.png){kind=icon}
返回
Noise-Driven Functionality in Neuromorphic Materials, Devices, and Systems
.png){kind=icon}
PRE
AI
DOI：10.1002/adfm.78947.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经形态硬件将功能材料的物理动力学转化为计算，使密集的内存和概率架构超越数字抽象。然而，这种优势也使神经形态系统对噪声和可变性高度敏感，因为模拟设备状态直接编码突触权重，神经元阈值，膜电流和尖峰信号。虽然器件到器件的变化、周期到周期的变化和漂移已经被广泛讨论为关键的非理想性，但是时间噪声，特别是模拟状态的感测期间的读取电流波动，已经受到较少的系统关注。本综述通过将时间噪声定位在更广泛的设备可变性范围内，并通过强调低频噪声光谱作为识别波动起源，光谱特征，时间尺度和计算后果的机制解析工具来解决这一差距。我们建立了一个框架，根据其作用对神经形态噪声进行分类: 抑制，容忍和利用 :( 1) 噪声抑制减少了内在波动源，以确保多级精度和计算精度; (2) 噪声容忍通过设备到系统策略保持稳健的操作；和 (3) 噪声利用将内在随机性转化为随机神经元和突触、熵生成、概率位、贝叶斯推理和强化学习的基元。在神经形态材料，设备和系统中，该评论将时间噪声从可靠性限制的缺陷重新框架化为用于自适应神经形态智能的硬件本机资源。
Keyword:
artificial intelligence
neuromorphic engineering
noise
期刊
IF:
19
论文数:
3.5W
被引数:
32.1W
机构
引用论文
Toward Understanding Temperature and Bias Instabilities of Anti-ambipolar Transistors via Low-Frequency Noise Spectroscopy通过低频噪声光谱了解反双极晶体管的温度和偏置不稳定性.png)
Small
SmallIF12.1
PREAI
分享收藏Probabilistic computing utilizing HfO2-based stochastic ferroelectric tunnel junctions基于HfO2的随机铁电隧穿结的概率计算Nature Communications
OAAI
Nature CommunicationsIF15.7
OAAI分享收藏Hybrid ferroelectric-ionic memristive hardware for high scalability in-memory computing铁电-离子混合忆阻器硬件用于高可扩展性存内计算Nature CommunicationsOAAI
Nature CommunicationsIF15.7
OAAI分享收藏分享收藏In situ learning using intrinsic memristor variability via Markov chain Monte Carlo sampling通过马尔可夫链蒙特卡罗采样使用本征忆阻器变异性进行原位学习NATURE ELECTRONICS
NATURE ELECTRONICSIF40.9
PREAI
分享收藏Polarization Pruning: Reliability Enhancement of Hafnia-Based Ferroelectric Devices for Memory and Neuromorphic Computing极化修剪: 用于存储和神经形态计算的基于Hafnia的铁电器件的可靠性增强ADVANCED SCIENCEOAAI
ADVANCED SCIENCEIF14.1
OAAI分享收藏Self-Curable Synaptic Ferroelectric FET Arrays for Neuromorphic Convolutional Neural Network用于神经形态卷积神经网络的自固化突触铁电FET阵列ADVANCED SCIENCE
OAAI
ADVANCED SCIENCEIF14.1
OAAI分享收藏Physical Reservoir Computing System via Hybrid Ferroelectric-Ionic Transistors基于铁电-离子混合晶体管的物理存储器计算系统Advanced Materials
Advanced MaterialsIF26.8
PREAI
分享收藏
查看更多内容