• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Neuromorf beräkning med memristorer

    En schematisk illustration av det mänskliga neurala hjärnsystemet och memristorbaserade elektroniska neuromorfa systemet. Den grundläggande mekanismen för de typiska memristorenheterna för neuromorfa datorsystem. Kredit:World Scientific Publishing

    I ett papper publicerat i Nano , forskare studerar memristorernas roll i neuromorfisk beräkning. Denna nya grundläggande elektroniska komponent stöder kloning av bioneurala system med låg kostnad och kraft.

    Samtida datorsystem klarar inte av kritiska utmaningar med storleksminskning och datorhastighet i big data-eran. Von Neumann-flaskhalsen hänvisas till som ett hinder i dataöverföringen genom bussanslutningsprocessorn och minnescellen. Detta ger en möjlighet att skapa alternativa arkitekturer baserade på en biologisk neuronmodell. Neuromorphic computing är en av sådana alternativa arkitekturer som efterliknar neurobiologiska hjärnarkitekturer.

    Det humanoida neurala hjärnsystemet består av cirka 100 miljarder neuroner och många synapser av anslutningar. En effektiv kretsanordning är därför avgörande för konstruktionen av ett neuralt nätverk som efterliknar den mänskliga hjärnan. Utvecklingen av en grundläggande elektrisk komponent, memristor, med flera utmärkande egenskaper som skalbarhet, bearbetning i minnet och CMOS-kompatibilitet, har avsevärt underlättat implementeringen av neurala nätverkshårdvara.

    Memristorn introducerades som ett "minnesliknande motstånd" där bakgrunden för de applicerade ingångarna skulle ändra enhetens resistansstatus. Det är en kapabel elektronisk komponent som kan memorera strömmen för att effektivt minska enhetens storlek och öka bearbetningshastigheten i neurala nätverk. Parallella beräkningar, som i det mänskliga nervsystemet, är gjorda med stöd av memristorenheter i en ny datorarkitektur.

    Systeminstabilitet och osäkerhet har beskrivits som aktuella problem för de flesta minnesbaserade applikationer. Detta är motsatsen till den biologiska processen. Trots buller, olinjäritet, variation och volatilitet, biologiska system fungerar bra. Det är fortfarande oklart, dock, att de biologiska systemens effektivitet faktiskt beror på dessa hinder. Neural modellering undviks ibland eftersom det inte är lätt att modellera och studera. Möjligheten att utnyttja dessa fastigheter är därför, självklart, en kritisk väg till framgång i uppnåendet av artificiella och biologiska system.


    © Vetenskap http://sv.scienceaq.com