اخبار

برنامه های کاربردی پردازش داده در دنیای واقعی به سیستم های محاسباتی فشرده، کم تاخیر و کم مصرف نیاز دارند.با قابلیت‌های محاسباتی مبتنی بر رویداد، معماری‌های نورومورفیک ترکیبی ترکیبی فلز-اکسید-نیمه هادی مکمل یک پایه سخت‌افزاری ایده‌آل برای چنین کارهایی فراهم می‌کنند.برای نشان دادن پتانسیل کامل چنین سیستم‌هایی، ما یک راه‌حل پردازش حسگر جامع را برای برنامه‌های محلی‌سازی شی در دنیای واقعی پیشنهاد و به صورت تجربی نشان می‌دهیم.ما با الهام از نوروآناتومی جغد انبار، یک سیستم مکان‌یابی شی الهام‌گرفته و مبتنی بر رویداد ایجاد کرده‌ایم که یک مبدل مبدل میکرومکانیکی پیزوالکتریک پیشرفته را با حافظه مقاومتی نورومورفیک مبتنی بر نمودار محاسباتی ترکیب می‌کند.ما اندازه‌گیری‌های یک سیستم ساخته شده را نشان می‌دهیم که شامل یک آشکارساز تصادفی مقاومتی مبتنی بر حافظه، مدار خط تاخیر و یک مبدل اولتراسونیک کاملاً قابل تنظیم است.ما از این نتایج تجربی برای کالیبره کردن شبیه‌سازی‌ها در سطح سیستم استفاده می‌کنیم.سپس از این شبیه‌سازی‌ها برای ارزیابی وضوح زاویه‌ای و بازده انرژی مدل محلی‌سازی شی استفاده می‌شود.نتایج نشان می‌دهد که رویکرد ما می‌تواند چندین مرتبه بازده انرژی بیشتری نسبت به میکروکنترلرهایی داشته باشد که کار مشابهی را انجام می‌دهند.
ما در حال ورود به عصر محاسبات فراگیر هستیم که در آن تعداد دستگاه ها و سیستم های مستقر شده به طور تصاعدی در حال افزایش است تا به ما در زندگی روزمره کمک کنند.انتظار می‌رود این سیستم‌ها به‌طور پیوسته کار کنند و تا حد ممکن کمترین انرژی مصرف کنند و در عین حال یاد بگیرند که داده‌هایی را که از چندین حسگر در زمان واقعی جمع‌آوری می‌کنند تفسیر کنند و خروجی باینری را در نتیجه وظایف طبقه‌بندی یا شناسایی تولید کنند.یکی از مهم ترین مراحل مورد نیاز برای رسیدن به این هدف، استخراج اطلاعات مفید و فشرده از داده های حسی پر سر و صدا و اغلب ناقص است.رویکردهای مهندسی مرسوم معمولاً سیگنال‌های حسگر را با نرخ ثابت و بالا نمونه‌برداری می‌کنند و مقادیر زیادی داده را حتی در غیاب ورودی‌های مفید تولید می‌کنند.علاوه بر این، این روش ها از تکنیک های پیچیده پردازش سیگنال دیجیتال برای پیش پردازش داده های ورودی (اغلب نویزدار) استفاده می کنند.در عوض، زیست‌شناسی راه‌حل‌های جایگزینی را برای پردازش داده‌های حسی پر سر و صدا با استفاده از رویکردهای رویداد محور، ناهمزمان و کم‌مصرف انرژی ارائه می‌دهد.محاسبات نورومورفیک از سیستم‌های بیولوژیکی الهام می‌گیرد تا هزینه‌های محاسباتی را از نظر انرژی و حافظه مورد نیاز در مقایسه با روش‌های پردازش سیگنال سنتی کاهش دهد.اخیراً سیستم‌های مبتنی بر مغز با هدف عمومی نوآورانه که شبکه‌های عصبی ضربه‌ای را پیاده‌سازی می‌کنند (TrueNorth7، BrainScaleS8، DYNAP-SE9، Loihi10، Spinnaker11) نشان داده شده‌اند.این پردازنده ها راه حل هایی با قدرت کم و تأخیر کم برای یادگیری ماشین و مدل سازی مدار قشر مغز ارائه می کنند.برای بهره‌برداری کامل از بازده انرژی، این پردازنده‌های نورومورفیک باید مستقیماً به حسگرهای رویداد محور متصل شوند.با این حال، امروزه تنها چند دستگاه لمسی وجود دارند که مستقیماً داده‌های رویداد محور را ارائه می‌کنند.نمونه های بارز آن حسگرهای بصری پویا (DVS) برای کاربردهای بینایی مانند ردیابی و تشخیص حرکت 14، 15، 16، 17، حلزون سیلیکونی 18 و حسگرهای شنوایی نورومورفیک (NAS) 19 برای پردازش سیگنال شنوایی، حسگرهای بویایی 20 و نمونه های متعدد 21،22 لمس هستند..حسگرهای بافت
در این مقاله، ما یک سیستم پردازش شنوایی مبتنی بر رویداد جدید توسعه‌یافته را ارائه می‌کنیم که برای محلی‌سازی اشیا اعمال می‌شود.در اینجا، برای اولین بار، ما یک سیستم انتها به انتها برای محلی‌سازی شی را توصیف می‌کنیم که با اتصال یک مبدل اولتراسونیک میکروماشین‌شده پیزوالکتریک پیشرفته (pMUT) با یک نمودار محاسباتی مبتنی بر حافظه مقاومتی نورومورفیک (RRAM) به دست آمده است.معماری‌های محاسباتی درون حافظه با استفاده از RRAM یک راه‌حل امیدوارکننده برای کاهش مصرف انرژی 23،24،25،26،27،28،29 است.عدم فرار ذاتی آنها - عدم نیاز به مصرف انرژی فعال برای ذخیره یا به روز رسانی اطلاعات - با ماهیت ناهمزمان و رویداد محور محاسبات نورومورفیک مطابقت کامل دارد و در نتیجه زمانی که سیستم بیکار است تقریباً هیچ مصرف برقی ندارد.مبدل‌های اولتراسونیک میکروماشین‌شده پیزوالکتریک (pMUTs) مبدل‌های مافوق صوت مبتنی بر سیلیکون کوچک و ارزان قیمت هستند که می‌توانند به عنوان فرستنده و گیرنده عمل کنند30،31،32،33،34.برای پردازش سیگنال های دریافت شده توسط حسگرهای داخلی، ما از نوروآناتومی جغد انبار الهام گرفتیم35،36،37.جغد انبار Tyto alba به دلیل توانایی های شکار شبانه قابل توجه خود به لطف سیستم محلی سازی شنوایی بسیار کارآمد شناخته شده است.برای محاسبه محل شکار، سیستم محلی سازی جغد انبار زمان پرواز (ToF) را رمزگذاری می کند که امواج صوتی از طعمه به هر یک از گوش ها یا گیرنده های صوتی جغد می رسد.با توجه به فاصله بین گوش ها، تفاوت بین دو اندازه گیری ToF (تفاوت زمانی بین صوتی، ITD) امکان محاسبه تحلیلی موقعیت آزیموت هدف را فراهم می کند.اگرچه سیستم های بیولوژیکی برای حل معادلات جبری مناسب نیستند، اما می توانند مسائل محلی سازی را بسیار موثر حل کنند.سیستم عصبی جغد انبار از مجموعه‌ای از نورون‌های آشکارساز تصادف (CD) 35 استفاده می‌کند (یعنی نورون‌هایی که قادر به تشخیص همبستگی‌های زمانی بین سنبله‌هایی هستند که به سمت پایین به پایانه‌های تحریکی همگرا انتشار می‌یابند)38،39 که در نمودارهای محاسباتی برای حل مسائل موقعیت‌یابی سازماندهی شده‌اند.
تحقیقات قبلی نشان داده است که سخت افزار مکمل اکسید فلزی-نیمه هادی (CMOS) و سخت افزار نورومورفیک مبتنی بر RRAM با الهام از کولیکولوس تحتانی ("قشر شنوایی") جغد انبار یک روش کارآمد برای محاسبه موقعیت با استفاده از ITD13، 40، 41 است. 42، 43، 44، 45، 46. با این حال، پتانسیل سیستم های نورومورفیک کامل که نشانه های شنوایی را به نمودارهای محاسباتی نورومورفیک پیوند می دهند، هنوز نشان داده نشده است.مشکل اصلی تغییرپذیری ذاتی مدارهای CMOS آنالوگ است که بر دقت تشخیص تطابق تأثیر می گذارد.اخیراً، پیاده‌سازی‌های عددی جایگزین برآوردهای ITD47 نشان داده شده‌اند.در این مقاله، ما پیشنهاد می‌کنیم از توانایی RRAM برای تغییر مقدار رسانایی به روشی غیرفرار برای خنثی کردن تغییرپذیری در مدارهای آنالوگ استفاده کنیم.ما یک سیستم آزمایشی متشکل از یک غشای فرستنده pMUT که با فرکانس 111.9 کیلوهرتز کار می‌کند، دو غشای دریافت کننده pMUT (حسگر) شبیه‌سازی گوش‌های جغد انبار، و یک غشا اجرا کردیم.ما به طور تجربی سیستم تشخیص pMUT و نمودار محاسباتی ITD مبتنی بر RRAM را مشخص کردیم تا سیستم محلی سازی خود را آزمایش کرده و وضوح زاویه ای آن را ارزیابی کنیم.
ما روش خود را با یک پیاده‌سازی دیجیتال روی یک میکروکنترلر مقایسه می‌کنیم که وظیفه محلی‌سازی یکسانی را با استفاده از روش‌های مرسوم شکل‌دهی پرتو یا نورومورفیک انجام می‌دهد، و همچنین یک آرایه دروازه قابل برنامه‌ریزی میدانی (FPGA) برای تخمین ITD پیشنهاد شده در مرجع.47. این مقایسه کارایی توان رقابتی سیستم عصبی آنالوگ پیشنهادی مبتنی بر RRAM را برجسته می کند.
