返回
Unlocking neuromorphic memory through functional device
DOI:10.1016/j.device.2025.100875.png)
摘要
En 中文
实现高能效和快速处理速度仍是人工智能应用中的关键挑战。神经形态计算(NC),以其模拟生物神经网络的特点,为开发能效高、高性能的系统提供了一种有前景的方法。新兴的存储器件,包括浮栅晶体管(FGTs)、铁电晶体管和电阻式随机存取存储器(RRAM),因其能有效模拟神经元和突触功能而引起了广泛关注。在此,我们讨论存储技术的发展及其未来在神经形态系统中的潜在集成。
期刊
D
IF:
8
论文数:
148
被引数:
745
机构
暂无机构信息
引用论文
Ferroelectric gating of two-dimensional semiconductors for the integration of steep-slope logic and neuromorphic devices二维半导体的铁电门控,用于集成陡坡逻辑和神经形态器件
NATURE ELECTRONICS
IF40.9
Reconfigurable in-sensor processing based on a multi-phototransistor-one-memristor array基于多光电晶体管一忆阻器阵列的可重构传感器内处理
NATURE ELECTRONICS
IF40.9
An in-memory computing architecture based on a duplex two-dimensional material structure for in situ machine learning基于双工二维材料结构的内存计算体系结构,用于原位机器学习
NATURE NANOTECHNOLOGY
IF34.9
Computational event-driven vision sensors for in-sensor spiking neural networks用于传感器内尖峰神经网络的计算事件驱动视觉传感器
NATURE ELECTRONICS
IF40.9

