Microfabricated Neuroaccelerometer: Integrating Sensing and Reservoir Computing in MEMS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study presents the design, fabrication, and test of a micro accelerometer with intrinsic processing capabilities, that integrates the functions of sensing and computing in the same MEMS. The device consists of an inertial mass electrostatically coupled to an oscillating beam through a gap of 8 μm. The motion of the inertial mass modulates an AC electrostatic field that drives the beam in its non-linear regime. This non-linearity is used to implement machine learning in the mechanical domain, using reservoir computing with delayed feedback to process the acceleration information provided by the inertial mass. The device is microfabricated on a silicon-on-insulator substrate using conventional MEMS processes. Dynamic characterization showed good accelerometer functionalities, with an inertial mass sensitivity on the order of 100 mV/g from 250 to 1300 Hz and a natural frequency of 1.7 kHz. In order to test the device computing capabilities, two different machine learning benchmarks were implemented, with the inputs fed to the device as accelerations. The neuromorphic MEMS accelerometer was able to accurately emulate non-linear autoregressive moving average models and compute the parity of random bit streams. These results were obtained in a test system with a non-trivial transfer function, showing a robustness that is well-suited to anticipated applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle