သတင်း

ကမ္ဘာတဝှမ်းမှ ဒေတာ စီမံဆောင်ရွက်ပေးခြင်း အပလီကေးရှင်းများသည် ကျစ်လစ်သော၊ latency နည်းသော၊ ပါဝါနည်းသော ကွန်ပျူတာစနစ်များ လိုအပ်ပါသည်။event-driven computing စွမ်းရည်များဖြင့်၊ ဖြည့်စွက်သတ္တု-အောက်ဆိုဒ်-တစ်ပိုင်းလျှပ်ကူးပစ္စည်း hybrid memristive neuromorphic ဗိသုကာများသည် ထိုသို့သောအလုပ်များအတွက် စံပြဟာ့ဒ်ဝဲအခြေခံအုတ်မြစ်ကို ပေးပါသည်။ထိုစနစ်များ၏ အလားအလာ အပြည့်အဝကို သရုပ်ပြရန်၊ ကျွန်ုပ်တို့သည် လက်တွေ့ကမ္ဘာရှိ အရာဝတ္ထု ဒေသသတ်မှတ်ခြင်းဆိုင်ရာ အပလီကေးရှင်းများအတွက် ပြီးပြည့်စုံသော အာရုံခံစနစ်လုပ်ဆောင်ခြင်းဆိုင်ရာ ဖြေရှင်းချက်ကို အဆိုပြုပြီး လက်တွေ့စမ်းသပ်ပြသပါသည်။ကျီဇီးကွက် neuroanatomy မှ စိတ်ကူးစိတ်သန်းကို ရေးဆွဲထားသော၊ ကျွန်ုပ်တို့သည် တွက်ချက်မှုဂရပ်ဖစ်အခြေခံ neuromorphic resistive memory နှင့် ခေတ်မီဆန်းသစ်သော piezoelectric micromechanical transducer transducer နှင့် ပေါင်းစပ်ထားသည့် bioinspired, event-driven object localization system ကို တီထွင်ထားပါသည်။Memory-based ခံနိုင်ရည်ရှိ တိုက်ဆိုင်မှု detector၊ delay line circuitry နှင့် အပြည့်အဝ စိတ်ကြိုက်ပြင်ဆင်နိုင်သော ultrasonic transducer ပါ၀င်သည့် တီထွင်ထားသော စနစ်၏ တိုင်းတာမှုများကို ပြသပါသည်။ကျွန်ုပ်တို့သည် စနစ်အဆင့်တွင် သရုပ်ဖော်မှုများကို ချိန်ညှိရန်အတွက် ဤစမ်းသပ်မှုရလဒ်များကို အသုံးပြုပါသည်။ထို့နောက် အဆိုပါ simulations များကို object localization model ၏ angular resolution နှင့် energy efficiency ကို အကဲဖြတ်ရန် အသုံးပြုပါသည်။ကျွန်ုပ်တို့၏ချဉ်းကပ်မှုသည် တူညီသောလုပ်ငန်းကိုလုပ်ဆောင်သည့် မိုက်ခရိုကွန်ထရိုလာများထက် စွမ်းအင်ပိုသက်သာသည့် ပြင်းအားအမြောက်အမြားရှိနိုင်ကြောင်း ရလဒ်များကပြသသည်။
ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏နေ့စဉ်အသက်တာတွင် ကျွန်ုပ်တို့ကိုကူညီရန် စက်နှင့်စနစ်များကို အဆမတန်တိုးပွားလာနေသည့် နေရာအနှံ့တွင် ကွန်ပြူတာနည်းပညာခေတ်သို့ ဝင်ရောက်နေပါသည်။အာရုံခံကိရိယာများစွာမှ ၎င်းတို့စုဆောင်းထားသောဒေတာကို အချိန်နှင့်တပြေးညီ အနက်ပြန်ဆိုရန် သင်ယူနေချိန်တွင် တတ်နိုင်သမျှ ပါဝါနည်းနည်းဖြင့် ဆက်တိုက်လည်ပတ်နေမည်ဟု မျှော်လင့်ရပြီး အမျိုးအစားခွဲခြင်း သို့မဟုတ် အသိအမှတ်ပြုခြင်းလုပ်ငန်းများ၏ရလဒ်အဖြစ် binary output ကိုထုတ်ပေးပါသည်။ဤပန်းတိုင်ကိုရောက်ရန် အရေးကြီးဆုံးအဆင့်များထဲမှ တစ်ခုသည် ဆူညံပြီး မကြာခဏ မပြည့်စုံသော အာရုံခံဒေတာများမှ အသုံးဝင်ပြီး ကျစ်လစ်သိပ်သည်းသော အချက်အလက်များကို ထုတ်ယူခြင်းဖြစ်သည်။သမားရိုးကျ အင်ဂျင်နီယာများသည် ပုံမှန်အားဖြင့် အာရုံခံအချက်ပြမှုများကို အဆက်မပြတ်နှင့် မြင့်မားသောနှုန်းဖြင့် ချဉ်းကပ်ကြပြီး အသုံးဝင်သော သွင်းအားစုများမရှိသည့်တိုင် ဒေတာအများအပြားကို ထုတ်ပေးပါသည်။ထို့အပြင်၊ ဤနည်းလမ်းများသည် ရှုပ်ထွေးသော ဒစ်ဂျစ်တယ်အချက်ပြမှု လုပ်ဆောင်ခြင်းနည်းပညာများကို (မကြာခဏ ဆူညံစွာ) ထည့်သွင်းသည့်ဒေတာကို ကြိုတင်လုပ်ဆောင်ရန်အတွက် အသုံးပြုပါသည်။ယင်းအစား၊ ဇီဝဗေဒသည် စွမ်းအင်သက်သာသော၊ ပြတ်ပြတ်သားသား၊ အဖြစ်အပျက်မှမောင်းနှင်သောချဉ်းကပ်မှုများ (spikes)2,3 ကိုအသုံးပြု၍ ဆူညံသောအာရုံခံဒေတာကိုလုပ်ဆောင်ခြင်းအတွက် အခြားနည်းလမ်းများကို ပေးပါသည်။Neuromorphic ကွန်ပြူတာသည် သမားရိုးကျ အချက်ပြလုပ်ဆောင်ခြင်းနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက စွမ်းအင်နှင့် မှတ်ဉာဏ်လိုအပ်ချက်များတွင် တွက်ချက်မှုကုန်ကျစရိတ်များကို လျှော့ချရန် ဇီဝဗေဒစနစ်များမှ လှုံ့ဆော်မှုရယူသည်။မကြာသေးမီက၊ ဆန်းသစ်တီထွင်ထားသော ယေဘုယျရည်ရွယ်ချက် ဦးနှောက်အခြေခံစနစ်များ (TrueNorth7၊ BrainScaleS8၊ DYNAP-SE9၊ Loihi10၊ Spinnaker11) ကို အကောင်အထည်ဖော်ခြင်းအား သရုပ်ပြခဲ့သည်။ဤပရိုဆက်ဆာများသည် စက်သင်ယူမှုနှင့် cortical circuit modeling အတွက် ပါဝါနည်းခြင်း၊ latency နည်းပါးသော ဖြေရှင်းနည်းများကို ပေးပါသည်။၎င်းတို့၏ စွမ်းအင်ထိရောက်မှုကို အပြည့်အဝအသုံးချရန်၊ ဤ neuromorphic ပရိုဆက်ဆာများသည် အဖြစ်အပျက်-မောင်းနှင်သည့် အာရုံခံကိရိယာများ12,13 နှင့် တိုက်ရိုက်ချိတ်ဆက်ရပါမည်။သို့သော် ယနေ့ခေတ်တွင် အဖြစ်အပျက်ကို မောင်းနှင်သည့် ဒေတာကို တိုက်ရိုက်ပေးသည့် ထိတွေ့ကိရိယာ အနည်းငယ်သာ ရှိသေးသည်။ထင်ရှားသောဥပမာများမှာ ခြေရာခံခြင်းနှင့် ရွေ့လျားမှုကို ထောက်လှမ်းခြင်း 14,15,16,17 နှင့် အကြားအာရုံဆိုင်ရာအချက်ပြလုပ်ဆောင်ခြင်းအတွက် အာရုံကြောဆိုင်ရာအာရုံခံအာရုံခံကိရိယာများ (NAS)19 နှင့် ထိတွေ့မှုဆိုင်ရာနမူနာပေါင်း 21,22 ကဲ့သို့သော အာရုံခံကိရိယာများဖြစ်သည့် အာရုံခံကိရိယာများ (DVS) များဖြစ်သည်။.texture အာရုံခံကိရိယာများ။
ဤစာတမ်းတွင်၊ ကျွန်ုပ်တို့သည် အရာဝတ္ထုကို ဒေသအလိုက်ပြောင်းလဲခြင်းအတွက် အသုံးပြုသည့် အဖြစ်အပျက်-မောင်းနှင်သည့် အသံဖြင့်လုပ်ဆောင်ခြင်းစနစ်အသစ်ကို တင်ပြထားပါသည်။ဤတွင်၊ ပထမအကြိမ်၊ ကျွန်ုပ်တို့သည် neuromorphic resistive memory (RRAM) ကိုအခြေခံသည့် ကွန်ပြူတာဂရပ်တစ်ခုဖြင့် ခေတ်မီဆန်းသစ်သော piezoelectric micromachined ultrasonic transducer (pMUT) ကို ချိတ်ဆက်ခြင်းဖြင့် ရရှိသော အရာဝတ္ထုဒေသခံအဖြစ်ပြောင်းလဲခြင်းအတွက် အဆုံးမှအဆုံးစနစ်တစ်ခုကို ဖော်ပြပါသည်။RRAM ကို အသုံးပြု၍ ပါဝါသုံးစွဲမှု 23,24,25,26,27,28,29 တို့ကို လျှော့ချရန် အလားအလာရှိသော ဖြေရှင်းချက်တစ်ခုဖြစ်သည်။၎င်းတို့၏ မွေးရာပါ မတည်ငြိမ်မှု—အချက်အလက်များ သိမ်းဆည်းရန် သို့မဟုတ် အပ်ဒိတ်လုပ်ရန် တက်ကြွသော ပါဝါသုံးစွဲမှု မလိုအပ်ဘဲ—သည် စနစ်ပျက်သွားသောအခါတွင် ပါဝါသုံးစွဲမှု လုံးဝနီးပါးမရှိသည့် ၎င်းတို့၏ မွေးရာပါ မတည်ငြိမ်မှု—သည် စနစ်ပျက်သွားသောအခါတွင် ပါဝါသုံးစွဲမှု လုံးဝနီးပါးမရှိပေ။Piezoelectric micromachined ultrasonic transducers (pMUTs) များသည် စျေးမကြီးသော၊ သေးငယ်သော ဆီလီကွန်အခြေခံထားသည့် ultrasonic transducers များဖြစ်ပြီး transmitter နှင့် receiver များအဖြစ် လုပ်ဆောင်နိုင်သည့် စျေးသက်သာပါသည်။Built-in အာရုံခံကိရိယာများမှရရှိသောအချက်ပြမှုများကိုလုပ်ဆောင်ရန်၊ ကျွန်ုပ်တို့သည် စပါးကျီဇီးကွက် neuroanatomy35,36,37 မှလှုံ့ဆော်မှုရယူခဲ့သည်။စပါးကျီ ဇီးကွက် Tyto alba သည် အလွန်ထိရောက်သော auditory localization စနစ်ကြောင့် ထူးထူးခြားခြား ညအမဲလိုက်ခြင်း စွမ်းရည်ကြောင့် လူသိများသည်။သားကောင်၏တည်နေရာကို တွက်ချက်ရန်၊ ဇီးကွက်၏နားများ သို့မဟုတ် အသံလက်ခံကိရိယာတစ်ခုစီသို့ သားကောင်ထံမှအသံလှိုင်းများရောက်ရှိသည့်အခါ စပါးကျီဇီးကွက်၏ဒေသခံစနစ်သည် ပျံသန်းချိန် (ToF) ကို ကုဒ်လုပ်သည်။နားအကြားအကွာအဝေးကိုပေး၍ ToF တိုင်းတာမှုနှစ်ခု (Interaural Time Difference, ITD) အကြားခြားနားမှုသည် ပစ်မှတ်၏ azimuth အနေအထားကို ပိုင်းခြားစိတ်ဖြာနိုင်စေသည်။ဇီဝဗေဒစနစ်များသည် အက္ခရာသင်္ချာညီမျှခြင်းများကိုဖြေရှင်းရန် ညံ့ဖျင်းသော်လည်း၊ ၎င်းတို့သည် ဒေသဆိုင်ရာပြဿနာများကို ထိရောက်စွာဖြေရှင်းနိုင်သည်။ကျီဇီးကွက်အာရုံကြောစနစ်သည် တိုက်ဆိုင်မှုရှာဖွေရေးကိရိယာ (CD) 35 နူရိုရွန်အစုံကိုအသုံးပြုသည် (ဆိုလိုသည်မှာ၊ နေရာချထားခြင်းဆိုင်ရာပြဿနာများကိုဖြေရှင်းရန်အတွက် အောက်ဘက်သို့ပြန့်ပွားနေသော spikes များကြားတွင် ယာယီဆက်စပ်မှုများကို ထောက်လှမ်းနိုင်သည့် နျူရွန်များ) 38,39 သည် နေရာချထားမှုပြဿနာများကိုဖြေရှင်းရန်အတွက် တွက်ချက်ပုံဂရပ်များအဖြစ် စုစည်းထားသည်။
ယခင်သုတေသနပြုချက်များအရ ဖြည့်စွက်သတ္တုအောက်ဆိုဒ်-တစ်ပိုင်းလျှပ်ကူးပစ္စည်း (CMOS) ဟာ့ဒ်ဝဲနှင့် RRAM အခြေပြု အာရုံကြောဆိုင်ရာ ဟာ့ဒ်ဝဲများသည် စပါးကျီဇီးကွက်၏ inferior colliculus (“auditory cortex”) သည် ITD13, 40, 41 ကို အသုံးပြု၍ အနေအထားကို တွက်ချက်ရန်အတွက် ထိရောက်သောနည်းလမ်းတစ်ခုဖြစ်သည် 42၊ 43 ၊ 44၊ 45၊ 46။ သို့သော်၊ အာရုံကြောဆိုင်ရာ အချက်ပြချက်များကို အာရုံကြောဆိုင်ရာ တွက်ချက်မှုဆိုင်ရာ ဂရပ်များနှင့် ချိတ်ဆက်သည့် ပြီးပြည့်စုံသော အာရုံကြောစနစ်များ၏ အလားအလာကို သက်သေပြနိုင်ခြင်း မရှိသေးပါ။အဓိကပြဿနာမှာ match detection ၏တိကျမှုကိုထိခိုက်စေသော analog CMOS ဆားကစ်များ၏မွေးရာပါပြောင်းလဲနိုင်မှုဖြစ်သည်။မကြာသေးမီက ITD47 ခန့်မှန်းချက်၏ အစားထိုး ကိန်းဂဏာန်းများကို သရုပ်ပြခဲ့သည်။ဤစာတမ်းတွင်၊ Analog circuits များတွင် ပြောင်းလဲနိုင်မှုကို တန်ပြန်ရန်အတွက် conductance တန်ဖိုးကို မတည်ငြိမ်သောပုံစံဖြင့် ပြောင်းလဲရန် RRAM ၏စွမ်းရည်ကို အသုံးပြုရန် အဆိုပြုပါသည်။ကျွန်ုပ်တို့သည် ကြိမ်နှုန်း 111.9 kHz တွင်လည်ပတ်နေသော pMUT ထုတ်လွှင့်သည့်အမြှေးပါးတစ်ခု၊ pMUT လက်ခံသည့်အမြှေးပါး (အာရုံခံကိရိယာနှစ်ခု) နှင့် စပါးကျီဇီးကွက်နားများကို ပုံဖော်သည့် စမ်းသပ်စနစ်တစ်ခုကို အကောင်အထည်ဖော်ခဲ့သည်။ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ ဒေသန္တရပြုခြင်းစနစ်ကို စမ်းသပ်ပြီး ၎င်း၏ ထောင့်ဖြတ်ကြည်လင်ပြတ်သားမှုကို အကဲဖြတ်ရန်အတွက် pMUT ထောက်လှမ်းမှုစနစ်နှင့် RRAM အခြေပြု ITD တွက်ချက်မှုဆိုင်ရာ ဂရပ်ကို ကျွန်ုပ်တို့ စမ်းသပ်ဖော်ထုတ်ထားပါသည်။
ကျွန်ုပ်တို့၏နည်းလမ်းကို သမားရိုးကျ beamforming သို့မဟုတ် neuromorphic နည်းလမ်းများကိုအသုံးပြု၍ တူညီသောဒေသခံအဖြစ်ပြောင်းလဲခြင်းလုပ်ငန်းကိုလုပ်ဆောင်နေသော microcontroller တွင် ဒစ်ဂျစ်တယ်အကောင်အထည်ဖော်မှုတစ်ခုနှင့် ကျွန်ုပ်တို့၏နည်းလမ်းကို ကိုးကားချက်တွင်တင်ပြထားသော ITD ခန့်မှန်းချက်အတွက် field programmable gate array (FPGA) နှင့် နှိုင်းယှဉ်ပါသည်။47. ဤနှိုင်းယှဉ်မှုသည် အဆိုပြုထားသော RRAM-based analog neuromorphic စနစ်၏ ပြိုင်ဆိုင်မှုစွမ်းအားကို မီးမောင်းထိုးပြသည်။
တိကျပြီး ထိရောက်မှုရှိသော အရာဝတ္ထုကို ဒေသသတ်မှတ်ခြင်းစနစ်၏ အထူးခြားဆုံး ဥပမာများကို စပါးကျီ 35,37,48 တွင် တွေ့ရှိနိုင်ပါသည်။နေဝင်ရီတရောနှင့် အရုဏ်တက်ချိန်တွင်၊ စပါးကျီဇီးကွက် (Tyto Alba) သည် အပျက်သဘောဆောင်သော နားထောင်မှုကို အဓိကအားထားကာ အမဲပေါက် သို့မဟုတ် ကြွက်ကဲ့သို့သော သားကောင်ငယ်များကို တက်ကြွစွာရှာဖွေသည်။ဤအသံပိုင်းဆိုင်ရာကျွမ်းကျင်သူများသည် ပုံ 1a တွင်ပြထားသည့်အတိုင်း အံ့အားသင့်ဖွယ်တိကျမှန်ကန်မှု (2°)35 ဖြင့် သားကောင်ထံမှ အသံအချက်ပြမှုများကို နေရာဒေသအလိုက်ပြောင်းလဲနိုင်သည်။Barn owls များသည် အသံအရင်းအမြစ်မှ နားနှစ်ဖက်အထိ ပျံသန်းချိန် (ITD) ကွာခြားချက်မှ အဇမ်မတ် (အလျားလိုက်) လေယာဉ်ရှိ အသံရင်းမြစ်များ၏ တည်နေရာကို တွက်ဆသည်။ITD တွက်ချက်မှုဆိုင်ရာ ယန္တရားအား Jeffress49,50 က အာရုံကြောဂျီသြမေတြီကို အားကိုးသည့် Jeffress49,50 မှ အဆိုပြုထားပြီး အဓိကအစိတ်အပိုင်းနှစ်ခု- axon တစ်ခု၊ နှောင့်နှေးသည့်လိုင်းအဖြစ် လုပ်ဆောင်သည့် အာရုံကြောဖိုက်ဘာတစ်ခုနှင့် ကွန်ပြူတာစနစ်တွင် စုစည်းထားသော အာရုံကြောဆိုင်ရာ အာရုံကြောများဆိုင်ရာ array တစ်ခုတို့ဖြစ်သည်။ပုံ 1b တွင်ပြထားသည့်အတိုင်းဂရပ်။azimuth dependent time delay (ITD) ဖြင့် အသံသည် နားထဲသို့ရောက်ရှိသွားပါသည်။ထို့နောက် အသံကို နားတစ်ဖက်စီတွင် ဆူးပုံစံအဖြစ် ပြောင်းလဲသည်။ဘယ်ညာ နားရွက်၏ axon များသည် နှောင့်နှေးသောမျဉ်းများအဖြစ် လုပ်ဆောင်ပြီး CD neurons များပေါ်တွင် ဆုံစည်းသည်။သီအိုရီအရ၊ တူညီသော နျူရွန်များ၏ array တစ်ခုတွင်သာ တစ်ကြိမ်လျှင် input ကို လက်ခံရရှိလိမ့်မည် (နှောင့်နှေးမှုကို အတိအကျ ပယ်ဖျက်သည့်) နှင့် အမြင့်ဆုံး (အိမ်နီးနားချင်းဆဲလ်များ မီးလောင်သော်လည်း ကြိမ်နှုန်းနည်းသည်)။အချို့သော နျူရွန်များကို အသက်သွင်းခြင်းသည် ITD ကို ထောင့်များအဖြစ် ထပ်မံမပြောင်းလဲဘဲ အာကာသအတွင်း ပစ်မှတ်၏ အနေအထားကို ကုဒ်လုပ်သည်။ဤသဘောတရားကို ပုံ 1c တွင် အကျဉ်းချုပ်ဖော်ပြထားသည်- ဥပမာအားဖြင့်၊ ညာဘက်နားမှ input signal သည် ဘယ်ဘက်နားမှ လမ်းကြောင်းထက် ပိုရှည်သောလမ်းကြောင်းသို့ ရွေ့လျားလာသောအခါ ညာဘက်ခြမ်းမှ အသံထွက်လာပါက၊ ဥပမာ၊ နျူရွန် 2 နှင့် ကိုက်ညီသောအခါ။တစ်နည်းဆိုရသော် CD တစ်ခုစီသည် Axonal နှောင့်နှေးမှုကြောင့် အချို့သော ITD (အကောင်းဆုံးနှောင့်နှေးခြင်းဟုလည်း ခေါ်ဆိုသည်) ကို တုံ့ပြန်ပါသည်။ထို့ကြောင့် ဦးနှောက်သည် ယာယီအချက်အလက်အား spatial information အဖြစ်သို့ ပြောင်းလဲပေးသည်။ဤယန္တရားအတွက် ခန္ဓာဗေဒဆိုင်ရာ အထောက်အထား ၃၇၊၅၁ ကို တွေ့ရှိခဲ့သည်။Phase-locked macronucleus အာရုံကြောများမှ ဝင်လာသော အသံများအကြောင်း ယာယီအချက်အလက်ကို သိမ်းဆည်းသည်- ၎င်းတို့၏ အမည်မှာ အဓိပ္ပာယ်ဖွင့်ဆိုထားသည့်အတိုင်း အချို့သော အချက်ပြအဆင့်များတွင် ပစ်ခတ်ကြသည်။Jeffress မော်ဒယ်၏ coincidence detector neurons ကို laminar core တွင် တွေ့နိုင်သည်။၎င်းတို့သည် axons နှောင့်နှေးသည့်လိုင်းများအဖြစ် လုပ်ဆောင်သည့် macronuclear neurons ထံမှ သတင်းအချက်အလက်ကို ရရှိသည်။နှောင့်နှေးမျဉ်းမှပေးဆောင်သည့် နှောင့်နှေးမှုပမာဏကို axon ၏အရှည်နှင့် conduction velocity ကိုပြောင်းလဲသည့် အခြားသော myelination ပုံစံဖြင့် ရှင်းပြနိုင်သည်။ကျီဇီးကွက်၏ နားကြားစနစ်ဖြင့် မှုတ်သွင်းထားသော၊ ကျွန်ုပ်တို့သည် အရာဝတ္ထုများကို နေရာချထားရန်အတွက် biomimetic စနစ်တစ်ခုကို တီထွင်ထားပါသည်။နားနှစ်ဖက်ကို pMUT လက်ခံကိရိယာနှစ်ခုဖြင့် ကိုယ်စားပြုသည်။အသံရင်းမြစ်သည် ၎င်းတို့ကြားတွင်ရှိသော pMUT ထုတ်လွှတ်သည့်စက် (ပုံ. 1a) ဖြစ်ပြီး၊ တွက်ချက်မှုဆိုင်ရာဂရပ်ကို RRAM-အခြေခံ CD ဆားကစ်များ (ပုံ။ 1b၊ အစိမ်းရောင်)၊ သွင်းအားသွင်းမှုများကို နှောင့်နှေးနေသော CD နျူရွန်များ၏ အခန်းကဏ္ဍကို ကစားနေသည့် ကွန်ပြူတာဂရပ်ဖစ်သည်။ဆားကစ်မှတဆင့်၊ နှောင့်နှေးသောမျဉ်းများ (အပြာ) သည် ဇီဝဗေဒဆိုင်ရာတွဲဖက်ရှိ axons ကဲ့သို့ ပြုမူသည်။အဆိုပြုထားသော အာရုံခံစနစ်သည် 1-8 kHz အကွာအဝေးတွင် လုပ်ဆောင်သည့် အသံစနစ်၏လည်ပတ်မှုကြိမ်နှုန်းနှင့် ကွဲပြားသည်၊ သို့သော် 117 kHz ခန့်တွင်လည်ပတ်နေသော pMUT အာရုံခံကိရိယာများကို ဤလုပ်ငန်းတွင် အသုံးပြုပါသည်။ultrasonic transducer ၏ရွေးချယ်မှုကိုနည်းပညာနှင့် optimization သတ်မှတ်ချက်များအရထည့်သွင်းစဉ်းစားသည်။ပထမဦးစွာ၊ လက်ခံဘန်းဝဒ်ကို ကြိမ်နှုန်းတစ်ခုတည်းသို့ ကန့်သတ်ခြင်းသည် အကောင်းဆုံးအားဖြင့် တိုင်းတာမှုတိကျမှုကို တိုးတက်စေပြီး စီမံဆောင်ရွက်ဆဲအဆင့်ကို ရိုးရှင်းစေသည်။ထို့အပြင်၊ အာထရာဆောင်းတွင် လုပ်ဆောင်ချက်သည် ထွက်လာသော ပဲမျိုးစုံကို နားမထောင်နိုင်သောကြောင့် ၎င်းတို့၏ အကြားအာရုံအကွာအဝေးသည် ~20-20 kHz ဖြစ်သောကြောင့် လူများကို မနှောင့်ယှက်စေရပါ။
ကျီဇီးကွက်သည် ပစ်မှတ်တစ်ခုမှ အသံလှိုင်းများကို လက်ခံရရှိသည်၊ ဤအခြေအနေတွင် သားကောင်ကို ရွေ့လျားစေသည်။အသံလှိုင်း၏ပျံသန်းချိန် (ToF) သည် နားတစ်ခုစီအတွက် ကွဲပြားသည် (သားကောင်သည် ဇီးကွက်ရှေ့တွင် တိုက်ရိုက်မရှိပါက)။အစက်ချမျဉ်းသည် အသံလှိုင်းများသည် ကျီဇီးကွက်၏နားများဆီသို့ ရောက်ရှိသွားသည့်လမ်းကြောင်းကို ပြသသည်။အသံပိုင်းဆိုင်ရာလမ်းကြောင်းနှစ်ခုနှင့် သက်ဆိုင်ရာ interaural time ခြားနားချက် (ITD) (ref. 74၊ မူပိုင်ခွင့် 2002၊ Society for Neuroscience) မှ အလျားခြားနားချက်အပေါ် အခြေခံ၍ Prey သည် အလျားလိုက်လေယာဉ်တွင် တိကျစွာဒေသခံနိုင်သည် ။ကျွန်ုပ်တို့၏စနစ်တွင်၊ pMUT transmitter (နက်ပြာရောင်) သည် ပစ်မှတ်မှ ခုန်ထွက်သည့် အသံလှိုင်းများကို ထုတ်ပေးပါသည်။ရောင်ပြန်ဟပ်သည့် အာထရာဆောင်းလှိုင်းများကို pMUT လက်ခံကိရိယာနှစ်ခု (အစိမ်းရောင်ဖျော့ဖျော့) မှ လက်ခံရရှိပြီး neuromorphic ပရိုဆက်ဆာ (ညာဘက်) မှ လုပ်ဆောင်သည်။b စပါးကျီဇီးကွက်၏နားထဲသို့ဝင်ရောက်သည့်အသံများကိုဖော်ပြသည့် ITD (Jeffres) တွက်ချက်မှုပုံစံတစ်ခုသည် ကြီးမားသောနျူကလီးယပ်စ် (NM) တွင် အဆင့်သော့ခတ်ထားသော spikes များအဖြစ် ပထမဆုံးကုဒ်ဝှက်ထားပြီး၊ ထို့နောက် lamellar နျူကလိယရှိ လိုက်ဖက်ညီသော detector neurons များ၏ ဂျီဩမေတြီပုံစံဖြင့်စီစဉ်ထားသောဇယားကွက်ကိုအသုံးပြုခြင်း။(နယ်သာလန်) (ဘယ်ဘက်) ဆောင်ရွက်နေသည်။နှောင့်နှေးသောမျဉ်းကြောင်းများနှင့် တိုက်ဆိုင်မှုရှာဖွေသောအာရုံခံအာရုံကြောများပေါင်းစပ်ထားသော neuroITD တွက်ချက်မှုဆိုင်ရာဂရပ်၏သရုပ်ဖော်ပုံ၊ ဇီးကွက်ဇီဝအာရုံခံစနစ်အား RRAM-based neuromorphic circuits (ညာဘက်) ကိုအသုံးပြု၍ စံနမူနာယူနိုင်သည်။c ပင်မ Jeffress ယန္တရား၏ ဇယားကွက်၊ ToF တွင် ခြားနားချက်ကြောင့် နားနှစ်ဖက်သည် မတူညီသောအချိန်များတွင် အသံလှုံ့ဆော်မှုကို လက်ခံရရှိပြီး အစွန်းနှစ်ဖက်မှ axons ကို detector သို့ ပေးပို့သည်။axons များသည် coincidence detector (CD) neurons စီးရီးများ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ပြီး တစ်ခုချင်းစီသည် အချိန်နှင့်ဆက်စပ်နေသော သွင်းအားစုများကို ပြင်းထန်စွာ တုံ့ပြန်ပါသည်။ရလဒ်အနေဖြင့်၊ အသေးငယ်ဆုံးအချိန်ကွာခြားချက်ဖြင့် သွင်းအားစုများရောက်ရှိလာသော CD များသာလျှင် စိတ်လှုပ်ရှားဖွယ်ရာဖြစ်သည် (ITD သည် အတိအကျလျော်ကြေးပေးသည်)။ထို့နောက် CD သည် ပစ်မှတ်၏ ထောင့်ကွေးအနေအထားကို ကုဒ်လုပ်ပါမည်။
Piezoelectric micromechanical ultrasonic transducers များသည် အဆင့်မြင့် CMOS နည်းပညာ31,32,33,52 နှင့် ပေါင်းစပ်နိုင်သော အရွယ်အစားရှိ ultrasonic transducers များဖြစ်ပြီး သမားရိုးကျ volumetric transducers53 ထက် ကနဦးဗို့အားနှင့် ပါဝါသုံးစွဲမှု နည်းပါးသည်။ကျွန်ုပ်တို့၏လုပ်ငန်းတွင်၊ အမြှေးပါးအချင်းသည် 880 µm ရှိပြီး ပဲ့တင်ထပ်သောကြိမ်နှုန်းကို 110–117 kHz အကွာအဝေးတွင် ဖြန့်ဝေသည် (ပုံ 2a၊ အသေးစိတ်အတွက် နည်းလမ်းများကို ကြည့်ပါ)။စမ်းသပ်ကိရိယာ ဆယ်ခုတွင်၊ ပျမ်းမျှ အရည်အသွေးအချက် 50 ခန့် (ကိုးကား၍ 31)။နည်းပညာသည် စက်မှုလုပ်ငန်း ရင့်ကျက်မှုသို့ ရောက်ရှိလာပြီး ဇီဝဗေဒဆိုင်ရာ လှုံ့ဆော်မှု မဟုတ်ပါ။မတူညီသော pMUT ရုပ်ရှင်များမှ အချက်အလက်များကို ပေါင်းစပ်ခြင်းသည် လူသိများသော နည်းပညာတစ်ခုဖြစ်ပြီး ဥပမာအားဖြင့် beamforming techniques31,54 ကိုအသုံးပြု၍ pMUT များမှ ထောင့်အချက်အလက်များကို ရယူနိုင်ပါသည်။သို့ရာတွင်၊ ထောင့်အချက်အလက်များကို ထုတ်ယူရန် လိုအပ်သော အချက်ပြလုပ်ဆောင်ခြင်းသည် ပါဝါနည်းပါးသော တိုင်းတာခြင်းများအတွက် မသင့်လျော်ပါ။အဆိုပြုထားသောစနစ်သည် neuromorphic data preprocessing circuit pMUT ကို Jeffress model (Figure 2c) မှ မှုတ်သွင်းထားသော RRAM-based neuromorphic computing graph နှင့် ပေါင်းစပ်ပြီး စွမ်းအင်သက်သာပြီး အရင်းအမြစ်-ကန့်သတ်ထားသော ဟာ့ဒ်ဝဲဖြေရှင်းချက်ကို ပံ့ပိုးပေးပါသည်။ကျွန်ုပ်တို့သည် လက်ခံအမြှေးပါးနှစ်ခုမှရရှိသော မတူညီသော ToF အသံများကို အသုံးချရန် pMUT အာရုံခံကိရိယာနှစ်ခုကို 10 စင်တီမီတာအကွာတွင် ထားရှိကာ စမ်းသပ်မှုတစ်ခုကို ပြုလုပ်ခဲ့ပါသည်။transmitter အဖြစ်ဆောင်ရွက်သော pMUT တစ်ခုသည် လက်ခံသူများကြားတွင် တည်ရှိသည်။ပစ်မှတ်မှာ pMUT ကိရိယာ၏ရှေ့အကွာအဝေး D အကွာအဝေးတွင်ရှိသော PVC ပန်းကန်ပြား (ပုံ။ 2b)။လက်ခံသူသည် အရာဝတ္တုမှ ထင်ဟပ်လာသော အသံကို မှတ်တမ်းတင်ပြီး အသံလှိုင်းဖြတ်သန်းစဉ် အတတ်နိုင်ဆုံး တုံ့ပြန်သည်။အကွာအဝေး D နှင့် ထောင့် θ ဖြင့် ဆုံးဖြတ်ထားသော အရာဝတ္ထု၏ အနေအထားကို ပြောင်းလဲခြင်းဖြင့် စမ်းသပ်မှုကို ပြန်လုပ်ပါ။လင့်ခ်တစ်ခုမှ လှုံ့ဆော်မှုပေးသည်။55၊ ကျွန်ုပ်တို့သည် neuromorphic တွက်ချက်မှုဆိုင်ရာဂရပ်ကိုထည့်သွင်းရန်အတွက် ရောင်ပြန်ဟပ်သောလှိုင်းများကို အထွတ်အထိပ်အဖြစ်သို့ပြောင်းလဲရန် pMUT ကုန်ကြမ်းအချက်ပြမှုများကို အာရုံကြောဆိုင်ရာအကြိုလုပ်ဆောင်မှုကို အဆိုပြုပါသည်။peak amplitude နှင့် သက်ဆိုင်သော ToF ကို ချန်နယ်နှစ်ခုတစ်ခုစီမှ ထုတ်ယူပြီး peak တစ်ခုချင်းစီ၏ အချိန်အတိအကျအဖြစ် ကုဒ်လုပ်ထားသည်။သဖန်းသီးပေါ်မှာ။2c သည် pMUT အာရုံခံကိရိယာအား RRAM-အခြေခံတွက်ချက်မှုဂရပ်ဖြင့် ချိတ်ဆက်ရန် လိုအပ်သော circuitry အား ပြသသည်- pMUT လက်ခံသူ နှစ်ခုစီအတွက်၊ ကုန်ကြမ်းအချက်ပြမှုကို ချောမွေ့စေရန်၊ ပြုပြင်ရန်၊ ဖောက်ပြန်သည့်မုဒ်တွင် ယိုစိမ့်နေသော ပေါင်းစည်းသူထံ ပေးပို့သည်။Dynamic threshold (ပုံ 2d) သည် output event (spike) နှင့် firing (LIF) neuron ကို ဖန်တီးသည်- output spike time သည် တွေ့ရှိထားသော flight time ကို encode လုပ်ပါသည်။LIF အဆင့်သတ်မှတ်ချက်ကို pMUT တုံ့ပြန်မှုနှင့် ချိန်ညှိထားပြီး၊ ထို့ကြောင့် စက်ပစ္စည်းတစ်ခုမှ pMUT ကွဲပြားမှုကို လျှော့ချသည်။ဤချဉ်းကပ်မှုဖြင့်၊ အသံလှိုင်းတစ်ခုလုံးကို memory တွင်သိမ်းဆည်းပြီး ၎င်းကိုနောက်ပိုင်းတွင်လုပ်ဆောင်မည့်အစား၊ ကျွန်ုပ်တို့သည် resistive memory computational graph သို့ input ကိုဖန်တီးပေးသည့်အသံလှိုင်း၏ ToF နှင့်သက်ဆိုင်သည့်အထွတ်အထိပ်ကိုထုတ်ပေးပါသည်။spikes များကို နှောင့်နှေးသောမျဉ်းများဆီသို့ တိုက်ရိုက်ပေးပို့ပြီး neuromorphic တွက်ချက်မှုဂရပ်များတွင် ကိုက်ညီမှုရှာဖွေခြင်း modules များနှင့်အပြိုင် လုပ်ဆောင်သည်။၎င်းတို့ကို ထရန်စစ္စတာများ၏ တံခါးများထံ ပေးပို့သောကြောင့်၊ အပိုချဲ့ထွင်မှု ဆားကစ်ပတ်လမ်းမလိုအပ်ပါ (အသေးစိတ်အချက်အလက်များအတွက် နောက်ဆက်တွဲပုံ 4 ကိုကြည့်ပါ)။pMUT မှ ပံ့ပိုးပေးသော ဧရိယာသတ်မှတ်ခြင်း ထောင့်မှန်တိကျမှုကို အကဲဖြတ်ရန်၊ အရာဝတ္ထု၏ အကွာအဝေးနှင့် ထောင့်ကွဲပြားသဖြင့် ITD (ဆိုလိုသည်မှာ လက်ခံသူနှစ်ခုမှ ထုတ်ပေးသော အထွတ်အထိပ်ဖြစ်ရပ်များကြား အချိန်ကွာခြားချက်) ကို ကျွန်ုပ်တို့ တိုင်းတာပါသည်။ထို့နောက် ITD ခွဲခြမ်းစိတ်ဖြာမှုကို ထောင့်များအဖြစ် ပြောင်းလဲပြီး အရာဝတ္ထု၏ အနေအထားနှင့် ဆန့်ကျင်ဘက်သို့ ကြံစည်ခဲ့သည်- တိုင်းတာထားသော ITD တွင် မသေချာမရေရာမှုများသည် အရာဝတ္တုသို့ အကွာအဝေးနှင့် ထောင့်ဖြင့် တိုးလာသည် (ပုံ။ 2e၊ စ)။အဓိကပြဿနာမှာ pMUT တုံ့ပြန်မှုတွင် peak-to-noise ratio (PNR) ဖြစ်သည်။အရာဝတ္တုသည် ဝေးလေလေ၊ အသံလှိုင်းအချက်ပြမှု နိမ့်လေလေ၊ ထို့ကြောင့် PNR (ပုံ။ 2f၊ အစိမ်းရောင်မျဉ်း) ကို လျှော့ချပေးသည်။PNR ကျဆင်းခြင်းသည် ITD ခန့်မှန်းချက်တွင် မသေချာမရေရာမှုများ တိုးလာစေပြီး ဒေသသတ်မှတ်ခြင်း တိကျမှု တိုးလာခြင်း (ပုံ။ 2f၊ အပြာလိုင်း)။transmitter မှ 50 cm အကွာအဝေးရှိ အရာဝတ္ထုတစ်ခုအတွက်၊ စနစ်၏ angular တိကျမှုသည် ခန့်မှန်းခြေ 10° ဖြစ်သည်။အာရုံခံကိရိယာ၏ ဝိသေသလက္ခဏာများဖြင့် ချမှတ်ထားသော ဤကန့်သတ်ချက်ကို မြှင့်တင်နိုင်သည်။ဥပမာအားဖြင့်၊ emitter မှပေးပို့သောဖိအားကိုတိုးစေပြီး pMUT အမြှေးပါးကိုမောင်းနှင်သည့်ဗို့အားကိုတိုးစေသည်။ထုတ်လွှင့်သည့်အချက်ပြမှုကို ချဲ့ထွင်ရန် နောက်ထပ်ဖြေရှင်းချက်မှာ မျိုးစုံသော transmitter များကို ချိတ်ဆက်ရန်ဖြစ်သည် 56။ ဤဖြေရှင်းချက်များသည် တိုးမြှင့်စွမ်းအင်ကုန်ကျစရိတ်၏ကုန်ကျစရိတ်ဖြင့် ထောက်လှမ်းမှုအပိုင်းကို တိုးမြှင့်ပေးမည်ဖြစ်သည်။လက်ခံရေးဘက်တွင် ထပ်လောင်းတိုးတက်မှုများ ပြုလုပ်နိုင်သည်။pMUT ၏ receiver noise floor သည် pMUT နှင့် first stage amplifier အကြားချိတ်ဆက်မှုကို ပိုမိုကောင်းမွန်စေခြင်းဖြင့်၊ လက်ရှိတွင် ဝါယာကြိုးချိတ်ဆက်မှုများနှင့် RJ45 ကေဘယ်ကြိုးများဖြင့် ပြုလုပ်ထားသည်။