یکی از بارزترین نمونه های یک سیستم محلی سازی دقیق و کارآمد شی را می توان در barn owl35،37،48 یافت.در غروب و سحر، جغد انباری (Tyto Alba) در درجه اول به گوش دادن غیرفعال متکی است و فعالانه به دنبال طعمه های کوچکی مانند موش یا موش است.این متخصصان شنوایی می توانند سیگنال های شنوایی از طعمه را با دقت شگفت انگیزی (حدود 2 درجه) 35، همانطور که در شکل 1a نشان داده شده است، بومی سازی کنند.جغدهای انبار مکان منابع صوتی را در صفحه آزیموت (افقی) از تفاوت زمان پرواز ورودی (ITD) از منبع صوتی به دو گوش استنباط می کنند.مکانیسم محاسباتی ITD توسط Jeffress49،50 پیشنهاد شد که بر هندسه عصبی متکی است و به دو جزء کلیدی نیاز دارد: یک آکسون، فیبر عصبی یک نورون که به عنوان یک خط تاخیر عمل می کند و مجموعه ای از نورون های آشکارساز تصادفی که در یک سیستم محاسباتی سازماندهی شده اند.نمودار همانطور که در شکل 1b نشان داده شده است.صدا با تاخیر زمانی وابسته به آزیموت (ITD) به گوش می رسد.سپس صدا به یک الگوی سنبله در هر گوش تبدیل می شود.آکسون های گوش چپ و راست به عنوان خطوط تاخیری عمل می کنند و روی نورون های CD همگرا می شوند.از نظر تئوری، تنها یک نورون در آرایه‌ای از نورون‌های منطبق، ورودی دریافت می‌کند (جایی که تاخیر دقیقاً لغو می‌شود) و حداکثر شلیک می‌کند (سلول‌های همسایه نیز شلیک می‌کنند، اما با فرکانس پایین‌تر).فعال کردن نورون های خاص موقعیت هدف در فضا را بدون تبدیل بیشتر ITD به زاویه رمزگذاری می کند.این مفهوم در شکل 1c خلاصه شده است: به عنوان مثال، اگر زمانی که سیگنال ورودی از گوش راست مسیر طولانی تری را نسبت به مسیر گوش چپ طی می کند، صدا از سمت راست می آید، به عنوان مثال، تعداد ITD ها را جبران می کند، وقتی نورون 2 مطابقت دارد.به عبارت دیگر، هر CD به دلیل تاخیر آکسونی به ITD خاصی (که به عنوان تاخیر بهینه نیز شناخته می شود) پاسخ می دهد.بنابراین مغز اطلاعات زمانی را به اطلاعات مکانی تبدیل می کند.شواهد تشریحی برای این مکانیسم یافت شده است 37،51.نورون های ماکرونوکلئوس قفل شده در فاز، اطلاعات زمانی مربوط به صداهای دریافتی را ذخیره می کنند: همانطور که از نام آنها پیداست، آنها در فازهای سیگنال خاصی شلیک می کنند.نورون های آشکارساز تصادفی مدل جفرس را می توان در هسته آرام یافت.آنها اطلاعاتی را از نورون های ماکرونوکلئر دریافت می کنند که آکسون های آنها به عنوان خطوط تاخیری عمل می کنند.میزان تاخیر ایجاد شده توسط خط تاخیر را می توان با طول آکسون و همچنین الگوی میلیناسیون دیگری که سرعت هدایت را تغییر می دهد توضیح داد.با الهام از سیستم شنوایی جغد انبار، ما یک سیستم بیومیمتیک برای بومی سازی اشیا ایجاد کرده ایم.دو گوش با دو گیرنده pMUT نشان داده می شوند.منبع صدا فرستنده pMUT است که بین آنها قرار دارد (شکل 1a)، و نمودار محاسباتی توسط شبکه‌ای از مدارهای CD مبتنی بر RRAM (شکل 1b، سبز) تشکیل می‌شود که نقش نورون‌های CD را بازی می‌کنند که ورودی‌های آنها با تاخیر انجام می‌شود.از طریق مدار، خطوط تاخیر (آبی) مانند آکسون در همتای بیولوژیکی عمل می کنند.سیستم حسی پیشنهادی در فرکانس کاری با جغد، که سیستم شنوایی آن در محدوده 1-8 کیلوهرتز کار می‌کند، متفاوت است، اما سنسورهای pMUT که در حدود 117 کیلوهرتز کار می‌کنند در این کار استفاده می‌شوند.انتخاب مبدل اولتراسونیک با توجه به معیارهای فنی و بهینه سازی در نظر گرفته می شود.اول، محدود کردن پهنای باند دریافت به یک فرکانس به طور ایده آل دقت اندازه گیری را بهبود می بخشد و مرحله پس از پردازش را ساده می کند.علاوه بر این، عملکرد در اولتراسوند این مزیت را دارد که پالس های منتشر شده قابل شنیدن نیستند، بنابراین افراد را مزاحم نکنید، زیرا محدوده شنوایی آنها 20-20 کیلوهرتز است.
جغد انبار امواج صوتی را از یک هدف دریافت می کند، در این مورد طعمه در حال حرکت است.زمان پرواز (ToF) موج صوتی برای هر گوش متفاوت است (مگر اینکه طعمه مستقیماً جلوی جغد باشد).خط نقطه چین مسیری را نشان می دهد که امواج صوتی به گوش جغد انبار می رسند.طعمه را می توان با دقت در صفحه افقی بر اساس اختلاف طول بین دو مسیر صوتی و اختلاف زمانی بین شنوایی مربوطه (ITD) محلی سازی کرد (تصویر سمت چپ با الهام از مرجع 74، حق چاپ 2002، انجمن علوم اعصاب).در سیستم ما، فرستنده pMUT (آبی تیره) امواج صوتی تولید می کند که از هدف منعکس می شود.امواج اولتراسوند منعکس شده توسط دو گیرنده pMUT (سبز روشن) دریافت می شود و توسط پردازشگر نورومورفیک (راست) پردازش می شود.b یک مدل محاسباتی ITD (جفرس) که توضیح می‌دهد چگونه صداهایی که وارد گوش جغد انبار می‌شوند، ابتدا به‌عنوان سنبله‌های قفل‌شده فاز در هسته بزرگ (NM) کدگذاری می‌شوند و سپس از شبکه‌ای مرتب هندسی از نورون‌های آشکارساز منطبق در هسته لایه‌ای استفاده می‌کنند.پردازش (هلند) (سمت چپ).تصویری از یک نمودار محاسباتی neuroITD که خطوط تاخیر و نورون‌های آشکارساز تصادف را ترکیب می‌کند، سیستم حسگر زیستی جغد را می‌توان با استفاده از مدارهای نورومورفیک مبتنی بر RRAM (راست) مدل‌سازی کرد.c شماتیک مکانیزم اصلی جفر، به دلیل تفاوت در ToF، دو گوش در زمان های مختلف محرک های صوتی را دریافت می کنند و آکسون ها را از دو سر به آشکارساز می فرستند.آکسون‌ها بخشی از یک سری نورون‌های آشکارساز تصادفی (CD) هستند که هر کدام به طور انتخابی به ورودی‌های مرتبط با زمان پاسخ می‌دهند.در نتیجه، تنها سی دی هایی که ورودی آن ها با کمترین اختلاف زمانی وارد می شود، حداکثر هیجان زده می شوند (ITD دقیقاً جبران می شود).سپس CD موقعیت زاویه ای هدف را رمزگذاری می کند.
مبدل‌های اولتراسونیک میکرومکانیکی پیزوالکتریک، مبدل‌های اولتراسونیک مقیاس‌پذیر هستند که می‌توانند با فناوری پیشرفته CMOS 31،32،33،52 ادغام شوند و ولتاژ اولیه و مصرف برق کمتری نسبت به مبدل‌های حجمی سنتی دارند.در کار ما، قطر غشاء 880 میکرومتر است، و فرکانس تشدید در محدوده 110-117 کیلوهرتز توزیع می‌شود (شکل 2a، برای جزئیات بیشتر به روش‌ها مراجعه کنید).در یک دسته ده دستگاه آزمایشی، میانگین ضریب کیفیت حدود 50 بود (مرجع 31).این فناوری به بلوغ صنعتی رسیده است و به خودی خود از زیست الهام گرفته نشده است.ترکیب اطلاعات از فیلم های مختلف pMUT یک تکنیک شناخته شده است و اطلاعات زاویه را می توان از pMUT ها با استفاده از تکنیک های شکل دهی پرتو (31،54) به دست آورد.با این حال، پردازش سیگنال مورد نیاز برای استخراج اطلاعات زاویه برای اندازه‌گیری‌های کم توان مناسب نیست.سیستم پیشنهادی مدار پیش پردازش داده های عصبی pMUT را با یک گراف محاسباتی نورومورفیک مبتنی بر RRAM با الهام از مدل جفرس (شکل 2c) ترکیب می کند و یک راه حل سخت افزاری جایگزین با انرژی کارآمد و محدود به منابع ارائه می دهد.ما آزمایشی را انجام دادیم که در آن دو حسگر pMUT در فاصله تقریباً 10 سانتی متری از هم قرار گرفتند تا از صداهای مختلف ToF دریافت شده توسط دو غشای دریافت کننده بهره برداری کنند.یک pMUT که به عنوان فرستنده عمل می کند بین گیرنده ها قرار می گیرد.هدف یک صفحه PVC به عرض 12 سانتی متر بود که در فاصله D در مقابل دستگاه pMUT قرار داشت (شکل 2b).گیرنده صدای منعکس شده از جسم را ضبط می کند و در طول عبور موج صوتی تا حد امکان واکنش نشان می دهد.آزمایش را با تغییر موقعیت جسم، که با فاصله D و زاویه θ تعیین می شود، تکرار کنید.با الهام از یک پیوند.55، ما یک پیش پردازش نورومورفیک سیگنال های خام pMUT را برای تبدیل امواج منعکس شده به پیک برای ورودی یک نمودار محاسباتی نورومورفیک پیشنهاد می کنیم.ToF مربوط به دامنه پیک از هر یک از دو کانال استخراج شده و به عنوان زمان دقیق پیک های جداگانه کدگذاری می شود.روی انجیر2c مدار مورد نیاز برای اتصال حسگر pMUT را با یک نمودار محاسباتی مبتنی بر RRAM نشان می‌دهد: برای هر یک از دو گیرنده pMUT، سیگنال خام باند گذر فیلتر می‌شود تا صاف شود، تصحیح شود، و سپس در حالت غلبه به یکپارچه‌ساز نشتی ارسال می‌شود.آستانه دینامیکی (شکل 2d) یک رویداد خروجی (سنبله) و نورون شلیک (LIF) ایجاد می کند: زمان سنبله خروجی زمان پرواز شناسایی شده را رمزگذاری می کند.آستانه LIF در برابر پاسخ pMUT کالیبره شده است، در نتیجه تنوع pMUT را از دستگاهی به دستگاه دیگر کاهش می دهد.با این روش، به جای ذخیره کل موج صوتی در حافظه و پردازش آن، به سادگی یک پیک متناظر با ToF موج صوتی تولید می کنیم که ورودی نمودار محاسباتی حافظه مقاومتی را تشکیل می دهد.سنبله ها مستقیماً به خطوط تاخیر ارسال می شوند و با ماژول های تشخیص تطابق در نمودارهای محاسباتی نورومورفیک موازی می شوند.از آنجایی که آنها به دروازه ترانزیستورها فرستاده می شوند، هیچ مدار تقویت اضافی مورد نیاز نیست (برای جزئیات به شکل تکمیلی 4 مراجعه کنید).برای ارزیابی دقت زاویه ای محلی سازی ارائه شده توسط pMUT و روش پردازش سیگنال پیشنهادی، ما ITD (یعنی تفاوت زمان بین رویدادهای اوج تولید شده توسط دو گیرنده) را به عنوان فاصله و زاویه شی اندازه گیری کردیم.سپس آنالیز ITD به زاویه تبدیل شد (به روش‌ها مراجعه کنید) و در برابر موقعیت جسم ترسیم شد: عدم قطعیت در ITD اندازه‌گیری شده با فاصله و زاویه نسبت به جسم افزایش می‌یابد (شکل 2e,f).مشکل اصلی نسبت پیک به نویز (PNR) در پاسخ pMUT است.هر چه جسم دورتر باشد، سیگنال صوتی کمتر می شود و در نتیجه PNR کاهش می یابد (شکل 2f، خط سبز).کاهش PNR منجر به افزایش عدم قطعیت در تخمین ITD می‌شود که در نتیجه دقت محلی‌سازی افزایش می‌یابد (شکل 2f، خط آبی).برای یک جسم در فاصله 50 سانتی متری از فرستنده، دقت زاویه ای سیستم تقریباً 10 درجه است.این محدودیت اعمال شده توسط ویژگی های سنسور می تواند بهبود یابد.به عنوان مثال، فشار ارسال شده توسط امیتر را می توان افزایش داد، در نتیجه ولتاژ محرک غشای pMUT را افزایش داد.راه حل دیگر برای تقویت سیگنال ارسالی، اتصال چند فرستنده 56 است. این راه حل ها محدوده تشخیص را به قیمت افزایش هزینه های انرژی افزایش می دهند.بهبودهای اضافی را می توان در سمت گیرنده ایجاد کرد.کف نویز گیرنده pMUT را می توان با بهبود ارتباط بین pMUT و تقویت کننده مرحله اول که در حال حاضر با اتصالات سیم و کابل های RJ45 انجام می شود، به میزان قابل توجهی کاهش داد.
