātāju) un nepārtraukta laika vai pulksteņa komparatoru izmantošana tradicionālajās konstrukcijās rada lielu enerģijas patēriņu un lielu mikroshēmu laukumu, kas kaitētu neironu tīklu veidošanai. Ņemot to vērā, mēs piedāvājam neironu struktūru laika domēna signālu ģenerēšanai un pārraidīšanai, tostarp neironu moduli, sinapses moduli un divus svara moduļus. Ierosināto neironu struktūru virza MOS tranzistoru noplūdes strāva, un tā izmanto uz invertoru balstītu komparatoru, lai realizētu aizdedzes funkciju, tādējādi nodrošinot augstāku enerģijas un platības efektivitāti salīdzinājumā ar parastajiem dizainiem. Ierosinātā neironu struktūra ir izgatavota, izmantojot TSMC 65 nm CMOS tehnoloģiju. Piedāvātais neirons un sinapse aizņem attiecīgi 127 un 231 lm2 laukumu, vienlaikus sasniedzot milisekundes laika konstantes. Faktiskie mikroshēmu mērījumi liecina, ka piedāvātā struktūra īsteno laika signālu komunikācijas funkciju ar milisekundes laika konstantēm, kas ir kritisks solis ceļā uz aparatūras rezervuāra skaitļošanu cilvēka un datora mijiedarbībai. Spiking neironu tīkla simulācijas rezultāti rezervuāru skaitļošanai ar ierosinātās neironu struktūras uzvedības modeli parāda mācīšanās funkciju.

cistanche priekšrocības vīriešiem - stiprina imūnsistēmu

Noklikšķiniet šeit, lai skatītu Cistanche Enhance Immunity produktus

【Jautājiet vairāk】 E-pasts:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Dziļie neironu tīkli (DNN), kas ir mākslīgo neironu tīklu (ANN) otrās paaudzes, pēdējos gados ir plaši izpētīti arvien lielākam lietojumu skaitam. Tomēr to milzīgais enerģijas patēriņš, īpaši piekļuvei atmiņai parastajā fon Neimaņa arhitektūrā, ir licis cilvēkiem atrast alternatīvu veidu, kā panākt energoefektīvākus risinājumus.1–6 Spiking neironu tīkls (SNN) ir viens no pievilcīgākajiem risinājumiem kā trešais. ANN paaudze, kas var realizēt mācīšanās funkciju ar mazu jaudu, atdarinot bioloģiskos neironus. SNN sastāv no neironiem un sinapsēm, un parasti tie tiek veidoti, izmantojot augšupēju pieeju, kas nozīmē, ka vispirms ir jāprojektē katrs SNN komponents.6–12 Ir ziņots par daudzām impulsu neironu vai sinapsu aparatūras implementācijām.13–21 lai īstenotu neironu noplūdes integrācijas funkciju, tradicionālie modeļi parasti veido integratorus ar darbības pastiprinātājiem (operācijas pastiprinātājiem)14 un bieži izmanto lielus mikroshēmas kondensatorus un rezistorus, lai atdarinātu bioloģisko neironu milisekunžu laika konstantes.16,17 Turklāt, lai ieviestu neironu "ugunsgrēka" funkcija, nepārtraukta laika vai pulksteņa komparatora īpaša ķēdes struktūra parasti tiek izmantota, lai iestatītu neironu ierosmes slieksni.13–16,20 Nepārtrauktā laika komparatora nobīdes strāva neapšaubāmi palielina ierīces enerģijas patēriņu. neirons, savukārt pulksteņa komparatoram ir nepieciešams papildu pulksteņa signāla sadalījums un sarežģītā salīdzinājuma struktūra aizņem lielu mikroshēmas laukumu. Lai gan progresīvāki procesi var sasniegt zemu enerģijas patēriņu, samazinot barošanas spriegumu un statisko noplūdes strāvu21, tas rada arī šaurāku dinamisko diapazonu, mazāku pieejamo rezervi un pasliktinātu sprieguma/strāvas domēna analogo ķēžu trokšņu noturību.22 Tas kaitē parastie neironu tīkli, kas izmanto analogos lielumus, piemēram, spriegumu un strāvu, lai sazinātos savā starpā. No otras puses, pateicoties mērogotajiem tranzistoriem, kuriem ir uzlabots darbības ātrums ar asām signālu pārejām, analogo informāciju var efektīvāk attēlot laika apgabalā, ti, divu signālu pāreju laika intervālā. Šai tā sauktajai laika domēna ķēdei ir vēl viena priekšrocība energoefektivitātē, jo tā bieži sastāv no invertoriem vai loģiskiem vārtiem, kas ideālā gadījumā nepatērē līdzstrāvas strāvu.22,23 Tādējādi laika domēna shēmas ir ideāli piemērotas turpmākai mazjaudas SNN ieviešanai. .

