Adjustable Leaky-Integrate-and-fire neurons based on memristor-coupled capacitors
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
To address the von Neumann bottleneck, artificial neural networks (ANNs) are aroused to construct neuromorphic computing systems. The artificial neuron is one of the essential components that collect the weight updating information of artificial synapses. Leaky-Integrate-and-Fire (LIF) neuron mimicking the cell membrane of biological neurons is a promising neural model due to its simplicity. To adjust the performances of artificial neurons, multiple resistors with different resistive values need to be integrated into the circuit. Whereas more components mean higher manufacturing costs, more complex circuits, and more complicated control systems. In this work, the first adjustable LIF neuron was developed, which can further simplify the circuits. To achieve adjustable fashions, a memristor-coupled capacitor with binary intrinsic resistant states was employed to integrate input signals. The intrinsic tunable resistance can modify the charge leaking rate, which determines the neural spiking features. Another contribution of this work is to overcome the hinder of credible circuit design using novel memristor-coupled capacitors with entangled capacitive and memristive effects. The genetic algorithm (GA) was utilized to detach the entanglement of memristive and capacitive effects, which is crucial for circuit design. This method can be generalized to other entangled physical behaviors, facilitating the development of novel circuits. The results will not only strengthen neuromorphic computing capability but also provides a methodology to mathematically decode electronic devices with entangled physical behaviors for novel circuits.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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