Toward Switching and Fusing Neuromorphic Computing: Vertical Bulk Heterojunction Transistors with Multi‐Neuromorphic Functions for Efficient Deep Learning
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
Abstract The combination of artificial neural networks (ANN) and spiking neural networks (SNN) holds great promise for advancing artificial general intelligence (AGI). However, the reported ANN and SNN computational architectures are independent and require a large number of auxiliary circuits and external algorithms for fusion training. Here, a novel vertical bulk heterojunction neuromorphic transistor (VHNT) capable of emulating both ANN and SNN computational functions is presented. TaO x ‐based electrochemical reactions and PDVT‐10/N2200‐based bulk heterojunctions are used to realize spike coding and voltage coding, respectively. Notably, the device exhibits remarkable efficiency, consuming a mere 0.84 nJ of energy consumption for a single multiply accumulate (MAC) operation with excellent linearity. Moreover, the device can be switched to spiking neuron and self‐activation neuron by simply changing the programming without auxiliary circuits. Finally, the VHNT‐based artificial spiking neural network (ASNN) fusion simulation architecture is demonstrated, achieving 95% accuracy for Canadian‐Institute‐For‐Advanced‐ResearchResearch‐10 (CIFARResearch‐10) dataset while significantly enhancing training speed and efficiency. This work proposes a novel device strategy for developing high‐performance, low‐power, and environmentally adaptive AGI.
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