تصویری از یک کریستال pMUT با شش غشای 880 میکرومتری که در گام 1.5 میلی متری یکپارچه شده اند.b نمودار تنظیم اندازه گیری.هدف در موقعیت آزیموت θ و در فاصله D قرار دارد. فرستنده pMUT سیگنالی با فرکانس 117.6 کیلوهرتز تولید می کند که از هدف منعکس می شود و به دو گیرنده pMUT با زمان پرواز (ToF) متفاوت می رسد.این تفاوت که به عنوان اختلاف زمانی بین شنوایی (ITD) تعریف می‌شود، موقعیت یک شی را رمزگذاری می‌کند و می‌تواند با تخمین پاسخ پیک دو سنسور گیرنده تخمین زده شود.c شماتیک مراحل پیش پردازش برای تبدیل سیگنال pMUT خام به دنباله های سنبله (یعنی ورودی به نمودار محاسباتی نورومورفیک).حسگرهای pMUT و نمودارهای محاسباتی نورومورفیک ساخته و آزمایش شده‌اند و پیش پردازش نورومورفیک مبتنی بر شبیه‌سازی نرم‌افزاری است.d پاسخ غشای pMUT پس از دریافت سیگنال و تبدیل آن به دامنه سنبله.دقت زاویه‌ای محلی‌سازی تجربی به عنوان تابعی از زاویه جسم (Θ) و فاصله (D) تا جسم هدف.روش استخراج ITD به حداقل وضوح زاویه ای تقریباً 4 درجه سانتیگراد نیاز دارد.f دقت زاویه ای (خط آبی) و نسبت پیک به نویز مربوطه (خط سبز) در مقابل فاصله جسم برای Θ = 0.
حافظه مقاومتی اطلاعات را در حالت رسانایی غیرفرار ذخیره می کند.اصل اساسی روش این است که اصلاح ماده در سطح اتمی باعث تغییر در هدایت الکتریکی آن می شود.در اینجا ما از یک حافظه مقاومتی مبتنی بر اکسید متشکل از یک لایه 5 نانومتری دی اکسید هافنیوم استفاده می کنیم که بین الکترودهای تیتانیوم و نیترید تیتانیوم بالا و پایین قرار گرفته است.رسانایی دستگاه های RRAM را می توان با اعمال شکل موج جریان/ولتاژ تغییر داد که رشته های رسانای فضای خالی اکسیژن بین الکترودها را ایجاد می کند یا می شکند.ما چنین دستگاه‌هایی را در یک فرآیند استاندارد CMOS 130 نانومتری ادغام کردیم تا یک مدار نورومورفیک قابل تنظیم مجدد ساختگی ایجاد کنیم که یک آشکارساز تصادف و یک مدار خط تاخیر را اجرا می‌کند (شکل 3a).ماهیت غیر فرار و آنالوگ دستگاه، همراه با ماهیت رویداد محور مدار نورومورفیک، مصرف برق را به حداقل می رساند.مدار دارای یک عملکرد روشن/خاموش فوری است: بلافاصله پس از روشن شدن کار می کند و اجازه می دهد تا زمانی که مدار بیکار است، برق به طور کامل قطع شود.بلوک های ساختمانی اصلی طرح پیشنهادی در شکل نشان داده شده است.3b.این شامل N ساختارهای موازی تک ترانزیستوری تک مقاومتی (1T1R) است که وزن‌های سیناپسی را رمزگذاری می‌کند که از آن جریان‌های وزنی گرفته می‌شود، به سیناپس مشترک یک انتگرالگر جفت دیفرانسیل (DPI) تزریق می‌شود و در نهایت با ادغام و ادغام به سیناپس تزریق می‌شود. نشتینورون 60 فعال شده (LIF) (برای جزئیات به روش ها مراجعه کنید).نوسانات ورودی به شکل دنباله ای از پالس های ولتاژ با مدت زمان صدها نانوثانیه به گیت ساختار 1T1R اعمال می شود.حافظه مقاومتی را می توان در حالت رسانایی بالا (HCS) با اعمال یک مرجع مثبت خارجی به Vtop هنگامی که Vbottom زمین است، و با اعمال یک ولتاژ مثبت به Vbottom زمانی که Vtop زمین است، به حالت رسانایی کم (LCS) بازنشانی کرد.مقدار متوسط ​​HCS را می توان با محدود کردن جریان برنامه ریزی (انطباق) SET (ICC) توسط ولتاژ گیت منبع ترانزیستور سری کنترل کرد (شکل 3c).عملکرد RRAM در مدار دو دسته است: آنها پالس های ورودی را هدایت و وزن می کنند.
تصویر میکروسکوپ الکترونی روبشی (SEM) از دستگاه آبی HfO2 1T1R RRAM که در فناوری 130 نانومتری CMOS با ترانزیستورهای انتخابگر (عرض 650 نانومتر) به رنگ سبز ادغام شده است.b بلوک های ساختمانی اصلی طرحواره نورومورفیک پیشنهادی.پالس های ولتاژ ورودی (پیک ها) Vin0 و Vin1 Iweight جریان را مصرف می کنند که متناسب با حالات هدایت G0 و G1 ساختار 1T1R است.این جریان به سیناپس های DPI تزریق می شود و نورون های LIF را تحریک می کند.RRAM G0 و G1 به ترتیب در HCS و LCS نصب شده اند.c تابع چگالی رسانایی تجمعی برای گروهی از دستگاه های RRAM 16K به عنوان تابعی از تطبیق جریان ICC، که به طور موثر سطح هدایت را کنترل می کند.d اندازه‌گیری‌های مدار در (a) نشان می‌دهد که G1 (در LCS) به طور موثر ورودی Vin1 (سبز) را مسدود می‌کند، و در واقع ولتاژ غشای نورون خروجی فقط به ورودی آبی Vin0 پاسخ می‌دهد.RRAM به طور موثر اتصالات در مدار را تعیین می کند.e اندازه گیری مدار در (ب) نشان دهنده تأثیر مقدار رسانایی G0 بر ولتاژ غشا Vmem پس از اعمال یک پالس ولتاژ Vin0.هرچه رسانایی بیشتر باشد، پاسخ قوی تر است: بنابراین، دستگاه RRAM وزن اتصال I/O را پیاده سازی می کند.اندازه‌گیری‌ها روی مدار انجام شد و عملکرد دوگانه RRAM، مسیریابی و وزن‌دهی پالس‌های ورودی را نشان داد.
اولاً، از آنجایی که دو حالت رسانش اساسی (HCS و LCS) وجود دارد، RRAM ها می توانند پالس های ورودی را هنگامی که به ترتیب در حالت های LCS یا HCS قرار دارند، مسدود یا از دست بدهند.در نتیجه، RRAM به طور موثر اتصالات در مدار را تعیین می کند.این مبنایی است برای اینکه بتوانیم معماری را دوباره پیکربندی کنیم.برای نشان دادن این موضوع، یک پیاده سازی مدار ساخته شده از بلوک مدار را در شکل 3b شرح می دهیم.RRAM مربوط به G0 در HCS برنامه ریزی می شود و RRAM دوم G1 در LCS برنامه ریزی می شود.پالس های ورودی برای Vin0 و Vin1 اعمال می شود.اثرات دو دنباله از پالس های ورودی در نورون های خروجی با جمع آوری ولتاژ غشای نورون و سیگنال خروجی با استفاده از یک اسیلوسکوپ تجزیه و تحلیل شد.این آزمایش زمانی موفقیت آمیز بود که تنها دستگاه HCS (G0) به پالس نورون متصل شد تا کشش غشایی را تحریک کند.این در شکل 3d نشان داده شده است، که در آن قطار پالس آبی باعث ایجاد ولتاژ غشا بر روی خازن غشا می شود، در حالی که قطار پالس سبز ولتاژ غشا را ثابت نگه می دارد.
دومین عملکرد مهم RRAM پیاده سازی وزن اتصال است.با استفاده از تنظیم رسانایی آنالوگ RRAM، اتصالات ورودی/خروجی را می توان بر این اساس وزن کرد.در آزمایش دوم، دستگاه G0 در سطوح مختلف HCS برنامه ریزی شد و پالس ورودی به ورودی Vin0 اعمال شد.پالس ورودی جریان (Iweight) را از دستگاه می گیرد که متناسب با رسانایی و افت پتانسیل مربوطه Vtop - Vbot است.سپس این جریان وزنی به سیناپس های DPI و نورون های خروجی LIF تزریق می شود.ولتاژ غشایی نورون های خروجی با استفاده از یک اسیلوسکوپ ثبت شد و در شکل 3d نمایش داده شد.پیک ولتاژ غشای نورون در پاسخ به یک پالس ورودی منفرد با رسانایی حافظه مقاومتی متناسب است و نشان می دهد که RRAM می تواند به عنوان یک عنصر قابل برنامه ریزی وزن سیناپسی استفاده شود.این دو آزمایش اولیه نشان می‌دهد که پلتفرم نورومورفیک مبتنی بر RRAM پیشنهادی قادر به پیاده‌سازی عناصر اساسی مکانیسم جفرس، یعنی خط تاخیر و مدار آشکارساز تصادف است.پلت فرم مدار با چیدن بلوک های متوالی در کنار هم، مانند بلوک های شکل 3b، و اتصال دروازه های آنها به یک خط ورودی مشترک ساخته می شود.ما یک پلت فرم نورومورفیک متشکل از دو نورون خروجی که دو ورودی دریافت می کنند، طراحی، ساخت و آزمایش کردیم (شکل 4a).نمودار مدار در شکل 4b نشان داده شده است.ماتریس 2 × 2 RRAM بالا اجازه می دهد تا پالس های ورودی به دو نورون خروجی هدایت شوند، در حالی که ماتریس 2 × 2 پایین اجازه می دهد تا اتصالات مکرر دو نورون (N0, N1) را انجام دهند.ما نشان می‌دهیم که این پلت‌فرم را می‌توان با پیکربندی خط تاخیر و دو عملکرد آشکارساز تصادفی مختلف، همانطور که توسط اندازه‌گیری‌های تجربی در شکل 4c-e نشان داده شده است، استفاده کرد.
نمودار مداری که توسط دو نورون خروجی N0 و N1 تشکیل شده است که دو ورودی 0 و 1 را دریافت می کنند. چهار دستگاه بالای آرایه اتصالات سیناپسی را از ورودی به خروجی تعریف می کنند و چهار سلول پایینی اتصالات مکرر بین نورون ها را تعریف می کنند.RRAM های رنگی نشان دهنده دستگاه های پیکربندی شده در HCS در سمت راست هستند: دستگاه های موجود در HCS اجازه اتصالات را می دهند و وزن ها را نشان می دهند، در حالی که دستگاه های موجود در LCS پالس های ورودی را مسدود کرده و اتصالات به خروجی ها را غیرفعال می کنند.b نمودار مدار (a) با هشت ماژول RRAM که با رنگ آبی مشخص شده است.خطوط تأخیر به سادگی با استفاده از دینامیک سیناپس های DPI و نورون های LIF تشکیل می شوند.RRAM سبز روی رسانایی به اندازه کافی بالا تنظیم شده است که بتواند پس از تاخیر ورودی Δt یک اشکال در خروجی ایجاد کند.d تصویر شماتیک تشخیص CD غیر حساس به جهت سیگنال های وابسته به زمان.نورون خروجی 1، N1، روی ورودی های 0 و 1 با تاخیر کوتاهی شلیک می شود.مدار CD حساس به جهت، مداری که تشخیص می دهد ورودی 1 به ورودی 0 نزدیک می شود و پس از ورودی 0 می رسد. خروجی مدار با نورون 1 (N1) نشان داده می شود.
خط تاخیر (شکل 4c) به سادگی از رفتار دینامیکی سیناپس‌های DPI و نورون‌های LIF برای بازتولید اسپایک ورودی از Vin1 به Vout1 با تاخیر Tdel استفاده می‌کند.فقط G3 RRAM متصل به Vin1 و Vout1 در HCS برنامه ریزی شده است، بقیه RRAM ها در LCS برنامه ریزی می شوند.دستگاه G3 برای 92.6 میکروثانیه برنامه ریزی شد تا اطمینان حاصل شود که هر پالس ورودی ولتاژ غشاء نورون خروجی را به اندازه کافی افزایش می دهد تا به آستانه برسد و یک پالس خروجی تاخیری ایجاد کند.تاخیر Tdel توسط ثابت های زمانی سیناپسی و عصبی تعیین می شود.آشکارسازهای تصادفی وقوع سیگنال های ورودی با همبستگی زمانی اما توزیع شده مکانی را تشخیص می دهند.CD حساس به جهت متکی به ورودی های فردی است که به یک نورون خروجی مشترک همگرا می شوند (شکل 4d).دو RRAM که Vin0 و Vin1 را به ترتیب به Vout1، G2 و G4 متصل می‌کنند برای رسانایی بالا برنامه‌ریزی شده‌اند.ورود همزمان اسپک ها به Vin0 و Vin1 ولتاژ غشای نورون N1 را بالاتر از آستانه مورد نیاز برای تولید سنبله خروجی افزایش می دهد.اگر دو ورودی از نظر زمانی خیلی از هم فاصله داشته باشند، شارژ ولتاژ غشایی که توسط ورودی اول انباشته شده است ممکن است زمان برای پوسیدگی داشته باشد و از رسیدن پتانسیل غشا N1 به مقدار آستانه جلوگیری کند.G1 و G2 برای تقریباً 65 میکروثانیه برنامه‌ریزی شده‌اند، که تضمین می‌کند که یک نوسان ورودی، ولتاژ غشا را به اندازه‌ای افزایش نمی‌دهد که باعث افزایش خروجی شود.تشخیص تصادفی بین رویدادهای توزیع شده در فضا و زمان یک عملیات اساسی است که در طیف گسترده ای از وظایف حسی مانند اجتناب از مانع مبتنی بر جریان نوری و محلی سازی منبع صدا استفاده می شود.بنابراین، محاسبات سی دی های حساس به جهت و غیر حساس یک بلوک اساسی برای ساختن سیستم های بومی سازی بصری و صوتی است.همانطور که با ویژگی های ثابت های زمانی نشان داده شده است (به شکل تکمیلی 2 مراجعه کنید)، مدار پیشنهادی محدوده مناسبی از مقیاس های زمانی چهار مرتبه بزرگی را اجرا می کند.بنابراین، می تواند به طور همزمان نیازهای سیستم های بصری و صوتی را برآورده کند.سی دی حساس به جهت مداری است که به ترتیب مکانی ورود پالس ها حساس است: از راست به چپ و بالعکس.این یک بلوک ساختمانی اساسی در شبکه اصلی تشخیص حرکت سیستم بصری مگس سرکه است که برای محاسبه جهت حرکت و تشخیص برخوردها استفاده می شود.برای دستیابی به یک CD حساس به جهت، دو ورودی باید به دو نورون مختلف (N0، N1) هدایت شوند و یک اتصال جهتی بین آنها برقرار شود (شکل 4e).هنگامی که اولین ورودی دریافت می شود، NO با افزایش ولتاژ در غشای خود بالاتر از مقدار آستانه و ارسال یک نوسان واکنش نشان می دهد.این رویداد خروجی، به نوبه خود، به لطف اتصال جهتی که با رنگ سبز مشخص شده است، N1 را روشن می کند.اگر یک رویداد ورودی Vin1 وارد شود و N1 را در حالی که ولتاژ غشاء آن هنوز بالا است، انرژی دهد، N1 یک رویداد خروجی ایجاد می کند که نشان می دهد یک تطابق بین دو ورودی پیدا شده است.اتصالات جهت دار به N1 اجازه می دهد تا خروجی را تنها در صورتی صادر کند که ورودی 1 بعد از ورودی 0 باشد. G0، G3 و G7 به ترتیب روی 73.5 μS، 67.3 µS و 40.2 µS برنامه ریزی شده اند و اطمینان حاصل می کنند که یک اسپایک در ورودی Vin0 باعث تأخیر می شود. سنبله خروجی، در حالی که پتانسیل غشاء N1 تنها زمانی به آستانه می رسد که هر دو انفجار ورودی با هم هماهنگ شوند..
تغییرپذیری منبع نقص در سیستم های نورومورفیک مدل شده 63،64،65 است.این منجر به رفتار ناهمگن نورون ها و سیناپس ها می شود.نمونه هایی از چنین معایبی عبارتند از 30 درصد (میانگین انحراف استاندارد) تغییرپذیری در بهره ورودی، ثابت زمانی و دوره نسوز، فقط چند مورد (به روش ها مراجعه کنید).این مشکل زمانی که چندین مدار عصبی به هم متصل می شوند، مانند یک سی دی حساس به جهت متشکل از دو نورون، آشکارتر می شود.برای کارکرد صحیح، ثابت های زمانی افزایش و واپاشی دو نورون باید تا حد امکان مشابه باشند.به عنوان مثال، یک تفاوت بزرگ در بهره ورودی می تواند باعث شود که یک نورون به یک پالس ورودی بیش از حد واکنش نشان دهد در حالی که نورون دیگر به سختی پاسخ می دهد.روی انجیرشکل 5a نشان می دهد که نورون های انتخاب شده به طور تصادفی به پالس ورودی یکسان پاسخ متفاوتی می دهند.این تنوع عصبی، برای مثال، به عملکرد سی دی های حساس به جهت مربوط می شود.در طرح نشان داده شده در شکل.5b, c، بهره ورودی نورون 1 بسیار بیشتر از نرون 0 است. بنابراین، نورون 0 برای رسیدن به آستانه به سه پالس ورودی (به جای 1) نیاز دارد و همانطور که انتظار می رود نورون 1 به دو رویداد ورودی نیاز دارد.پیاده‌سازی پلاستیسیته بیومیمتیک وابسته به زمان (STDP) یک راه ممکن برای کاهش تأثیر مدارهای عصبی و سیناپسی نادقیق و کند بر عملکرد سیستم است.در اینجا ما پیشنهاد می کنیم از رفتار پلاستیکی حافظه مقاومتی به عنوان ابزاری برای تأثیرگذاری بر افزایش ورودی عصبی و کاهش اثرات تغییرپذیری در مدارهای نورومورفیک استفاده کنیم.همانطور که در شکل نشان داده شده است.4e، سطوح رسانایی مرتبط با جرم سیناپسی RRAM به طور موثر پاسخ ولتاژ غشای عصبی مربوطه را تعدیل می کند.ما از یک استراتژی برنامه نویسی RRAM تکراری استفاده می کنیم.برای یک ورودی معین، مقادیر رسانایی وزنه های سیناپسی تا زمانی که رفتار هدف مدار به دست آید دوباره برنامه ریزی می شود (به روش ها مراجعه کنید).
اندازه‌گیری‌های تجربی پاسخ نه نورون منفرد به‌طور تصادفی به یک پالس ورودی.پاسخ در بین جمعیت ها متفاوت است و بر افزایش ورودی و ثابت زمانی تأثیر می گذارد.b اندازه‌گیری‌های تجربی تأثیر نورون‌ها بر تغییرپذیری نورون‌های مؤثر بر CD حساس به جهت.دو نورون خروجی CD حساس به جهت به دلیل تنوع نورون به نورون به محرک های ورودی پاسخ متفاوتی می دهند.نورون 0 دارای بهره ورودی کمتری نسبت به نورون 1 است، بنابراین سه پالس ورودی (به جای 1) برای ایجاد یک اسپایک خروجی لازم است.همانطور که انتظار می رود، نورون 1 با دو رویداد ورودی به آستانه می رسد.اگر ورودی 1 پس از شلیک نورون 0، Δt = 50 µs برسد، CD بی صدا می ماند زیرا Δt بزرگتر از ثابت زمانی نورون 1 است (حدود 22 میکرو ثانیه).c توسط Δt = 20μs کاهش می یابد، به طوری که ورودی 1 زمانی که شلیک نورون 1 هنوز زیاد است، به اوج خود می رسد، که منجر به تشخیص همزمان دو رویداد ورودی می شود.
دو عنصر مورد استفاده در ستون محاسبه ITD عبارتند از خط تاخیر و CD غیر حساس جهت.هر دو مدار به کالیبراسیون دقیق نیاز دارند تا عملکرد موقعیت یابی خوب جسم را تضمین کنند.خط تأخیر باید نسخه ای دقیق از پیک ورودی را با تأخیر ارائه دهد (شکل 6a) و CD باید فقط زمانی فعال شود که ورودی در محدوده تشخیص هدف قرار گیرد.برای خط تاخیر، وزن های سیناپسی اتصالات ورودی (G3 در شکل 4a) تا زمانی که تاخیر هدف به دست آمد دوباره برنامه ریزی شد.یک تلورانس در اطراف تاخیر هدف تعیین کنید تا برنامه متوقف شود: هرچه تلورانس کمتر باشد، تنظیم موفقیت آمیز خط تاخیر دشوارتر است.روی انجیرشکل 6b نتایج فرآیند کالیبراسیون خط تاخیر را نشان می دهد: می توان مشاهده کرد که طرح پیشنهادی می تواند دقیقاً تمام تاخیرهای مورد نیاز در طرح طراحی (از 10 تا 300 میکرو ثانیه) را ارائه دهد.حداکثر تعداد تکرار کالیبراسیون بر کیفیت فرآیند کالیبراسیون تأثیر می گذارد: 200 تکرار می تواند خطا را به کمتر از 5٪ کاهش دهد.یک تکرار کالیبراسیون مربوط به عملیات تنظیم/تنظیم مجدد یک سلول RRAM است.فرآیند تنظیم همچنین برای بهبود دقت تشخیص رویداد نزدیک فوری ماژول CD بسیار مهم است.ده بار تکرار کالیبراسیون طول کشید تا به یک نرخ مثبت واقعی (یعنی نرخ رویدادهایی که به درستی مرتبط تشخیص داده شده است) بالای 95٪ (خط آبی در شکل 6c) دست یابد.با این حال، روند تنظیم روی رویدادهای مثبت کاذب (یعنی فراوانی رویدادهایی که به اشتباه مرتبط تشخیص داده شدند) تأثیری نداشت.روش دیگری که در سیستم‌های بیولوژیکی برای غلبه بر محدودیت‌های زمانی مسیرهایی که به سرعت فعال می‌شوند مشاهده می‌شود، افزونگی است (یعنی بسیاری از کپی‌های یک شیء برای انجام یک عملکرد معین استفاده می‌شوند).با الهام از biology66، ما چندین مدار CD را در هر ماژول CD بین دو خط تاخیر قرار دادیم تا تاثیر مثبت کاذب را کاهش دهیم.همانطور که در شکل نشان داده شده است.6c (خط سبز)، قرار دادن سه عنصر CD در هر ماژول CD می تواند نرخ هشدار نادرست را به کمتر از 10-2 کاهش دهد.
اثر تغییرپذیری عصبی بر مدارهای خط تاخیرb مدارهای خط تاخیر را می توان با تنظیم ثابت های زمانی نورون های LIF مربوطه و سیناپس های DPI بر روی مقادیر بزرگ به تاخیرهای بزرگ تبدیل کرد.افزایش تعداد تکرارهای روش کالیبراسیون RRAM باعث شد تا دقت تأخیر هدف به میزان قابل توجهی بهبود یابد: 200 تکرار خطا را به کمتر از 5 درصد کاهش داد.یک تکرار مربوط به عملیات SET/RESET در سلول RRAM است.هر ماژول CD در مدل جفرس ج را می توان با استفاده از N المان سی دی موازی برای انعطاف پذیری بیشتر با توجه به خرابی های سیستم پیاده سازی کرد.d تکرار کالیبراسیون RRAM بیشتر نرخ مثبت واقعی (خط آبی) را افزایش می دهد، در حالی که نرخ مثبت کاذب مستقل از تعداد تکرارها (خط سبز) است.قرار دادن عناصر CD بیشتر به صورت موازی از تشخیص نادرست مطابقت ماژول CD جلوگیری می کند.
ما اکنون عملکرد و مصرف توان سیستم محلی‌سازی شی یکپارچه انتها به انتها نشان‌داده‌شده در شکل 2 را با استفاده از اندازه‌گیری‌های ویژگی‌های صوتی حسگر pMUT، CD و مدارهای خط تاخیری که نمودار محاسباتی نورومورفیک را تشکیل می‌دهند، ارزیابی می‌کنیم.مدل جفرس (شکل 1a).در مورد نمودار محاسباتی نورومورفیک، هرچه تعداد ماژول های CD بیشتر باشد، وضوح زاویه ای بهتر است، اما همچنین انرژی سیستم بالاتر می رود (شکل 7a).با مقایسه دقت اجزای منفرد (حسگرهای pMUT، نورون‌ها و مدارهای سیناپسی) با دقت کل سیستم می‌توان به مصالحه رسید.وضوح خط تاخیر توسط ثابت‌های زمانی سیناپس‌ها و نورون‌های شبیه‌سازی شده محدود می‌شود، که در طرح ما بیش از 10 میکرو ثانیه است که مربوط به وضوح زاویه‌ای 4 درجه است (به روش‌ها مراجعه کنید).گره‌های پیشرفته‌تر با فناوری CMOS امکان طراحی مدارهای عصبی و سیناپسی با ثابت‌های زمانی پایین‌تر را فراهم می‌کنند و در نتیجه دقت بیشتری در عناصر خط تاخیر ایجاد می‌شود.با این حال، در سیستم ما، دقت با خطای pMUT در تخمین موقعیت زاویه ای، یعنی 10 درجه (خط افقی آبی در شکل 7a) محدود شده است.ما تعداد ماژول های CD را روی 40 ثابت کردیم که مربوط به وضوح زاویه ای حدود 4 درجه است، یعنی دقت زاویه ای نمودار محاسباتی (خط افقی آبی روشن در شکل 7a).در سطح سیستم، این وضوح 4 درجه و دقت 10 درجه را برای اجسامی که 50 سانتی متر جلوتر از سیستم حسگر قرار دارند، می دهد.این مقدار با سیستم های محلی سازی صدای نورومورفیک گزارش شده در ref قابل مقایسه است.67. مقایسه سیستم پیشنهادی با وضعیت هنر را می توان در جدول تکمیلی 1 یافت. افزودن pMUT های اضافی، افزایش سطح سیگنال صوتی، و کاهش نویز الکترونیکی راه های ممکن برای بهبود بیشتر دقت محلی سازی هستند.) 9.7 برآورد شده است.nz.55. با توجه به 40 واحد CD در نمودار محاسباتی، شبیه سازی SPICE انرژی در هر عملیات (یعنی انرژی موقعیت یابی شی) را 21.6 nJ تخمین زد.سیستم نورومورفیک تنها زمانی فعال می شود که یک رویداد ورودی می رسد، یعنی زمانی که یک موج صوتی به هر گیرنده pMUT می رسد و از آستانه تشخیص فراتر می رود، در غیر این صورت غیر فعال می ماند.این امر از مصرف انرژی غیر ضروری در صورت عدم وجود سیگنال ورودی جلوگیری می کند.با در نظر گرفتن فرکانس عملیات محلی سازی 100 هرتز و دوره فعال سازی 300 میکرو ثانیه در هر عملیات (حداکثر ITD ممکن)، مصرف انرژی نمودار محاسباتی نورومورفیک 61.7 نانووات است.با پیش پردازش نورومورفیک اعمال شده برای هر گیرنده pMUT، مصرف برق کل سیستم به 81.6 nW می رسد.برای درک کارایی انرژی رویکرد نورومورفیک پیشنهادی در مقایسه با سخت‌افزار معمولی، ما این عدد را با انرژی مورد نیاز برای انجام همان کار روی یک میکروکنترلر مدرن کم توان با استفاده از مهارت‌های نورومورفیک یا معمولی شکل‌دهی پرتو مقایسه کردیم.رویکرد نورومورفیک یک مرحله مبدل آنالوگ به دیجیتال (ADC) و به دنبال آن یک فیلتر باند گذر و یک مرحله استخراج پاکت (روش تیگر-کیزر) را در نظر می‌گیرد.در نهایت یک عملیات آستانه برای استخراج ToF انجام می شود.ما محاسبه ITD بر اساس ToF و تبدیل به موقعیت زاویه ای تخمینی را حذف کرده ایم زیرا این یک بار برای هر اندازه گیری اتفاق می افتد (به روش ها مراجعه کنید).با فرض نرخ نمونه برداری 250 کیلوهرتز در هر دو کانال (گیرنده pMUT)، 18 عملیات فیلتر باند گذر، 3 عملیات استخراج پاکت، و 1 عملیات آستانه در هر نمونه، کل توان مصرفی 245 میکرووات برآورد می شود.این از حالت کم مصرف 69 میکروکنترلر استفاده می‌کند، که وقتی الگوریتم‌ها اجرا نمی‌شوند روشن می‌شود که مصرف انرژی را به 10.8 میکرووات کاهش می‌دهد.مصرف برق راه حل پردازش سیگنال شکل دهی پرتو ارائه شده در مرجع.31، با 5 گیرنده pMUT و 11 پرتو که به طور یکنواخت در صفحه آزیموت [50-°، +50°] توزیع شده اند، 11.71 میلی وات است (برای جزئیات به بخش روش ها مراجعه کنید).علاوه بر این، ما مصرف انرژی یک رمزگذار تفاوت زمانی مبتنی بر FPGA47 (TDE) را که 1.5 مگاوات تخمین زده شده است، به عنوان جایگزینی برای مدل جفرس برای محلی‌سازی شی گزارش می‌کنیم.بر اساس این تخمین‌ها، رویکرد نورومورفیک پیشنهادی، مصرف انرژی را در مقایسه با یک میکروکنترلر با استفاده از تکنیک‌های کلاسیک شکل‌دهی پرتو برای عملیات محلی‌سازی شی کاهش می‌دهد.اتخاذ یک رویکرد نورومورفیک برای پردازش سیگنال در یک میکروکنترلر کلاسیک، مصرف انرژی را تا حدود دو مرتبه کاهش می‌دهد.اثربخشی سیستم پیشنهادی را می توان با ترکیب یک مدار آنالوگ با حافظه مقاومتی ناهمزمان که قادر به انجام محاسبات درون حافظه است و عدم تبدیل آنالوگ به دیجیتال مورد نیاز برای درک سیگنال توضیح داد.
وضوح زاویه ای (آبی) و مصرف انرژی (سبز) عملیات محلی سازی بسته به تعداد ماژول های CD.نوار افقی آبی تیره نشان دهنده دقت زاویه ای PMUT و نوار افقی آبی روشن نشان دهنده دقت زاویه ای نمودار محاسباتی نورومورفیک است.ب مصرف برق سیستم پیشنهادی و مقایسه با دو پیاده سازی میکروکنترلر مورد بحث و پیاده سازی دیجیتال رمزگذار اختلاف زمان (TDE)47 FPGA.
