Toward Switching and Fusing Neuromorphic Computing: Vertical Bulk Heterojunction Transistors with Multi‐Neuromorphic Functions for Efficient Deep Learning
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.
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 | 0,000 | 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) | 0,001 | 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 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 ».