近年来,人工智能的发展对计算和存储的需求不断提升.但是,摩尔定律的放缓以及传统冯·诺依曼架构中计算与存储单元的分离,导致了大量数据在搬运过程中功耗增加和时间延迟,致使集成电路以及芯片设计面临越来越多的挑战.这迫切需要开...近年来,人工智能的发展对计算和存储的需求不断提升.但是,摩尔定律的放缓以及传统冯·诺依曼架构中计算与存储单元的分离,导致了大量数据在搬运过程中功耗增加和时间延迟,致使集成电路以及芯片设计面临越来越多的挑战.这迫切需要开发新型计算范式来应对这种挑战.而基于存算一体架构的神经形态器件,可利用欧姆定律和基尔霍夫定律实现原位计算,从而有望克服传统冯·诺依曼架构瓶颈.通过调节具有“记忆”功能的忆阻器阻值,实现类似生物大脑的人工神经网络,并对复杂网络信号进行处理,例如图像识别、模式分类和决策执行等.二维材料由于其层状超薄特性和新奇的物理效应,为进一步缩小器件尺寸并实现感存算一体提供了方案.本文综述了基于二维材料的神经形态器件中的物理效应和忆阻特性,并详细阐述了神经形态器件对LIF(leaky integrate and fire)模型、Hodgkin-Huxley模型等神经元模型以及长期可塑性、短期可塑性、放电时间依赖可塑性和尖峰频率依赖可塑性的模拟.在此基础上,进一步介绍了基于二维材料的神经形态器件在视觉、听觉以及触觉等领域的探索性应用.最后本文总结了当前研究领域面临的问题以及对未来应用前景的展望.展开更多
随着搭载于边缘终端上的图像与视频等数据密集型应用的日益增长,基于传统冯·诺依曼架构的互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)硬件系统正面临着能耗、速度和尺寸等多方面的挑战.神经形态器件包括...随着搭载于边缘终端上的图像与视频等数据密集型应用的日益增长,基于传统冯·诺依曼架构的互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)硬件系统正面临着能耗、速度和尺寸等多方面的挑战.神经形态器件包括具有存算一体特性的电学阻变器件和具有感存算一体特性的光电阻变器件,因其具有与生物神经系统的高相似度,及其高能效、高集成度、宽带宽等优势,在图像处理应用方面展现出巨大发展潜力.这类器件不仅能够用于加速传统图像低阶预处理和高阶处理中的大量运算,且能用于实现仿生物视觉系统的高效图像处理算法.本文介绍了最近的电学及光电神经形态阻变器件,并结合图像处理算法综述了神经形态阻变器件在图像处理方面的硬件实施和挑战,并对其发展前景提出了思考.展开更多
文摘近年来,人工智能的发展对计算和存储的需求不断提升.但是,摩尔定律的放缓以及传统冯·诺依曼架构中计算与存储单元的分离,导致了大量数据在搬运过程中功耗增加和时间延迟,致使集成电路以及芯片设计面临越来越多的挑战.这迫切需要开发新型计算范式来应对这种挑战.而基于存算一体架构的神经形态器件,可利用欧姆定律和基尔霍夫定律实现原位计算,从而有望克服传统冯·诺依曼架构瓶颈.通过调节具有“记忆”功能的忆阻器阻值,实现类似生物大脑的人工神经网络,并对复杂网络信号进行处理,例如图像识别、模式分类和决策执行等.二维材料由于其层状超薄特性和新奇的物理效应,为进一步缩小器件尺寸并实现感存算一体提供了方案.本文综述了基于二维材料的神经形态器件中的物理效应和忆阻特性,并详细阐述了神经形态器件对LIF(leaky integrate and fire)模型、Hodgkin-Huxley模型等神经元模型以及长期可塑性、短期可塑性、放电时间依赖可塑性和尖峰频率依赖可塑性的模拟.在此基础上,进一步介绍了基于二维材料的神经形态器件在视觉、听觉以及触觉等领域的探索性应用.最后本文总结了当前研究领域面临的问题以及对未来应用前景的展望.
文摘随着搭载于边缘终端上的图像与视频等数据密集型应用的日益增长,基于传统冯·诺依曼架构的互补金属氧化物半导体(complementary metal oxide semiconductor,CMOS)硬件系统正面临着能耗、速度和尺寸等多方面的挑战.神经形态器件包括具有存算一体特性的电学阻变器件和具有感存算一体特性的光电阻变器件,因其具有与生物神经系统的高相似度,及其高能效、高集成度、宽带宽等优势,在图像处理应用方面展现出巨大发展潜力.这类器件不仅能够用于加速传统图像低阶预处理和高阶处理中的大量运算,且能用于实现仿生物视觉系统的高效图像处理算法.本文介绍了最近的电学及光电神经形态阻变器件,并结合图像处理算法综述了神经形态阻变器件在图像处理方面的硬件实施和挑战,并对其发展前景提出了思考.