cistanche priekšrocības vīriešiem - stiprina imūnsistēmu

Šajā rakstā mēs piedāvājam oriģinālu neironu struktūru laika domēna signālu ģenerēšanai un pārraidīšanai, lai izveidotu laika domēna neironu tīklu. Integrētajā struktūrā ietilpst neironu un sinapses moduļi, kas attiecīgi ģenerē un pārraida laika domēna signālus, kā arī svara moduļi mācību funkcijām. Viens no mūsu galvenajiem mērķa lietojumiem ir rezervuāru skaitļošana, kas apstrādā ar cilvēka darbību saistīto informāciju. Mūsu lietojumprogramma ir vērsta uz vienkāršāku un mazāk datu apstrādi, piemēram, biosignālu apstrādi. Rezervuāru skaitļošanā mācību funkcijas, piemēram, EKG un skaļruņu atpazīšanu, kā arī rokraksta atpazīšanu, var īstenot, izmantojot tikai dažus simtus neironu. 24. atsauce parāda, ka mācīšanās veiktspēja uzlabojas, ja ievades efektu laika konstantes tiek saskaņotas starp mērķa funkciju un rezervuāra dinamiku, un mēs izmantojam milisekundes laika konstantes kā neironu struktūras projektēšanas mērķi, kas tiks izmantota, lai apstrādātu laika rindu informāciju. cilvēku darbības. Mēs izmantojam ierosinātās neironu struktūras uzvedības modeli, lai izveidotu SNN rezervuāra skaitļošanai un īstenotu mācīšanās funkciju, kas pierāda, ka mūsu piedāvāto neironu struktūru var izmantot rezervuāra skaitļošanai. Izstrādātā un izgatavotā neironu struktūra ir parādīta 1. (a) attēlā, kas ir balstīts uz ierosinātajiem neironu, sinapses un svara moduļiem, kas tiks sīkāk aprakstīti turpmāk. Šajā struktūrā neironu moduļa ieeja ir savienota ar diviem svara moduļiem, viens inhibējošā signāla regulēšanai un otrs ierosinošajam signālam. Mēs izveidojām piedāvāto neironu struktūru, kas parādīta 1. (a) attēlā, izmantojot TSMC 65 nm standarta CMOS tehnoloģiju. Mikroshēmas mikroshēma ir parādīta 1. (b) attēlā, kur neirona, sinapses un svara moduļu formas laukums ir attiecīgi 127, 231 un 525 lm2.

ght moduļi ir attiecīgi 127, 231 un 525 lm2. LIF neironu modelis galvenokārt sastāv no membrānas kondensatora, noplūdes rezistora un sprieguma salīdzinājuma. Neironi saņem signālus no citiem neironiem, izmantojot sinapses, un soma ģenerē darbības potenciālu, reaģējot uz šiem ārējiem signāliem. Ja neirons caur sinapsēm saņem pietiekamu skaitu tapas, tā membrānas potenciāls sasniegs sliekšņa vērtību, izraisot neirona "uzliesmošanu".8,25,26 Invertoru izmantošana "ugunsgrēka" funkcijas īstenošanai jau ir pazīstama kā alternatīva salīdzinājumiem. 27. atsaucē ir ierosināts uz invertoru balstīts neirons, kas ir labi piemērots izmantošanai ierosinātajā neironu struktūrā, un tāpēc šajā pētījumā izmantotais neirons tika izstrādāts, pamatojoties uz atsauci. 27, kas parādīts 2(a) attēlā. Tas sastāv no ievades ierīces, necaurlaidīgas integratora ierīces, ugunsdzēsības ierīces un aizkaves ierīces. Sākotnēji atsaucē 27, netiek pieņemts, ka ķēde ir veidota kā elements neironu tīkla veidošanai, un tādējādi tai nav struktūras, kas uztvertu ierosinošus un inhibējošus signālus. No otras puses, ierosinātajā shēmā ievades ierīce, kas sastāv no M1 un M2, saņem attiecīgi ierosinošu un inhibējošu ievadi. M1 un M2 ieejas ir šauri impulsa signāli, kā parādīts 2. attēlā (a), kas tiek ģenerēti no pirmsstage sinapses. Pirmsposma sinapses aktivitāti attēlo impulsa frekvence, un savienojuma svaru attēlo impulsa platums. Ja tīkla izveidei ir pievienotas vairākas pirmsposma sinapses, vairākus impulsus var lietot, izmantojot VAI loģiku vai pievienojot paralēli pievienotas ievades ierīces. Izmantojot paralēlas ievades ierīces, neironu ķēde var pieņemt vairākus impulsus pat vienlaikus.

cistanche tubulosa-uzlabo imūnsistēmu

Noplūdes integratora ierīcē Cmem apzīmē neirona šūnu membrānu, un M5 miera stāvoklī var uzskatīt par noplūdes rezistoru. Ja ievades ierīcei nav ārējas ieejas, kondensators tiek uzlādēts ar M3 un M4 noplūdes strāvu, un membrānas potenciāls Vmem nepārtraukti palielinās līdz ar noplūdes strāvas ieplūdi [strāva ir integrēta, kā parādīts 2. att. bi)]. Šajā brīdī, tā kā M5 ir izslēgtā stāvoklī, to var uzskatīt par rezistoru paralēli kondensatoram, ti, noplūdes rezistoru, kas spēj sasniegt ilgtermiņa konstanti. Kad Vmem paaugstinās līdz sliekšņa spriegumam VthðFireÞ, tiek aktivizēta aizdedzes ierīce [Zīm. 2(b-ii)]. Parastās konstrukcijās LIF neironi sliekšņa sprieguma iestatīšanai lielākoties izmanto speciālas nepārtraukta laika vai pulksteņa komparatora ķēdes struktūras. Tas nav draudzīgs, lai izveidotu SNN, kas ir tikpat energoefektīvi un biomērogi kā smadzenes. Šajā pētījumā aizdedzes ierīce ir ieviesta ar invertora bāzes komparatoru, kas var iestatīt sliekšņa spriegumu ar diviem tranzistoriem, nevis nepārtraukta laika vai pulksteņa komparatoru. Lai noteiktu precīzu sliekšņa spriegumu uz invertoru balstītam salīdzinājumam, mēs varam izmantot automātiskās nulles iestatīšanas paņēmienu, kas periodiski uztver, saglabā un atceļ nobīdi ar slēdžiem un kondensatoriem.28 Tomēr slēdžu vadīšanai ir nepieciešami vairāku fāžu pulksteņi; tādējādi tas nav piemērots platības un jaudas ziņā efektīvas rezervuāra ieviešanai. Lai gan ar vienkāršu uz invertoru balstītu komparatoru procesa, sprieguma un temperatūras svārstību dēļ var būt sliekšņa izmaiņas, var uzskatīt, ka tas atdarina atšķirību starp īstu neironu indivīdiem. Turklāt mācīšanās funkcija var kompensēt sliekšņa atšķirības un procesa variācijas.29 Ja ir ierosinoša impulsa ievade, M1 tiks nekavējoties ieslēgts, kas izraisa lielāku strāvu, lai uzlādētu Cmem un Vmem strauji pieaugtu. Un otrādi, inhibējoša impulsa ievades signāls liks M2 īslaicīgi ieslēgties, liekot Cmem uzlādēt lēnāk vai pat izlādēties caur M2, kas savukārt palēnina Vmem pieauguma ātrumu vai liek tam samazināties.

Kad aizdedzes ierīce ir aktivizēta, tā ģenerē zemu VFire līmeni, kas jāsavieno ar M4, kas palielinās strāvu, lai uzlādētu membrānas kondensatoru Cmem, kā rezultātā momentāni palielinās membrānas potenciāls Vmem, kas veicina aizdedzes iedarbināšanu. ierīci. Tas atdarina Naþ ieplūšanu šūnu membrānā, izraisot strauju membrānas sprieguma pieaugumu, ti, pozitīvu atgriezeniskās saites efektu. Visbeidzot, zemais VFire līmenis, kas rodas no šaušanas ierīces, tiek pārveidots par augstu VSpike līmeni [att. 2(b-iii)], izmantojot aizkaves ierīci, kas ietver trīspakāpju invertoru un savieno VSpike ar M3 un M5, atiestatot Vmem uz nulli. Šis process atdarina Kþ kanālu aktivizēšanu bioloģiskajos neironos, kā rezultātā Kþ joni izplūst uz āru un šūnu membrāna galu galā atgriežas miera stāvoklī.

Sinapses ir būtiski SNN moduļi, jo neironi ir savstarpēji saistīti. Mēs esam izstrādājuši neironu moduli laika domēna signālu ģenerēšanai, un tad mums ir nepieciešama pārraides vide, ti, sinapse, lai pārraidītu šo laika domēna signālu citiem neironiem. Lai izveidotu pilnīgu neironu tīklu, mēs izstrādājam sinapses moduli, pamatojoties uz frekvences signāliem, kā parādīts 2. (c) attēlā. Sinapse galvenokārt sastāv no sprieguma kontrolēta gredzena oscilatora, kas darbojas ar noplūdes strāvu, kas sastāv no trīspakāpju invertora (M6; M7; M8; M9; M10 un M11). Iepriekšējā neironu ķēde aizdegas un ģenerē smaili VSpike, ko invertors apgriež, liekot M5 uz īsu brīdi atvērties, un caur M5 plūstošā strāva uzlādē CSYN, kas palielinās VSYN. Kad VSYN sasniedz spriegumu, kas izraisa svārstības, gredzena oscilators sāk svārstīties [Zīm. 2(b-iv) un 2(bv)]. Ja iepriekšējais neirons ilgstoši neuzliesmo, VSYN noplūdīs līdz sākuma stāvoklim, kurā sinapse atkal kļūst neaktīva. Tā kā VSYN ir līdzvērtīgs gredzena oscilatora barošanas spriegumam, no M5 izplūstošā strāva kontrolē VSYN un līdz ar to gredzena oscilatora frekvenci.

cistanche priekšrocības vīriešiem - stiprina imūnsistēmu

SNN sasniedz mācīšanās funkciju, pielāgojot svarus; tāpēc mēs piedāvājam svara moduli, kas ir savietojams ar ierosinātajiem laika domēna neironu un sinapses moduļiem, kas aprakstīti iepriekš, kā parādīts 2. attēlā (d). Piedāvātais svara modulis noregulē laika domēna informāciju, kas ir izejas impulsu platums. Šis modulis sastāv no aizkaves līnijas, multipleksora un UN vārtiem. VRing ir kvadrātviļņu signāls no sinapses, kas iet cauri aizkaves līnijai. VWeight ir digitālais kods, kas apzīmē svaru, kas tiek noteikts pēc mācīšanās un tiek izmantots multipleksora vadīšanai. Izejas impulsa platums, kas atbilst laika domēna svaram, tiek regulēts atbilstoši tam, kuru invertora ķēdes krānu izvēlas multiplekseris. Kā minēts iepriekš, ja ierosinošā vai inhibējošā impulsa platums ir plašs, spriegums Vmem nākamajā neironā tiek attiecīgi uzlādēts vai izlādēts ātrāk. Tas atbilst lielam svaram. Šajā pētījumā mēs izvēlējāmies multipleksoru ar 16 ieejām, ti, četru bitu svaru (no 0000 līdz 1111). Svara moduļa izeja ir savienota ar nākamo neironu ķēžu ievades ierīci. Impulsa biežums (impulsa atstatums) un impulsa platums vienlaikus iedarbojas uz neironu, lai mainītu tā aktivitāti. Impulsa frekvenci nosaka iepriekšējās sinapses izejas frekvence, savukārt savienojuma stiprums ir atkarīgs no svara moduļa noteiktā impulsa izejas platuma.

Zīm. 1. (a) ierosinātā struktūra un (b) mikroshēmas mikrogrāfs.

Zīm. 2. (a) piedāvātā neironu moduļa shēmas shēma, (b) piedāvāto LIF neironu un sinapses moduļu darbības, (c) piedāvātā sinapses moduļa shēmas un (d) piedāvātā svara moduļa shēmas shēma.

Attēlā 3(a) parādīta eksperimentālā iestatīšana, ko izmanto, lai pārbaudītu izgatavoto neironu struktūras mikroshēmu [Zīm. 1(b)], kur mikroshēma tika novietota uz zondes stacijas Summit 11000 un pārbaudīta ar zondēm, kas ar to bija tiešā saskarē. Eksperimentos mēs pieņemam, ka divu svara moduļu ievades ir pirmsposma sinapses, kuras emulē patvaļīgi funkciju ģeneratori. Neirona izeja ir savienota ar sinapses moduli, kura izeja tiks mainīta, reaģējot uz neirona izejas izmaiņām. Mēs izmantojām Tektronix AFG31252 patvaļīgu funkciju ģeneratoru kā pirmsposma sinapses, lai nodrošinātu kvadrātviļņu signālus mūsu izgatavotajām neironu shēmām. Tajā pašā laikā mēs novērojām izejas viļņu formas, izmantojot osciloskopus (Keysight MSOX6004A un DSOX93304Q). Eksperimenta rezultāti ir parādīti 1. 3(b)–3(d). Lai pārbaudītu svaru ietekmi uz neironu šaušanas ātrumu, mēs fiksējām pirmsposma sinapses izejas (funkciju ģeneratora) frekvenci 100 Hz un novērojām neironu šaušanas ātruma izmaiņas četrām mikroshēmām, pielāgojot svaru moduli. Mēs aprēķinājām smailes frekvences vidējo vērtību 1024 reizes 100 ms laika diapazonā, lai iegūtu atbilstošo neironu šaušanas frekvenci katrā svara iestatījumā, kā parādīts 3. attēlā (b). Ierosinātais neirons pamatā šauj ar ātrumu, ko nosaka noplūdes strāvas uz un no Cmem līdzsvarā, un iepriekšējā posma ievade to modulē. Mēs redzam, ka, kad svari kļūst lielāki, neironu moduļa šaušanas frekvence kļūst lielāka. Galvenokārt FET procesa atšķirību dēļ aktivizēšanas frekvence svārstās no aptuveni 610% līdz 17% četrās mikroshēmās. Tomēr, jo īpaši izmantošanai rezervuārā, ņemot vērā nejaušo svaru tā atkārtotajos savienojumos, šīs nejaušās variācijas ir jākompensē mācību procesa laikā izvades svaros.

Attēlā 3 (c) ir salīdzinātas neironu aizdegšanās laiku izmaiņas atkarībā no signāla no pirmsposma sinapses. 3. att. (c) ielaidumi (i)–(iii) parāda gadījumus ar 100 Hz inhibējošu ievadi (svars ir iestatīts uz 1100), bez ievades un ar 100 Hz ierosinošo ieeju (svars ir iestatīts uz 1100). , no kura redzams, ka inhibējošā ieeja samazina neirona ugunsgrēka biežumu un palielina uguns intervālu, savukārt ierosinošā ieeja darbojas kā pretstats inhibējošajai ieejai. Eksperimentālie rezultāti liecina, ka ierosinātā neirona šaušanas intervāls ir milisekundes, kas atbilst bioloģisko neironu pazīmei ar milisekunžu laika konstantēm. Ja no pirmsposma sinapses netiek padots signāls, enerģijas patēriņš ir aptuveni 800 pW, radot aptuveni 20 lēcienus 100 ms ciklā. No tā var aptuveni aprēķināt, ka katra smaile patērē apmēram 4 pJ enerģijas. Pēc tam 3. (c) attēla ieliktņi (i)–(iii) tika izmantoti kā sinapses ievades signāli, lai ietekmētu VRing. Izmērītās VRing viļņu formas šajos trīs gadījumos ir parādītas 3(d) attēlā. Frekvenču vidējās vērtības katram gadījumam, kas izmērītas 5 s laika periodā, ir attiecīgi 41, 90 un 98 Hz. Šī sinapses izejas frekvenču diapazona iespējamība tiks apstiprināta ar sistēmas līmeņa simulācijām nākamajā diskusijā.

Zīm. 3. (a) Eksperimentālā iestatījuma fotoattēls, (b) izmērītais neirona aktivizēšanas ātrums četrām mikroshēmām, (c) izmērītās neirona izejas viļņu formas un (d) izmērītās sinapses izejas viļņu formas.

Zīm. 4. (a) Vēl viena kombinēta struktūra, kas izgatavota, lai novērtētu VRing un VSYN sinapses un (b) izmērītās viļņu formas.

Lai atvieglotu sinapses sinhronās reakcijas novērošanu, mēs arī izveidojām 4. att. (a) struktūru. 4(b) attēlā ir 4(a) attēla eksperimentālie rezultāti. Mēs izmantojām Tektronix AFG31252 patvaļīgu funkciju ģeneratoru, lai ģenerētu 10 Hz kvadrātviļņu signālu VIN, kā parādīts 4. attēlā (ai). Kad VIN iziet cauri svara modulim, tas rada smailes signālu VOUTðWeightÞ. Spriegums VSYN tiek novērots caur mikroshēmas avota sekotāju kā analogo buferi. Lai gan VOUTðWeightÞ nav paredzēts novērošanai no ārpuses, jo tas ir šaurs impulss, VOUTðWeightÞ nonākot pēc VIN krītošās malas, VSYN spriegums sinapsē uzreiz palielinās, kā parādīts 4. (b-ii) attēlā. kas savukārt palielina VRing biežumu. Ja VOUTðWeightÞ nesanāk ilgu laiku, VSYN samazinās, kas savukārt ietekmē VRing frekvences samazināšanos. I tabulā parādīts veiktspējas salīdzinājums starp atsevišķām neironu shēmām. Piedāvātajai neironu ķēdei ir priekšrocības enerģijas patēriņa un platības ziņā. Dizaini atsaucēs. 13–16 izmantoja nepārtraukta laika vai pulksteņa komparatoru, un šīs konstrukcijas aizņem lielu mikroshēmas laukumu, kā arī enerģijas patēriņu. Neirons, kas izgatavots procesā, kas nav CMOS, ierosināts atsaucē. 18 nav nepieciešams salīdzinājums, kas rada priekšrocības šajā jomā. Tomēr tā enerģijas patēriņš ir salīdzinoši augsts, un šīs konkrētās tehnoloģijas ir mazāk nobriedušas un līdz ar to dārgākas salīdzinājumā ar standarta CMOS procesiem. Abi Ref. 19 un 21 tiek ražoti uzlabotā procesā. Tomēr, salīdzinot ar šo darbu, Ref. 19 nav priekšrocību enerģijas patēriņa un platības ziņā. Lai gan Ref. 21 parāda labāku energoefektivitāti ar simulācijas rezultātiem, kad, normalizējot tehnoloģiju mezglu, ierosinātais neirons sasniedz labāku apgabala efektivitāti.

Lai parādītu ierosinātā smailā neirona un gredzena oscilatora sinapses ķēžu iespējamību, tiek veikta uzvedības simulācija MATLAB vidē, kā parādīts 5(a) attēlā. Šajā simulācijā tiek izmantoti 100 neironi ar nejaušiem atkārtotiem savienojumiem ar ierosinātajiem sinapses un svēršanas moduļiem. Piedāvātie svara moduļi tiek pielietoti tikai rezervuāra slānī un to svari tiek piešķirti nejauši iepriekš un fiksēti mācību procesā. Tādējādi nejaušās rezervuāra svārstības mācību procesa laikā tiek kompensētas izvades svaros. Lai izveidotu reālistisku simulāciju, katras sinapses izejas frekvences diapazons ir iestatīts no 15 līdz 200 Hz, pamatojoties uz faktiskajiem mērījumu rezultātiem. Rekursīvais mazāko kvadrātu (RLS) algoritms tiek izmantots, lai apmācītu izvades svarus, kā aprakstīts atsaucē. 30. Kā uzraudzības ieejas signāla piemērs tiek izmantots 10 Hz sinusoidāls vilnis, kas atbilst ar cilvēka darbību saistītās informācijas laika skalai. Uzraudzības un apmācītais izejas signāls ir parādīts 5(bi) attēlā. Atgriezeniskās saites signāls no izejas tiek pārveidots par ierosinošiem un inhibējošiem impulsu vilcieniem, kuru frekvences ir proporcionālas izejas amplitūdas absolūtajai vērtībai, kā parādīts 1. 5(b-ii) un 5(b-iii) attiecīgi. Pēc pieciem uzraudzības signāla periodiem izejas svari tiek fiksēti, un SNN pats ģenerē apgūto signālu, kas parāda ierosināto neironu struktūru iespējamību mācīšanās funkcijai. No šīm simulācijām mēs arī atklājām, ka, lai vēl vairāk uzlabotu mācīšanās iespējas, ir jāpalielina sinapses izejas frekvences regulēšanas diapazons, ko var izdarīt, optimizējot sinapses ķēdi. Piemēram, ar paplašinātajiem frekvenču regulēšanas diapazoniem no 15 Hz–2 kHz un 15 Hz–20 kHz, apgūtie signāli kļūst vienmērīgāki, lai labāk reproducētu uzraudzības signālu, kā parādīts 1. 5(b-iv) un 5(bv) attiecīgi.

cistanche tubulosa-uzlabo imūnsistēmu

Rezumējot, mēs esam ierosinājuši neironu struktūru laika domēna signālu ģenerēšanai un pārraidīšanai. Piedāvātais neirons un sinapse aizņem attiecīgi 127 un 231 lm2 platību. Šajā struktūrā netiek izmantoti darbības pastiprinātāji un nepārtraukta laika vai pulksteņa komparatori, savukārt palaišanas funkcija tiek realizēta ar invertoru bāzes komparatoru, lai nodrošinātu priekšrocības platības un enerģijas patēriņa ziņā. Ierosinātā laika domēna neironu struktūra gūst labumu no mērogotām procesa tehnoloģijām, salīdzinot ar parastajiem sprieguma/strāvas domēna dizainiem. Faktiskie mikroshēmas izgatavošanas un mērījumu rezultāti parāda laika signāla sakaru funkciju ar milisekundes laika konstantēm. Ierosinātā laika domēna neironu struktūra ir labi piemērota strauju neironu tīklu veidošanai, lai apstrādātu reāllaika laikrindu informāciju cilvēka un datora mijiedarbībai.

