.png){kind=icon}
返回
Recent Progress in Memristor Array-Based Neuromorphic Computing for on-Chip Vector-Matrix Multiplication
.png){kind=icon}
OA
AI
DOI：10.1002/admt.202500588.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，全球能源消耗问题已成为人工智能（AI）发展的关键关注点，因为随着网络架构和系统算法日益复杂，AI需要广泛的计算资源和大规模数据处理。传统的冯·诺依曼数字计算架构在处理持续增长的大数据时面临固有局限性，这主要归因于其在向量-矩阵乘法（VMM）中的顺序数据处理特性以及处理器与存储单元之间的瓶颈。为应对这一挑战，类脑神经形态计算应运而生，通过模拟人类神经系统，特别是通过忆阻器交叉阵列架构。这些阵列作为累加运算单元，能够实现高效并行数据处理。本文讨论了基于忆阻器阵列器件的神经形态计算硬件实现方面的最新进展，重点关注电路集成和AI算法的片上应用，而非突触可塑性或单元开关机制。文章简要回顾了并行VMM运算的原理，随后展示了基于硬件的VMM演示，包括卷积变换、神经网络感知器、学习规则优化和片上操作。综述还提供了未来研究方向的观点，突出了关键挑战。因此，基于忆阻器阵列的神经形态计算在可扩展、节能且面向应用的AI硬件方面展现出巨大潜力。
Keyword:
artificial intelligence
deep learning
memristor hardware
multi-layer perceptrons
neuromorphic computing
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:
6.2
论文数:
5.3K
被引数:
2.4W
机构
引用论文
Improved memory and synaptic device performance of HfO2-based multilayer memristor by inserting oxygen gradient TiOx layer通过插入氧梯度TiOx层，改善基于HfO2的多层忆阻器的记忆和突触器件性能
PREAI
分享收藏Organic Synapses for Neuromorphic Electronics: From Brain-Inspired Computing to Sensorimotor Nervetronics神经形态电子学的有机突触: 从脑启发计算到感觉运动神经电子学
PREAI
分享收藏Hardware Implementation of Neuromorphic Computing Using Large-Scale Memristor Crossbar Arrays使用大规模忆阻器交叉阵列的神经形态计算的硬件实现
OAAI
OAAI分享收藏Bulk-Switching Memristor-Based Compute-In-Memory Module for Deep Neural Network Training用于深度神经网络训练的基于大容量切换忆阻器的内存计算模块.png)
ADVANCED MATERIALSOAAI
ADVANCED MATERIALSIF26.8
OAAI分享收藏A Functional Hybrid Memristor Crossbar-Array/CMOS System for Data Storage and Neuromorphic Applications用于数据存储和神经形态应用的功能性混合忆阻器交叉阵列/CMOS系统NANO LETTERS
NANO LETTERSIF9.1
PREAI
分享收藏CMOS-integrated memristive non-volatile computing-in-memory for AI edge processors用于AI边缘处理器的CMOS集成忆阻非易失性内存计算NATURE ELECTRONICS
NATURE ELECTRONICSIF40.9
PREAI
分享收藏Fully Hardware Memristive Neuromorphic Computing Enabled by the Integration of Trainable Dendritic Neurons and High-Density RRAM Chip通过集成可训练的树突神经元和高密度RRAM芯片实现完全硬件忆阻神经形态计算
PREAI
分享收藏
查看更多内容