忆阻器的神经形态计算

  • A+

忆阻器的神经形态计算

在Nano上发表的一篇论文中,研究人员研究了忆阻器在神经形态计算中的作用。这种新颖的基本电子组件支持以低成本和低功耗克隆生物神经系统。

在大数据时代,当代计算系统无法应对减小尺寸和提高计算速度的重大挑战。冯·诺依曼瓶颈被称为通过连接处理器和存储单元的总线进行数据传输的障碍。这为基于生物学神经元模型创建替代架构提供了机会。神经形态计算是模仿神经生物学脑结构的替代结构之一。

人形神经脑系统包括大约1000亿个神经元和大量的突触连接。因此,有效的电路设备对于构建模仿人脑的神经网络至关重要。具有诸如可伸缩性,内存内处理和CMOS兼容性等若干独特功能的基本电子元件忆阻器的开发极大地促进了神经网络硬件的实现。

忆阻器是作为“类似存储器的电阻器”引入的,其中所施加的输入的背景会改变器件的电阻状态。它是一种功能强大的电子组件,可以记忆电流,以有效减小设备的尺寸并提高神经网络的处理速度。就像在人类神经系统中一样,并行计算是在新型计算体系结构中的忆阻器设备的支持下进行的。

系统不稳定性和不确定性已被描述为大多数基于内存的应用程序的当前问题。这与生物过程相反。尽管存在噪声,非线性,可变性和波动性,生物系统仍能正常工作。然而,仍然不清楚的是,生物系统的有效性实际上取决于这些障碍。有时避免进行神经建模,因为它不容易建模和研究。因此,利用这些特性的可能性当然是成功实现人造和生物系统的关键途径。


weinxin
我的微信
关注我了解更多内容

发表评论

目前评论: