首页/论文/1504.03580

arXiv 1504.035802015-04-17cs.ETq-bio.NC

一种新型可控神经元人工脑

An New Type Of Artificial Brain Using Controlled Neurons

John Robert Burger

备注：: 10 pages; 6 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

一种新型人工大脑的计划是可能的，因为在逻辑结构的受控触发器阵列中有逼真的神经元，每个神经元一个触发器。可以进行受控切换以并行计算从关联长期记忆中回忆的几个复杂图像中的每一个的关键重要性参数。下面所示的受控切换相当于一种支持自主行为和动作的新型神经网络。

英文摘要：

Plans for a new type of artificial brain are possible because of realistic neurons in logically structured arrays of controlled toggles, one toggle per neuron. Controlled toggles can be made to compute, in parallel, parameters of critical importance for each of several complex images recalled from associative long term memory. Controlled toggles are shown below to amount to a new type of neural network that supports autonomous behavior and action.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

用于脑启发认知系统的质子传导氧化石墨烯耦合神经元晶体管

Proton Conducting Graphene Oxide Coupled Neuron Transistors for Brain-Inspired Cognitive Systems

神经元是大脑中最重要的组成部分，神经元的信息处理涉及到将输入突触脉冲序列转换为相应的输出脉冲序列。利用单个离子/电子混合器件实现神经元的硬件实现，对于增强我们对大脑的理解，解决感觉处理和复杂识别任务具有重要意义。在这里，我们提供了一种基于质子传导氧化石墨烯（GO）耦合氧化物基双电层（EDL）晶体管的原理验证人工神经元，该晶体管具有多个驱动输入和一个调制输入端子。成功地模拟了成对脉冲促进、树突整合和方向调整。此外，还对频率编码方案中的神经元增益控制（算术）进行了实验验证。我们的研究结果为构建大脑启发的认知系统提供了一种新的概念方法。

2015-10-21cond-mat.mtrl-scics.ETq-bio.NC

用于脑启发计算的CMOS尖峰神经元

A CMOS Spiking Neuron for Dense Memristor-Synapse Connectivity for Brain-Inspired Computing

密集集成CMOS尖峰神经元和纳米级忆阻器突触的神经形态系统开辟了一条新的脑启发计算途径。现有的硅神经元已经塑造了神经生物物理动力学，但与忆阻器突触不兼容，或者使用额外的训练电路，从而消除了使用忆阻器获得的大部分密度优势，或者能量效率低下。在这里，我们描述了一种新的CMOS尖峰泄漏积分和消防神经元电路。建立在具有单个运算放大器的可重构架构上，所描述的神经元容纳大量忆阻器突触，并且使得能够以优化的功耗进行在线尖峰定时依赖可塑性（STDP）学习。180 nm CMOS设计的仿真结果显示，在10，000个标称忆阻为1MΩ的忆阻器突触中实现STDP学习时，功率效率指标为97%，积分输入尖峰时的电流消耗仅为13μA。因此，所描述的CMOS神经元有助于大规模脑启发神经形态系统的通用构建块。

2015-06-08cs.ETcs.NE

用于时间信息编码的随机磁电神经元

Stochastic Magnetoelectric Neuron for Temporal Information Encoding

模拟大脑计算原理的各个方面可能会导致能够表现出类似大脑的认知能力的神经计算机的发展。在这封信中，我们提出了一个磁电子神经元，利用噪声作为计算资源，并能够编码信息随着时间的推移，通过独立控制外部电压信号。我们广泛的设备操作的特点，使用模拟和证明其适用性的类脑计算平台进行时间信息编码。

2019-12-29cs.ET

走向NeuroAI：将神经元多样性引入人工神经网络

Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural Networks

The Chinese University of Hong Kong（香港中文大学）；Southeast University（东南大学）；Cornell University（康奈尔大学）

纵观历史，人工智能特别是人工神经网络的发展一直是开放的，并不断受到对大脑日益加深的理解的启发，比如神经认知机的启发，它是卷积神经网络的开创性工作。根据新兴领域NeuroAI的动机，大量的神经科学知识可以通过赋予网络更强大的功能来帮助催化下一代AI。正如我们所知，人类大脑有许多形态和功能不同的神经元，而人工神经网络几乎完全建立在一个单一的神经元类型。在人类大脑中，神经元的多样性是各种生物智能行为的一个使能因素。由于人工网络是人类大脑的缩影，因此引入神经元多样性对于解决人工网络的基本问题（如效率、可解释性和记忆）应该是有价值的。在本书中，我们首先讨论了生物神经元多样性的分类以及生物神经元中信息传递和处理的特征。然后，我们回顾了人工网络设计新的神经元的研究。接下来，我们将讨论神经元多样性可以为人工网络带来什么好处，以及在几个重要领域的示例性应用。最后，我们讨论了神经元多样性的挑战和未来方向，以探索NeuroAI的潜力。

2023-03-11cs.AIcs.ETcs.LG

基于自旋神经元和电阻记忆的层次时间记忆在节能脑启发计算中的应用

Hierarchical Temporal Memory Based on Spin-Neurons and Resistive Memory for Energy-Efficient Brain-Inspired Computing

分层时间记忆（HTM）试图模仿大脑新皮层的计算过程。它识别输入中的空间和时间模式以进行推断。这可能需要大量的计算昂贵的任务，如点积评估。可以为这种基元提供直接映射的纳米器件引起了极大的兴趣。在这项工作中，我们表明，HTM的计算块可以映射使用低电压，快速开关，磁金属自旋神经元结合新兴的电阻交叉杆网络（RCN）。结果显示，与45 nm CMOS ASIC设计相比，能耗可能降低200倍以上

2014-02-10cond-mat.dis-nncs.ET

具有忆阻可塑性的地理分布生物混合神经网络

A geographically distributed bio-hybrid neural network with memristive plasticity

在整个进化过程中，大脑已经掌握了通过相互连接的尖峰神经元网络处理现实世界输入的艺术。由于突触的可塑性，它已经成为将神经元之间的信号传递与记忆存储和计算相结合的关键元素。电子学已经在通过神经形态电路和具有纳米级忆阻器的突触来模拟神经元方面迈出了重要的一步，但是将它们在异构生物启发和生物混合架构中互连的新应用才刚刚开始实现。在大脑启发的架构中使用忆阻技术来计算或感测生物神经元的尖峰活动8只是最近的例子，然而，通过可塑性驱动的突触元件将大脑和电子神经元互连至今仍处于想象的领域。在这里，我们展示了一个生物混合神经网络（bNN）的忆阻器作为“突触”之间的大鼠神经电路和超大规模集成电路神经元。两个基本的突触，从人工到生物（ABsyn）和从生物到人工（BAsyn），通过互联网相互连接。bNN扩展到整个欧洲，打破了自然大脑网络中存在的空间边界，并为新的地理分布和不断发展的架构奠定了基础：神经电子互联网（IoN）。

2017-09-13cs.ET

更多相关论文收起更多论文

磁隧道连接模拟随机皮层尖峰神经元

Magnetic Tunnel Junction Mimics Stochastic Cortical Spiking Neurons

大脑启发的计算架构试图模仿在人类大脑中的神经元和突触中执行的计算，以实现其在学习和认知任务中的效率。在这项工作中，我们证明了映射的概率尖峰性质的锥体神经元在皮层的随机开关行为的磁隧道结中存在的热噪声。我们目前的结果来说明基于这种概率神经元的神经形态系统的效率，在存在侧抑制和稳态的模式识别任务。这样的随机MTJ神经元还可以潜在地提供到置信网络中的概率计算元件的直接映射以用于执行再生任务。

2017-12-19cs.ET

1200万个Hodgkin-Huxley神经元网络在单芯片上的实现

Implementation of a 12-Million Hodgkin-Huxley Neuron Network on a Single Chip

了解人类大脑是21世纪科学家面临的最大挑战。Hodgkin-Huxley（HH）模型是最成功的脑生物逼真模拟的数学模型之一。然而，HH神经元的模拟涉及复杂的计算，这使得大规模脑网络的实现变得困难。在本文中，我们提出了一种硬件架构，有效地计算一个大规模的HH神经元网络。该结构基于神经元机器的硬件结构，由于其只有一个计算节点，因此具有速度的限制。所提出的架构本质上是一个非冯诺依曼同步系统与多个计算节点，称为硬件神经元，以实现线性加速比。在本文中，设计的数字电路，计算大规模的HH神经元网络作为一个例子，提供了一个详细的说明所提出的架构。该设计支持尖峰和短期和长期可塑性突触的轴突传导延迟，以及浮点精度HH神经元。该设计在现场可编程门阵列（FPGA）芯片上实现，并实时的计算一百万个HH神经元的网络。所实现的系统可以计算具有多达1200万个HH神经元和6亿个突触的网络。所提出的设计方法可以促进支持复杂神经元模型的系统的设计及其在可重构FPGA芯片上的灵活实现。

2020-04-28cs.ET

基于金属卤化物钙钛矿的集成人工神经元

Integrated Artificial Neurons from Metal Halide Perovskites

针对人工神经元现有实现的局限，本文演示了一种基于卤化物钙钛矿半导体的完全片上人工神经元，其展现随机泄漏积分发放行为且能耗低于生物神经元，可与钙钛矿人工突触集成构建高能效神经网络。

2024-11-29cond-mat.mtrl-scics.ETcs.NE

使用 LLM 设计硅基大脑：利用 ChatGPT 实现脉冲神经元阵列的自动化描述

Designing Silicon Brains using LLM: Leveraging ChatGPT for Automated Description of a Spiking Neuron Array

Johns Hopkins University（约翰斯·霍普金斯大学）

本文展示了利用 ChatGPT4 生成脉冲神经元阵列 ASIC 的可综合 verilog 描述的提示，该 AI 生成设计已通过仿真验证并提交至 Skywater 130nm 制造，体现了自然语言驱动硬件设计的现状。

2024-01-25cs.AIcs.ARcs.ET

一种具有尖峰频率自适应和混沌活动的高扩展性和能量有效的使用Ovonic阈值开关（OTS）的人工神经元

A highly scalable and energy-efficient artificial neuron using an Ovonic Threshold Switch (OTS) featuring the spike-frequency adaptation and chaotic activity

作为开发大规模脑启发计算系统的重要组成部分，我们提出了一种高度可扩展和节能的人工神经元器件，由一个Ovonic阈值开关（OTS）和一些无源电气元件组成。它不仅具有基本的积分触发（I&F）功能和速率编码能力，而且具有尖峰频率自适应（SFA）特性和混沌活动性。后两个是哺乳动物皮层中最常见的特征，对于实现节能信号处理，学习和适应环境1 -3特别重要，但迄今为止很难实现。此外，与我们的基于OTS的神经元设备采用水库计算技术结合延迟反馈动态，口语数字识别任务已执行了相当程度的识别精度。通过与基于Mott忆阻器的人工神经元器件的比较，表明基于OTS的人工神经元的能量效率高出约100倍。这些结果表明，我们的基于OTS的人工神经元器件是有希望的应用在一个大规模的脑启发计算系统的发展。

2018-10-19cond-mat.dis-nncs.ET

畴壁磁隧道结人工神经元任务适应计算中的可控复位行为

Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation

由于CMOS驱动的冯·诺依曼计算的局限性，使用自旋电子器件的神经形态计算已经引起了人们的兴趣。畴壁磁性隧道结（DW-MTJ）器件已被证明能够固有地捕获生物神经元行为。边缘松弛行为，其中频繁激发的神经元经历较低的动作电位阈值，可以在执行重复任务时提供附加的人工神经元功能。在这项研究中，我们证明了这种行为可以通过三种替代机制：形状各向异性，磁场，和电流驱动的软复位在DW-MTJ人工神经元中实现。使用微磁学和分析设备建模来对Optdigits手写数字数据集进行分类，我们表明边缘放松行为提高了有序数据集的分类准确性和分类率，同时牺牲了随机数据集的很少或没有准确性。这项工作建立了人工自旋电子神经元可以灵活地适应数据集的方法。

2021-01-08cond-mat.mes-hallcs.ETcs.NE

人工神经网络中的随机共振神经元

Stochastic resonance neurons in artificial neural networks

Aston Institute of Photonic Technologies（阿斯顿光子技术研究所）；Aston University（阿斯顿大学）

人工神经网络的许多现代应用随之而来的是大量的层，使得传统的数字实现越来越复杂。光学神经网络在高带宽下提供并行处理，但具有噪声累积的挑战。我们在这里提出了一种新的类型的神经网络使用随机共振作为一个固有的一部分的架构，并证明了显着减少所需的神经元的数量为一个给定的性能精度的可能性。我们还表明，这样的神经网络是更强大的对噪声的影响。

2022-08-23cs.ETcs.LGcs.NE