نانومواد

محاسبات نورومورفیک با ممریستورها

Neuromorphic computing with memristors
تصویری شماتیک از سیستم مغز عصبی انسان و سیستم عصبی شکل الکترونیکی مبتنی بر ممریستور. مکانیسم اساسی دستگاه های معمولی ممریستور برای سیستم محاسبات نورومورفیک. اعتبار: نشر علمی جهان

در مقاله ای که در Nano منتشر شد ، محققان نقش ممریستورها را در محاسبات نورومورفیک مطالعه می کنند. این جز component الکترونیکی بنیادی جدید از شبیه سازی سیستم های عصبی زیستی با هزینه و قدرت کم پشتیبانی می کند.

سیستم های محاسباتی معاصر قادر به مقابله با چالش های مهم کاهش اندازه و سرعت محاسبات در عصر داده های بزرگ نیستند. از گلوگاه Von Neumann به عنوان مانعی در انتقال داده ها از طریق پردازنده اتصال باس و یاد می شود. سلول حافظه این یک فرصت برای ایجاد معماری های جایگزین بر اساس یک مدل نورون بیولوژیکی است. محاسبات نورومورفیک یکی از این معماری های جایگزین است که از معماری عصبی- بیولوژیکی مغز تقلید می کند.

سیستم مغز عصبی انسان نما تقریباً ۱۰۰ میلیارد سلول عصبی و تعداد زیادی سیناپس اتصال را شامل می شود. بنابراین یک مدار کارآمد دستگاه برای ساخت شبکه عصبی که تقلید می کند ضروری است. مغز انسان . توسعه یک جز electrical الکتریکی اساسی ، ممریستور ، با چندین ویژگی متمایز مانند مقیاس پذیری ، پردازش در حافظه و سازگاری CMOS ، به طور قابل توجهی اجرای سخت افزار شبکه عصبی را تسهیل کرده است.

ممریستور به عنوان یک مقاومت شبیه حافظه معرفی شد که پس زمینه ورودی های اعمال شده وضعیت مقاومت دستگاه را تغییر می دهد. این یک جز electronic الکترونیکی توانایی است که می تواند جریان را حفظ کند تا به طور موثر اندازه دستگاه را کاهش دهد و سرعت پردازش را در شبکه های عصبی افزایش دهد. محاسبات موازی ، همانند سیستم عصبی انسان ، با پشتیبانی از دستگاه های ممریستور در یک محاسبات جدید انجام می شود معماری .

عدم ثبات سیستم و عدم اطمینان به عنوان مشکلات فعلی برای بیشتر برنامه های مبتنی بر حافظه توصیف شده است. این برعکس فرایند بیولوژیکی است. با وجود سر و صدا ، غیرخطی بودن ، تغییرپذیری و نوسانات ، سیستم های بیولوژیکی به خوبی کار می کنند. با این حال هنوز مشخص نیست که تأثیر سیستم های بیولوژیکی در واقع به این موانع بستگی دارد. گاهی اوقات از مدل سازی عصبی اجتناب می شود زیرا مدل سازی و مطالعه آن آسان نیست. بنابراین امکان بهره برداری از این خصوصیات ، مسیری مهم برای موفقیت در دستیابی به سیستمهای مصنوعی و بیولوژیکی است.


مقاومت های حافظه مبتنی بر گرافن نویدبخش محاسبات مبتنی بر مغز را نشان می دهند


اطلاعات بیشتر:
Mohanbabu Bharathi و همکاران ، Memristors: درک ، استفاده و به روزرسانی برای محاسبات نورومورفیک ، Nano (۲۰۲۰). DOI: 10.1142 / S1793292020300054

تهیه شده توسط
انتشارات علمی جهان

استناد :
محاسبات نورومورفیک با ممریستورها (۲۰۲۰ ، ۳۰ نوامبر)
بازیابی شده در ۷ دسامبر ۲۰۲۰
از https://phys.org/news/2020-11-neuromorphic-memristors.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. جدا از هرگونه معامله عادلانه به منظور مطالعه خصوصی یا تحقیق ، هیچ
نسخه ممکن است بدون اجازه کتبی تولید شود. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا