論文の概要: A Ferroelectric Tunnel Junction-based Integrate-and-Fire Neuron
- arxiv url: http://arxiv.org/abs/2211.02598v1
- Date: Fri, 4 Nov 2022 17:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 16:46:07.515838
- Title: A Ferroelectric Tunnel Junction-based Integrate-and-Fire Neuron
- Title(参考訳): 強誘電体トンネル接合を用いた積分火炎ニューロン
- Authors: Paolo Gibertini, Luca Fehlings, Suzanne Lancaster, Quang Duong, Thomas
Mikolajick, Catherine Dubourdieu, Stefan Slesazeck, Erika Covi, Veeresh
Deshpande
- Abstract要約: イベントベースのニューロモルフィックシステムは、人工ニューロンとシナプスを使用して、スパイクの形でデータを非同期に処理する。
本稿では,エッジコンピューティングのための新世代のニューロモルフィックネットワークの基本構築ブロックを構成するハイブリッドFTJ-CMOS積分ファイアニューロンを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event-based neuromorphic systems provide a low-power solution by using
artificial neurons and synapses to process data asynchronously in the form of
spikes. Ferroelectric Tunnel Junctions (FTJs) are ultra low-power memory
devices and are well-suited to be integrated in these systems. Here, we present
a hybrid FTJ-CMOS Integrate-and-Fire neuron which constitutes a fundamental
building block for new-generation neuromorphic networks for edge computing. We
demonstrate electrically tunable neural dynamics achievable by tuning the
switching of the FTJ device.
- Abstract(参考訳): イベントベースのニューロモルフィックシステムは、人工ニューロンとシナプスを使用してスパイクの形でデータを非同期に処理することで、低消費電力のソリューションを提供する。
強誘電体トンネル接合(FTJ)は超低消費電力メモリデバイスであり、これらのシステムに統合するのに適している。
本稿では,エッジコンピューティングのための次世代ニューロモルフィックネットワークの基本構築ブロックを構成するハイブリッドFTJ-CMOS積分ファイアニューロンを提案する。
FTJ装置のスイッチングを調整し、電気的に調整可能なニューラルダイナミクスを実証する。
関連論文リスト
- Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳(メタデータ) (2024-02-26T15:01:54Z) - Hybrid Synaptic Structure for Spiking Neural Network Realization [0.0]
本稿では, JJ-Soma に対して正および負の重み付き入力を適用可能なコンパクトな SFQ ベースのシナプス設計を提案する。
JJ-Synapseは超高周波数で動作でき、CMOSよりも消費電力が桁違いに小さく、商用Nbプロセスで便利に製造できる。
論文 参考訳(メタデータ) (2023-11-13T22:42:07Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳(メタデータ) (2023-10-25T13:15:17Z) - Neuromorphic Hebbian learning with magnetic tunnel junction synapses [41.92764939721262]
磁気トンネル接合(MTJ)の双対抵抗状態による高精度推論を実現するニューロモルフィックネットワークの提案と実験的検討を行った。
MTJシナプスで直接実装したニューロモルフィックネットワークの最初の実演を行った。
また,STT-MTJシナプスを用いた非教師型ヘビアン学習システムにより,MNIST手書き文字認識の競争精度が向上できることをシミュレーションにより実証した。
論文 参考訳(メタデータ) (2023-08-21T19:58:44Z) - Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks [69.42260428921436]
クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:13:36Z) - Energy-Efficient High-Accuracy Spiking Neural Network Inference Using
Time-Domain Neurons [0.18352113484137625]
本稿では低出力高線形時間領域I&Fニューロン回路を提案する。
提案されたニューロンは、MNIST推論において4.3倍のエラー率をもたらす。
提案したニューロン回路で消費される電力は1ニューロンあたり0.230uWとシミュレートされ、これは既存の電圧領域ニューロンよりも桁違いに低い。
論文 参考訳(メタデータ) (2022-02-04T08:24:03Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳(メタデータ) (2022-01-19T09:26:34Z) - Ultra-Low-Power FDSOI Neural Circuits for Extreme-Edge Neuromorphic
Intelligence [2.6199663901387997]
インメモリコンピューティング 混合信号ニューロモルフィックアーキテクチャはエッジコンピューティングのセンサ処理への応用に期待できる超低消費電力のソリューションを提供する。
本稿では、FDSOI(Fully-Depleted Silicon on Insulator)統合プロセスの特徴を利用する混合信号アナログ/デジタル回路を提案する。
論文 参考訳(メタデータ) (2020-06-25T09:31:29Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳(メタデータ) (2020-06-02T23:38:35Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳(メタデータ) (2020-04-08T06:55:12Z) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳(メタデータ) (2019-12-27T10:15:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。