CMOS-bazirani na području i energiji efikasna neuronska i sinapsna kola za analogne spiking neuronske mreže u vremenskom domenu

SAŽETAK

Konvencionalne neuronske strukture imaju tendenciju da komuniciraju putem analognih veličina, kao što su struje ili naponi; međutim, kako se CMOS uređaji smanjuju i naponi napajanja smanjuju, dinamički raspon analognih kola napona/strujnog domena postaje uži, dostupna margina postaje manja, a otpornost na buku opada. Više od toga, upotreba operacionih pojačala (op-pojačala) i komparatora s kontinuiranim vremenom ili taktom u konvencionalnim dizajnima dovodi do velike potrošnje energije i velike površine čipa, što bi bilo štetno za izgradnju spiking neuronskih mreža. S obzirom na ovo, predlažemo neuronsku strukturu za generiranje i prijenos signala u vremenskom domenu, uključujući neuronski modul, modul sinapse i dva modula težine. Predložena neuronska struktura je vođena strujom curenja MOS tranzistora i koristi komparator zasnovan na inverteru za realizaciju funkcije paljenja, čime se obezbeđuje veća energetska i površinska efikasnost u poređenju sa konvencionalnim dizajnom. Predložena neuronska struktura je proizvedena pomoću TSMC 65 nm CMOS tehnologije. Predloženi neuron i sinapsa zauzimaju površinu od 127 i 231 lm2, respektivno, dok postižu vremenske konstante milisekundi. Stvarna mjerenja čipa pokazuju da predložena struktura implementira vremensku signalnu komunikacijsku funkciju sa vremenskim konstantama milisekundi, što je kritičan korak ka hardverskom računanju rezervoara za interakciju čovjeka i računara. Rezultati simulacije spiking neuronske mreže za računanje rezervoara s modelom ponašanja predložene neuronske strukture pokazuju funkciju učenja.

cistanche koristi za muškarce - jača imuni sistem

Kliknite ovdje za pregled proizvoda Cistanche Enhance Immunity

【Zatražite više】 Email:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Duboke neuronske mreže (DNN), koje su druga generacija umjetnih neuronskih mreža (ANN), opširno su istražene posljednjih godina za sve veći broj aplikacija. Međutim, njihova ogromna potrošnja energije, posebno za pristup memoriji u konvencionalnoj von Neumann arhitekturi, natjerala je ljude da pronađu alternativni način za postizanje energetski efikasnijih rješenja.1–6 Spiking neuronska mreža (SNN) jedno je od atraktivnih rješenja kao treće generiranje ANN-a koji mogu ostvariti funkciju učenja s malom snagom oponašajući biološke neurone. SNN se sastoje od neurona i sinapsi i obično se grade korištenjem pristupa odozdo prema gore, što znači da svaka komponenta SNN-a mora biti prvo dizajnirana.6–12 Prijavljene su mnoge hardverske implementacije impulsnih neurona ili sinapsi.13–21 implementiraju propusnu integrativnu funkciju neurona, konvencionalni dizajni obično izgrađuju integratore sa operativnim pojačalima (op-pojačala)14 i često koriste velike kondenzatore na čipu i otpornike da oponašaju vremenske konstante u milisekundi bioloških neurona.16,17 Štaviše, za implementaciju neuronska funkcija "vatra", namenska struktura kola komparatora sa kontinualnim vremenom ili taktom obično se koristi za postavljanje praga za pobuđivanje neurona.13–16,20 Struja prednapona kontinuiranog komparatora nesumnjivo povećava potrošnju energije neurona, dok taktirani komparator zahtijeva dodatnu distribuciju signala takta i složena struktura komparatora zauzima veliku površinu čipa. Dok napredniji procesi mogu postići nisku potrošnju energije smanjenjem napona napajanja i statičke struje curenja,21 također dovodi do užeg dinamičkog raspona, manje dostupne margine i smanjene otpornosti na buku analognih kola napona/strujnog domena.22 Ovo je štetno za konvencionalne neuronske mreže koje koriste analogne veličine, kao što su napon i struja, da komuniciraju jedna s drugom. S druge strane, zahvaljujući skaliranim tranzistorima koji imaju poboljšanu brzinu rada sa oštrim prijelazima signala, analogna informacija se može efikasnije prikazati u vremenskom domenu, odnosno vremenskom intervalu od dva prijelaza signala. Ovo takozvano kolo u vremenskom domenu ima još jednu prednost u svojoj energetskoj efikasnosti jer se često sastoji od pretvarača ili logičkih kapija koji idealno ne troše jednosmernu struju.22,23 Dakle, kola u vremenskom domenu su idealna za buduće implementacije SNN-a male snage .

cistanche koristi za muškarce - jača imuni sistem

U ovom radu predlažemo originalnu neuronsku strukturu za generiranje i prijenos signala u vremenskom domenu za sastavljanje neuronske mreže u vremenskom domenu. Integrisana struktura uključuje neuronske i sinapsne module koji generišu i prenose signale vremenske domene, respektivno, kao i module težine za funkcije učenja. Jedna od naših glavnih ciljnih aplikacija je računanje rezervoara, koje obrađuje informacije vezane za ljudske aktivnosti. Naša aplikacija cilja jednostavniju i manje intenzivnu obradu podataka, kao što su bio-signali. U računanju rezervoara, funkcije učenja kao što su EKG i prepoznavanje govornika, kao i prepoznavanje rukopisa mogu se implementirati koristeći samo nekoliko stotina neurona. Referenca 24 pokazuje da se performanse učenja poboljšavaju kada se vremenske konstante ulaznih efekata upare između ciljne funkcije i dinamike rezervoara, a mi koristimo vremenske konstante milisekundi kao cilj dizajna za neuronsku strukturu koja će se koristiti za obradu informacija vremenske serije ljudske aktivnosti. Koristimo bihevioralni model predložene neuronske strukture da konstruišemo SNN za izračunavanje rezervoara i implementiramo funkciju učenja, što dokazuje da se naša predložena neuronska struktura može koristiti za izračunavanje rezervoara. Dizajnirana i proizvedena neuronska struktura je prikazana na slici 1(a), koja se zasniva na predloženim modulima neurona, sinapse i težine, koji će biti detaljno opisani u nastavku. U ovoj strukturi, ulaz neuronskog modula povezan je sa dva modula težine, jednim za podešavanje inhibitornog signala, a drugim za ekscitatorni signal. Napravili smo predloženu neuronsku strukturu prikazanu na slici 1(a) sa TSMC 65 nm standardnom CMOS tehnologijom. Mikrografski snimak čipa je prikazan na slici 1(b), gde je površina modula neurona, sinapse i težine 127, 231 i 525 lm2, respektivno.

svjetlosni moduli su 127, 231 i 525 lm2, respektivno. Model LIF neurona sastoji se uglavnom od membranskog kondenzatora, otpornika koji curi i komparatora napona. Neuroni primaju signale od drugih neurona putem sinapsi, a soma stvara akcione potencijale kao odgovor na te vanjske signale. Ako neuron primi dovoljan broj šiljaka kroz sinapsu, njegov membranski potencijal će dostići graničnu vrijednost, uzrokujući da se neuron "pali".8,25,26 Upotreba pretvarača za implementaciju funkcije "vatre" već je poznata kao alternativa komparatorima. Referenca 27 je predložila neuron baziran na inverteru, koji je vrlo pogodan za upotrebu u predloženoj neuronskoj strukturi, te je stoga neuron korišten u ovoj studiji dizajniran na osnovu Ref. 27, što je prikazano na slici 2(a). Sastoji se od ulaznog uređaja, integratorskog uređaja koji curi, uređaja protiv požara i uređaja za odlaganje. Prvobitno, u Ref. 27, pretpostavlja se da kolo nije dizajnirano kao element za izgradnju neuronske mreže i stoga nema strukturu za primanje ekscitatornih i inhibitornih signala. U predloženom kolu, s druge strane, ulazni uređaj koji se sastoji od M1 i M2 prima ekscitatorni i inhibitorni ulaz, respektivno. Ulazi za M1 i M2 su uski impulsni signali kao što je prikazano na slici 2(a), koji se generišu iz sinapse pre faze. Aktivnost sinapse pre faze predstavljena je frekvencijom impulsa, a težina sprege je predstavljena širinom impulsa. Kada je više od jedne sinapse prije faze povezano kako bi se stvorila mreža, višestruki impulsi se mogu primijeniti putem ILI logike ili dodavanjem ulaznih uređaja povezanih paralelno. Sa paralelnim ulaznim uređajima, neuronsko kolo može prihvatiti više impulsa čak i u isto vrijeme.

