Understanding the Security Landscape of Embedded Non-Volatile Memories: A Comprehensive Survey
本文综合调查嵌入式非易失性存储器的安全格局,从架构角度分析漏洞成因,回顾安全原语与逻辑混淆技术,并探讨物理及逻辑威胁,最后展示出版趋势以反映研究动态。
2025-05-22 cs.CR cs.ET
Valley-Coupled-Spintronic Non-Volatile Memories with Compute-In-Memory Support
在这项工作中,我们提出了基于单层WSe 2的谷耦合自旋霍尔存储器(VSH-MRAM)。所提出的存储器的关键特征是(a)通过VSH效应切换具有垂直磁各向异性(PMA)的磁体的能力和(b)可以调制电荷/自旋电流(IC/IS)流动的集成栅极。前一个属性导致高能量效率(与具有面内磁各向异性(IMA)磁体的基于巨自旋霍尔(GSH)效应的器件相比)。后一特征导致紧凑的无存取晶体管存储器阵列设计。我们实验测量的电流以及与VSH效应相关的非局部电阻的栅极可控性。基于测量数据,我们开发了一个模拟框架(使用物理方程),提出和分析基于单端和差分VSH效应的磁存储器(分别为VSH-MRAM和DVSH-MRAM)。在阵列级,与单端/差分(GSH/DGSH)-MRAM相比,所提出的VSH/DVSH-MRAM在等感测裕度下实现了50%/ 11%的写入时间降低、59%/ 67%的写入能量降低和35%/ 41%的读取能量降低。在通用处理器和无源供电系统的背景下的系统级评估显示,所提出的(D)VSH-MRAM的能量效率分别比(D)GSH-MRAM高3.14倍和1.98倍。此外,所提出的DVSH-MRAM的差分感测导致逐位AND和NOR逻辑函数的自然且同时的存储器内计算。利用这个功能,我们设计了一个计算在内存(CiM)的架构,执行布尔逻辑和加法(ADD)与一个单一的数组访问。通过在Nios II处理器中集成我们的DVS…
2019-12-17 cs.ET physics.app-ph
Energy-Efficient Cryogenic Neuromorphic Network with Superconducting Memristor
本研究提出结合超导忆阻器脉冲神经元与突触拓扑的集成低温神经形态框架,经小车倒立摆任务仿真验证其能效与性能,为超低功耗生物启发计算提供新方案。
2025-01-13 cs.ET
Piezoelectric Strain FET (PeFET) based Non-Volatile Memories
本文提出基于压电/铁电材料与2D-TMD耦合的PeFET非易失性存储器,通过极化翻转写入和动态带隙调制读取,并给出多种架构,显著降低面积与读写能耗。
2022-04-05 cs.AR cs.ET
The Impact of On-chip Communication on Memory Technologies for Neuromorphic Systems
新兴的纳米级非易失性存储器技术具有高集成密度,通过有效地展示神经计算的关键原理,为克服基于CMOS的神经网络架构的可扩展性限制提供了有前途的解决方案。尽管计算成本有可能提高,但设计支持灵活、大扇出连接的高性能片上通信网络仍然是一项艰巨的任务。在本文中,我们阐述了大规模的神经形态设计的通信需求,并指出与传统的片上网络架构的差异。我们提出了现有的方法片上神经形态路由网络,并讨论了如何新的内存和集成技术可能有助于减轻在构建下一代智能计算机器的通信问题。
2018-10-01 cs.AR cs.ET
Graphene oxide based synaptic memristor device for neuromorphic computing