1.5 မီလီမီတာ pitch တွင် ပေါင်းစပ်ထားသော 880 µm အမြှေးပါးခြောက်ခုပါသော pMUT ပုံဆောင်ခဲပုံ။b တိုင်းတာသတ်မှတ်မှု ပုံကြမ်း။ပစ်မှတ်သည် azimuth အနေအထား θ နှင့် D အကွာအဝေးတွင် တည်ရှိသည်။ pMUT transmitter သည် ပစ်မှတ်မှ ခုန်ထွက်ပြီး မတူညီသော ပျံသန်းချိန် (ToF) ဖြင့် pMUT receiver နှစ်ခုကို ရောက်ရှိသည့် 117.6 kHz အချက်ပြမှုကို ထုတ်ပေးသည်။inter-aural အချိန်ခြားနားချက် (ITD) အဖြစ် သတ်မှတ်ထားသော ဤကွာခြားချက်သည် အရာဝတ္ထုတစ်ခု၏ အနေအထားကို ကုဒ်လုပ်ကာ လက်ခံသူအာရုံခံကိရိယာနှစ်ခု၏ အမြင့်ဆုံးတုံ့ပြန်မှုကို ခန့်မှန်းခြင်းဖြင့် ခန့်မှန်းနိုင်သည်။c အကြမ်းထည် pMUT အချက်ပြမှုကို spike sequences (ဆိုလိုသည်မှာ neuromorphic တွက်ချက်မှုဂရပ်သို့ ထည့်သွင်းခြင်း) အတွက် အကြမ်းထည် pMUT အချက်ပြမှုကို ပြောင်းလဲခြင်းအတွက် အကြိုလုပ်ဆောင်ခြင်းအဆင့်များ၏ ဇယား။pMUT အာရုံခံကိရိယာများနှင့် neuromorphic တွက်ချက်မှုဆိုင်ရာဂရပ်များကို ဖန်တီးပြီး စမ်းသပ်ပြီးဖြစ်ပြီး neuromorphic အကြိုလုပ်ဆောင်မှုသည် ဆော့ဖ်ဝဲလ် simulation အပေါ် အခြေခံထားသည်။d အချက်ပြမှုတစ်ခုလက်ခံရရှိခြင်းနှင့်၎င်း၏ spike domain အဖြစ်သို့ပြောင်းလဲခြင်းအပေါ် pMUT အမြှေးပါး၏တုံ့ပြန်မှု။e ပစ်မှတ်အရာဝတ္တုဆီသို့ အကွာအဝေး (Θ) နှင့် အကွာအဝေး (D) တို့၏ လုပ်ဆောင်မှုတစ်ခုအဖြစ် စမ်းသပ်ဒေသခံအဖြစ်ပြောင်းလဲခြင်း ထောင့်မှန်တိကျခြင်း။ITD ထုတ်ယူသည့်နည်းလမ်းသည် အနိမ့်ဆုံး angular resolution ခန့်မှန်းခြေ 4°C လိုအပ်သည်။f Angular တိကျမှု (အပြာလိုင်း) နှင့် သက်ဆိုင်ရာ peak-to-noise ratio (အစိမ်းရောင်မျဉ်း) နှင့် Θ = 0 အတွက် အရာဝတ္ထုအကွာအဝေးနှင့် သက်ဆိုင်သည်။
Resistive memory သည် အချက်အလက်များကို မတည်ငြိမ်သော conductive အခြေအနေတွင် သိမ်းဆည်းသည်။နည်းလမ်း၏ အခြေခံနိယာမမှာ အက်တမ်အဆင့်ရှိ ပစ္စည်းကို ပြုပြင်မွမ်းမံခြင်းသည် ၎င်း၏ လျှပ်စစ်စီးကူးမှု 57 ကို ပြောင်းလဲစေခြင်း ဖြစ်သည်။ဤနေရာတွင် ကျွန်ုပ်တို့သည် အောက်ခြေ တိုက်တေနီယမ်နှင့် တိုက်တေနီယမ်နိုက်ထရိတ်လျှပ်ကူးပစ္စည်းကြားတွင် ညှပ်ထားသော 5nm ဟက်ဖ်နီယမ်ဒိုင်အောက်ဆိုဒ်အလွှာပါရှိသော အောက်ဆိုဒ်အခြေခံခံနိုင်ရည်ရှိသောမှတ်ဉာဏ်ကို အသုံးပြုပါသည်။RRAM စက်ပစ္စည်းများ၏ လျှပ်ကူးပစ္စည်းကြားရှိ အောက်ဆီဂျင် လျှပ်ကူးပစ္စည်း အမျှင်များကို ဖန်တီးပေးသော လျှပ်ကူး/ဗို့အား လှိုင်းပုံစံကို အသုံးပြုခြင်းဖြင့် RRAM ကိရိယာများ၏ လျှပ်ကူးနိုင်စွမ်းကို ပြောင်းလဲနိုင်သည်။တိုက်ဆိုင်မှုရှာဖွေကိရိယာနှင့် နှောင့်နှေးမျဉ်းပတ်လမ်းကိုဖော်ဆောင်သည့် လုပ်ကြံဖန်တီးထားသော ပြန်လည်ပြင်ဆင်နိုင်သော အာရုံကြောဆိုင်ရာ ဆားကစ်တစ်ခုကို ဖန်တီးရန်အတွက် ထိုကဲ့သို့သော devices58 ကို စံ 130 nm CMOS လုပ်ငန်းစဉ်တွင် ပေါင်းစပ်ပေါင်းစပ်ထားသည်။စက်ပစ္စည်း၏ မတည်ငြိမ်သော နှင့် analog သဘောသဘာဝသည် neuromorphic circuit ၏ အဖြစ်အပျက်မှ မောင်းနှင်သည့် သဘောသဘာဝနှင့် ပေါင်းစပ်ကာ ပါဝါသုံးစွဲမှုကို နည်းပါးစေသည်။ဆားကစ်တွင် ချက်ချင်း အဖွင့်/အပိတ် လုပ်ဆောင်မှု ပါရှိသည်- ၎င်းသည် ဖွင့်ထားပြီးနောက် ချက်ခြင်း လည်ပတ်စေပြီး ဆားကစ်အား ရပ်နားထားချိန်တွင် ပါဝါ လုံးဝ ပိတ်သွားစေသည်။အဆိုပြုထားသောအစီအစဥ်၏ အဓိကအဆောက်အဦတုံးများကို ပုံတွင်ပြသထားသည်။၃ခ။၎င်းတွင် N parallel single-resistor single-transistor (1T1R) တည်ဆောက်ပုံများ ပါဝင်သော synaptic weights များမှ weighted current များကို encode လုပ်ပြီး differential pair integrator (DPI)59 ၏ common synapse အတွင်းသို့ ထိုးသွင်းကာ နောက်ဆုံးတွင် synapse အတွင်းသို့ ထိုးသွင်းကာ၊ ယိုစိမ့်ခြင်း။activated (LIF) neuron 60 (အသေးစိတ်အချက်အလက်များအတွက် နည်းလမ်းများကို ကြည့်ပါ)။input surges များကို 1T1R တည်ဆောက်ပုံ၏ ဂိတ်ပေါက်တွင် ကြာချိန် ရာနှင့်ချီသော nanoseconds အစီအစဥ်ဖြင့် ဗို့အား ပဲမျိုးစုံ၏ အစီအရီပုံစံဖြင့် သက်ရောက်သည်။Vbottom ကို grounded ထားသောအခါ Vbottom ကို grounded ဖြစ်သောအခါ Vtop သို့ ပြင်ပအပြုသဘောဆောင်သောရည်ညွှန်းချက်ကို အသုံးပြုခြင်းဖြင့် Resistive memory ကို မြင့်မားသော conductive အခြေအနေ (HCS) တွင် ထားရှိနိုင်ပြီး Vtop ကို grounded ဖြစ်သောအခါတွင် conductive state (LCS) သို့ ပြန်လည်သတ်မှတ်နိုင်သည်။စီးရီးထရန်စစ္စတာ၏ဂိတ်ရင်းမြစ်ဗို့အား (ပုံ 3c) ဖြင့် SET (ICC) ၏ ပရိုဂရမ်းမင်းလက်ရှိ (လိုက်နာမှု) ကို ကန့်သတ်ခြင်းဖြင့် HCS ၏ပျမ်းမျှတန်ဖိုးကို ထိန်းချုပ်နိုင်သည်။ဆားကစ်ရှိ RRAM ၏ လုပ်ဆောင်ချက်များမှာ နှစ်ဆဖြစ်သည်- ၎င်းတို့သည် input pulses ကို တိုက်ရိုက် ချိန်တွယ်သည်။
အစိမ်းရောင်ဖြင့် 130 nm CMOS နည်းပညာဖြင့် ပေါင်းစပ်ထားသော အပြာရောင် HfO2 1T1R RRAM စက်၏ အီလက်ထရွန်အဏုစကုပ် (SEM) ရုပ်ပုံ။b အဆိုပြုထားသော neuromorphic schema ၏အခြေခံအဆောက်အဦတုံးများ။input voltage pulses (peaks) Vin0 နှင့် Vin1 သည် 1T1R ဖွဲ့စည်းပုံ၏ conduction states G0 နှင့် G1 နှင့် အချိုးကျသော လက်ရှိ Iweight ကိုစားသုံးသည်။ဤလျှပ်စီးကြောင်းသည် DPI synapses ထဲသို့ ထိုးသွင်းပြီး LIF အာရုံကြောများကို စိတ်လှုပ်ရှားစေသည်။RRAM G0 နှင့် G1 ကို HCS နှင့် LCS တို့တွင် ထည့်သွင်းထားသည်။c စီးဆင်းမှုအဆင့်ကို ထိထိရောက်ရောက်ထိန်းချုပ်ပေးသည့် ICC လက်ရှိကိုက်ညီမှု၏လုပ်ဆောင်ချက်အဖြစ် 16K RRAM စက်ပစ္စည်းအုပ်စုတစ်စုအတွက် စုစည်းစီးဆင်းမှုသိပ်သည်းဆ၏လုပ်ဆောင်ချက်။d (က) တွင် G1 (LCS တွင်) ပတ်လမ်းတိုင်းတာမှုများသည် Vin1 (အစိမ်းရောင်) မှ input ကို ထိရောက်စွာပိတ်ဆို့ကြောင်းပြသပြီး အမှန်တကယ်ပင် အထွက်နျူရွန်၏အမြှေးပါးဗို့အားသည် Vin0 မှ အပြာရောင်ထည့်သွင်းမှုကိုသာ တုံ့ပြန်ပါသည်။RRAM သည် circuit အတွင်းရှိ ဆက်သွယ်မှုများကို ထိရောက်စွာ ဆုံးဖြတ်သည်။e ဗို့အားသွေးခုန်နှုန်း Vin0 ကိုအသုံးပြုပြီးနောက် အမြှေးပါးဗို့အား Vmem ပေါ်ရှိ လျှပ်စီးကြောင်းတန်ဖိုး G0 ၏ သက်ရောက်မှုကိုပြသသော ဆားကစ်၏တိုင်းတာခြင်း။conductance များလေ၊ တုံ့ပြန်မှု ပိုအားကောင်းလေဖြစ်သည်- ထို့ကြောင့် RRAM ကိရိယာသည် I/O ချိတ်ဆက်မှုကို ချိန်ညှိပေးပါသည်။ဆားကစ်ပေါ်တွင် တိုင်းတာမှုများ ပြုလုပ်ခဲ့ပြီး RRAM ၏ လုပ်ဆောင်ချက်နှစ်ခု၊ လမ်းကြောင်းတင်ခြင်းနှင့် သွင်းအား ပဲမျိုးစုံ၏ အလေးချိန်ကို သရုပ်ပြခဲ့သည်။
ပထမ၊ အခြေခံ conduction state နှစ်ခု (HCS နှင့် LCS) ရှိသည်ဖြစ်သောကြောင့် RRAM များသည် LCS သို့မဟုတ် HCS ပြည်နယ်များတွင် အသီးသီးရှိသောအခါတွင် input pulses များကို ပိတ်ဆို့နိုင်သည် သို့မဟုတ် လက်လွတ်သွားနိုင်သည်။ရလဒ်အနေဖြင့် RRAM သည် circuit အတွင်းရှိချိတ်ဆက်မှုများကိုထိရောက်စွာဆုံးဖြတ်သည်။ဤသည်မှာ ဗိသုကာလက်ရာကို ပြန်လည်ပြင်ဆင်နိုင်ခြင်းအတွက် အခြေခံဖြစ်သည်။ယင်းကို သရုပ်ပြရန်၊ ပုံ 3b တွင် ပတ်လမ်းပိတ်ဆို့ခြင်းအတွက် ဖန်တီးထားသော circuit အကောင်အထည်ဖော်မှုကို ဖော်ပြပါမည်။G0 နှင့် သက်ဆိုင်သော RRAM ကို HCS တွင် ပရိုဂရမ်ထည့်သွင်းထားပြီး ဒုတိယ RRAM G1 ကို LCS တွင် ပရိုဂရမ်ထည့်သွင်းထားသည်။Input pulses ကို Vin0 နှင့် Vin1 နှစ်မျိုးလုံးတွင် သက်ရောက်သည်။အာရုံခံအမြှေးပါးဗို့အား နှင့် oscilloscope ကို အသုံးပြု၍ အထွက်အချက်ပြလှိုင်းကို စုဆောင်းခြင်းဖြင့် အထွက်နျူရွန်များတွင် ထည့်သွင်းခြင်း၏ အဆက်လိုက်နှစ်ခု၏ အကျိုးသက်ရောက်မှုများကို ခွဲခြမ်းစိတ်ဖြာခဲ့သည်။အမြှေးပါးတင်းမာမှုကို လှုံ့ဆော်ရန်အတွက် HCS ကိရိယာ (G0) သည် နျူရွန်၏ သွေးခုန်နှုန်းနှင့် ချိတ်ဆက်ထားသောအခါတွင် စမ်းသပ်မှု အောင်မြင်ခဲ့သည်။အပြာရောင်သွေးခုန်နှုန်းရထားသည် အမြှေးပါးလျှပ်စီးကြောင်းကို အမြှေးပါးကာပတ်စီတာပေါ်တွင် တည်ဆောက်စေပြီး အစိမ်းရောင်သွေးခုန်နှုန်းရထားသည် အမြှေးပါးဗို့အားကို အမြဲမပြတ်ထိန်းပေးသည့် အပြာရောင်သွေးခုန်နှုန်းရထားက ပုံ 3d တွင် သရုပ်ပြထားသည်။
RRAM ၏ ဒုတိယအရေးကြီးသောလုပ်ဆောင်ချက်မှာ ချိတ်ဆက်မှုအလေးချိန်များကို အကောင်အထည်ဖော်ခြင်းဖြစ်သည်။RRAM ၏ analog conductance ချိန်ညှိမှုကို အသုံးပြု၍ I/O ချိတ်ဆက်မှုများကို အလိုက်သင့် ချိန်ညှိနိုင်သည်။ဒုတိယစမ်းသပ်မှုတွင်၊ G0 စက်ပစ္စည်းကို HCS အဆင့်အမျိုးမျိုးတွင် ပရိုဂရမ်ပြုလုပ်ထားပြီး input pulse ကို VIn0 input သို့ အသုံးချခဲ့သည်။input pulse သည် conductance နှင့် အချိုးကျသည့် Vtop − Vbot သို့ အချိုးကျသော စက်မှ လက်ရှိ (Iweight) ကို ဆွဲပါသည်။ထို့နောက် ဤအလေးချိန်ရှိသော လက်ရှိကို DPI synapses နှင့် LIF အထွက်နျူရွန်များထဲသို့ ထိုးသွင်းသည်။အထွက်နျူရွန်များ၏ အမြှေးပါးဗို့အားကို oscilloscope အသုံးပြု၍ မှတ်တမ်းတင်ထားပြီး ပုံ 3d တွင် ပြသထားသည်။တစ်ခုတည်းသော input pulse ကိုတုံ့ပြန်ရာတွင် neuron အမြှေးပါး၏ဗို့အားအထွတ်အထိပ်သည် resistive memory ၏ conductance နှင့်အချိုးကျဖြစ်ပြီး RRAM ကို synaptic အလေးချိန်၏ပရိုဂရမ်မာဒြပ်တစ်ခုအဖြစ်အသုံးပြုနိုင်ကြောင်းပြသသည်။ဤပဏာမစမ်းသပ်မှုနှစ်ခုသည် အဆိုပြုထားသော RRAM-based neuromorphic ပလပ်ဖောင်းသည် အခြေခံ Jeffress ယန္တရား၏ အခြေခံဒြပ်စင်များဖြစ်သည့် နှောင့်နှေးမျဉ်းနှင့် တိုက်ဆိုင်မှုရှာဖွေရေးပတ်လမ်းကို အကောင်အထည်ဖော်နိုင်သည်ကို ပြသသည်။ပုံ 3b ရှိ အတုံးများကဲ့သို့ ဘေးချင်းကပ်လျက် ဆက်တိုက် အတုံးများကို တန်းစီကာ ၎င်းတို့၏ ဂိတ်တံခါးများကို ဘုံအဝင်လိုင်းတစ်ခုသို့ ချိတ်ဆက်ခြင်းဖြင့် ဆားကစ်ပလပ်ဖောင်းကို တည်ဆောက်ထားသည်။ကျွန်ုပ်တို့သည် inputs နှစ်ခုကို လက်ခံရရှိသည့် အထွက်နျူရွန်နှစ်ခုပါ၀င်သော neuromorphic platform တစ်ခုကို ဒီဇိုင်းရေးဆွဲ၊ ဖန်တီးကာ စမ်းသပ်ခဲ့သည်။circuit diagram ကို ပုံ 4b တွင် ပြထားသည်။အပေါ်ပိုင်း 2×2 RRAM matrix သည် input pulses များကို output neurons နှစ်ခုဆီသို့ ညွှန်ကြားနိုင်စေပြီး အောက် 2×2 matrix သည် နူရွန်နှစ်ခု (N0, N1) ၏ ထပ်တလဲလဲချိတ်ဆက်မှုများကို ခွင့်ပြုပေးပါသည်။Fig. 4c-e တွင်ပြသထားသည့်အတိုင်း စမ်းသပ်တိုင်းတာမှုများဖြင့် ဤပလပ်ဖောင်းကို နှောင့်နှေးမျဉ်းဖွဲ့စည်းပုံနှင့် မတူညီသော တိုက်ဆိုင်မှုရှာဖွေရေးကိရိယာနှစ်ခုဖြင့် အသုံးပြုနိုင်ကြောင်း ကျွန်ုပ်တို့ သရုပ်ပြပါသည်။