برای به حداقل رساندن مصرف برق سیستم محلی سازی هدف، ما یک مدار نورومورفیک مبتنی بر RRAM کارآمد و رویداد محور را طراحی، طراحی و پیاده سازی کردیم که اطلاعات سیگنال تولید شده توسط حسگرهای داخلی را پردازش می کند تا موقعیت شی هدف را به صورت واقعی محاسبه کند. زمان..در حالی که روش‌های پردازش سنتی به طور پیوسته سیگنال‌های شناسایی‌شده را نمونه‌برداری می‌کنند و محاسبات را برای استخراج اطلاعات مفید انجام می‌دهند، راه‌حل نورومورفیک پیشنهادی محاسبات را به‌صورت ناهمزمان با رسیدن اطلاعات مفید انجام می‌دهد و بازده توان سیستم را با پنج مرتبه بزرگی به حداکثر می‌رساند.علاوه بر این، انعطاف‌پذیری مدارهای نورومورفیک مبتنی بر RRAM را برجسته می‌کنیم.توانایی RRAM برای تغییر رسانایی به روشی غیرفرار (پلاستیسیته) تغییرپذیری ذاتی مدارهای سیناپسی و عصبی DPI آنالوگ بسیار کم توان را جبران می کند.این باعث می شود این مدار مبتنی بر RRAM همه کاره و قدرتمند باشد.هدف ما استخراج توابع یا الگوهای پیچیده از سیگنال ها نیست، بلکه بومی سازی اشیا در زمان واقعی است.سیستم ما همچنین می تواند سیگنال را به طور موثر فشرده کند و در نهایت آن را به مراحل پردازش بعدی بفرستد تا در صورت نیاز تصمیمات پیچیده تری بگیرد.در زمینه کاربردهای محلی سازی، مرحله پیش پردازش نورومورفیک ما می تواند اطلاعاتی در مورد مکان اشیا ارائه دهد.از این اطلاعات می توان برای مثال برای تشخیص حرکت یا تشخیص حرکت استفاده کرد.ما بر اهمیت ترکیب حسگرهای بسیار کم توان مانند pMUT ها با الکترونیک بسیار کم قدرت تاکید می کنیم.برای این، رویکردهای نورومورفیک کلیدی بوده اند زیرا ما را به توسعه پیاده سازی مدارهای جدید از روش های محاسباتی الهام گرفته از بیولوژیکی مانند مدل جفر سوق داده اند.در زمینه کاربردهای همجوشی حسگر، سیستم ما را می توان با چندین سنسور مختلف مبتنی بر رویداد ترکیب کرد تا اطلاعات دقیق تری به دست آورد.اگرچه جغدها در یافتن طعمه در تاریکی عالی هستند، اما بینایی عالی دارند و قبل از شکار طعمه، جستجوی ترکیبی شنیداری و بصری را انجام می دهند.هنگامی که نورون شنوایی خاصی شلیک می شود، جغد اطلاعات مورد نیاز خود را دریافت می کند تا تعیین کند جستجوی بصری خود را از کدام جهت شروع کند، بنابراین توجه خود را بر روی بخش کوچکی از صحنه بصری متمرکز می کند.ترکیبی از حسگرهای بصری (دوربین DVS) و یک حسگر شنیداری پیشنهادی (بر اساس pMUT) باید برای توسعه عوامل مستقل آینده مورد بررسی قرار گیرد.
سنسور pMUT روی یک PCB با دو گیرنده با فاصله تقریباً 10 سانتی متر از هم قرار دارد و فرستنده بین گیرنده ها قرار دارد.در این کار، هر غشاء یک ساختار دو شکل معلق متشکل از دو لایه نیترید آلومینیوم پیزوالکتریک (AlN) به ضخامت 800 نانومتر است که بین سه لایه مولیبدن (Mo) به ضخامت 200 نانومتر قرار گرفته و با لایه‌ای به ضخامت 200 نانومتر پوشیده شده است.لایه SiN غیرفعال کننده بالایی همانطور که در مرجع توضیح داده شده است.71. الکترودهای داخلی و خارجی به لایه های زیرین و بالایی مولیبدن اعمال می شود، در حالی که الکترود مولیبدن میانی بدون طرح است و به عنوان زمین استفاده می شود و در نتیجه غشایی با چهار جفت الکترود ایجاد می شود.
این معماری امکان استفاده از تغییر شکل غشایی رایج را فراهم می‌کند و در نتیجه حساسیت انتقال و دریافت را بهبود می‌بخشد.چنین pMUT معمولاً حساسیت تحریکی 700 نانومتر بر ولت را به عنوان امیتر نشان می‌دهد که فشار سطحی 270 Pa/V را فراهم می‌کند.به عنوان یک گیرنده، یک فیلم pMUT حساسیت اتصال کوتاه 15 nA/Pa را نشان می‌دهد که مستقیماً با ضریب پیزوالکتریک AlN مرتبط است.تغییرپذیری فنی ولتاژ در لایه AlN منجر به تغییر در فرکانس تشدید می شود که می تواند با اعمال یک بایاس DC به pMUT جبران شود.حساسیت DC در 0.5 کیلوهرتز بر ولت اندازه گیری شد.برای توصیف آکوستیک، یک میکروفون در جلوی pMUT استفاده می شود.
برای اندازه گیری پالس اکو، یک صفحه مستطیلی به مساحت حدود 50 سانتی متر مربع در مقابل pMUT قرار دادیم تا امواج صوتی ساطع شده را منعکس کند.هم فاصله بین صفحات و هم زاویه نسبت به صفحه pMUT با استفاده از نگهدارنده های مخصوص کنترل می شود.یک منبع ولتاژ Tectronix CPX400DP سه غشای pMUT را بایاس می کند، فرکانس تشدید را روی 111.9 kHz31 تنظیم می کند، در حالی که فرستنده ها توسط یک ژنراتور پالس Tectronix AFG 3102 با فرکانس رزونانس (111.9 kHz) و سیکل duty (111.9 kHz) هدایت می شوند.جریان های خوانده شده از چهار پورت خروجی هر گیرنده pMUT با استفاده از معماری جریان و ولتاژ دیفرانسیل خاص به ولتاژ تبدیل می شود و سیگنال های حاصل توسط سیستم جمع آوری داده Spektrum دیجیتالی می شوند.محدودیت تشخیص با دریافت سیگنال pMUT در شرایط مختلف مشخص شد: ما بازتابنده را به فواصل مختلف [30، 40، 50، 60، 80، 100] سانتی متر منتقل کردیم و زاویه پشتیبانی pMUT را تغییر دادیم ([0، 20، 40] o ) شکل 2b وضوح تشخیص زمانی ITD را بسته به موقعیت زاویه ای متناظر بر حسب درجه نشان می دهد.
این مقاله از دو مدار مختلف RRAM خارج از قفسه استفاده می کند.اولین آرایه ای از 16384 (16000) دستگاه (128 × 128 دستگاه) در پیکربندی 1T1R با یک ترانزیستور و یک مقاومت است.تراشه دوم پلت فرم نورومورفیک است که در شکل 4a نشان داده شده است.سلول RRAM از یک فیلم HfO2 با ضخامت 5 نانومتر تشکیل شده است که در یک پشته TiN/HfO2/Ti/TiN تعبیه شده است.پشته RRAM در پشت خط (BEOL) فرآیند استاندارد CMOS 130 نانومتری یکپارچه شده است.مدارهای نورومورفیک مبتنی بر RRAM یک چالش طراحی برای سیستم های الکترونیکی تمام آنالوگ است که در آن دستگاه های RRAM با فناوری سنتی CMOS همزیستی دارند.به طور خاص، وضعیت هدایت دستگاه RRAM باید خوانده شود و به عنوان یک متغیر تابع برای سیستم استفاده شود.برای این منظور، مداری طراحی، ساخته و آزمایش شد که جریان را از دستگاه هنگام دریافت پالس ورودی می خواند و از این جریان برای وزن دادن به پاسخ سیناپس یکپارچه کننده جفت دیفرانسیل (DPI) استفاده می کند.این مدار در شکل 3a نشان داده شده است که بلوک های ساختمانی اساسی پلت فرم نورومورفیک را در شکل 4a نشان می دهد.یک پالس ورودی، گیت دستگاه 1T1R را فعال می کند و جریانی را از طریق RRAM متناسب با رسانایی G دستگاه القا می کند (Iweight = G(Vtop – Vx)).ورودی معکوس مدار تقویت کننده عملیاتی (op-amp) دارای ولتاژ بایاس DC Vtop ثابت است.بازخورد منفی op-amp با ارائه جریان برابر از M1، Vx = Vtop را فراهم می کند.Iweight فعلی بازیابی شده از دستگاه به سیناپس DPI تزریق می شود.جریان قوی تر منجر به دپلاریزاسیون بیشتر می شود، بنابراین رسانایی RRAM به طور موثر وزن های سیناپسی را پیاده سازی می کند.این جریان سیناپسی نمایی از طریق خازن غشایی نورون های نشتی ادغام و تحریک (LIF) تزریق می شود، جایی که به عنوان یک ولتاژ یکپارچه می شود.اگر ولتاژ آستانه غشاء (ولتاژ سوئیچینگ اینورتر) غلبه کند، قسمت خروجی نورون فعال می شود و یک سنبله خروجی تولید می کند.این پالس برمی‌گردد و خازن غشایی نورون را به زمین می‌چرخاند و باعث تخلیه آن می‌شود.سپس این مدار با یک گسترش دهنده پالس تکمیل می شود (در شکل 3a نشان داده نشده است)، که پالس خروجی نورون LIF را به عرض پالس هدف شکل می دهد.مولتی پلکسرها نیز در هر خط تعبیه شده اند که اجازه می دهند ولتاژ به الکترودهای بالا و پایین دستگاه RRAM اعمال شود.
تست الکتریکی شامل تجزیه و تحلیل و ثبت رفتار دینامیکی مدارهای آنالوگ و همچنین برنامه نویسی و خواندن دستگاه های RRAM می باشد.هر دو مرحله به ابزار خاصی نیاز دارند که همه آنها به طور همزمان به برد سنسور متصل می شوند.دسترسی به دستگاه های RRAM در مدارهای نورومورفیک از ابزارهای خارجی از طریق مالتی پلکسر (MUX) انجام می شود.MUX سلول 1T1R را از بقیه مدارهایی که به آن تعلق دارد جدا می کند و به دستگاه اجازه می دهد خوانده شود و/یا برنامه ریزی شود.برای برنامه‌ریزی و خواندن دستگاه‌های RRAM، یک ماشین Keithley 4200 SCS همراه با یک میکروکنترلر آردوینو استفاده می‌شود: اولی برای تولید دقیق پالس و خواندن جریان، و دومی برای دسترسی سریع به عناصر 1T1R منفرد در آرایه حافظه.اولین عملیات تشکیل دستگاه RRAM است.سلول ها یکی یکی انتخاب می شوند و یک ولتاژ مثبت بین الکترودهای بالا و پایین اعمال می شود.در این حالت به دلیل تامین ولتاژ گیت مربوطه به ترانزیستور سلکتور، جریان به مرتبه ده ها میکرو آمپر محدود می شود.سپس سلول RRAM می تواند بین حالت رسانایی کم (LCS) و حالت رسانایی بالا (HCS) با استفاده از عملیات RESET و SET به ترتیب چرخه کند.عملیات SET با اعمال یک پالس ولتاژ مستطیلی با مدت زمان 1 میکرو ثانیه و ولتاژ پیک 2.0-2.5 ولت به الکترود بالایی و یک پالس همگام با شکل مشابه با ولتاژ پیک 0.9-1.3 ولت انجام می شود. دروازه ترانزیستور انتخابگراین مقادیر به تعدیل رسانایی RRAM در فواصل 20-150 میکرو ثانیه اجازه می دهد.برای RESET، هنگامی که ولتاژ گیت در محدوده 2.5-3.0 ولت است، یک پالس پیک 3 ولت با عرض 1 میکرو ثانیه به الکترود پایین (خط بیت) سلول اعمال می شود. ورودی ها و خروجی های مدارهای آنالوگ سیگنال های دینامیکی هستند. .برای ورودی، ما دو ژنراتور پالس HP 8110 را با ژنراتورهای سیگنال Tektronix AFG3011 به هم متصل کردیم.پالس ورودی دارای عرض 1 میکرو ثانیه و لبه بالا و پایین رفتن 50 ns است.فرض بر این است که این نوع پالس یک اشکال معمولی در مدارهای مبتنی بر اشکال آنالوگ است.در مورد سیگنال خروجی، سیگنال خروجی با استفاده از اسیلوسکوپ Teledyne LeCroy 1GHz ضبط شد.ثابت شده است که سرعت اکتساب یک اسیلوسکوپ عامل محدود کننده ای در تجزیه و تحلیل و کسب اطلاعات مدار نیست.
