2D-Material-Based Volatile and Nonvolatile Memristive Devices for Neuromorphic Computing
Notice bibliographique
Résumé
Neuromorphic computing can process large amounts of information in parallel and provides a powerful tool to solve the von Neumann bottleneck. Constructing an artificial neural network (ANN) is a common means to realize neuromorphic computing, which has exhibited potential applications in pattern recognition, complex sensing, and other areas. Reservoir computing (RC), which is another approach to realize neuromorphic computing, has shown some progress and attracted researchers’ attention. Neuromorphic computing can be generally implemented by fabricating memristive array systems. 2D-material-based memristive systems and their applications in ANN and RC have been investigated substantially in recent years due to the unique properties of these systems, such as atomic-level thickness and high carrier mobility. In this Review, we first discuss the volatility and nonvolatility properties of memristive devices and their applications in ANN and RC. Second, 2D materials that can be used to fabricate these devices are introduced, and their classification, physical properties, and preparation methods are presented. Third, we discuss the working mechanisms of 2D-material-based synaptic devices, the mimicked synaptic functions, and the applications of these devices in neuromorphic computing through ANN and RC. Lastly, the performance, progress, and future development directions of 2D-material-based synaptic devices are analyzed. This work systematically investigates the status of 2D-material-based synaptic devices and promotes their utilization in neuromorphic computing.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».