အထွက်နျူရွန်နှစ်ခု N0 နှင့် N1 တို့က သွင်းအားစု 0 နှင့် 1 ကို လက်ခံရရှိသည့် ပတ်လမ်းပုံစံဖြစ်သည်။ အခင်းအကျင်း၏ ထိပ်တန်းစက်ပစ္စည်းလေးခုသည် အဝင်မှအထွက်သို့ synaptic ချိတ်ဆက်မှုများကို သတ်မှတ်ပေးပြီး အောက်ခြေဆဲလ်လေးခုသည် နျူရွန်များကြား ထပ်တလဲလဲချိတ်ဆက်မှုများကို သတ်မှတ်သည်။ရောင်စုံ RRAM များသည် ညာဘက်ရှိ HCS တွင် ပြင်ဆင်ထားသော စက်ပစ္စည်းများကို ကိုယ်စားပြုသည်- HCS ရှိ စက်ပစ္စည်းများသည် ချိတ်ဆက်မှုများကို ခွင့်ပြုပြီး အလေးများကို ကိုယ်စားပြုကာ LCS ရှိ စက်ပစ္စည်းများသည် input pulses များကို ပိတ်ဆို့ပြီး output များသို့ ချိတ်ဆက်မှုများကို ပိတ်ထားသည်။b အပြာရောင်ဖြင့် မီးမောင်းထိုးပြထားသော RRAM module ရှစ်ခုပါရှိသော ဆားကစ်ပုံ (က)။c နှောင့်နှေးမျဉ်းများကို DPI synapses နှင့် LIF အာရုံကြောများ၏ ဒိုင်နနမစ်များကို အသုံးပြုခြင်းဖြင့် ဖွဲ့စည်းထားသည်။အစိမ်းရောင် RRAM သည် input နှောင့်နှေးပြီး Δt ပြီးနောက် output တွင် ချို့ယွင်းချက်တစ်ခုကို ဖြစ်ပေါ်စေနိုင်လောက်အောင် conductance မြင့်မားစေရန် သတ်မှတ်ထားသည်။d အချိန်ကိုမူတည်သော အချက်ပြမှုများကို ဦးတည်ချက်မရှိသော CD ထောက်လှမ်းခြင်း၏ သရုပ်ဖော်ပုံ။အထွက်နျူရွန် 1၊ N1 သည် တိုတောင်းသောနှောင့်နှေးမှုဖြင့် သွင်းအားစု 0 နှင့် 1 ကို လောင်ကျွမ်းစေသည်။e Direction အထိမခံသော CD circuit ၊ input 1 သည် input 0 သို့ချဉ်းကပ်ပြီး input 0 ပြီးနောက်ရောက်ရှိသောအခါသိရှိနိုင်သော circuit တစ်ခုဖြစ်သည်။ circuit ၏ output ကို neuron 1 (N1) ဖြင့်ကိုယ်စားပြုသည်။
နှောင့်နှေးသောမျဉ်းကြောင်း (ပုံ 4c) သည် Tdel ကိုနှောင့်နှေးခြင်းဖြင့် DPI synapses နှင့် LIF နျူရွန်များ၏ တက်ကြွသောအပြုအမူကို အသုံးပြု၍ Vin1 မှ Vout1 ကိုနှောင့်နှေးခြင်းဖြင့် input spike ကိုပြန်ထုတ်ပေးပါသည်။Vin1 နှင့် Vout1 နှင့်ချိတ်ဆက်ထားသော G3 RRAM ကိုသာ HCS တွင် ပရိုဂရမ်ပြုလုပ်ထားပြီး ကျန် RRAM များကို LCS တွင် ပရိုဂရမ်ပြုလုပ်ထားသည်။G3 စက်ပစ္စည်းအား 92.6 µs အတွက် ပရိုဂရမ်ပြုလုပ်ထားပြီး input pulse တစ်ခုစီသည် အထွက်နျူရွန်၏ အမြှေးပါးဗို့အားကို တံခါးခုံသို့ရောက်ရှိစေရန်နှင့် နှောင့်နှေးနေသော output pulse ကိုထုတ်ပေးရန် သေချာစေရန်အတွက် လုပ်ဆောင်ထားသည်။နှောင့်နှေးခြင်း Tdel ကို synaptic နှင့် neural time constants တို့မှ ဆုံးဖြတ်သည်။တိုက်ဆိုင်မှု ထောက်လှမ်းသူများသည် ယာယီဆက်စပ်နေသော်လည်း နေရာဒေသအလိုက် ဖြန့်ဝေထည့်သွင်းသည့် အချက်ပြမှုများ ဖြစ်ပေါ်မှုကို ထောက်လှမ်းသည်။Direction-insensitive CD သည် ဘုံအထွက်နျူရွန် (ပုံ 4d) သို့ ပေါင်းစည်းသည့် တစ်ဦးချင်း သွင်းအားစုများပေါ်တွင် မူတည်သည်။Vin0 နှင့် Vin1 သို့ Vout1၊ G2 နှင့် G4 အသီးသီးချိတ်ဆက်ထားသော RRAM နှစ်ခုကို မြင့်မားသော conduction အတွက် ပရိုဂရမ်ပြုလုပ်ထားသည်။Vin0 နှင့် Vin1 တွင် spikes များ တစ်ပြိုင်နက်ရောက်ရှိခြင်းသည် output spike ထုတ်ပေးရန်အတွက် လိုအပ်သော အတိုင်းအတာထက် N1 neuron အမြှေးပါး၏ ဗို့အားကို တိုးစေသည်။သွင်းအားစုနှစ်ခုသည် အချိန်မီဝေးကွာလွန်းပါက၊ ပထမထည့်သွင်းမှုမှစုဆောင်းထားသော အမြှေးပါးဗို့အားတွင် အားသွင်းမှုသည် ပျက်စီးရန်အချိန်ရှိနိုင်ပြီး အမြှေးပါးအလားအလာ N1 သည် အတိုင်းအတာတန်ဖိုးသို့မရောက်ရှိစေရန် တားဆီးထားသည်။G1 နှင့် G2 သည် ခန့်မှန်းခြေအားဖြင့် 65 µs အတွက် ပရိုဂရမ်ပြုလုပ်ထားပြီး၊ တစ်ခုတည်းသော input surge သည် output surge ဖြစ်ပေါ်စေရန် လုံလောက်သော အမြှေးပါးဗို့အား မတိုးကြောင်းသေချာစေသည်။အာကာသနှင့် အချိန်များတွင် ဖြန့်ဝေထားသော အဖြစ်အပျက်များကြား တိုက်ဆိုင်မှု ထောက်လှမ်းခြင်းသည် အလင်းအမှောင်ကို အခြေခံသည့် အတားအဆီး ရှောင်ရှားခြင်း နှင့် အသံရင်းမြစ် ဒေသသတ်မှတ်ခြင်းကဲ့သို့သော ကျယ်ပြန့်သော အာရုံခံလုပ်ဆောင်မှုများတွင် အသုံးပြုသည့် အခြေခံလုပ်ဆောင်မှုတစ်ခုဖြစ်သည်။ထို့ကြောင့်၊ ကွန်ပြူတာဦးတည်ချက်-ထိလွယ်ရှလွယ်နှင့် အာရုံမခံနိုင်သော CD များသည် ရုပ်ပုံနှင့်အသံဒေသသတ်မှတ်မှုစနစ်များတည်ဆောက်ရန်အတွက် အခြေခံအဆောက်အအုံတစ်ခုဖြစ်သည်။အချိန်ကိန်းသေများ၏ ဝိသေသလက္ခဏာများ (နောက်ဆက်တွဲပုံ။ 2 ကိုကြည့်ပါ)၊ အဆိုပြုထားသော ဆားကစ်သည် ပြင်းအားအချိန်စကေး၏ အစီအစဥ်လေးခု၏ သင့်လျော်သောအကွာအဝေးကို အကောင်အထည်ဖော်သည်။ထို့ကြောင့်၊ ၎င်းသည် ရုပ်ထွက်နှင့် အသံစနစ်များ၏ လိုအပ်ချက်များကို တစ်ပြိုင်နက် ဖြည့်ဆည်းပေးနိုင်သည်။Directional-sensitive CD သည် ပဲမျိုးစုံရောက်ရှိမှု၏ spatial order ကို ထိလွယ်ရှလွယ်ဖြစ်သော circuit တစ်ခုဖြစ်သည်- ညာဘက်မှ ဘယ်ဘက်နှင့် အပြန်အလှန်အားဖြင့်။၎င်းသည် Drosophila အမြင်အာရုံစနစ်၏ အခြေခံရွေ့လျားမှုကို ထောက်လှမ်းခြင်းကွန်ရက်တွင် အခြေခံအဆောက်အအုံတစ်ခုဖြစ်ပြီး၊ ရွေ့လျားမှုလမ်းကြောင်းများကို တွက်ချက်ကာ တိုက်မိခြင်း 62 ကိုသိရှိနိုင်ရန် အသုံးပြုသည်။direction-sensitive CD တစ်ခုရရှိရန်၊ input နှစ်ခုကို မတူညီသော နူရွန်နှစ်ခု (N0၊ N1) သို့ ညွှန်ကြားရမည်ဖြစ်ပြီး ၎င်းတို့ကြားတွင် ဦးတည်ချက်ချိတ်ဆက်မှုတစ်ခုကို တည်ဆောက်ရပါမည် (ပုံ 4e)။ပထမဆုံး input ကိုလက်ခံရရှိသောအခါ၊ တံခါးခုံတန်ဖိုးထက် ၎င်း၏အမြှေးပါးတစ်လျှောက်ရှိ ဗို့အားကိုတိုးပြီး surge ထုတ်ပေးခြင်းဖြင့် NO သည် ဓာတ်ပြုပါသည်။အစိမ်းရောင်ဖြင့် မီးမောင်းထိုးပြထားသည့် ဦးတည်ချက်ချိတ်ဆက်မှုအား ကျေးဇူးတင်လျက် ဤထွက်ရှိမှုဖြစ်ရပ်သည် N1 ကို လောင်ကျွမ်းစေသည်။အမြှေးပါးဗို့အား မြင့်မားနေချိန်တွင် Vin1 သည် Input event ရောက်ရှိလာပြီး N1 ကို အားကောင်းစေပါက၊ N1 သည် input နှစ်ခုကြားတွင် ကိုက်ညီမှုရှိကြောင်း ညွှန်ပြသော အထွက်ဖြစ်ရပ်တစ်ခုကို ထုတ်ပေးပါသည်။Input 1 သည် input 0 ပြီးနောက် ဝင်လာမှသာ N1 အား အထွက်အား ထုတ်လွှတ်နိုင်စေပါသည်။ G0၊ G3 နှင့် G7 တို့ကို 73.5 µS၊ 67.3 µS နှင့် 40.2 µS အသီးသီးသို့ ပရိုဂရမ်ပြုလုပ်ထားပြီး၊ input Vin0 တွင် ဆူးတစ်ချက်ပေါက်ခြင်းသည် နှောင့်နှေးစေသည် အထွက်ပေါက်ခြင်း ၊ N1 ၏ အမြှေးပါး အလားအလာသည် အဝင်ပေါက် နှစ်ခုလုံး တစ်ပြိုင်တည်း ရောက်ရှိလာသောအခါတွင်သာ တံခါးပေါက်သို့ ရောက်ရှိသည်။.
ကွဲပြားမှုသည် စံပြ neuromorphic စနစ်များ 63,64,65 တွင် မစုံလင်မှု၏ အရင်းအမြစ်ဖြစ်သည်။၎င်းသည် နျူရွန်များနှင့် synapses များ၏ ကွဲပြားသော အပြုအမူကို ဖြစ်ပေါ်စေသည်။ထိုသို့သော အားနည်းချက်များ၏ ဥပမာများတွင် ထည့်သွင်းရခြင်း၏ 30% (ပုံမှန်သွေဖည်မှု) ပြောင်းလဲမှု၊ အချိန်အဆက်မပြတ်နှင့် ရုန်းထနိုင်သော ကာလတို့ ပါဝင်သည်၊ အနည်းငယ် (နည်းလမ်းများကို ကြည့်ပါ)။အာရုံကြောဆိုင်ရာ ဆားကစ်အများအပြားကို အာရုံခံအာရုံခံနိုင်သော CD ကဲ့သို့သော အာရုံကြောဆားကစ်များ ချိတ်ဆက်သောအခါတွင် ဤပြဿနာသည် ပို၍ပင် ထင်ရှားပါသည်။ကောင်းစွာအလုပ်လုပ်ရန်၊ နျူရွန်နှစ်ခု၏ အမြတ်နှင့် ဆွေးမြေ့ချိန်ကိန်းသေများသည် တတ်နိုင်သမျှ တူညီသင့်သည်။ဥပမာအားဖြင့်၊ input gain တွင် ကြီးမားသောကွာခြားချက်သည် နျူရွန်တစ်ခုအား input pulse တစ်ခုအပေါ် တုံ့ပြန်မှုလွန်ကဲစေပြီး အခြား neuron သည် တုံ့ပြန်မှုအနည်းငယ်သာရှိသည်။သဖန်းသီးပေါ်မှာ။ပုံ 5a သည် ကျပန်းရွေးချယ်ထားသော အာရုံကြောများသည် တူညီသော input pulse ကို ကွဲပြားစွာတုံ့ပြန်ကြောင်းပြသသည်။ဤအာရုံကြောပြောင်းလဲမှုသည် ဥပမာအားဖြင့် ဦးတည်ချက်-ထိခိုက်လွယ်သော CD များ၏လုပ်ဆောင်ချက်နှင့် သက်ဆိုင်သည်။ပုံတွင်ပြထားသည့်အစီအစဥ်တွင်။5b၊ c၊ နျူရွန် 1 ၏ ထည့်သွင်းမှု အမြတ်သည် နျူရွန် 0 ထက် များစွာ မြင့်မားသည်။ ထို့ကြောင့်၊ နျူရွန် 0 သည် တံခါးခုံသို့ရောက်ရှိရန် နူရွန် 0 (1 အစား 1) ထည့်သွင်းမှုသုံးမျိုး လိုအပ်ပြီး မျှော်လင့်ထားသည့်အတိုင်း နျူရွန် 1 သည် ထည့်သွင်းသည့်ဖြစ်ရပ်နှစ်ခု လိုအပ်သည်။spike time-dependent biomimetic plasticity (STDP) ကို အကောင်အထည်ဖော်ခြင်းသည် system performance43 တွင် တိကျမှုမရှိသော၊ နှေးကွေးသော အာရုံကြောနှင့် synaptic ဆားကစ်များ၏ သက်ရောက်မှုကို လျော့ပါးသက်သာစေရန် ဖြစ်နိုင်သည့်နည်းလမ်းတစ်ခုဖြစ်သည်။ဤတွင် ကျွန်ုပ်တို့သည် အာရုံကြောဆိုင်ရာထည့်သွင်းမှုကို မြှင့်တင်ရန်နှင့် neuromorphic ဆားကစ်များတွင် ကွဲပြားမှု၏သက်ရောက်မှုများကို လျှော့ချရန် နည်းလမ်းအဖြစ် ခုခံနိုင်စွမ်းမှတ်ဉာဏ်၏ ပလတ်စတစ်အပြုအမူကို အသုံးပြုရန် အဆိုပြုပါသည်။ပုံတွင်ပြထားသည့်အတိုင်း။4e၊ RRAM synaptic အစုလိုက်အပြုံလိုက်နှင့်ဆက်စပ်နေသော conductance အဆင့်များသည် သက်ဆိုင်ရာ အာရုံကြောအမြှေးပါးဗို့အားတုံ့ပြန်မှုကို ထိထိရောက်ရောက် ပြုပြင်ပြောင်းလဲပေးသည်။ကျွန်ုပ်တို့သည် ထပ်တူညီသော RRAM ပရိုဂရမ်းမင်းဗျူဟာကို အသုံးပြုပါသည်။ပေးထားသော input တစ်ခုအတွက်၊ circuit ၏ ပစ်မှတ်အပြုအမူများကို ရရှိသည်အထိ synaptic weights များ၏ conductance တန်ဖိုးများကို reprogram လုပ်ပြီး (နည်းလမ်းများကို ကြည့်ပါ)။
တူညီသော input pulse သို့ ကျပန်းရွေးချယ်ထားသော နူရိုရွန် ကိုးခု၏ ​​တုံ့ပြန်မှုကို စမ်းသပ်တိုင်းတာမှုများ။တုံ့ပြန်မှုသည် လူဦးရေအလိုက် ကွဲပြားပြီး သွင်းအားစုရရှိမှုနှင့် အချိန်အဆက်မပြတ်အပေါ် သက်ရောက်မှုရှိသည်။b ဦးတည်ရာအာရုံခံ CD ကို ထိခိုက်စေသော အာရုံခံအာရုံကြောများ၏ ကွဲပြားမှုအပေါ် အာရုံကြောများ၏ လွှမ်းမိုးမှုကို စမ်းသပ်တိုင်းတာမှုများ။ဦးတည်ချက်-ထိလွယ်သော CD အထွက် နျူရွန် နှစ်ခုသည် နျူရွန်-မှ နျူရွန် ကွဲပြားမှုကြောင့် ထည့်သွင်းမှု လှုံ့ဆော်မှုအား တုံ့ပြန်မှု ကွဲပြားသည်။Neuron 0 သည် နျူရွန် 1 ထက် input gain ပိုနည်းသောကြောင့် output spike တစ်ခုဖန်တီးရန် input pulses 3 ခု (1 အစား) ယူသည်။မျှော်လင့်ထားသည့်အတိုင်း၊ နျူရွန် 1 သည် ထည့်သွင်းသည့်ဖြစ်ရပ်နှစ်ခုဖြင့် တံခါးပေါက်သို့ရောက်ရှိသည်။အကယ်၍ input 1 သည် neuron 0 မီးလောင်ပြီးနောက် Δt = 50 µs ရောက်ရှိလာပါက CD သည် Δt သည် နျူရွန် 1 ၏ အချိန်ကိန်းသေထက် ကြီးနေသောကြောင့် (22 µs ခန့်) ငြိမ်နေပါသည်။c ကို Δt = 20 µs ဖြင့် လျှော့ချသည်၊ ထို့ကြောင့် နျူရွန် 1 ၏ ပစ်ခတ်မှုသည် မြင့်မားနေသေးသောအခါ ထည့်သွင်းမှု 1 သည် အထွတ်အထိပ်သို့ ရောက်ရှိသွားကာ input ဖြစ်ရပ်နှစ်ခုကို တပြိုင်နက် သိရှိနိုင်စေသည်။
ITD တွက်ချက်မှုကော်လံတွင် အသုံးပြုသည့် ဒြပ်စင်နှစ်ခုမှာ နှောင့်နှေးသောမျဉ်းနှင့် ဦးတည်ချက်မရှိသော CD ဖြစ်သည်။ဆားကစ်နှစ်ခုလုံးသည် အရာဝတ္တုများ နေရာချထားခြင်း စွမ်းဆောင်ရည်ကို သေချာစေရန် တိကျသော ချိန်ညှိမှု လိုအပ်ပါသည်။နှောင့်နှေးမှုမျဉ်းသည် တိကျစွာနှောင့်နှေးသော ဗားရှင်းကို ပေးပို့ရမည် (ပုံ. 6a) နှင့် သွင်းအားကို ပစ်မှတ်သိရှိမှုအကွာအဝေးအတွင်း ကျရောက်မှသာ CD ကို အသက်သွင်းရပါမည်။နှောင့်နှေးမျဉ်းအတွက်၊ ထည့်သွင်းချိတ်ဆက်မှုများ၏ synaptic အလေးချိန်များ (ပုံ။ 4a တွင် G3) ကို ပစ်မှတ်နှောင့်နှေးမှုမရရှိမချင်း ပြန်လည်ပရိုဂရမ်ပြုလုပ်ခဲ့သည်။ပရိုဂရမ်ကို ရပ်တန့်ရန် ပစ်မှတ်နှောင့်နှေးမှုတစ်ဝိုက်တွင် သည်းခံမှုကို သတ်မှတ်ပါ- သည်းခံနိုင်မှု သေးငယ်လေ၊ နှောင့်နှေးမျဉ်းကို အောင်မြင်စွာ သတ်မှတ်ရန် ပိုမိုခက်ခဲလေဖြစ်သည်။သဖန်းသီးပေါ်မှာ။ပုံ 6b သည် နှောင့်နှေးမျဉ်းချိန်ညှိခြင်းလုပ်ငန်းစဉ်၏ ရလဒ်များကို ပြသသည်- အဆိုပြုထားသော အစီအစဉ်သည် ဒီဇိုင်းအစီအစဉ်တွင် လိုအပ်သော နှောင့်နှေးမှုများအားလုံးကို အတိအကျပေးစွမ်းနိုင်သည် (10 မှ 300 μs) ကို ထောက်ရှုနိုင်သည်။ချိန်ညှိခြင်း အကြိမ်ရေ အများဆုံး အရေအတွက်သည် ချိန်ညှိခြင်း လုပ်ငန်းစဉ်၏ အရည်အသွေးကို သက်ရောက်သည်- 200 ထပ်ခါထပ်ခါ ပြုလုပ်ခြင်းက အမှားအယွင်းကို 5% ထက်နည်းအောင် လျှော့ချနိုင်သည်။စံကိုက်ညှိခြင်းတစ်ခုသည် RRAM ဆဲလ်တစ်ခု၏ သတ်မှတ်/ပြန်လည်သတ်မှတ်ခြင်းလုပ်ဆောင်ချက်နှင့် သက်ဆိုင်သည်။ချိန်ညှိခြင်းလုပ်ငန်းစဉ်သည် CD module instant close event detection ၏ တိကျမှုကို မြှင့်တင်ရန်အတွက်လည်း အရေးကြီးပါသည်။95% (ပုံ 6c ရှိ အပြာလိုင်း) အထက်တွင် မှန်ကန်သော အပြုသဘောနှုန်းတစ်ခု (ဆိုလိုသည်မှာ သက်ဆိုင်ရာအဖြစ် မှန်ကန်စွာသတ်မှတ်ထားသော ဖြစ်ရပ်များကို မှန်ကန်စွာသတ်မှတ်ထားသောနှုန်း) ရရှိရန် ချိန်ညှိခြင်း အကြိမ် ဆယ်ကြိမ် ပြုလုပ်ခဲ့သည်။သို့ရာတွင်၊ ချိန်ညှိခြင်းလုပ်ငန်းစဉ်သည် မှားယွင်းသောအပြုသဘောဆောင်သည့်ဖြစ်ရပ်များကို မထိခိုက်စေပါ (ဆိုလိုသည်မှာ သက်ဆိုင်ရာအဖြစ် မှားယွင်းစွာသတ်မှတ်ထားသော ဖြစ်ရပ်များ၏အကြိမ်ရေ)။ဇီဝစနစ်များတွင် လျင်မြန်စွာ အသက်သွင်းလမ်းကြောင်းများ၏ အချိန်ကန့်သတ်ချက်များကို ကျော်လွှားရန် နောက်ထပ်နည်းလမ်းမှာ မလိုအပ်တော့ခြင်းဖြစ်သည် (ဆိုလိုသည်မှာ၊ ပေးထားသောလုပ်ဆောင်ချက်တစ်ခုလုပ်ဆောင်ရန် တူညီသည့်အရာဝတ္ထုအများအပြားကို အသုံးပြုသည်)။biology66 မှမှုတ်သွင်းထားသော၊ ကျွန်ုပ်တို့သည် မှားယွင်းသောအပြုသဘောများ၏သက်ရောက်မှုကိုလျှော့ချရန် နှောင့်နှေးသောလိုင်းနှစ်ခုကြားရှိ CD module တစ်ခုစီတွင် CD circuit အများအပြားကို ထားရှိထားပါသည်။ပုံတွင်ပြထားသည့်အတိုင်း။6c (အစိမ်းလိုင်း)၊ CD module တစ်ခုစီတွင် CD အစိတ်အပိုင်းသုံးခုကို ထားခြင်းဖြင့် မှားယွင်းသော အချက်ပေးနှုန်းကို 10-2 အောက်သို့ လျှော့ချနိုင်သည်။
နှောင့်နှေးလိုင်းဆားကစ်များပေါ်တွင် အာရုံကြောပြောင်းလဲမှု၏ အကျိုးသက်ရောက်မှု။b သက်ဆိုင်ရာ LIF အာရုံကြောများနှင့် DPI synapses များ၏ အချိန်ကိန်းသေများကို ကြီးမားသောတန်ဖိုးများအဖြစ် သတ်မှတ်ခြင်းဖြင့် နှောင့်နှေးလိုင်းဆားကစ်များကို ကြီးမားသောနှောင့်နှေးမှုအဖြစ် ချိန်ညှိနိုင်သည်။RRAM ချိန်ညှိခြင်းလုပ်ထုံးလုပ်နည်း၏ ထပ်တလဲလဲလုပ်ထုံးလုပ်နည်း၏ အရေအတွက်ကို တိုးမြှင့်ခြင်းသည် ပစ်မှတ်နှောင့်နှေးမှု၏တိကျမှုကို သိသာထင်ရှားစွာတိုးတက်စေနိုင်သည်- အကြိမ် 200 သည် အမှားအယွင်းကို 5% အောက်သို့လျှော့ချပေးသည်။တစ်ကြိမ်ထပ်လုပ်ခြင်းသည် RRAM ဆဲလ်တစ်ခုရှိ SET/RESET လုပ်ဆောင်ချက်နှင့် သက်ဆိုင်သည်။c Jeffress မော်ဒယ်ရှိ CD module တစ်ခုစီကို စနစ်ပျက်ကွက်မှုများနှင့်စပ်လျဉ်း၍ ပိုမိုပျော့ပျောင်းစေရန် N parallel CD အစိတ်အပိုင်းများကို အသုံးပြု၍ အကောင်အထည်ဖော်နိုင်သည်။d ပိုများသော RRAM ချိန်ညှိခြင်း ထပ်ခြင်းများသည် စစ်မှန်သော အပြုသဘောနှုန်း (အပြာလိုင်း) ကို တိုးစေပြီး မှားယွင်းသော အပြုသဘောနှုန်းသည် အကြိမ်အရေအတွက် (အစိမ်းလိုင်း) နှင့် ကင်းကွာနေပါသည်။စီဒီဒြပ်စင်များကို အပြိုင်ထပ်ထည့်ခြင်းသည် CD module ကိုက်ညီမှုများကို မှားယွင်းစွာသိရှိခြင်းမှ ရှောင်ကြဉ်ပါသည်။
ယခုကျွန်ုပ်တို့သည် pMUT အာရုံခံကိရိယာ၊ CD နှင့် neuromorphic computing ဂရပ်ကိုဖန်တီးသည့် acoustic ဂုဏ်သတ္တိများကို တိုင်းတာခြင်းဖြင့် ပုံ 2 တွင်ပြသထားသည့် အဆုံးမှအဆုံး ပေါင်းစပ်ထားသော အရာဝတ္ထုဒေသသတ်မှတ်ခြင်းစနစ်၏ စွမ်းဆောင်ရည်နှင့် ပါဝါသုံးစွဲမှုကို အကဲဖြတ်ပါသည်။Jeffress မော်ဒယ် (ပုံ။ 1a)။neuromorphic computing graph အတွက်၊ CD module အရေအတွက်များလေ၊ angular resolution ပိုကောင်းလေ၊ ဒါပေမယ့်လည်း စနစ်၏ စွမ်းအင်လည်း မြင့်မားလေလေ (ပုံ။ 7a)။စနစ်တစ်ခုလုံး၏တိကျမှန်ကန်မှု (pMUT အာရုံခံကိရိယာများ၊ အာရုံခံကိရိယာများ၊ နှင့် synaptic ဆားကစ်များ) ၏တိကျမှုကို နှိုင်းယှဉ်ခြင်းဖြင့် အပေးအယူတစ်ခုပြုလုပ်နိုင်သည်။ကျွန်ုပ်တို့၏အစီအစဉ်တွင် 10 µs ထက်ကျော်လွန်သော မျဉ်းသားကြည်လင်ပြတ်သားမှု 4° (နည်းလမ်းများကို ကြည့်ပါ) နှောင့်နှေးမျဉ်း၏ ပြတ်သားမှုအား အချိန်အဆက်မပြတ်ဖြင့် ကန့်သတ်ထားသည်။CMOS နည်းပညာပါရှိသော ပိုမိုအဆင့်မြင့်သော node များသည် အချိန်အဆက်မပြတ်ရှိသော အာရုံကြောနှင့် synaptic ဆားကစ်များကို ဒီဇိုင်းထုတ်နိုင်စေပြီး နှောင့်နှေးလိုင်းဒြပ်စင်များ၏ တိကျမှုကို ပိုမိုရရှိစေသည်။သို့သော် ကျွန်ုပ်တို့၏စနစ်တွင်၊ ထောင့်အနေအထားကို ခန့်မှန်းရာတွင် အမှားအယွင်း pMUT ဖြင့် တိကျမှုကို 10° (ပုံ။ 7a) တွင် ကန့်သတ်ထားသည်။ကျွန်ုပ်တို့သည် 4° ခန့်ရှိသော ထောင့်ဖြတ်ကြည်လင်ပြတ်သားမှုနှင့် ကိုက်ညီသည့် CD module အရေအတွက် 40 တွင် တွက်ချက်ထားသည်၊ ဆိုလိုသည်မှာ တွက်ချက်မှုဂရပ်၏ angular တိကျမှု (ပုံ။ 7a တွင် အပြာနုရောင်အလျားလိုက်မျဉ်း) ကို ပြင်ဆင်ထားပါသည်။စနစ်အဆင့်တွင်၊ ၎င်းသည် အာရုံခံစနစ်၏ရှေ့ 50 စင်တီမီတာအကွာရှိ အရာဝတ္ထုများအတွက် ကြည်လင်ပြတ်သားမှု 4° နှင့် 10° တိကျမှုကိုပေးသည်။ဤတန်ဖိုးသည် ref တွင်ဖော်ပြထားသော neuromorphic sound localization စနစ်များနှင့် နှိုင်းယှဉ်နိုင်သည်။67. အဆိုပြုထားသောစနစ်၏ အနုပညာအခြေအနေနှင့် နှိုင်းယှဉ်ချက်ကို နောက်ဆက်တွဲဇယား 1 တွင် တွေ့ရှိနိုင်သည်။ ထပ်ဆောင်း pMUTs များထည့်ခြင်း၊ အသံပိုင်းဆိုင်ရာအချက်ပြမှုအဆင့်ကို တိုးမြှင့်ခြင်းနှင့် အီလက်ထရွန်းနစ်ဆူညံသံများကို လျှော့ချပေးခြင်းများသည် ဒေသအလိုက်ပြုလုပ်ခြင်းဆိုင်ရာ တိကျမှုကို ပိုမိုတိုးတက်စေမည့် နည်းလမ်းများဖြစ်နိုင်သည်။9.7 ခန့်မှန်းခြေ။nz55. တွက်ချက်မှုဂရပ်ပေါ်တွင် CD အလုံးရေ 40 ကို ပေးထားသော SPICE စီစစ်မှုသည် လည်ပတ်မှုတစ်ခုလျှင် စွမ်းအင် (ဆိုလိုသည်မှာ အရာဝတ္ထုတည်နေရာပြစွမ်းအင်) သည် 21.6 nJ ဟု ခန့်မှန်းခဲ့သည်။အာရုံကြောမော်ဖီးစနစ်သည် input ဖြစ်ရပ်တစ်ခုရောက်ရှိလာသောအခါ၊ ဆိုလိုသည်မှာ acoustic wave သည် pMUT လက်ခံသူတိုင်းသို့ရောက်ရှိပြီး detection အဆင့်ကိုကျော်လွန်သည့်အခါ၊ သို့မဟုတ်ပါက ၎င်းသည် မလှုပ်ရှားနိုင်ပါ။၎င်းသည် input signal မရှိသောအခါ မလိုအပ်သော ပါဝါသုံးစွဲမှုကို ရှောင်ရှားသည်။100 Hz ဒေသန္တရပြုခြင်းဆိုင်ရာ ကြိမ်နှုန်းနှင့် လည်ပတ်မှုတစ်ခုလျှင် 300 µs (အများဆုံးဖြစ်နိုင်သော ITD) ကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် neuromorphic computing ဂရပ်၏ ပါဝါသုံးစွဲမှုသည် 61.7 nW ဖြစ်သည်။pMUT လက်ခံကိရိယာတစ်ခုစီတွင် neuromorphic အကြိုလုပ်ဆောင်မှုကို အသုံးချခြင်းဖြင့်၊ စနစ်တစ်ခုလုံး၏ ပါဝါသုံးစွဲမှုသည် 81.6 nW သို့ရောက်ရှိသွားသည်။သမားရိုးကျ ဟာ့ဒ်ဝဲနှင့် နှိုင်းယှဉ်ကာ အဆိုပြုထားသော neuromorphic ချဉ်းကပ်မှု၏ စွမ်းအင်ထိရောက်မှုကို နားလည်ရန်၊ ကျွန်ုပ်တို့သည် ဤနံပါတ်အား neuromorphic သို့မဟုတ် သမားရိုးကျ beamforming68 Skill ကို အသုံးပြု၍ ခေတ်မီပါဝါနိမ့်သော မိုက်ခရိုကွန်ထရိုလာတွင် တူညီသောလုပ်ငန်းဆောင်တာအတွက် လိုအပ်သောစွမ်းအင်နှင့် နှိုင်းယှဉ်ပါသည်။neuromorphic ချဉ်းကပ်မှုတွင် analog-to-digital converter (ADC) အဆင့်ကို ထည့်သွင်းစဉ်းစားပြီး နောက်တွင် band-pass filter နှင့် စာအိတ်ထုတ်ယူသည့်အဆင့် (Teeger-Kaiser method) တို့ဖြစ်သည်။နောက်ဆုံးတွင်၊ ToF ကိုထုတ်ယူရန် အတိုင်းအတာတစ်ခုလုပ်ဆောင်သည်။တိုင်းတာမှုတစ်ခုစီအတွက် တစ်ကြိမ်ဖြစ်ပေါ်သည်ဖြစ်သောကြောင့် ToF ကိုအခြေခံ၍ ITD ၏တွက်ချက်မှုနှင့် ခန့်မှန်းခြေထောင့်အနေအထားသို့ ပြောင်းလဲခြင်းကို ချန်လှပ်ထားပါသည်။ (နည်းလမ်းများကိုကြည့်ပါ)။ချန်နယ်နှစ်ခုလုံးတွင် နမူနာနှုန်း 250 kHz (pMUT လက်ခံသူများ)၊ 18 band pass filter လုပ်ဆောင်ချက်များ၊ 3 စာအိတ်ထုတ်ယူခြင်းလုပ်ငန်းနှင့် နမူနာတစ်ခုလျှင် threshold operation 1 ခုဟု ယူဆပါက စုစုပေါင်းပါဝါသုံးစွဲမှုသည် 245 microwatts တွင် ခန့်မှန်းထားသည်။၎င်းသည် ပါဝါသုံးစွဲမှုကို 10.8 µW အထိ လျှော့ချပေးသည့် algorithms များကို လုပ်ဆောင်ခြင်းမရှိသည့်အခါတွင် ဖွင့်ပေးသည့် မိုက်ခရိုကွန်ထရိုလာ၏ ပါဝါနည်းသော mode69 ကို အသုံးပြုသည်။အကိုးအကား၌ အဆိုပြုထားသည့် beamforming signal processing solution ၏ ပါဝါသုံးစွဲမှု။31, 5 pMUT လက်ခံသူနှင့် 11 beam များကို azimuth လေယာဉ် [-50°၊ +50°] တွင် တစ်ပြေးညီ ဖြန့်ဝေခြင်းဖြင့် 11.71 mW (အသေးစိတ်အတွက် နည်းလမ်းများကဏ္ဍကို ကြည့်ပါ)။ထို့အပြင်၊ object localization အတွက် Jeffress မော်ဒယ်အတွက် အစားထိုးအဖြစ် 1.5 mW တွင် ခန့်မှန်းထားသော FPGA47-based Time Difference Encoder (TDE) ၏ ပါဝါသုံးစွဲမှုကို အစီရင်ခံပါသည်။ဤခန့်မှန်းချက်များအပေါ်အခြေခံ၍ အဆိုပြုထားသော neuromorphic ချဉ်းကပ်မှုသည် အရာဝတ္ထုဒေသအလိုက်ပြောင်းလဲခြင်းလုပ်ဆောင်မှုများအတွက် classical beamforming နည်းပညာများကိုအသုံးပြုထားသော microcontroller နှင့်နှိုင်းယှဉ်ပါက ပြင်းအားငါးခုဖြင့် ပါဝါသုံးစွဲမှုကို လျှော့ချပေးသည်။ဂန္တဝင် မိုက်ခရိုကွန်ထရိုလာပေါ်တွင် အချက်ပြလုပ်ဆောင်ခြင်းအတွက် အာရုံကြောဆိုင်ရာ ချဉ်းကပ်မှုနည်းလမ်းကို ကျင့်သုံးခြင်းသည် ပြင်းအား နှစ်ဆင့်ခန့်ဖြင့် ပါဝါသုံးစွဲမှုကို လျှော့ချပေးသည်။အဆိုပြုထားသော စနစ်၏ ထိရောက်မှုအား အမှတ်အသားအတွင်းမှ တွက်ချက်မှုများကို လုပ်ဆောင်နိုင်သော အပြိုင်အဆိုင် ခံနိုင်ရည်ရှိသော-မှတ်ဉာဏ် analog circuit နှင့် အချက်ပြမှုများကို နားလည်ရန် လိုအပ်သော analog-to-digital ပြောင်းလဲခြင်း မရှိခြင်းတို့ကို ပေါင်းစပ်ခြင်းဖြင့် ရှင်းပြနိုင်ပါသည်။
CD module အရေအတွက်ပေါ်မူတည်၍ localization လုပ်ဆောင်မှု၏ Angular resolution (အပြာ) နှင့် power သုံးစွဲမှု (အစိမ်းရောင်)။နက်ပြာရောင် အလျားလိုက်ဘားသည် PMUT ၏ ထောင့်မှန်တိကျမှုကို ကိုယ်စားပြုပြီး အပြာနုရောင်အလျားလိုက်ဘားသည် neuromorphic တွက်ချက်မှုဂရပ်၏ angular တိကျမှုကို ကိုယ်စားပြုသည်။b အဆိုပြုထားသောစနစ်၏ ပါဝါသုံးစွဲမှုနှင့် ဆွေးနွေးထားသော မိုက်ခရိုကွန်ထရိုလာ အကောင်အထည်ဖော်မှုများနှင့် Time Difference Encoder (TDE)47 FPGA ၏ ဒစ်ဂျစ်တယ်အကောင်အထည်ဖော်မှုနှစ်ခုနှင့် နှိုင်းယှဉ်ခြင်း။
