<i>N</i>-Doped Graphene/MXene Nanocomposite as a Temperature-Adaptive Neuromorphic Memristor
Notice bibliographique
Résumé
Due to intensive integration and seamless continuous operation, the overheated artificially intelligent (AI) integrated circuit systems will affect the operation system’s effectiveness, stability, and lifetime. Therefore, we proposed a temperature adaptability memristor in the silver nanowires (AgNWs)/nanocomposite/indium–tin-oxide structure in this study. The nanocomposite is the nitrogen-doped graphene/Ti 3 CNT x MXene blend in the polyvinylidene fluoride matrix. The device has been prepared by using heterostructure nanocomposites with a low-cost and facile all-solution method. The device mimicked a series of trained behaviors inherent with biological synapses, including spike-timing-dependent plasticity, paired-pulse facilitation, short-term potentiation/depression, long-term potentiation/depression, and excitatory postsynaptic currents. In addition, the device demonstrated significant self-adaptability to temperature due to the involvement of the homogeneously distributed conductive heterostructure and the filament formation ascribed to the low melting point of AgNWs. The operation of the device shows temperature adaptability owing to the excellent thermal conductivity and small thermal expansion coefficient of nitrogen-doped graphene/Ti 3 CNT x . This finding provides viable strategies to address the critical challenges of deploying AI in different environments, paving the way for the development of more efficient and resilient neuromorphic computing systems.
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 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) | 0,001 | 0,001 |
| 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 | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».