I TABULA. Atsevišķu neironu ķēžu veiktspējas salīdzinājums

Zīm. 5. (a) SNN uzvedības modelis rezervuāru skaitļošanai ir balstīts uz ierosināto neironu struktūru. b) Sistēmas līmeņa uzvedības simulācijas rezultāti: i) pamatojoties uz modeli ar 15–200 Hz frekvenču regulēšanas diapazonu, tuvināts skats uz (ii) ierosinošiem un (iii) inhibējošiem ieejas signāliem, kas pārveidoti no izejas, (iv) pamatojoties uz 15–2 kHz un (v) 15–20 kHz frekvenču regulēšanas diapazoniem.

ATSAUCES

1 J. Džans, P. Ku, J. Dži, V. Džans, G. Gao, Dž. Vans, S. Sons, Dž. Li, V. Čens, V. Džens, F. Čens, Dž. Pejs, R. Zhao, M. Zhao un L. Shi, Nature 586, 378–384 (2020).

2 D. Šīns un H.-Dž. Yoo, Proc. IEEE 108, 1245–1260 (2020).

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

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

5 E. Chicca un G. Indiveri, Appl. Fizik. Lett. 116, 120501 (2020).

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

7 K. Yang and A. Sengupta, Appl. Fizik. Lett. 116, 043701 (2020).

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

9 V. Māss, Neirāls. Networks 10, 1659–1671 (1997).

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

11X. Chen, T. Yajima, IH Inoue un T. Iizuka, starptautiskās konferences par cietvielu ierīcēm un materiāliem (SSDM) paplašinātajā kopsavilkumā (JSAP, 2021), 682.–683. lpp.

12D. S. Džeongs, J. Appl. Fizik. 124, 152002 (2018).

13G. Indiveri, E. Čika un R. Duglass, IEEE Trans. Neirāls. Networks 17, 211–221 (2006).

14X. Wu, V. Saxena, K. Zhu un S. Balagopal, IEEE Trans. Shēmu sistēma II 62, 1088–1092 (2015).

15A. Joubert, B. Belhadj, O. Temam un R. Heliot, 2012. gada starptautiskajā apvienotajā neironu tīklu konferencē (IJCNN), 2012. gadā.

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

17A. Basu un PE Hasler, IEEE Trans. Shēmu sistēma I 57, 2938–2947 (2010).

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

19A. Rubino, M. Payvand un G. Indiveri 26. IEEE starptautiskajā konferencē par elektroniku, shēmām un sistēmām (ICECS) (IEEE, 2019), 458.–461. lpp.

20S. A. Aamir, Y. Stradmann, P. M€uller, C. Pehle, A. Hartel, A. Gr€ubl, J. Schemel un K. Meier, IEEE Trans. Shēmu sistēma I 65, 4299–4312 (2018).

21R. M. Saber Moradi un SA Bhave, IEEE simpozija sērijā par skaitļošanas inteliģenci (SSCI), 2017. gads.

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

23R. Staševskis, K. Muhameds, D. Leipolds, K.-M. Hung, Y.-C. Ho, J. Valbergs, K. Fernando, K. Maggio, R. Staševskis, T. Jungs, J. Kohs, S. Džons, I. Dens, V. Sarda, O. Moreira-Tamajo, V. Majega, R. Kats , O. Frīdmens, O. Eliezers, E. de Obaldija un P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

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

25L. F. Abots un P. Dajans, Theoretical Neuroscience (The MIT Press, 2005).

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

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

28B. Razavi, Datu konvertēšanas sistēmas projektēšanas princips (Wiley-IEEE Press, 1995).

29T. Vunderlihs, AF Kungls, E. M€ullers, A. Hārtels, J. Stradmans, SA Aamir, A. Gr€ubls, A. Heimbrehts, K. Šraibers, D. St€okkels, K. Pele, S. Billaudela, G. Kiene, C. Mauch, J. Schemmel, K. Meier un MA Petrovici, Front. Neirosci. 13, 1–15 (2019).

30D. Sussillo un L. Abbott, "Saskaņotu darbības modeļu ģenerēšana no haotiskiem neironu tīkliem", Neuron 63, 544–557 (2009).