.png){kind=icon}
返回
Memristive crossbar array-based hardware framework for compressed sensing and event-driven neuromorphic processing
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-72401-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
压缩感知（CS）能够实现高效数据采集和隐式加密；然而，其恢复阶段仍然是一个重要的计算瓶颈，因为需要通过运行迭代重建算法来求解大规模优化问题。在这里，我们提出了一种通过算法-硬件协同设计方法开发的基于事件驱动的CS恢复框架。该框架采用基于忆阻器交叉阵列（MCA）的模拟矩阵计算（AMC）电路作为硬件平台，并集成了旨在利用其优势的高效CS恢复算法（命名为约束梯度下降（CGD）算法）。此外，该框架通过基于MCA的特征检测支持事件驱动的选择性恢复。我们制造了硬件以验证所提出的框架，实验结果表明，在图像和ECG信号处理方面，与最先进的方法相比，能量效率提高了20.4倍至45.22倍。这些结果突显了所提出框架作为边缘设备中实时感知信号处理竞争性硬件解决方案的潜力。实时感知产生大量需要压缩和重建的数据，这往往导致计算瓶颈。通过利用算法-硬件协同设计，Deng等人提出了一种基于忆阻器交叉阵列的模拟矩阵计算的基于事件驱动的数据重建框架。
Keyword:
compressed sensing
memristor crossbar array
analog matrix computing
event-driven recovery
algorithm–hardware co-design
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W