論文の概要: A Voltage-controlled MTJ-CMOS Neuron Emulating Tunable Izhikevich-Inspired Dynamics

• arxiv url: http://arxiv.org/abs/2609.32031v1
• Date: Fri, 25 Sep 2026 21:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:39:16.454544
• Title: A Voltage-controlled MTJ-CMOS Neuron Emulating Tunable Izhikevich-Inspired Dynamics
• Title（参考訳）: 可変イジケビッチ誘発ダイナミクスを模擬した電圧制御MTJ-CMOSニューロン
• Abstract要約: 我々は、電圧制御型磁気トンネル接合(V-MTJ)をCMOS回路と共設計する、イジケビッチにインスパイアされた再構成可能なニューロンを提案する。 提案アーキテクチャは、可変エネルギーランドスケープによって実現されるV-MTJ励起性ダイナミクスとCMOSリカバリダイナミクスを組み合わせて、5つの異なるニューロン発射パットテルンを生成する。
• 参考スコア（独自算出の注目度）: 2.434314368738525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological neurons exhibit diverse firing dynamics that enable adaptive and stimulus-dependent signalling, yet reproducing these dynamics in hardware has remained an enduring challenge. In this work, we present an Izhikevich- inspired reconfigurable neuron that co-designs voltage-controlled magnetic tunnel junction (V-MTJ) dynamics with CMOS circuitry. The proposed architecture combines V-MTJ excitability dynamics, enabled by a tunable energy landscape, with CMOS recovery dynamics to generate five distinct neuronal firing pat- terns with different spiking, bursting and response characteristics. Our results, based on measured V-MTJ characteristics and circuit simulations using com- mercial GlobalFoundries 22-nm FD-SOI CMOS technology, show an average energy consumption of 145.44 fJ per spike. Algorithmic simulations further show that these firing dynamics reduce inference spike activity by up to 88.6% while maintaining baseline classification accuracy. These results highlight the potential of V-MTJ/CMOS reconfigurable neurons to reduce computational activity and enable compact, energy-efficient brain-inspired computing systems.
• Abstract（参考訳）: 生体ニューロンは適応性および刺激依存性のシグナル伝達を可能にする多様な発火ダイナミクスを示すが、ハードウェアでこれらのダイナミクスを再現することは永続的な課題である。 本稿では、電圧制御型磁気トンネル接合(V-MTJ)ダイナミクスとCMOS回路を共設計したイジケビッチ型再構成可能なニューロンについて述べる。 提案アーキテクチャは、可変エネルギーランドスケープによって実現されるV-MTJ励起性ダイナミクスとCMOSリカバリダイナミクスを組み合わせて、異なるスパイク、バースト、応答特性を持つ5つの異なるニューロン発射パットテルンを生成する。 その結果,22nm FD-SOI CMOS技術を用いたV-MTJ特性と回路シミュレーションにより,スパイク当たりの平均エネルギー消費量は145.44 fJであった。 アルゴリズムシミュレーションにより、これらの発火ダイナミクスは、基準線分類精度を維持しながら、推論スパイク活性を最大88.6%減少させることが示された。 これらの結果は、V-MTJ/CMOS再構成可能なニューロンが計算活性を減らし、コンパクトでエネルギー効率の良い脳インスパイアされたコンピュータシステムを実現する可能性を強調している。

関連論文リスト

• Leveraging Non-Equilibrium ECRAM Dynamics for Short-Term Plasticity in Neuromorphic Circuits [4.636944840519285]
  メムリシブ電気化学ランダムアクセスメモリ(ECRAM)デバイスは、過渡伝導率変調を生成する非平衡イオン力学を自然に示す。 本稿では,動作依存型コンダクタンス変調を利用した遅延フィードバック統合火災(LIF)ニューロンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-05-11T21:01:44Z)
• Biologically Realistic Dynamics for Nonlinear Classification in CMOS+X Neurons [0.0]
  スパイクニューラルネットワークはスパイクタイミングで情報をエンコードし、エネルギー効率の良い人工知能への経路を提供する。 本研究では,NMOSトランジスタと直列に接続された磁気トンネル接合を実装したCMOS+Xスパイクニューロンの非線形計算について検討する。
  論文  参考訳（メタデータ） (2026-04-03T17:03:29Z)
• Dendritic Resonate-and-Fire Neuron for Effective and Efficient Long Sequence Modeling [66.0841376808143]
  樹状共振器(RF)ニューロンは入力信号から効率的に周波数を抽出し、スパイク列車に符号化することができる。 RFニューロンは、複雑なタスクにおけるエネルギー効率とトレーニング速度のトレードオフとして、有効なメモリ容量が限られている。 本稿では,複数の共振器とソマアーキテクチャを明示的に組み込んだDdendritic Resonate-and-Fireモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T18:15:45Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Learning Chaotic Dynamics with Neuromorphic Network Dynamics [0.9558392439655014]
  本研究では,力学系であるニューロモルフィックネットワークを用いて動的システムを学習し,モデル化する方法について検討する。 本研究で使用されるニューロモルフィック・ネットワークは,入力された電気信号に対するニューロシナプス非線形応答を生じさせる旋律素子からなる複雑な電気回路に基づいている。
  論文  参考訳（メタデータ） (2025-06-12T14:50:55Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Intrinsic Spike Timing Dependent Plasticity in Stochastic Magnetic Tunnel Junctions Mediated by Heat Dynamics [0.0]
  ニューロモルフィックコンピューティングは、固体デバイスや回路を用いて生物学的ニューロンやシナプスの挙動を模倣することを目的としている。 磁気トンネル接合(MTJ)装置における生体シナプスのスパイクタイミング依存塑性(STDP)挙動を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-28T18:02:01Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)

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。