ပစ်မှတ်ဒေသပြောင်းလဲခြင်းစနစ်၏ ပါဝါသုံးစွဲမှုကို လျှော့ချရန်၊ ကျွန်ုပ်တို့သည် ပစ်မှတ်အရာဝတ္ထု၏ တည်နေရာကို အမှန်တကယ်တွက်ချက်ရန် တပ်ဆင်ထားသော အာရုံခံကိရိယာများမှ ထုတ်ပေးသည့် အချက်ပြအချက်အလက်များကို လုပ်ဆောင်ပေးသည့် ထိရောက်သော၊ အဖြစ်အပျက်ကို မောင်းနှင်သည့် RRAM-based neuromorphic ဆားကစ်တစ်ခုကို စိတ်ကူးပုံဖော်ကာ အကောင်အထည်ဖော်ခဲ့သည်။ အချိန်။.သမားရိုးကျ စီမံဆောင်ရွက်သည့်နည်းလမ်းများသည် အချက်ပြမှုများကို စဉ်ဆက်မပြတ်နမူနာရှာဖွေတွေ့ရှိပြီး အသုံးဝင်သောအချက်အလက်များကိုထုတ်ယူရန် တွက်ချက်မှုများလုပ်ဆောင်နေချိန်တွင်၊ အဆိုပြုထားသော neuromorphic ဖြေရှင်းချက်သည် အသုံးဝင်သောအချက်အလက်များရောက်ရှိလာသည်နှင့်အမျှ တွက်ချက်မှုများကို ပြင်းအားငါးခုဖြင့် စနစ်၏ပါဝါထိရောက်မှုကို အမြင့်ဆုံးဖြစ်စေသည်။ထို့အပြင်၊ ကျွန်ုပ်တို့သည် RRAM အခြေပြု neuromorphic ဆားကစ်များ၏ ပျော့ပြောင်းမှုကို မီးမောင်းထိုးပြပါသည်။RRAM ၏ အကူးအပြောင်းကို မတည်ငြိမ်သောပုံစံ (ပလပ်စတစ်ဆ) ဖြင့် ပြောင်းလဲနိုင်သော စွမ်းရည်သည် အလွန်နိမ့်သော ပါဝါ analog DPI ၏ synaptic နှင့် အာရုံကြော ဆားကစ်များ ၏ မွေးရာပါ ပြောင်းလဲမှုအတွက် လျော်ကြေးပေးပါသည်။၎င်းသည် ဤ RRAM-based circuit ကို စွယ်စုံရနှင့် အစွမ်းထက်စေသည်။ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ ရှုပ်ထွေးသော လုပ်ဆောင်ချက်များ သို့မဟုတ် ပုံစံများကို အချက်ပြများမှ ထုတ်ယူရန်မဟုတ်ဘဲ အရာဝတ္ထုများကို အချိန်နှင့်တပြေးညီ ဒေသစံသတ်မှတ်ရန်ဖြစ်သည်။ကျွန်ုပ်တို့၏စနစ်သည် အချက်ပြမှုကို ထိရောက်စွာ ချုံ့နိုင်စေပြီး လိုအပ်သည့်အခါ ပိုမိုရှုပ်ထွေးသော ဆုံးဖြတ်ချက်များချရန်အတွက် နောက်ထပ်လုပ်ဆောင်မှုအဆင့်များဆီသို့ ပေးပို့နိုင်ပါသည်။Localization applications များ၏ context တွင်၊ ကျွန်ုပ်တို့၏ neuromorphic preprocessing အဆင့်သည် အရာဝတ္ထုများ၏ တည်နေရာအကြောင်း အချက်အလက်ကို ပေးစွမ်းနိုင်ပါသည်။ဤအချက်အလက်ကို ဥပမာအားဖြင့် လှုပ်ရှားမှုရှာဖွေခြင်း သို့မဟုတ် လက်ဟန်ခြေဟန်ကို အသိအမှတ်ပြုခြင်းအတွက် အသုံးပြုနိုင်သည်။pMUTs ကဲ့သို့သော အလွန်နိမ့်သော ပါဝါအာရုံခံကိရိယာများ ပေါင်းစပ်ခြင်း၏ အရေးပါမှုကို ကျွန်ုပ်တို့ အလေးပေးဖော်ပြပါသည်။ယင်းအတွက်၊ Jeffress မော်ဒယ်ကဲ့သို့သော ဇီဝဗေဒဆိုင်ရာ တွက်ချက်မှုဆိုင်ရာ နည်းလမ်းများကို circuit အသစ်များ အကောင်အထည်ဖော်ရန် ကျွန်ုပ်တို့ကို တွန်းပို့သောကြောင့် neuromorphic ချဉ်းကပ်မှုများသည် အဓိကကျပါသည်။အာရုံခံပေါင်းစပ်အသုံးချမှုများ၏အခြေအနေတွင်၊ ကျွန်ုပ်တို့၏စနစ်ကို ပိုမိုတိကျသောအချက်အလက်များရရှိရန် မတူညီသောဖြစ်ရပ်အခြေခံအာရုံခံကိရိယာများစွာဖြင့် ပေါင်းစပ်နိုင်သည်။ဇီးကွက်များသည် အမှောင်ထဲတွင် သားကောင်ရှာဖွေရာတွင် ထူးချွန်သော်လည်း ၎င်းတို့သည် ကောင်းမွန်သောမျက်လုံးများရှိပြီး သားကောင် 70 ကိုမဖမ်းမီ အကြားအာရုံနှင့် အမြင်အာရုံရှာဖွေမှုကို လုပ်ဆောင်သည်။အကြားအာရုံဆိုင်ရာ အာရုံကြောတစ်ခုခု မီးလောင်သွားသောအခါ၊ ဇီးကွက်သည် ၎င်း၏အမြင်အာရုံရှာဖွေမှုစတင်ရန် မည်သည့်ဦးတည်ချက်ဖြင့် ဆုံးဖြတ်ရန် လိုအပ်သည့် အချက်အလက်ကို လက်ခံရရှိကာ အမြင်အာရုံမြင်ကွင်း၏ သေးငယ်သော အစိတ်အပိုင်းကို အာရုံစိုက်သည်။အမြင်အာရုံခံကိရိယာများ (DVS ကင်မရာ) နှင့် အဆိုပြုထားသည့် နားဆင်အာရုံခံကိရိယာ (pMUT ပေါ်အခြေခံ၍) ပေါင်းစပ်မှုကို အနာဂတ်ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရအေးဂျင့်များဖွံ့ဖြိုးတိုးတက်ရန်အတွက် စူးစမ်းလေ့လာသင့်သည်။
pMUT အာရုံခံကိရိယာသည် 10 စင်တီမီတာအကွာအဝေးတွင် လက်ခံကိရိယာနှစ်ခုရှိသော PCB ပေါ်တွင်တည်ရှိပြီး transmitter သည် လက်ခံသူများကြားတွင်တည်ရှိသည်။ဤလုပ်ငန်းတွင်၊ အမြှေးပါးတစ်ခုစီသည် piezoelectric aluminium nitride (AlN) 800 nm အထူ 200 nm အထူ 200 nm အထူသုံးအလွှာကြားတွင် ညှပ်ထားသော piezoelectric aluminium nitride (AlN) အလွှာနှစ်ခုပါဝင်သည့် ဆိုင်းငံ့ထားသော bimorph တည်ဆောက်ပုံဖြစ်သည်။ကိုးကားချက်တွင်ဖော်ပြထားသည့်အတိုင်း ထိပ်တန်း passivating SiN အလွှာ။71. အတွင်းနှင့် အပြင်ဘက် လျှပ်ကူးပစ္စည်းအား မိုလီဘဒင်နမ်၏ အောက်ခြေနှင့် အပေါ်ဆုံးအလွှာများသို့ သက်ရောက်စေပြီး အလယ်အလတ် မော်လစ်ဘ်ဒင်မ်လျှပ်ကူးပစ္စည်းကို ပုံစံမဖော်ဘဲ မြေအဖြစ်အသုံးပြုကာ လျှပ်ကူးပစ္စည်းလေးတွဲပါရှိသော အမြှေးပါးတစ်ခု ဖြစ်လာသည်။
ဤဗိသုကာလက်ရာသည် သာမန်အမြှေးပါးပုံသဏ္ဍာန်ပုံသဏ္ဍာန်ကို အသုံးပြုခွင့်ပေးကာ ပိုမိုကောင်းမွန်သော ထုတ်လွှင့်မှုနှင့် အာရုံခံနိုင်စွမ်းကို ရရှိစေသည်။ထိုသို့သော pMUT သည် ပုံမှန်အားဖြင့် 700 nm/V ၏ emitter အဖြစ် excitation sensitivity ကိုပြသပြီး မျက်နှာပြင်ဖိအား 270 Pa/V ဖြစ်သည်။လက်ခံသူအနေဖြင့်၊ pMUT ရုပ်ရှင်တစ်ခုသည် AlN ၏ piezoelectric coefficient နှင့် တိုက်ရိုက်သက်ဆိုင်သည့် 15 nA/Pa ၏ short circuit sensitivity ကိုပြသသည်။AlN အလွှာရှိ ဗို့အား၏ နည်းပညာပိုင်းဆိုင်ရာ ကွဲလွဲမှုသည် pMUT သို့ DC ဘက်လိုက်မှုကို အသုံးချခြင်းဖြင့် လျော်ကြေးပေးနိုင်သည့် ပဲ့တင်ထပ်ကြိမ်နှုန်းကို အပြောင်းအလဲဖြစ်စေသည်။DC အာရုံခံနိုင်စွမ်းကို 0.5 kHz/V တွင် တိုင်းတာခဲ့သည်။acoustic characterization အတွက် pMUT ရှေ့တွင် မိုက်ခရိုဖုန်းကို အသုံးပြုသည်။
ပဲ့တင်သံသွေးခုန်နှုန်းကို တိုင်းတာရန်အတွက် pMUT ၏ရှေ့တွင် ဧရိယာ 50 စင်တီမီတာခန့်ရှိသော စတုဂံပန်းကန်ပြားကို ချထားကာ အသံလှိုင်းများကို ထင်ဟပ်စေပါသည်။pMUT လေယာဉ်နှင့် ဆက်စပ်သော ပြားများနှင့် ထောင့်ကြား အကွာအဝေး နှစ်ခုလုံးကို အထူးကိုင်ဆောင်သူများ အသုံးပြု၍ ထိန်းချုပ်ထားသည်။Tectronix CPX400DP ဗို့အားရင်းမြစ်တစ်ခုသည် pMUT အမြှေးပါးသုံးခုကို ဘက်လိုက်ကာ ပဲ့တင်ထပ်သောကြိမ်နှုန်းကို 111.9 kHz31 သို့ ချိန်ညှိပေးကာ၊ transmitters များကို Tectronix AFG 3102 pulse generator မှ မောင်းနှင်ပေးသော resonant frequency (111.9 kHz. နှင့် 111.9 kHz) သံသရာ။pMUT လက်ခံသူတစ်ခုစီ၏ output port လေးခုမှဖတ်သော ရေစီးကြောင်းများကို အထူးကွဲပြားသောလက်ရှိနှင့် ဗို့အားဗို့အားဗိသုကာတစ်ခုအသုံးပြုကာ ဗို့အားအဖြစ်သို့ပြောင်းလဲကာ ရလဒ်များကို Spektrum data acquisition system ဖြင့် ဒစ်ဂျစ်တယ်စနစ်ဖြင့် ပြုလုပ်ပါသည်။ထောက်လှမ်းမှုကန့်သတ်ချက်သည် မတူညီသောအခြေအနေများအောက်တွင် pMUT အချက်ပြရယူမှုဖြင့် လက္ခဏာရပ်ဖြစ်သည်- ကျွန်ုပ်တို့သည် အလင်းပြန်ကို မတူညီသောအကွာအဝေးသို့ရွှေ့ကာ [30, 40, 50, 60, 80, 100] စင်တီမီတာနှင့် pMUT ပံ့ပိုးမှုထောင့်ကို ပြောင်းလဲခဲ့သည် ([0, 20, 40] o ) ပုံ 2b သည် သက်ဆိုင်ရာ ထောင့်အနေအထားပေါ်မူတည်၍ ယာယီ ITD ထောက်လှမ်းမှု ကြည်လင်ပြတ်သားမှုကို ပြသသည်။
ဤဆောင်းပါးတွင် မတူညီသော RRAM ဆားကစ်နှစ်ခုကို အသုံးပြုထားသည်။ပထမတစ်ခုသည် 1T1R ဖွဲ့စည်းမှုတစ်ခုတွင် transistor တစ်ခုနှင့် resistor တစ်ခုပါရှိသော 16,384 (16,000) စက်များ (128 × 128 devices) ဖြစ်သည်။ဒုတိယချစ်ပ်သည် ပုံ 4a တွင်ပြသထားသည့် neuromorphic platform ဖြစ်သည်။RRAM ဆဲလ်တွင် TiN/HfO2/Ti/TiN စတက်တစ်ခုတွင် ထည့်သွင်းထားသော 5 nm အထူ HfO2 ဖလင်တစ်ခု ပါဝင်သည်။RRAM stack ကို standard 130nm CMOS လုပ်ငန်းစဉ်၏ back-of-line (BEOL) တွင် ပေါင်းစပ်ထားသည်။RRAM အခြေပြု neuromorphic ဆားကစ်များသည် RRAM ကိရိယာများသည် သမားရိုးကျ CMOS နည်းပညာဖြင့် ပေါင်းစပ်ထားသည့် all-analog အီလက်ထရွန်နစ်စနစ်များအတွက် ဒီဇိုင်းစိန်ခေါ်မှုတစ်ရပ်ကို တင်ပြသည်။အထူးသဖြင့်၊ RRAM စက်ပစ္စည်း၏ conduction အခြေအနေအား စနစ်အတွက် function variable အဖြစ် ဖတ်ပြီး အသုံးပြုရပါမည်။ဤအဆုံးသတ်ရန်အတွက်၊ input pulse ကိုလက်ခံရရှိပြီး differential pair integrator (DPI) synapse ၏တုံ့ပြန်မှုကိုချိန်ဆရန်ဤလျှပ်စီးကြောင်းကိုအသုံးပြုသောအခါကိရိယာမှလက်ရှိကိုဖတ်ပြသည့် circuit ကိုဒီဇိုင်းရေးဆွဲဖန်တီးဖန်တီးပြီးစမ်းသပ်ခဲ့သည်။ဤပတ်လမ်းကို ပုံ 3a တွင်ပြသထားပြီး ပုံ 4a ရှိ neuromorphic ပလပ်ဖောင်း၏ အခြေခံအဆောက်အဦတုံးများကို ကိုယ်စားပြုသည်။Input pulse သည် 1T1R စက်ပစ္စည်း၏ ဂိတ်ပေါက်ကို လည်ပတ်စေပြီး RRAM မှတဆင့် စက်၏ conductance G (Iweight = G(Vtop – Vx)) နှင့် အချိုးကျသော လက်ရှိကို လှုံ့ဆော်ပေးသည်။operational amplifier (op-amp) circuit ၏ inverting input တွင် constant DC bias voltage Vtop ရှိသည်။op-amp ၏ အပျက်သဘောဆောင်သော တုံ့ပြန်ချက်သည် M1 မှ ညီမျှသော လက်ရှိကို ပံ့ပိုးပေးခြင်းဖြင့် Vx = Vtop ကို ပေးလိမ့်မည်။စက်မှရယူထားသော လက်ရှိ Iweight ကို DPI synapse ထဲသို့ ထိုးသွင်းသည်။ပိုအားကောင်းသော လျှပ်စီးကြောင်းသည် ပိုမို depolarization ကိုဖြစ်ပေါ်စေသည်၊ ထို့ကြောင့် RRAM conductance သည် synaptic weights များကို ထိထိရောက်ရောက်အကောင်အထည်ဖော်သည်။ဤ exponential synaptic လျှပ်စီးကြောင်းကို ဗို့အားတစ်ခုအဖြစ် ပေါင်းစပ်ထားသည့် Leaky Integration and Excitation (LIF) neurons ၏ membrane capacitor မှတဆင့် ထိုးသွင်းပါသည်။အမြှေးပါး၏ တံခါးခုံဗို့အား (အင်ဗာတာ၏ ကူးပြောင်းဗို့အား) ကို ကျော်ဖြတ်ပါက၊ နျူရွန်၏ အထွက်အပိုင်းကို အသက်ဝင်စေကာ အထွက်တိုးနှုန်းကို ထုတ်ပေးသည်။ဤသွေးခုန်နှုန်းသည် ပြန်လာပြီး နျူရွန်၏ အမြှေးပါး ကာပတ်စီတာအား မြေသို့ ဖယ်ထုတ်ကာ ၎င်းကို ထုတ်လွှတ်စေသည်။ထို့နောက် ဤဆားကစ်အား ပစ်မှတ်သွေးခုန်နှုန်း အကျယ်အတိုင်း LIF နျူရွန်၏ အထွက်ခုန်နှုန်းကို ပုံသဏ္ဍာန်ပြုသည့် pulse expander (ပုံ 3a တွင် မဖော်ပြထားပါ) ဖြင့် ဖြည့်စွက်ထားပါသည်။Multiplexers များကို RRAM ကိရိယာ၏ အပေါ်နှင့် အောက်လျှပ်ကူးပစ္စည်းများသို့ ဗို့အားသက်ရောက်စေရန် လိုင်းတစ်ခုစီတွင်လည်း တည်ဆောက်ထားသည်။
လျှပ်စစ်စမ်းသပ်ခြင်းတွင် analog circuits များ၏ တက်ကြွသောအပြုအမူများကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် မှတ်တမ်းတင်ခြင်းအပြင် ပရိုဂရမ်ရေးဆွဲခြင်းနှင့် RRAM စက်ပစ္စည်းများကို ဖတ်ရှုခြင်းတို့ပါဝင်သည်။အဆင့်နှစ်ဆင့်စလုံးသည် အထူးကိရိယာများ လိုအပ်ပြီး ၎င်းတို့အားလုံးသည် အာရုံခံဘုတ်အဖွဲ့သို့ တစ်ချိန်တည်း ချိတ်ဆက်ထားသည်။neuromorphic circuits များရှိ RRAM စက်ပစ္စည်းများသို့ ဝင်ရောက်ခြင်းကို multiplexer (MUX) မှတဆင့် ပြင်ပကိရိယာများမှ လုပ်ဆောင်သည်။MUX သည် 1T1R ဆဲလ်အား ၎င်းပိုင်ဆိုင်သည့် ကျန်ဆားကစ်များနှင့် ပိုင်းခြားကာ စက်ပစ္စည်းအား ဖတ်နိုင်စေရန်နှင့်/သို့မဟုတ် ပရိုဂရမ်ပြုလုပ်နိုင်စေမည်ဖြစ်သည်။RRAM စက်ပစ္စည်းများကို ပရိုဂရမ်နှင့်ဖတ်ရန်၊ Keithley 4200 SCS စက်ကို Arduino microcontroller နှင့် တွဲဖက်အသုံးပြုသည်- ပထမအချက်မှာ တိကျသောသွေးခုန်နှုန်းနှင့် လက်ရှိဖတ်ရှုခြင်းအတွက် ပထမဖြစ်ပြီး၊ ဒုတိယမှာ memory array ရှိ 1T1R ဒြပ်စင်တစ်ခုချင်းစီထံ အမြန်ဝင်ရောက်ရန်အတွက် ဖြစ်သည်။ပထမဆုံးလုပ်ဆောင်မှုမှာ RRAM device ကိုဖွဲ့စည်းရန်ဖြစ်သည်။ဆဲလ်များကို တစ်ခုပြီးတစ်ခု ရွေးချယ်ပြီး အပေါ်နှင့် အောက်လျှပ်ကူးပစ္စည်းကြားတွင် အပြုသဘောဗို့အားကို သက်ရောက်သည်။ဤကိစ္စတွင်၊ ရွေးချယ်သူထရန်စစ္စတာသို့သက်ဆိုင်ရာဂိတ်ဗို့အားထောက်ပံ့မှုကြောင့်လက်ရှိသည် microamperes ဆယ်ဂဏန်းအစီအစဥ်တွင်ကန့်သတ်ထားသည်။ထို့နောက် RRAM ဆဲလ်သည် RESET နှင့် SET လုပ်ဆောင်ချက်များကို အသီးသီး အသုံးပြု၍ လျှပ်ကူးနိုင်သော အခြေအနေ (LCS) နှင့် လျှပ်ကူးနိုင်သော အခြေအနေ (HCS) ကြားတွင် လည်ပတ်နိုင်သည်။SET လုပ်ဆောင်ချက်ကို 1 μs နှင့် အမြင့်ဆုံးဗို့အား 2.0-2.5 V နှင့် အထက်လျှပ်ကူးပစ္စည်းသို့ ကြာမြင့်ချိန် 1 μs ရှိသော စတုဂံဗို့အားသွေးခုန်နှုန်းကို အသုံးချကာ၊ အမြင့်ဆုံးဗို့အား 0.9-1.3 V မှ အလားတူပုံသဏ္ဍာန်၏ ထပ်တူကျသောသွေးခုန်နှုန်းကို ဆောင်ရွက်သည်။ selector transistor ၏ဂိတ်ပေါက်။ဤတန်ဖိုးများသည် 20-150 µs ကြားကာလတွင် RRAM conductance ကို modulate ခွင့်ပြုသည်။RESET အတွက်၊ 1 µs ကျယ်ဝန်းသော၊ 3 V peak pulse ကို ဂိတ်ဗို့အား 2.5-3.0 V အကွာအဝေးတွင်ရှိသောအခါ ဆဲလ်၏အောက်ခြေလျှပ်ကူးပစ္စည်း (ဘစ်လိုင်း) သို့ သက်ရောက်သည်။ Analog circuits ၏ အဝင်နှင့်အထွက်များသည် dynamic signals များဖြစ်သည် .ထည့်သွင်းမှုအတွက်၊ ကျွန်ုပ်တို့သည် Tektronix AFG3011 အချက်ပြ ဂျင်နရေတာများဖြင့် HP 8110 သွေးခုန်နှုန်း ဂျင်နရေတာ နှစ်လုံးကို ချိတ်ဆက်ထားသည်။input pulse သည် အကျယ် 1 µs ရှိပြီး အတက်/အဆင်း အစွန်း 50 ns ရှိသည်။ဤသွေးခုန်နှုန်းအမျိုးအစားသည် analog glitch ကိုအခြေခံထားသောဆားကစ်များတွင်ပုံမှန် glitch ဖြစ်သည်ဟုယူဆသည်။အထွက် signal အတွက် Teledyne LeCroy 1 GHz oscilloscope ကို အသုံးပြု၍ အထွက် signal ကို မှတ်တမ်းတင်ထားပါသည်။oscilloscope ၏ acquisition speed သည် circuit data များကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ရယူခြင်းအတွက် ကန့်သတ်ချက်မဟုတ်ကြောင်း သက်သေပြထားပါသည်။
နျူရွန်များနှင့် synapses များ၏ အပြုအမူများကို အတုယူရန် analog အီလက်ထရွန်းနစ်ပစ္စည်းများ၏ ဒိုင်းနမစ်များကို အသုံးပြုခြင်းသည် တွက်ချက်မှုဆိုင်ရာ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် ပြေပြစ်ပြီး ထိရောက်သော ဖြေရှင်းချက်တစ်ခုဖြစ်သည်။ဤကွန်ပြူတာအောက်ခံလွှာ၏ အားနည်းချက်မှာ အစီအစဥ်တစ်ခုနှင့်တစ်ခု ကွဲပြားသွားမည်ဖြစ်သည်။ကျွန်ုပ်တို့သည် နျူရွန်များနှင့် synaptic ဆားကစ်များ (နောက်ဆက်တွဲ ပုံ။ 2a၊ b) ၏ ကွဲပြားမှုကို တွက်ချက်ပါသည်။ကွဲပြားမှု၏ သရုပ်လက္ခဏာများအားလုံးတွင်၊ အချိန်အဆက်မပြတ်နှင့် ဖြည့်သွင်းရရှိမှုတို့နှင့် ဆက်စပ်နေသော အရာများသည် စနစ်အဆင့်တွင် အကြီးမားဆုံး သက်ရောက်မှုရှိသည်။LIF နျူရွန်နှင့် DPI synapse တို့၏ ကိန်းသေအချိန်ကို RC circuit တစ်ခုမှ ဆုံးဖြတ်သည်၊၊ R ၏တန်ဖိုးကို transistor ၏ဂိတ်တံခါးသို့သက်ရောက်သည့်ဘက်လိုက်ဗို့အားဖြင့်ထိန်းချုပ်သည် (Nuron အတွက် Vlk နှင့် synapse အတွက် Vtau) ကိုဆုံးဖြတ်ခြင်း ယိုစိမ့်မှုနှုန်း။Input gain ကို input pulse ဖြင့် လှုံ့ဆော်ပေးသော synaptic နှင့် neuronal membrane capacitors များမှ ရောက်ရှိသည့် အထွတ်အထိပ်ဗို့အားဟု သတ်မှတ်သည်။input gain ကို input current ကို modulates ပြုလုပ်သော အခြားသော bias transistor မှ ထိန်းချုပ်ထားသည်။ST Microelectronics ၏ 130nm လုပ်ငန်းစဉ်တွင် ချိန်ညှိထားသော Monte Carlo သရုပ်ဖော်ပုံသည် input အမြတ်နှင့် အချိန်အဆက်မပြတ် စာရင်းအင်းအချို့ကို စုဆောင်းရန် လုပ်ဆောင်ခဲ့သည်။ရလဒ်များကို နောက်ဆက်တွဲ ပုံ 2 တွင် ဖော်ပြထားပြီး၊ ယိုစိမ့်မှုနှုန်းကို ထိန်းချုပ်သည့် ဘက်လိုက်ဗို့အား၏ လုပ်ဆောင်မှုတစ်ခုအနေဖြင့် ထည့်သွင်းမှုရရှိမှုနှင့် အချိန်ဆက်မပြတ်ကို တွက်ချက်ထားသည်။အစိမ်းရောင်အမှတ်အသားများသည် ပျမ်းမျှမှ အချိန်ကာလ၏ စံသွေဖည်မှုကို တိုင်းတာသည်။နျူရွန်များနှင့် synaptic ဆားကစ်နှစ်ခုလုံးသည် 10-5-10-2 s အကွာအဝေးတွင် အချိန်အတိုင်းအတာများစွာကို ဖော်ပြနိုင်သည်၊ နောက်ဆက်တွဲပုံ။အာရုံကြောနှင့် synapse ကွဲပြားမှု၏ ထည့်သွင်းချဲ့ထွင်မှု (နောက်ဆက်တွဲပုံ။ 2e၊d) သည် ခန့်မှန်းခြေအားဖြင့် 8% နှင့် 3% အသီးသီးရှိသည်။ထိုသို့သော ချို့တဲ့မှုကို စာပေတွင် ကောင်းစွာမှတ်တမ်းတင်ထားသည်- LIF63 နူရွန်များ၏ လူဦးရေများကြား မကိုက်ညီမှုကို အကဲဖြတ်ရန် DYNAP ချစ်ပ်ပြားများပေါ်တွင် အမျိုးမျိုးသော တိုင်းတာမှုများကို ပြုလုပ်ခဲ့သည်။BrainScale ရောစပ်အချက်ပြချစ်ပ်ရှိ synapses များကို တိုင်းတာပြီး ၎င်းတို့၏ မကိုက်ညီမှုများကို ခွဲခြမ်းစိတ်ဖြာကာ စနစ်အဆင့် ကွဲပြားမှု64 ၏ အကျိုးသက်ရောက်မှုကို လျှော့ချရန် ချိန်ညှိခြင်းလုပ်ငန်းစဉ်ကို အဆိုပြုခဲ့သည်။
neuromorphic circuits များရှိ RRAM ၏လုပ်ဆောင်ချက်သည် နှစ်ဆဖြစ်သည်- ဗိသုကာဆိုင်ရာ အဓိပ္ပါယ်ဖွင့်ဆိုချက် (အဝင်အထွက်များဆီသို့ လမ်းကြောင်းပြောင်းခြင်း) နှင့် synaptic အလေးများကို အကောင်အထည်ဖော်ခြင်း။နမူနာပုံစံ neuromorphic ဆားကစ်များ ကွဲပြားမှုပြဿနာကို ဖြေရှင်းရန်အတွက် နောက်ဆုံးပိုင်ဆိုင်မှုကို အသုံးပြုနိုင်သည်။ကျွန်ုပ်တို့သည် ဆားကစ်အား ခွဲခြမ်းစိတ်ဖြာမှုအချို့ လိုအပ်ချက်များ ပြည့်မီသည်အထိ RRAM ကိရိယာကို ပြန်လည်ပရိုဂရမ်ပြုလုပ်ခြင်းပါ၀င်သည့် ရိုးရှင်းသော ချိန်ညှိခြင်းလုပ်ငန်းစဉ်ကို ကျွန်ုပ်တို့ တီထွင်ထားပါသည်။ပေးထားသည့် input တစ်ခုအတွက်၊ output ကို စောင့်ကြည့်ပြီး ပစ်မှတ်အပြုအမူကို မအောင်မြင်မချင်း RRAM ကို ပြန်လည်အစီအစဉ်ချပါသည်။RRAM ဖြေလျှော့မှုပြဿနာကို ဖြေရှင်းရန်အတွက် ပရိုဂရမ်းမင်းလုပ်ဆောင်မှုများကြားတွင် စောင့်ဆိုင်းချိန် 5 စက္ကန့်ကို မိတ်ဆက်ခဲ့သည်Synaptic weights များကို စံနမူနာပြုထားသည့် neuromorphic circuit ၏လိုအပ်ချက်များနှင့်အညီ ချိန်ညှိခြင်း သို့မဟုတ် ချိန်ညှိသည်။ချိန်ညှိခြင်းလုပ်ငန်းစဉ်ကို neuromorphic ပလပ်ဖောင်းများ၏ အခြေခံအင်္ဂါရပ်နှစ်ခု၊ နှောင့်နှေးသောလိုင်းများနှင့် ဦးတည်ရာအာရုံမစိုက်သော CD နှစ်ခုအပေါ် အာရုံစိုက်ထားသည့် အပိုအယ်လ်ဂိုရီသမ်များ [1၊ 2] တွင် အကျဉ်းချုပ်ဖော်ပြထားသည်။နှောင့်နှေးမျဉ်းရှိသော ဆားကစ်တစ်ခုအတွက်၊ ပစ်မှတ်အပြုအမူသည် နှောင့်နှေးခြင်း Δt ဖြင့် အထွက်သွေးခုန်နှုန်းကို ပေးဆောင်ရန်ဖြစ်သည်။အမှန်တကယ် circuit နှောင့်နှေးမှုသည် ပစ်မှတ်တန်ဖိုးထက်နည်းပါက၊ G3 ၏ synaptic အလေးချိန်ကို လျှော့ချသင့်သည် (G3 ကို ပြန်လည်သတ်မှတ်ပြီး အောက်ဖော်ပြပါ ကိုက်ညီသော လက်ရှိ Icc သို့ သတ်မှတ်ထားသည်)။အပြန်အလှန်အားဖြင့်၊ အမှန်တကယ်နှောင့်နှေးမှုသည် ပစ်မှတ်တန်ဖိုးထက် ပိုများနေပါက၊ G3 ၏ conductance ကို တိုးမြှင့်ရမည် (G3 ကို ဦးစွာ ပြန်လည်သတ်မှတ်ပြီး မြင့်မားသော Icc တန်ဖိုးသို့ သတ်မှတ်ရမည်)။ဆားကစ်မှထုတ်ပေးသောနှောင့်နှေးမှုသည် ပစ်မှတ်တန်ဖိုးနှင့်ကိုက်ညီပြီး ချိန်ညှိခြင်းလုပ်ငန်းစဉ်ကိုရပ်တန့်ရန် သည်းခံနိုင်မှုတစ်ခုသတ်မှတ်ထားသည်အထိ ဤလုပ်ငန်းစဉ်ကို ထပ်ခါတလဲလဲလုပ်ဆောင်သည်။လမ်းညွှန်မှု-အာရုံမခံသော CD များအတွက် RRAM စက်နှစ်လုံး၊ G1 နှင့် G3 သည် ချိန်ညှိခြင်းလုပ်ငန်းစဉ်တွင် ပါဝင်ပါသည်။ဤပတ်လမ်းတွင် dt ဖြင့် နှောင့်နှေးနေသည့် Vin0 နှင့် Vin1 နှစ်ခုရှိသည်။တိုက်နယ်သည် ကိုက်ညီသည့်အကွာအဝေး [0,dtCD] အောက်နှောင့်နှေးမှုများကိုသာ တုံ့ပြန်သင့်သည်။output peak မရှိသော်လည်း input peak သည် နီးကပ်နေပါက၊ neuron ၏ threshold ကိုရောက်ရှိစေရန် RRAM ကိရိယာနှစ်ခုလုံးကို မြှင့်တင်သင့်သည်။အပြန်အလှန်အားဖြင့်၊ circuit သည် dtCD ၏ပစ်မှတ်အကွာအဝေးထက်ကျော်လွန်သည့်နှောင့်နှေးမှုကိုတုံ့ပြန်ပါက၊ conductance ကိုလျှော့ချရမည်ဖြစ်သည်။မှန်ကန်သောအပြုအမူကို ရရှိသည်အထိ လုပ်ငန်းစဉ်ကို ပြန်လုပ်ပါ။ref တွင် ပါ၀င်သော analog circuit ဖြင့် လိုက်လျောညီထွေရှိသော လက်ရှိကို modulated လုပ်နိုင်ပါသည်။၇၂.၇၃။ဤ built-in ဆားကစ်ဖြင့်၊ စနစ်အား ချိန်ညှိရန် သို့မဟုတ် အခြားအပလီကေးရှင်းတစ်ခုအတွက် ၎င်းကို ပြန်လည်အသုံးပြုရန် အချိန်အခါအားလျော်စွာ လုပ်ဆောင်နိုင်သည်။
ကျွန်ုပ်တို့သည် စံ 32-bit microcontroller68 တွင် ကျွန်ုပ်တို့၏ neuromorphic signal processing approach ၏ ပါဝါသုံးစွဲမှုကို အကဲဖြတ်ပါသည်။ဤအကဲဖြတ်မှုတွင်၊ pMUT transmitter တစ်ခုနှင့် pMUT လက်ခံကိရိယာနှစ်ခုဖြင့် ဤစာတမ်းပါအတိုင်း တူညီသော setup ဖြင့် လုပ်ဆောင်မှုကို ကျွန်ုပ်တို့ ယူဆပါသည်။ဤနည်းလမ်းသည် bandpass စစ်ထုတ်ခြင်းကိုအသုံးပြုပြီး စာအိတ်ထုတ်ယူသည့်အဆင့် (Teeger-Kaiser) ဖြင့် နောက်ဆုံးတွင် လေယာဉ်ပျံသန်းချိန်ကိုထုတ်ယူရန် အချက်ပြမှုအပေါ် ကန့်သတ်လုပ်ဆောင်မှုကို အသုံးပြုသည်။ITD ၏ တွက်ချက်မှုနှင့် ၎င်း၏ ထောက်လှမ်းမှုထောင့်များသို့ ပြောင်းလဲခြင်းကို အကဲဖြတ်မှုတွင် ချန်လှပ်ထားသည်။Floating Point လုပ်ဆောင်ချက် 18 ခု လိုအပ်သော 4th order infinite impulse response filter ကို အသုံးပြု၍ band pass filter ကို အကောင်အထည်ဖော်ရန် စဉ်းစားပါသည်။စာအိတ်ထုတ်ယူခြင်းတွင် နောက်ထပ် floating point လုပ်ဆောင်ချက် သုံးခုကို အသုံးပြုပြီး တံခါးခုံကို သတ်မှတ်ရန် နောက်ဆုံးလုပ်ဆောင်ချက်ကို အသုံးပြုသည်။အချက်ပြမှုကိုကြိုတင်လုပ်ဆောင်ရန် စုစုပေါင်း floating point လုပ်ဆောင်မှု 22 ခု လိုအပ်ပါသည်။ထုတ်လွှင့်သောအချက်ပြမှုသည် 10 ms တိုင်းတွင် ထုတ်ပေးသည့် 111.9 kHz sine waveform ၏ တိုတောင်းသော ကွဲထွက်မှုတစ်ခုဖြစ်ပြီး တည်နေရာပြလည်ပတ်မှုအကြိမ်ရေ 100 Hz ဖြစ်သည်။တိုင်းတာမှုတစ်ခုစီအတွက် 1 မီတာအကွာအဝေးကိုဖမ်းယူရန်အတွက် Nyquist နှင့် 6 ms ဝင်းဒိုးတစ်ခုကို လိုက်နာရန် နမူနာနှုန်း 250 kHz ကိုအသုံးပြုခဲ့သည်။6 မီလီစက္ကန့်သည် 1 မီတာအကွာမှ အရာဝတ္ထုတစ်ခု၏ ပျံသန်းချိန်ဖြစ်ကြောင်း သတိပြုပါ။၎င်းသည် 0.5 MSPS တွင် A/D ပြောင်းလဲခြင်းအတွက် ပါဝါသုံးစွဲမှု 180 µW ပေးသည်။Signal preprocessing သည် 6.60 MIPS (တစ်စက္ကန့်ညွှန်ကြားချက်များ) ဖြစ်ပြီး 0.75 mW ကိုထုတ်ပေးပါသည်။သို့ရာတွင်၊ အယ်လဂိုရီသမ်မလည်ပတ်သည့်အခါ မိုက်ခရိုကွန်ထရိုလာသည် ပါဝါအနိမ့်မုဒ် 69 သို့ ပြောင်းနိုင်သည်။ဤမုဒ်သည် တည်ငြိမ်စွမ်းအင်သုံးစွဲမှု 10.8 μW နှင့် နိုးထချိန် 113 μs ကို ပေးဆောင်သည်။နာရီကြိမ်နှုန်း 84 MHz ပေးထားသည့် microcontroller သည် 10 ms အတွင်း neuromorphic algorithm ၏ လုပ်ဆောင်ချက်များကို ပြီးမြောက်စေပြီး algorithm သည် ပါဝါမုဒ်ကို အသုံးပြု၍ တာဝန်သံသရာကို 6.3% ဖြင့် တွက်ချက်သည်။ရလာတဲ့ power dissipation က 244.7 μW ဖြစ်ပါတယ်။ToF မှ ITD output ကို ချန်လှပ်ပြီး ထောက်လှမ်းမှုထောင့်သို့ ပြောင်းလဲခြင်းကို မှတ်သားထားသောကြောင့် မိုက်ခရိုကွန်ထရိုလာ၏ ပါဝါသုံးစွဲမှုကို လျှော့တွက်ပါ။၎င်းသည် အဆိုပြုထားသောစနစ်၏ စွမ်းအင်ထိရောက်မှုအတွက် ထပ်လောင်းတန်ဖိုးကို ပေးသည်။ထပ်လောင်းနှိုင်းယှဉ်မှုအခြေအနေတစ်ခုအနေဖြင့်၊ ကိုးကားချက်တွင်တင်ပြထားသော classical beamforming နည်းလမ်းများ၏ ပါဝါသုံးစွဲမှုကို အကဲဖြတ်ပါသည်။31.54 တူညီသော microcontroller68 တွင်ထည့်သွင်းသောအခါ 1.8V ထောက်ပံ့မှုဗို့အား။beamforming အတွက် ဒေတာရယူရန် အညီအမျှ ခွဲထားသော pMUT အမြှေးပါးငါးခုကို အသုံးပြုသည်။လုပ်ငန်းစဉ်ကိုယ်တိုင်အတွက်၊ အသုံးပြုထားသော beamforming method သည် delay summation ဖြစ်သည်။၎င်းတွင် လမ်းသွားတစ်ခုနှင့် ရည်ညွှန်းလမ်းကြားကြား ဆိုက်ရောက်ချိန်များတွင် မျှော်လင့်ထားသည့် ကွာခြားချက်နှင့် ကိုက်ညီသော လမ်းကြောင်းများအတွက် နှောင့်နှေးမှုကို ကျင့်သုံးခြင်းတွင် ပါဝင်ပါသည်။အကယ်၍ အချက်ပြမှုများသည် အဆင့်တွင်ရှိနေပါက၊ ဤအချက်ပြမှုများ၏ ပေါင်းလဒ်သည် အချိန်အပြောင်းအရွှေ့တစ်ခုပြီးနောက် စွမ်းအင်မြင့်မားလာမည်ဖြစ်သည်။၎င်းတို့သည် အဆင့်မရှိပါက၊ အဖျက်သဘောဆောင်သော ဝင်ရောက်စွက်ဖက်မှုသည် ၎င်းတို့၏ ပေါင်းစု၏ စွမ်းအင်ကို ကန့်သတ်မည်ဖြစ်သည်။ချစ်သံယောဇဥ်ရှိပါတယ်။သဖန်းသီးပေါ်မှာ။31၊ နမူနာနှုန်း 2 MHz ကို နမူနာ၏ ကိန်းပြည့်နမူနာဖြင့် ဒေတာကို အချိန်ပြောင်းရန်အတွက် ရွေးချယ်သည်။ပိုမိုကျိုးနွံသောချဉ်းကပ်မှုမှာ အကြမ်းထည်နမူနာနှုန်း 250 kHz ကို ထိန်းသိမ်းရန်နှင့် အပိုင်းပိုင်းနှောင့်နှေးမှုများကို ပေါင်းစပ်ရန်အတွက် Finite Impulse Response (FIR) စစ်ထုတ်မှုကို အသုံးပြုခြင်းဖြစ်သည်။ချန်နယ်တစ်ခုစီသည် ဦးတည်ချက်တစ်ခုစီတွင် ခလုတ် 16 ခုဖြင့် FIR စစ်ထုတ်မှုဖြင့် ပေါင်းစပ်ထားသောကြောင့် beamforming algorithm ၏ ရှုပ်ထွေးမှုကို အချိန်ပြောင်းခြင်းဖြင့် အဓိကအားဖြင့် ဆုံးဖြတ်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါမည်။ဤလုပ်ဆောင်ချက်အတွက် လိုအပ်သော MIPS အရေအတွက်ကို တွက်ချက်ရန်၊ ကျွန်ုပ်တို့သည် 1 မီတာ၊ 5 လိုင်းများ၊ 11 beamforming directions (အကွာအဝေး +/- 50° အဆင့် 10° အဆင့်တွင်) ဖမ်းယူရန် တိုင်းတာမှုတစ်ခုလျှင် 6ms ဝင်းဒိုးတစ်ခုကို စဉ်းစားပါသည်။တစ်စက္ကန့်လျှင် တိုင်းတာမှု ၇၅ ခုသည် မိုက်ခရိုကွန်ထရိုလာအား ၎င်း၏အမြင့်ဆုံး 100 MIPS သို့ တွန်းပို့သည်။လင့်။68 သည် onboard ADC ၏ပံ့ပိုးကူညီမှုကိုပေါင်းထည့်ပြီးနောက်စုစုပေါင်းပါဝါ dissipation အတွက် 11.26 mW ကိုရရှိခဲ့သည်။