استفاده از دینامیک الکترونیک آنالوگ برای شبیه سازی رفتار نورون ها و سیناپس ها یک راه حل زیبا و کارآمد برای بهبود کارایی محاسباتی است.نقطه ضعف این زیرانداز محاسباتی این است که از طرحی به طرح دیگر متفاوت خواهد بود.ما تغییرپذیری نورون ها و مدارهای سیناپسی را تعیین کردیم (شکل تکمیلی 2a,b).از بین همه تظاهرات تغییرپذیری، موارد مرتبط با ثابت‌های زمانی و بهره ورودی بیشترین تأثیر را در سطح سیستم دارند.ثابت زمانی نورون LIF و سیناپس DPI توسط یک مدار RC تعیین می شود، جایی که مقدار R توسط یک ولتاژ بایاس اعمال شده به دروازه ترانزیستور (Vlk برای نورون و Vtau برای سیناپس) کنترل می شود. نرخ نشتبهره ورودی به عنوان حداکثر ولتاژی است که توسط خازن های غشای سیناپسی و عصبی که توسط یک پالس ورودی تحریک می شود، به دست می آید.بهره ورودی توسط ترانزیستور بایاس دیگری کنترل می شود که جریان ورودی را تعدیل می کند.یک شبیه‌سازی مونت کارلو کالیبره‌شده بر روی فرآیند 130 نانومتری ST Microelectronics برای جمع‌آوری برخی آمارهای افزایش ورودی و ثابت زمانی انجام شد.نتایج در شکل تکمیلی 2 ارائه شده است، که در آن بهره ورودی و ثابت زمانی به عنوان تابعی از ولتاژ بایاس که نرخ نشتی را کنترل می‌کند، اندازه‌گیری می‌شوند.نشانگرهای سبز انحراف استاندارد ثابت زمانی از میانگین را کمی می کنند.هم نورون ها و هم مدارهای سیناپسی قادر به بیان طیف وسیعی از ثابت های زمانی در محدوده 10-5-10-2 ثانیه بودند، همانطور که در طرح تکمیلی شکل نشان داده شده است.تقویت ورودی (شکل تکمیلی 2e,d) تنوع عصبی و سیناپس به ترتیب تقریباً 8% و 3% بود.چنین کمبودی به خوبی در ادبیات ثبت شده است: اندازه‌گیری‌های مختلفی روی آرایه تراشه‌های DYNAP برای ارزیابی عدم تطابق بین جمعیت‌های نورون‌های LIF63 انجام شد.سیناپس‌ها در تراشه سیگنال ترکیبی BrainScale اندازه‌گیری شدند و ناسازگاری‌های آن‌ها آنالیز شد، و یک روش کالیبراسیون برای کاهش اثر تغییرپذیری در سطح سیستم پیشنهاد شد.
عملکرد RRAM در مدارهای نورومورفیک به دو صورت است: تعریف معماری (مسیریابی ورودی ها به خروجی ها) و اجرای وزن های سیناپسی.ویژگی دوم را می توان برای حل مشکل تغییرپذیری مدارهای نورومورفیک مدل شده مورد استفاده قرار داد.ما یک روش کالیبراسیون ساده ایجاد کرده‌ایم که شامل برنامه‌ریزی مجدد دستگاه RRAM است تا زمانی که مدار مورد تجزیه و تحلیل الزامات خاصی را برآورده کند.برای یک ورودی مشخص، خروجی نظارت می شود و RRAM مجدداً برنامه ریزی می شود تا زمانی که رفتار هدف حاصل شود.زمان انتظار 5 ثانیه بین عملیات برنامه‌نویسی برای حل مشکل آرامش RRAM که منجر به نوسانات رسانایی گذرا می‌شود، معرفی شد (اطلاعات تکمیلی).وزن های سیناپسی با توجه به الزامات مدار نورومورفیک در حال مدل سازی تنظیم یا کالیبره می شوند.روش کالیبراسیون در الگوریتم‌های اضافی [1، 2] خلاصه می‌شود که بر دو ویژگی اساسی پلتفرم‌های نورومورفیک، خطوط تاخیر و CD غیر حساس جهت تمرکز دارند.برای مداری با خط تاخیر، رفتار هدف ارائه یک پالس خروجی با تاخیر Δt است.اگر تأخیر مدار واقعی کمتر از مقدار هدف باشد، وزن سیناپسی G3 باید کاهش یابد (G3 باید تنظیم مجدد شود و سپس روی یک جریان تطابق کمتر Icc تنظیم شود).برعکس، اگر تاخیر واقعی بیشتر از مقدار هدف باشد، رسانایی G3 باید افزایش یابد (G3 ابتدا باید تنظیم مجدد شود و سپس روی مقدار Icc بالاتر تنظیم شود).این فرآیند تا زمانی تکرار می شود که تاخیر ایجاد شده توسط مدار با مقدار هدف مطابقت داشته باشد و یک تلرانس برای توقف فرآیند کالیبراسیون تنظیم شود.برای CDهای حساس به جهت، دو دستگاه RRAM G1 و G3 در فرآیند کالیبراسیون دخیل هستند.این مدار دارای دو ورودی Vin0 و Vin1 با تاخیر dt می باشد.مدار فقط باید به تاخیرهای زیر محدوده تطابق [0,dtCD] پاسخ دهد.اگر پیک خروجی وجود نداشته باشد، اما پیک ورودی نزدیک است، هر دو دستگاه RRAM باید تقویت شوند تا نورون به آستانه برسد.برعکس، اگر مدار به تاخیری که بیش از محدوده هدف dtCD است پاسخ دهد، رسانایی باید کاهش یابد.این روند را تکرار کنید تا رفتار صحیح به دست آید.جریان انطباق را می توان توسط مدار آنالوگ داخلی در ref مدوله کرد.72.73.با این مدار داخلی، چنین رویه هایی را می توان به صورت دوره ای برای کالیبره کردن سیستم یا استفاده مجدد از آن برای کاربرد دیگری انجام داد.
ما مصرف انرژی رویکرد پردازش سیگنال نورومورفیک خود را بر روی یک میکروکنترلر ۶۸ استاندارد ۳۲ بیتی ارزیابی می‌کنیم.در این ارزیابی، ما عملیات را با همان تنظیمات این مقاله، با یک فرستنده pMUT و دو گیرنده pMUT فرض می‌کنیم.در این روش از فیلتر باند گذر استفاده می شود و به دنبال آن یک مرحله استخراج پاکت (Teeger-Kaiser) انجام می شود و در نهایت یک عملیات آستانه گذاری روی سیگنال برای استخراج زمان پرواز اعمال می شود.محاسبه ITD و تبدیل آن به زوایای تشخیص در ارزیابی حذف شده است.ما اجرای فیلتر باند گذر را با استفاده از فیلتر پاسخ ضربه بی نهایت مرتبه 4 که به 18 عملیات ممیز شناور نیاز دارد، در نظر می گیریم.استخراج پاکت از سه عملیات ممیز شناور دیگر استفاده می کند و آخرین عملیات برای تنظیم آستانه استفاده می شود.در مجموع 22 عملیات ممیز شناور برای پیش پردازش سیگنال مورد نیاز است.سیگنال ارسالی یک انفجار کوتاه از شکل موج سینوسی 111.9 کیلوهرتز است که هر 10 میلی ثانیه تولید می شود و در نتیجه فرکانس کاری موقعیت یابی 100 هرتز ایجاد می شود.ما از نرخ نمونه‌برداری 250 کیلوهرتز برای مطابقت با Nyquist و یک پنجره 6 میلی‌ثانیه برای هر اندازه‌گیری برای گرفتن برد 1 متر استفاده کردیم.توجه داشته باشید که 6 میلی ثانیه زمان پرواز جسمی است که در فاصله 1 متری قرار دارد.این یک مصرف برق 180 میکرووات برای تبدیل A/D در 0.5 MSPS را فراهم می کند.پیش پردازش سیگنال 6.60 MIPS (دستورالعمل در ثانیه) است که 0.75 مگاوات تولید می کند.با این حال، زمانی که الگوریتم اجرا نمی شود، میکروکنترلر ممکن است به حالت کم مصرف 69 تغییر وضعیت دهد.این حالت مصرف برق ساکن 10.8 میکرووات و زمان بیدار شدن 113 میکرو ثانیه را فراهم می کند.با توجه به فرکانس ساعت 84 مگاهرتز، میکروکنترلر تمام عملیات الگوریتم نورومورفیک را در عرض 10 میلی ثانیه تکمیل می‌کند و الگوریتم سیکل کاری 6.3 درصد را محاسبه می‌کند، بنابراین از حالت کم توان استفاده می‌کند.اتلاف توان حاصل 244.7 میکرووات است.توجه داشته باشید که ما خروجی ITD از ToF و تبدیل به زاویه تشخیص را حذف می کنیم، بنابراین مصرف برق میکروکنترلر را دست کم می گیریم.این ارزش اضافی برای بهره وری انرژی سیستم پیشنهادی فراهم می کند.به عنوان یک شرایط مقایسه اضافی، مصرف توان روش‌های کلاسیک شکل‌دهی پرتوهای پیشنهادی در مرجع را ارزیابی می‌کنیم.31.54 هنگامی که در همان میکروکنترلر68 در ولتاژ تغذیه 1.8 ولت تعبیه شده است.پنج غشا pMUT با فاصله یکنواخت برای به دست آوردن اطلاعات برای شکل دهی پرتو استفاده می شود.در مورد خود پردازش، روش شکل دهی پرتو مورد استفاده، جمع تاخیری است.این به سادگی شامل اعمال تاخیر در خطوط است که مطابق با تفاوت مورد انتظار در زمان رسیدن بین یک خط و خط مرجع است.اگر سیگنال ها در فاز باشند، مجموع این سیگنال ها پس از یک جابجایی زمانی انرژی بالایی خواهد داشت.اگر آنها خارج از فاز باشند، تداخل مخرب انرژی مجموع آنها را محدود می کند.در یک رابطهروی انجیردر شکل 31، نرخ نمونه برداری 2 مگاهرتز برای جابجایی زمانی داده ها توسط تعداد صحیح نمونه انتخاب شده است.یک رویکرد ساده تر، حفظ نرخ نمونه درشت تر 250 کیلوهرتز و استفاده از فیلتر پاسخ ضربه محدود (FIR) برای سنتز تاخیرهای کسری است.ما فرض می کنیم که پیچیدگی الگوریتم شکل دهی پرتو عمدتاً با تغییر زمان تعیین می شود، زیرا هر کانال با یک فیلتر FIR با 16 ضربه در هر جهت در هم پیچیده است.برای محاسبه تعداد MIPS مورد نیاز برای این عملیات، ما یک پنجره 6 میلی‌ثانیه در هر اندازه‌گیری را در نظر می‌گیریم تا محدوده 1 متر، 5 کانال، 11 جهت شکل‌دهی پرتو (محدوده +/- 50 درجه در گام‌های 10 درجه) را ثبت کنیم.75 اندازه گیری در ثانیه میکروکنترلر را به حداکثر 100 MIPS رساند.ارتباط دادن.68، منجر به اتلاف توان 11.26 مگاوات برای اتلاف توان کل 11.71 مگاوات پس از اضافه کردن سهم ADC آنبورد می شود.
