A Review of Graphene‐Based Memristive Neuromorphic Devices and Circuits
Notice bibliographique
Résumé
As data processing volume increases, the limitations of traditional computers and the need for more efficient computing methods become evident. Neuromorphic computing mimics the brain's low‐power and high‐speed computations, making it crucial in the era of big data and artificial intelligence. One significant development in this field is the memristor, a device that exhibits neuromorphic tendencies. The performance of memristive devices and circuits relies on the materials used, with graphene being a promising candidate due to its unique properties. Researchers are investigating graphene‐based memristors for large‐scale, sustainable fabrication. Herein, progress in the development of graphene‐based memristive neuromorphic devices and circuits is highlighted. Graphene and its common fabrication methods are discussed. The fabrication and production of graphene‐based memristive devices are reviewed and comparisons are provided among graphene‐ and nongraphene‐based memristive devices. Next, a detailed synthesis of the devices utilizing graphene‐based memristors is provided to implement the basic building blocks of neuromorphic architectures, that is, synapses, and neurons. This is followed by reviewing studies building graphene memristive spiking neural networks (SNNs). Finally, insights on the prospects of graphene‐based neuromorphic memristive systems including their device‐ and network‐level challenges and opportunities are given.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».