cistanche tubulosa-poboljšava imuni sistem

U uređaju sa propusnim integratorom, Cmem predstavlja ćelijsku membranu neurona, a M5 se može smatrati nepropusnim otpornikom u stanju mirovanja. Kada nema eksternog ulaza za ulazni uređaj, kondenzator se puni strujom curenja M3 i M4, a potencijal membrane Vmem kontinuirano raste sa prilivom struje curenja [struja je integrisana kao što je prikazano na slici 2( bi)]. U ovom trenutku, pošto je M5 u isključenom stanju, može se smatrati otpornikom paralelnim sa kondenzatorom, odnosno otpornikom koji curi, sposoban da postigne dugotrajnu konstantu. Kada Vmem poraste na granični napon VthðFireÞ, aktivira se uređaj za paljenje [Sl. 2(b-ii)]. U konvencionalnim dizajnima, LIF neuroni uglavnom koriste namenske strukture kola sa kontinuiranim vremenskim ili taktiranim komparatorom za postavljanje graničnog napona. Ovo nije pogodno za izgradnju SNN-a koji su energetski efikasni i biorazmjerni kao mozak. U ovoj studiji, uređaj za paljenje implementiran je komparatorom zasnovanim na inverteru koji može postaviti prag napona pomoću dva tranzistora umjesto komparatora s kontinualnim vremenom ili taktom. Da bismo ostvarili tačan granični napon za komparator zasnovan na inverteru, možemo koristiti tehniku ​​automatskog nuliranja koja periodično detektuje, pohranjuje i poništava pomak pomoću prekidača i kondenzatora.28 Međutim, za kontrolu prekidača su potrebni višefazni satovi; stoga, nije pogodan za efikasnu implementaciju rezervoara za područje i energiju. Iako kod jednostavnog komparatora zasnovanog na inverteru, može doći do varijacije praga zbog fluktuacija procesa, napona i temperature, može se smatrati da oponaša razliku između pojedinaca stvarnih neurona. Osim toga, funkcija učenja može kompenzirati razlike pragova i varijacije procesa.29 Kada postoji ekscitatorni impulsni ulaz, M1 će se trenutno uključiti, što uzrokuje da se više struje puni Cmem i Vmem brzo raste. Suprotno tome, inhibicijski impulsni ulazni signal će uzrokovati da se M2 trenutno uključi, uzrokujući da se Cmem puni sporije ili čak da se prazni kroz M2, što zauzvrat usporava brzinu rasta Vmem-a ili ga čini opadanjem.

Kada se aktivira uređaj za paljenje, on generiše nizak nivo VFire koji se povezuje na M4, što će povećati struju za punjenje membranskog kondenzatora Cmem, što rezultira trenutnim povećanjem membranskog potencijala Vmem, što potiče pokretanje paljenja. uređaj. Ovo oponaša dotok Naþ u ćelijsku membranu što dovodi do brzog povećanja napona membrane, tj. pozitivnog povratnog efekta. Konačno, nizak nivo VFire-a koji se generiše iz uređaja za paljenje pretvara se u visoki nivo VSpike-a [Sl. 2(b-iii)] pomoću uređaja za odlaganje koji uključuje trostepeni inverter i povezuje VSpike na M3 i M5, resetujući Vmem na nulu. Ovaj proces oponaša aktivaciju Kþ kanala u biološkim neuronima, što rezultira vanjskim protokom Kþ jona i eventualnim vraćanjem ćelijske membrane u stanje mirovanja.

Sinapse su bitni moduli u SNN-ima, jer su neuroni međusobno povezani. Dizajnirali smo neuronski modul za generiranje signala u vremenskoj domeni, a zatim nam je potreban prijenosni medij, tj. sinapsa, da taj signal vremenske domene prenesemo drugim neuronima. Da bismo sastavili kompletnu neuronsku mrežu, dizajnirali smo modul sinapse na osnovu frekvencijskih signala, kao što je prikazano na slici 2(c). Sinapsa se uglavnom sastoji od naponsko kontrolisanog prstenastog oscilatora koji radi pod strujom curenja, koji se sastoji od trostepenog pretvarača (M6; M7; M8; M9; M10 i M11). Prethodni neuronski krug se aktivira i generiše šiljak VSpike, koji se invertuje od strane invertera, čineći M5 otvorenim na kratko, a struja koja teče kroz M5 puni CSYN, što će povećati VSYN. Kada VSYN dostigne napon koji pokreće oscilaciju, prstenasti oscilator počinje da osciluje [Sl. 2(b-iv) i 2(bv)]. Ako se prethodni neuron ne aktivira duže vrijeme, VSYN će procuriti do početnog stanja, u kojem trenutku sinapsa ponovo postaje neaktivna. Pošto je VSYN ekvivalentan naponu napajanja prstenastog oscilatora, struja koja teče iz M5 kontroliše VSYN i, prema tome, frekvenciju prstenastog oscilatora.

cistanche koristi za muškarce - jača imuni sistem

SNN postižu funkciju učenja podešavanjem težine; stoga, predlažemo modul težine koji je kompatibilan sa predloženim modulima neurona i sinapsi u vremenskom domenu opisanim gore, kao što je prikazano na slici 2(d). Predloženi modul težine podešava informacije o vremenskom domenu, što je širina izlaznih impulsa. Ovaj modul se sastoji od linije kašnjenja, multipleksora i kapije I. VRing je signal pravokutnog talasa iz sinapse koji će proći kroz liniju kašnjenja. VWeight je digitalni kod koji predstavlja težinu, koja se određuje nakon učenja i koristi se za upravljanje multiplekserom. Širina izlaznog impulsa koja odgovara težini vremenske domene se podešava prema tome koji odvod u lancu pretvarača bira multiplekser. Kao što je ranije spomenuto, ako je širina ekscitatornog ili inhibitornog impulsa široka, napon Vmem u sljedećem neuronu se puni ili prazni brže, respektivno. To odgovara velikoj težini. U ovoj studiji odabrali smo multiplekser sa 16 ulaza, odnosno četiri-bitne težine (0000 do 1111). Izlaz modula težine je povezan sa ulaznim uređajem narednih neuronskih kola. Frekvencija pulsa (razmak impulsa) i širina pulsa djeluju istovremeno na neuron kako bi promijenili njegovu aktivnost. Frekvencija impulsa određena je izlaznom frekvencijom prethodne sinapse, dok snaga spajanja zavisi od širine impulsnog izlaza koju određuje težinski modul.

Fig. 1. (a) Predložena struktura i (b) mikrografija čipa.

Fig. 2. (a) Dijagram sklopa predloženog neuronskog modula, (b) ponašanja predloženog LIF neurona i modula sinapse, (c) dijagram sklopa predloženog modula sinapse, i (d) dijagram sklopa predloženog modula težine.

Slika 3(a) prikazuje eksperimentalnu postavku koja se koristi za testiranje proizvedenog čipa neuronske strukture [Sl. 1(b)], gdje je čip postavljen na sondu Summit 11000 i testiran sondama u direktnom kontaktu sa njom. U eksperimentima pretpostavljamo da su inputi za dva modula težine sinapse prije faze, koje emuliraju generatori proizvoljnih funkcija. Izlaz neurona je povezan sa modulom sinapse, čiji će izlaz varirati kao odgovor na promjenu izlaza neurona. Koristili smo generator proizvoljne funkcije Tektronix AFG31252 kao sinapsu prije faze za obezbjeđivanje signala pravokutnog talasa za naša fabrikovana neuronska kola. Istovremeno smo posmatrali izlazne talasne oblike pomoću osciloskopa (Keysight MSOX6004A i DSOX93304Q). Eksperimentalni rezultati su prikazani na sl. 3(b)–3(d). Da bismo provjerili učinak težine na brzinu pokretanja neurona, fiksirali smo frekvenciju izlaza sinapse prije faze (generator funkcija) na 100 Hz i promatrali promjenu brzine pokretanja neurona za četiri čipa podešavanjem modula težine. Usrednjavali smo frekvencije skokova 1024 puta u vremenskom opsegu od 100 ms da bismo dobili odgovarajuću frekvenciju pokretanja neurona pod svakom postavkom težine, kao što je prikazano na slici 3(b). Predloženi neuron se u osnovi aktivira brzinom koja je određena strujama curenja u i iz Cmem u ravnoteži, a ulaz iz prethodne faze ga modulira. Možemo vidjeti da kada težine postanu veće, frekvencija aktiviranja neuronskog modula postaje veća. Uglavnom zbog varijacije procesa FET-ova, frekvencija aktiviranja varira od oko 610%-17% na četiri čipa. Posebno za upotrebu u rezervoaru, međutim, zbog nasumičnih težina u njegovim rekurentnim vezama, ove nasumične varijacije bi trebale biti nadoknađene tokom procesa učenja u izlaznim težinama.

Slika 3(c) upoređuje varijacije vremena paljenja neurona u zavisnosti od signala iz sinapse prije faze. Insetovi (i)–(iii) na slici 3(c) prikazuju slučajeve sa inhibicijskim ulazom od 100 Hz (težina je postavljena na 1100), bez unosa i sa ekscitatornim ulazom od 100 Hz (težina je postavljena na 1100), respektivno. , iz čega možemo vidjeti da inhibicijski ulaz smanjuje frekvenciju paljenja neurona i povećava interval požara, dok ekscitatorni ulaz djeluje suprotno od inhibitornog ulaza. Eksperimentalni rezultati pokazuju da je interval aktiviranja predloženog neurona reda veličine milisekundi, što je u skladu sa svojstvom bioloških neurona koji imaju vremenske konstante milisekundi. Kada se iz sinapse pre faze ne dovodi nikakav signal, potrošnja energije je oko 800 pW, stvarajući oko 20 skokova u ciklusu od 100 ms. Iz ovoga se može grubo procijeniti da svaki šiljak troši oko 4 pJ energije. Nakon toga, umetci (i)–(iii) na slici 3(c) korišćeni su kao ulazni signali u sinapsu da bi se uticalo na VRing. Izmjereni talasni oblici VRinga u ova tri slučaja prikazani su na slici 3(d). Prosjeci frekvencija za svaki slučaj izmjereni u vremenskom periodu od 5 s su 41, 90 i 98 Hz, respektivno. Izvodljivost ovog opsega izlazne frekvencije sinapse će biti potvrđena simulacijama na nivou sistema u sljedećoj raspravi.

Fig. 3. (a) Fotografija eksperimentalne postavke, (b) izmjerena brzina pokretanja neurona za četiri čipa, (c) izmjereni valni oblici neuronskog izlaza i (d) izmjereni valni oblici izlaza sinapse.

Fig. 4. (a) Druga kombinovana struktura napravljena za procjenu sinapse i (b) izmjereni valni oblici VRinga i VSYN.

Da bismo olakšali posmatranje sinhronog odgovora sinapse, takođe smo izradili strukturu sa slike 4(a). Slika 4(b) su eksperimentalni rezultati sa slike 4(a). Koristili smo generator proizvoljne funkcije Tektronix AFG31252 da generišemo VIN signal pravokutnog talasa od 10 Hz kao što je prikazano na slici 4(ai). Nakon što VIN prođe kroz modul težine, proizvodi šik signal VOUTðWeightÞ. Napon VSYN se posmatra kroz sljedbenik izvora na čipu kao analogni bafer. Iako VOUTðWeightÞ nije dizajniran da se posmatra izvana jer je to uski puls, sa dolaskom VOUTðWeightÞ nakon padanja ivice VIN, VSYN napon na sinapsi raste trenutno kao što je prikazano na slici 4(b-ii), što zauzvrat povećava frekvenciju VRinga. Ako VOUTðWeightÞ ne stigne dugo vremena, VSYN se smanjuje, što zauzvrat utiče da frekvencija VRinga postane manja. Tabela I prikazuje poređenje performansi između samostalnih neuronskih kola. Predloženo neuronsko kolo ima prednosti u pogledu potrošnje energije i površine. Dizajni u Ref. 13–16 koristio je komparator s kontinuiranim vremenom ili taktom, a ovi dizajni zauzimaju veliku količinu površine čipa kao i potrošnju energije. Neuron proizveden u ne-CMOS procesu predloženom u Ref. 18 ne zahtijeva komparator, što dovodi do prednosti u oblasti. Međutim, njegova potrošnja energije je relativno visoka i ove posebne tehnologije su manje zrele i stoga skuplje u poređenju sa standardnim CMOS procesima. Oba ref. 19 i 21 se izrađuju u naprednom procesu. Međutim, u poređenju sa ovim radom, Ref. 19 nema prednost u pogledu potrošnje energije i površine. Iako je Ref. 21 pokazuje bolju energetsku efikasnost sa rezultatima simulacije, kada se normalizuje tehnološkim čvorom, predloženi neuron postiže bolju efikasnost područja.

Da bi se demonstrirala izvodljivost predloženog spiking neurona i kola sinapse zasnovanih na prstenastom oscilatoru, simulacija ponašanja je izvedena u MATLAB okruženju kao što je prikazano na slici 5(a). U ovoj simulaciji koristi se 100 neurona sa nasumičnim rekurentnim vezama sa predloženom sinapsom i modulima za ponderisanje. Predloženi moduli težine se primjenjuju samo u sloju rezervoara i njihove težine se nasumično dodjeljuju unaprijed i fiksiraju tokom procesa učenja. Dakle, slučajne fluktuacije u rezervoaru se kompenzuju tokom procesa učenja u izlaznim težinama. Da bi se uspostavila realistična simulacija, opseg izlazne frekvencije svake sinapse je postavljen od 15 do 200 Hz na osnovu stvarnih rezultata mjerenja. Rekurzivni najmanji kvadrat (RLS) algoritam se koristi za treniranje izlaznih težina kao što je uvedeno u Ref. 30. Sinusni talas od 10 Hz, koji odgovara vremenskoj skali informacija u vezi sa ljudskom aktivnošću, koristi se kao primer nadzornog ulaznog signala. Nadzorni i obučeni izlazni signal prikazani su na slici 5(bi). Signal povratne sprege sa izlaza se pretvara u ekscitatorne i inhibitorne nizove impulsa čije su frekvencije proporcionalne apsolutnoj vrijednosti izlazne amplitude kao što je prikazano na sl. 5(b-ii) i 5(b-iii), respektivno. Nakon pet perioda nadzornog signala, izlazne težine su fiksne i SNN sam generiše naučeni signal, što pokazuje izvodljivost predloženih neuronskih struktura za funkciju učenja. Iz ovih simulacija smo također otkrili da za dalje poboljšanje sposobnosti učenja treba povećati opseg podešavanja izlazne frekvencije sinapse, što se može učiniti optimizacijom kola sinapse. Na primjer, sa proširenim opsegom podešavanja frekvencije od 15 Hz–2 kHz i 15 Hz–20 kHz, naučeni signali postaju glatkiji kako bi se bolje reprodukovao nadzorni signal kao što je prikazano na sl. 5(b-iv) i 5(bv), respektivno.

cistanche tubulosa-poboljšava imuni sistem

Ukratko, predložili smo neuronsku strukturu za generiranje i prijenos signala u vremenskom domenu. Predloženi neuron i sinapsa zauzimaju površinu od 127 i 231 lm2, respektivno. Ova struktura ne koristi op-pojačala i komparatore sa kontinuiranim vremenom ili taktom, dok je funkcija paljenja realizovana komparatorom baziranim na inverteru kako bi se pružile prednosti u području i potrošnji energije. Predložena neuronska struktura u vremenskom domenu ima koristi od skaliranih procesnih tehnologija u poređenju sa konvencionalnim dizajnom naponskog/strujnog domena. Stvarna proizvodnja čipa i rezultati mjerenja pokazuju funkciju vremenske komunikacije signala s vremenskim konstantama milisekundi. Predložena neuronska struktura u vremenskom domenu je veoma pogodna za izgradnju spiking neuronskih mreža za obradu informacija vremenske serije u realnom vremenu za interakciju između čoveka i računara.

TABELA I. Poređenje performansi samostalnih neuronskih kola

Fig. 5. (a) Model ponašanja SNN-a za računanje rezervoara zasnovan je na predloženoj neuronskoj strukturi. (b) Rezultati simulacije ponašanja na nivou sistema: (i) zasnovan na modelu sa opsegom podešavanja frekvencije od 15-200 Hz, uvećani prikaz (ii) ekscitatornih i (iii) inhibitornih ulaznih signala pretvorenih iz izlaza, (iv) na osnovu opsega podešavanja frekvencije od 15–2 kHz i (v) od 15–20 kHz.

REFERENCE

1 Y. Zhang, P. Qu, Y. Ji, W. Zhang, G. Gao, G. Wang, S. Song, G. Li, W. Chen, W. Zheng, F. Chen, J. Pei, R Zhao, M. Zhao i L. Shi, Nature 586, 378–384 (2020).

2 D. Shin i H.-J. Joo, Proc. IEEE 108, 1245–1260 (2020).

3 Y. LeCun, Y. Bengio i G. Hinton, Nature 521, 436–444 (2015).

4 T. Kohno i K. Aihara, AIP Conf. Proc. 1028, 113–128 (2008).

5 E. Chicca i G. Indiveri, Appl. Phys. Lett. 116, 120501 (2020).

6 Y. Bo, P. Zhang, Y. Zhang, J. Song, S. Li, i X. Liu, J. Appl. Phys. 127, 245101 (2020).

7 K. Yang i A. Sengupta, Appl. Phys. Lett. 116, 043701 (2020).

8 X. Chen, T. Yajima, IH Inoue, i T. Iizuka, Jpn. J. Appl. Phys. 61, SC1051 (2022).

9 W. Maass, Neural. Mreže 10, 1659–1671 (1997).

10S. S. Radhakrishnan, A. Sebastian, A. Oberoi, S. Das i S. Das, Nat. Commun. 12, 2143 (2021).

11X. Chen, T. Yajima, IH Inoue i T. Iizuka, u Proširenom sažetku međunarodne konferencije o čvrstim uređajima i materijalima (SSDM) (JSAP, 2021), str. 682–683.

12D. S. Jeong, J. Appl. Phys. 124, 152002 (2018).

13G. Indiveri, E. Chicca i R. Douglas, IEEE Trans. Neural. Mreže 17, 211–221 (2006).

14X. Wu, V. Saxena, K. Zhu i S. Balagopal, IEEE Trans. Circuits Syst. II 62, 1088–1092 (2015).

15A. Joubert, B. Belhadj, O. Temam i R. Heliot, na Međunarodnoj zajedničkoj konferenciji o neuronskim mrežama 2012 (IJCNN), 2012.

16S. A. Aamir, P. Muller, G. Kiene, L. Kriener, Y. Stradmann, A. Grubl, J. Schemmel i K. Meier, IEEE Trans. Biomed. Circuits Syst. 12, 1027–1037 (2018).

17A. Basu i PE Hasler, IEEE Trans. Circuits Syst. I 57, 2938–2947 (2010).

18S. Dutta, V. Kumar, A. Shukla, NR Mohapatra, i U. Ganguly, Sci. Rep. 7, 8257 (2017).

19A. Rubino, M. Payvand i G. Indiveri, na 26. IEEE međunarodnoj konferenciji o elektronici, krugovima i sistemima (ICECS) (IEEE, 2019), str. 458–461.

20S. A. Aamir, Y. Stradmann, P. Muller, C. Pehle, A. Hartel, A. Grubl, J. Schemmel i K. Meier, IEEE Trans. Circuits Syst. I 65, 4299–4312 (2018).

21R. M. Saber Moradi i SA Bhave, u IEEE Symposium Series on Computational Intelligence (SSCI), 2017.

22K. Asada, T. Nakura, T. Iizuka i M. Ikeda, IEICE Electron. Express 15, 20182001 (2018).

23R. Staszewski, K. Muhammad, D. Leipold, C.-M. Hung, Y.-C. Ho, J. Wallberg, C. Fernando, K. Maggio, R. Staszewski, T. Jung, J. Koh, S. John, IY Deng, V. Sarda, O. Moreira-Tamayo, V. Mayega, R. Katz , O. Friedman, O. Eliezer, E. de Obaldia i P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004).

24C. Gallicchio i A. Micheli, Neural. Netwotks 24, 440–456 (2011).

25L. F. Abbott i P. Dayan, Theoretical Neuroscience (The MIT Press, 2005).

26W. Gerstner i WM Kistler, Spiking Neuron Models: Single Neurons, Populations (Cambridge University Press, 2012).

27T. Yajima, sci. Rep. 12, 1150 (2022).

28B. Razavi, Princip dizajna sistema za konverziju podataka (Wiley-IEEE Press, 1995).

29T. Wunderlich, AF Kungl, E. M€uller, A. Hartel, Y. Stradmann, SA Aamir, A. Gr€ubl, A. Heimbrecht, K. Schreiber, D. St€ockel, C. Pehle, S. Billaudelle, G. Kiene, C. Mauch, J. Schemmel, K. Meier, i MA Petrovići, Front. Neurosci. 13, 1–15 (2019).

30D. Sussillo i L. Abbott, "Generisanje koherentnih obrazaca aktivnosti iz haotičnih neuronskih mreža", Neuron 63, 544–557 (2009).