Transistor‐Level Activation Functions via Two‐Gate Designs: From Analog Sigmoid and Gaussian Control to Real‐Time Hardware Demonstrations
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 Tunable analog activation functions are essential for energy‐efficient artificial intelligence (AI) hardware. Two transistor designs are presented: the sigmoid‐like activation function transistor (SA‐transistor) and the Gaussian‐like activation function transistor (GA‐transistor), which implement analog sigmoid and Gaussian functions using a screen gate structure. In the SA‐transistor, adjusting the screen gate voltage ( V Screen‐G ) enables precise control of the sigmoid slope and saturation level. In the GA‐transistor, the amplitude and standard deviation of the Gaussian response are tunable through the same mechanism. These transistors enable precise and continuous tuning of analog activation parameters such as slope, amplitude, and width at the device level. This controllability allows hardware‐optimized neural computations tailored to specific tasks or datasets. Applied in real‐world tasks, the SA‐transistor improved lung magnetic resonance imaging (MRI) classification accuracy from 77% to 84%, and the GA‐transistor raised the time‐series forecasting coefficient of determination ( R 2 ) from 0.82 to 0.93. Furthermore, by assembling these devices into a hardware‐based multilayer perceptron (MLP), robust inference is demonstrated on the IRIS dataset with 96.7% overall accuracy. This system‐level validation highlights that analog activation transistors can directly support neuromorphic accelerators without digital post‐processing, reducing circuit complexity and power consumption while maintaining high classification fidelity.
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