ဤလေ့လာမှု၏ရလဒ်များကိုပံ့ပိုးပေးသည့်ဒေတာကို သက်ဆိုင်ရာစာရေးဆရာ၊ FM မှ ကျိုးကြောင်းဆီလျော်စွာတောင်းဆိုမှုဖြင့် ရရှိနိုင်ပါသည်။
Indiveri, G. & Sandamirskaya, Y. neuromorphic အေးဂျင့်များတွင် အချက်ပြလုပ်ဆောင်ခြင်းအတွက် နေရာနှင့် အချိန်၏ အရေးပါမှု- ပတ်ဝန်းကျင်နှင့် တုံ့ပြန်နိုင်သော ပါဝါနည်းပါးသော၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ အေးဂျင့်များ တီထွင်ထုတ်လုပ်ခြင်း၏ စိန်ခေါ်မှု။ Indiveri, G. & Sandamirskaya, Y. neuromorphic အေးဂျင့်များတွင် အချက်ပြလုပ်ဆောင်ခြင်းအတွက် နေရာနှင့် အချိန်၏ အရေးပါမှု- ပတ်ဝန်းကျင်နှင့် တုံ့ပြန်နိုင်သော ပါဝါနည်းပါးသော၊ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ အေးဂျင့်များ တီထွင်ထုတ်လုပ်ခြင်း၏ စိန်ခေါ်မှု။Indiveri G. နှင့် Sandamirskaya Y. neuromorphic အေးဂျင့်များတွင် အချက်ပြလုပ်ဆောင်ခြင်းအတွက် နေရာနှင့် အချိန်၏ အရေးပါမှု- ပတ်ဝန်းကျင်နှင့် တုံ့ပြန်သည့် ပါဝါနည်းပါးသော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ အေးဂျင့်များ တီထွင်ထုတ်လုပ်ခြင်း၏ စိန်ခေါ်မှု။ Indiveri, G. & Sandamirskaya, Y. 空间和时间对于神经形态代理中信号处理的重要的性耧：开发与环咃交、开发与环咃交开发与环咃交挑战။ Indiveri, G. & Sandamirskaya, Y.Indiveri G. နှင့် Sandamirskaya Y. neuromorphic အေးဂျင့်များတွင် အချက်ပြလုပ်ဆောင်ခြင်းအတွက် နေရာနှင့် အချိန်၏ အရေးပါမှု- ပတ်ဝန်းကျင်နှင့် တုံ့ပြန်သည့် ပါဝါနည်းပါးသော ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ အေးဂျင့်များ တီထွင်ထုတ်လုပ်ခြင်း၏ စိန်ခေါ်မှု။IEEE အချက်ပြမှု လုပ်ဆောင်ခြင်း။ဂျာနယ် ၃၆၊ ၁၆–၂၈ (၂၀၁၉)။
Thorpe၊ SJ Peak ဆိုက်ရောက်ချိန်- ထိရောက်သော Neural Network Coding အစီအစဉ်။ Eckmiller, R., Hartmann, G. & Hauske, G. (eds) တွင်။ Eckmiller, R., Hartmann, G. & Hauske, G. (eds) တွင်။Eckmiller, R., Hartmann, G. နှင့် Hauske, G. (eds.)Eckmiller, R., Hartmann, G., and Hauske, G. (eds.)အာရုံကြောစနစ်များနှင့် ကွန်ပျူတာများတွင် အပြိုင်လုပ်ဆောင်ခြင်း 91–94 (North-Holland Elsevier, 1990)။
Levy၊ WB & Calvert၊ VG Communication သည် လူ့ cortex အတွင်းရှိ တွက်ချက်မှုထက် စွမ်းအင် ၃၅ ဆ ပိုသုံးစွဲသော်လည်း synapse အရေအတွက်ကို ခန့်မှန်းရန် ကုန်ကျစရိတ် နှစ်ခုစလုံး လိုအပ်ပါသည်။ Levy၊ WB & Calvert၊ VG Communication သည် လူ့ cortex အတွင်းရှိ တွက်ချက်မှုထက် စွမ်းအင် ၃၅ ဆ ပိုသုံးစွဲသော်လည်း synapse အရေအတွက်ကို ခန့်မှန်းရန် ကုန်ကျစရိတ် နှစ်ခုစလုံး လိုအပ်ပါသည်။Levy၊ WB နှင့် Calvert၊ WG Communication သည် လူ့ကော်တက်ဇစ်ရှိ တွက်ချက်မှုထက် စွမ်းအင် ၃၅ ဆ ပိုသုံးစွဲသော်လည်း synapses အရေအတွက်ကို ခန့်မှန်းရန် ကုန်ကျစရိတ် နှစ်ခုစလုံး လိုအပ်ပါသည်။ Levy၊ WB & Calvert၊ VG Communication 消耗的能量是人类皮层计算的35倍，但这两种成本都需要预测突触数量。 Levy၊ WB & Calvert၊ VG ဆက်သွယ်ရေးLevy၊ WB နှင့် Calvert၊ WG Communication သည် လူ့ cortex အတွင်းရှိ တွက်ချက်မှုထက် စွမ်းအင် ၃၅ ဆ ပိုသုံးစွဲသော်လည်း ကုန်ကျစရိတ် နှစ်ခုစလုံးသည် synapses အရေအတွက်ကို ခန့်မှန်းရန် လိုအပ်သည်။လုပ်ငန်းစဉ်။အမျိုးသားသိပ္ပံအကယ်ဒမီ။သိပ္ပံပညာ။US 118၊ https://doi.org/10.1073/pnas.2008173118 (2021)။
Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing. Dalgaty, T., Vianello, E., De Salvo, B. & Casas, J. Insect-inspired neuromorphic computing.Dalgati, T., Vianello, E., DeSalvo, B. နှင့် Casas, J. အင်းဆက်-မှုတ်သွင်းထားသော neuromorphic တွက်ချက်မှု။Dalgati T., Vianello E., DeSalvo B. နှင့် Casas J. အင်းဆက်-မှုတ်သွင်းခံ အာရုံကြောဆိုင်ရာ တွက်ချက်မှု။လက်ရှိ။ထင်မြင်ချက်။အင်းဆက်ပညာရပ်။30၊ 59–66 (2018)။
Roy, K., Jaiswal, A. & Panda, P. neuromorphic computing ဖြင့် spike-based machine intelligence သို့ ဦးတည်သည်။ Roy, K., Jaiswal, A. & Panda, P. neuromorphic computing ဖြင့် spike-based machine intelligence သို့ ဦးတည်သည်။ Roy, K., Jaiswal, A. & Panda, P. Neuromorphic Computing ဖြင့် Spike-Based Machine Intelligence သို့ ဦးတည်သည်။Roy K, Jaiswal A, နှင့် Panda P. Pulse-based ဥာဏ်ရည်တု- neuromorphic တွက်ချက်မှုကို အသုံးပြု.သဘာဝ 575၊ 607–617 (2019)။
Indiveri၊ G. & Liu၊ S.-C။ Indiveri၊ G. & Liu၊ S.-C။Indiveri၊ G. နှင့် Liu၊ S.-K။ Indiveri၊ G. & Liu၊ S.-C။ Indiveri၊ G. & Liu၊ S.-C။Indiveri၊ G. နှင့် Liu၊ S.-K။neuromorphic စနစ်များတွင် မှတ်ဉာဏ်နှင့် သတင်းအချက်အလက် လုပ်ဆောင်ခြင်းလုပ်ငန်းစဉ်။IEEE 103၊ 1379–1397 (2015)။
Akopyan F. et al.Truenorth- 65 mW 1 million neuron programmable synaptic ချစ်ပ်အတွက် ဒီဇိုင်းနှင့် ကိရိယာအစုံ။IEEE အရောင်းအဝယ်များ။ပေါင်းစည်းထားသော ဆားကစ်စနစ်များ၏ ကွန်ပျူတာဒီဇိုင်း။၃၄၊ ၁၅၃၇–၁၅၅၇ (၂၀၁၅)။
Schemmel, J. et al.တိုက်ရိုက်သရုပ်ပြ- BrainScaleS neuromorphic စနစ်၏ ဗားရှင်းကို ပန်းကန်ပြားစကေးဖြင့် ချဲ့ထားသည်။2012 IEEE International Symposium on Circuits and Systems (ISCAS), (IEEE ed.) 702–702 (2012)။
Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. dynamic neuromorphic asynchronous ပရိုဆက်ဆာများ (DYNAPs) အတွက် ကွဲပြားသော မှတ်ဉာဏ်ဖွဲ့စည်းပုံများနှင့်အတူ အရွယ်တင်နိုင်သော multicore ဗိသုကာလက်ရာတစ်ခု။ Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. dynamic neuromorphic asynchronous ပရိုဆက်ဆာများ (DYNAPs) အတွက် ကွဲပြားသော မှတ်ဉာဏ်ဖွဲ့စည်းပုံများနှင့်အတူ အရွယ်တင်နိုင်သော multicore ဗိသုကာလက်ရာတစ်ခု။Moradi S.၊ Qiao N. ၊ Stefanini F. နှင့် Indiviri G. တက်ကြွသော အာရုံကြောဆိုင်ရာ အက်ဆစ်ဂရိုနိုက်ပရိုဆက်ဆာ ပရိုဆက်ဆာများ (DYNAP) အတွက် ကွဲပြားသော မှတ်ဉာဏ်ဖွဲ့စည်းပုံများ ပါဝင်သော အရွယ်အစားရှိ များပြားလှသော မမ်မိုရီတည်ဆောက်ပုံများ။ Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. 一种可扩展的多核架构，具有用于动态神经形态异步处理器。 Moradi, S., Qiao, N., Stefanini, F. & Indiveri, G. တက်ကြွသောအာရုံကြောလုပ်ဆောင်ခြင်း (DYNAP) အတွက် ထူးခြားသောမှတ်ဉာဏ်ဖွဲ့စည်းပုံနှင့်အတူ တိုးချဲ့နိုင်သော multi-core ဗိသုကာလက်ရာတစ်ခု။Moradi S.၊ Qiao N. ၊ Stefanini F. နှင့် Indiviri G. တက်ကြွသော အာရုံကြောဆိုင်ရာ အက်ဆစ်ဂရိုနိုက်ပရိုဆက်ဆာ ပရိုဆက်ဆာများ (DYNAP) အတွက် ကွဲပြားသော မှတ်ဉာဏ်ဖွဲ့စည်းပုံများ ပါဝင်သော အရွယ်အစားရှိ များပြားလှသော မမ်မိုရီတည်ဆောက်ပုံများ။ဇီဝဆေးသိပ္ပံဆိုင်ရာ IEEE လွှဲပြောင်းမှုများ။လျှပ်စစ်စနစ်။၁၂၊ ၁၀၆–၁၂၂ (၂၀၁၈)။
Davis, M. et al.Loihi- မြှုပ်သွင်းသင်ယူမှုပါရှိသော neuromorphic multi-core ပရိုဆက်ဆာ။IEEE Micro 38၊ 82–99 (2018)။
Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker ပရောဂျက်။ Furber, SB, Galluppi, F., Temple, S. & Plana, LA The SpiNNaker ပရောဂျက်။Ferber SB၊ Galluppi F.၊ Temple S. နှင့် Plana LA SpiNNaker ပရောဂျက်။Ferber SB၊ Galluppi F.၊ Temple S. နှင့် Plana LA SpiNNaker ပရောဂျက်။လုပ်ငန်းစဉ်။IEEE 102၊ 652–665 (2014)။
Liu, S.-K. & Delbruck, T. Neuromorphic အာရုံခံစနစ်များ။ & Delbruck, T. Neuromorphic အာရုံခံစနစ်များ။နှင့် Delbrück T. Neuromorphic အာရုံခံစနစ်များ။ & Delbruck, T. 神经形态感觉系统။ & Delbruck, T.နှင့် Delbrück T. Neuromorphic အာရုံခံစနစ်။လက်ရှိ။ထင်မြင်ချက်။အာရုံကြောဇီဝဗေဒ။20၊ 288–295 (2010)။
Chope, T. et al.ပေါင်းစပ်အသံရင်းမြစ် ဒေသသတ်မှတ်ခြင်းနှင့် တိုက်မိခြင်းကို ရှောင်ရှားရန်အတွက် Neuromorphic အာရုံခံပေါင်းစပ်မှု။2019 ခုနှစ်တွင် IEEE Conference on Biomedical Circuits and Systems (BioCAS), (IEEE Ed.) 1-4 (2019) တွင်။
Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. စတီရီယိုအမြင်အာရုံ၏ စူးစူးဝါးဝါးအခြေခံထားသော အာရုံကြောပုံစံတည်ဆောက်ပုံ။ Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G. စတီရီယိုအမြင်အာရုံ၏ စူးစူးဝါးဝါးအခြေခံထားသော အာရုံကြောပုံစံတည်ဆောက်ပုံ။Risi N၊ Aymar A၊ Donati E၊ Solinas S၊ နှင့် Indiveri G. အာရုံခံအာရုံကြောဆိုင်ရာ စတီရီယိုအမြင်ဗိသုကာလက်ရာ။ 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。 Risi, N., Aimar, A., Donati, E., Solinas, S. & Indiveri, G.Risi N၊ Aimar A၊ Donati E၊ Solinas S နှင့် Indiveri G. စတီရီယိုအမြင်အတွက် Spike-based neuromorphic ဗိသုကာ။ရှေ့။Neurorobottics 14၊ 93 (2020)။
Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ဖြစ်ရပ်-အခြေခံ neuromorphic စတီရီယိုအမြင်အာရုံစနစ်များအတွက် 3Dperception ၏ပြင်းထန်သောအာရုံကြောကွန်ရက်မော်ဒယ်။ Osswald, M., Ieng, S.-H., Benosman, R. & Indiveri, G. ဖြစ်ရပ်-အခြေခံ neuromorphic စတီရီယိုအမြင်အာရုံစနစ်များအတွက် 3Dperception ၏ပြင်းထန်သောအာရုံကြောကွန်ရက်မော်ဒယ်။Oswald, M., Ieng, S.-H., Benosman, R., and Indiveri, G. A 3D Pulsed Neural Network Perception Models for Event-Based Neuromorphic Stereo Vision Systems။ 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 脉冲神经网。 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., and Indiveri, G. Spiked 3Dperception Neural Network Model for an Event-Based Neuromorphic Stereo Vision System.သိပ္ပံပညာ။7၊ 1–11 (2017) အစီရင်ခံစာ။
Dalgaty, T. et al.အင်းဆက်ပိုးမွှားမှုတ်သွင်းထားသော အခြေခံလှုပ်ရှားမှုကို ထောက်လှမ်းခြင်းတွင် ခံနိုင်ရည်ရှိသောမှတ်ဉာဏ်နှင့် ကွဲအက်နေသော အာရုံကြောကွန်ရက်များ ပါဝင်သည်။Bionic biohybrid စနစ်။10928၊ 115–128 (2018)။
D'Angelo, G. et al.ယာယီကွဲပြားသောကုဒ်နံပါတ်ကို အသုံးပြု၍ ဖြစ်ရပ်အခြေပြု eccentric ရွေ့လျားမှုကို ထောက်လှမ်းခြင်း။ရှေ့။အာရုံကြောပညာ။၁၄၊ ၄၅၁ (၂၀၂၀)။