داده های حمایت کننده از نتایج این مطالعه از نویسنده مربوطه، FM، بنا به درخواست معقول در دسترس است.
Indiveri, G. & Sandamirskaya, Y. اهمیت فضا و زمان برای پردازش سیگنال در عوامل نورومورفیک: چالش توسعه عوامل کم توان و خودمختار که با محیط تعامل دارند. Indiveri, G. & Sandamirskaya, Y. اهمیت فضا و زمان برای پردازش سیگنال در عوامل نورومورفیک: چالش توسعه عوامل کم توان و خودمختار که با محیط تعامل دارند.Indiveri G. و Sandamirskaya Y. اهمیت فضا و زمان برای پردازش سیگنال در عوامل نورومورفیک: چالش توسعه عوامل خودمختار کم توان در تعامل با محیط. Indiveri، G. & Sandamirskaya، ی.主代理的挑战. Indiveri، G. & Sandamirskaya، Y.Indiveri G. و Sandamirskaya Y. اهمیت فضا و زمان برای پردازش سیگنال در عوامل نورومورفیک: چالش توسعه عوامل خودمختار کم توان در تعامل با محیط.پردازش سیگنال IEEEمجله 36، 16-28 (2019).
Thorpe، SJ Peak Arrival Time: یک طرح کدگذاری شبکه عصبی کارآمد. در Eckmiller, R., Hartmann, G. & Hauske, G. (eds). در Eckmiller, R., Hartmann, G. & Hauske, G. (eds).در Eckmiller, R., Hartmann, G. and Hauske, G. (eds.).در Eckmiller, R., Hartmann, G., and Hauske, G. (eds.).پردازش موازی در سیستم های عصبی و رایانه ها 91-94 (North-Holland Elsevier, 1990).
Levy، WB & Calvert، VG Communication 35 برابر بیشتر از محاسبات در قشر انسان انرژی مصرف می کند، اما هر دو هزینه برای پیش بینی تعداد سیناپس مورد نیاز است. Levy، WB & Calvert، VG Communication 35 برابر بیشتر از محاسبات در قشر انسان انرژی مصرف می کند، اما هر دو هزینه برای پیش بینی تعداد سیناپس مورد نیاز است.Levy، WB و Calvert، WG Communication 35 برابر بیشتر از محاسبات در قشر انسان انرژی مصرف می کنند، اما هر دو هزینه برای پیش بینی تعداد سیناپس ها مورد نیاز است. Levy, WB & Calvert, VG Communication 消耗的能量是人类皮层计算的35 Levy، WB & Calvert، VG CommunicationLevy، WB و Calvert، WG Communication 35 برابر بیشتر از محاسبات در قشر انسان انرژی مصرف می کنند، اما هر دو هزینه نیاز به پیش بینی تعداد سیناپس ها دارند.روند.آکادمی ملی علوم.علم.US 118، https://doi.org/10.1073/pnas.2008173118 (2021).
Dalgaty، T.، Vianello، E.، De Salvo، B. & Casas، J. محاسبات نورومورفیک الهام گرفته از حشرات. Dalgaty، T.، Vianello، E.، De Salvo، B. & Casas، J. محاسبات نورومورفیک الهام گرفته از حشرات.Dalgati، T.، Vianello، E.، DeSalvo، B. و Casas، J. محاسبات نورومورفیک الهام گرفته از حشرات.Dalgati T.، Vianello E.، DeSalvo B. و Casas J. محاسبات نورومورفیک الهام گرفته از حشرات.جاری.نظر.علم حشرات.30، 59-66 (2018).
روی، ک.، جیسوال، A. & Panda، P. به سوی هوش ماشینی مبتنی بر سنبله با محاسبات نورومورفیک. روی، ک.، جیسوال، A. & Panda، P. به سوی هوش ماشینی مبتنی بر سنبله با محاسبات نورومورفیک. روی، کی، جیسوال، A. و پاندا، P. به سوی هوش ماشینی مبتنی بر اسپایک با محاسبات عصبی.روی K، Jaiswal A و Panda P. هوش مصنوعی مبتنی بر پالس با استفاده از محاسبات نورومورفیک.Nature 575, 607–617 (2019).
Indiveri، G. & Liu، S.-C. Indiveri، G. & Liu، S.-C.Indiveri، G. و لیو، S.-K. Indiveri، G. & Liu، S.-C. Indiveri، G. & Liu، S.-C.Indiveri، G. و لیو، S.-K.پردازش حافظه و اطلاعات در سیستم‌های نورومورفیکروند.IEEE 103، 1379–1397 (2015).
Akopyan F. et al.Truenorth: طراحی و جعبه ابزار برای یک تراشه سیناپسی قابل برنامه ریزی با توان 1 میلیون نورون 65 مگاواتی.تراکنش های IEEEطراحی کامپیوتری سیستم های مدار مجتمع.34، 1537–1557 (2015).
Schemmel, J. et al.نسخه نمایشی زنده: نسخه کوچک شده سیستم نورومورفیک BrainScaleS در مقیاس صفحه.2012 سمپوزیوم بین المللی IEEE در مدارها و سیستم ها (ISCAS)، (ویرایش IEEE) 702-702 (2012).
Moradi، S.، Qiao، N.، Stefanini، F. & Indiveri، G. یک معماری چند هسته ای مقیاس پذیر با ساختارهای حافظه ناهمگن برای پردازنده های ناهمزمان نورومورفیک پویا (DYNAPs). Moradi، S.، Qiao، N.، Stefanini، F. & Indiveri، G. یک معماری چند هسته ای مقیاس پذیر با ساختارهای حافظه ناهمگن برای پردازنده های ناهمزمان نورومورفیک پویا (DYNAPs).Moradi S.، Qiao N.، Stefanini F. and Indiviri G. معماری چند هسته ای مقیاس پذیر با ساختارهای حافظه ناهمگن برای پردازنده های ناهمزمان نورومورفیک پویا (DYNAP). مرادی، اس.异构内存结构. مرادی، اس.Moradi S.، Qiao N.، Stefanini F. and Indiviri G. معماری چند هسته ای مقیاس پذیر با ساختارهای حافظه ناهمگن برای پردازنده های ناهمزمان نورومورفیک پویا (DYNAP).معاملات IEEE در علم زیست پزشکی.سیستم الکتریکی.12، 106–122 (2018).
دیویس، ام و همکاران.Loihi: یک پردازنده چند هسته ای نورومورفیک با یادگیری تعبیه شده.IEEE Micro 38, 82–99 (2018).
Furber، SB، Galluppi، F.، Temple، S. & Plana، LA پروژه SpiNNaker. Furber، SB، Galluppi، F.، Temple، S. & Plana، LA پروژه SpiNNaker.پروژه Ferber SB، Galuppi F.، Temple S. و Plana LA SpiNNaker.پروژه Ferber SB، Galuppi F.، Temple S. و Plana LA SpiNNaker.روند.IEEE 102، 652-665 (2014).
لیو، S.-K. و دلبروک، T. سیستم های حسی نورومورفیک. و دلبروک، T. سیستم های حسی نورومورفیک.و Delbrück T. سیستم های حسی نورومورفیک. و دلبروک، تی. 神经形态感觉系统 و دلبروک، تی.و Delbrück T. سیستم حسی نورومورفیک.جاری.نظر.نوروبیولوژی.20, 288-295 (2010).
Chope، T. و همکاران.ادغام حسی نورومورفیک برای محلی سازی ترکیبی منبع صدا و اجتناب از برخورد.در سال 2019 در کنفرانس IEEE در مورد مدارها و سیستم های زیست پزشکی (BioCAS)، (IEEE Ed.) 1-4 (2019).
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. معماری نورومورفیک مبتنی بر سنبله دید استریو. Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. معماری نورومورفیک مبتنی بر سنبله دید استریو.Risi N، Aymar A، Donati E، Solinas S، و Indiveri G. معماری استریوویژن نورومورفیک مبتنی بر سنبله. Risi، N.، Aimar، A.، Donati، E.، Solinas، S. & Indiveri، G. 一种基于脉冲的立体视觉神经形态结构。 ریسی، ن.، آیمار، ا.، دوناتی، ای.، سولیناس، س. و ایندیوری، جی.Risi N، Aimar A، Donati E، Solinas S، و Indiveri G. معماری نورومورفیک مبتنی بر اسپایک برای دید استریو.جلوNeurorobotics 14، 93 (2020).
Osswald، M.، Ieng، S.-H.، Benosman، R. & Indiveri، G. یک مدل شبکه عصبی spiking از ادراک سه بعدی برای سیستم های بینایی استریو نورومورفیک مبتنی بر رویداد. Osswald، M.، Ieng، S.-H.، Benosman، R. & Indiveri، G. یک مدل شبکه عصبی spiking از ادراک سه بعدی برای سیستم های بینایی استریو نورومورفیک مبتنی بر رویداد.Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. مدل ادراک شبکه عصبی پالسی سه بعدی برای سیستم های دید استریو نورومورفیک مبتنی بر رویداد. Osswald، M.، Ieng، S.-H.، Benosman، R. & Indiveri، G. 基于事件的神经形态立体视觉系统的3Dperception 脉冲神 Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. 3Dperception 脉冲神经网络模型。Oswald، M.، Ieng، S.-H.، Benosman، R.، و Indiveri، G. مدل شبکه عصبی سه بعدی برای یک سیستم دید استریو نورومورفیک مبتنی بر رویداد.علم.گزارش 7، 1–11 (2017).
دالگاتی، تی و همکاران.تشخیص حرکت پایه الهام گرفته از حشرات شامل حافظه مقاومتی و شبکه های عصبی انفجاری است.سیستم بیوهیبرید بیونیک10928، 115-128 (2018).
D'Angelo، G. و همکاران.تشخیص حرکت غیرعادی مبتنی بر رویداد با استفاده از کدگذاری دیفرانسیل زمانیجلوعصب شناسی.14, 451 (2020).