由神经元和突触组成的脑启发类脑计算具有执行复杂信息处理的能力,为克服冯·诺依曼瓶颈提供了一种新的计算范式。电子突触忆阻器件能够与生物突触竞争,对类脑计算具有重要意义。在这项工作中,我们展示了我们的努力,开发和实现基于氧化石墨烯(GO)的忆阻器设备作为突触设备,模仿生物突触。事实上,该装置表现出基本的突触学习行为,包括模拟记忆特性,增强和抑制。此外,通过设计突触前和突触后尖峰,模仿尖峰时间依赖可塑性学习规则。此外,非易失性性能,如持久性,保持性,多电平开关的器件进行了探索。这些结果表明,Ag/GO/FTO忆阻器件确实是未来类脑计算应用的潜在候选者。关键词:RRAM,氧化石墨烯,类脑计算,突触装置,增强,抑郁
2020-12-25 cond-mat.dis-nn cs.ET
Molecular-scale Integration of Multi-modal Sensing and Neuromorphic Computing with Organic Electrochemical Transistors
摘要:融合传感、记忆和处理功能的仿生学习在效率和占地面积方面优于在硅芯片上运行的人工神经网络。然而,仿生学习的数字硬件实现受到传感器和处理核心的设备异构性的影响,这会导致大量的硬件、能量和时间开销。在这里,我们提出了一个通用的解决方案,同时执行多模式的传感,存储器和处理使用有机电化学晶体管与设计的架构和定制的通道形态,选择性离子注入到结晶/非晶区。由此产生的器件既可以作为显示多模态感测的易失性受体,也可以作为具有创纪录的10位模拟状态、低切换随机性和良好保持性的非易失性突触,而无需集成任何额外的器件。这些设备的同质集成使仿生学习功能成为可能,例如条件反射和通过储备池计算进行实时心脏病诊断,这说明了未来智能边缘健康信息学的前景。
2022-02-20 cond-mat.mtrl-sci cond-mat.soft cs.ET
Stochastic Memristive Devices for Computing and Neuromorphic Applications
纳米级电阻开关器件(忆阻器件或忆阻器)已经被研究用于从非易失性存储器、逻辑到神经形态系统的许多应用。然而,一个主要的挑战是解决这些纳米级器件在空间和时间上的潜在大变化。在这里,我们表明,在基于金属丝的忆阻器件的开关可以是完全随机的。虽然单个切换事件是随机的,但切换的分布和概率可以很好地预测和控制。电阻开关的固有随机性质允许这些二进制器件用作新型容错计算方案(例如随机计算)的构建块,而不是试图使用过多的电压或时间来强制高开关概率,并在神经形态应用中提供所需的“模拟”特征。为了验证这种潜力,我们在时间和空间域中展示了基于忆阻器的随机比特流,并表明二进制忆阻器阵列可以作为神经形态应用的多级“模拟”设备。
2013-04-22 cond-mat.other cs.ET
Tunable Synaptic Working Memory with Volatile Memristive Devices
本研究利用银基易失性忆阻器件实现可调谐突触工作记忆,通过电学调谐保留时间与切换概率,在小规模硬件及两种大规模模拟中验证了联想记忆任务。
2023-06-26 cs.ET
A high-performance MoS2 synaptic device with floating gate engineering for Neuromorphic Computing
二硫化钼(MoS 2)作为二维硫族化合物家族中最重要的成员之一,在低维电子、光电和压电设计的发展中发挥着重要作用。在这里,我们展示了一种新的方法,固态突触晶体管使用二维二硫化钼浮栅存储器。通过使用一个扩展的浮栅架构,它允许该设备在近理想的亚阈值摆幅为77 mV/十年以上的漏极电流的四十年,我们已经实现了一个电荷隧道为基础的突触存储器的性能媲美的最先进的神经形态设计。该装置成功地展示了生物突触的各种特征,包括通道电导的脉冲增强和松弛,以及尖峰时间依赖性可塑性(STDP)。我们的设备返回了出色的能效数据,并为未来的神经形态应用提供了一个基于二维纳米片的强大平台。
2019-04-06 cond-mat.mes-hall cs.ET physics.app-ph
Enabling Bio-Plausible Multi-level STDP using CMOS Neurons with Dendrites and Bistable RRAMs
新兴的纳米级非易失性存储器设备(例如,电阻式随机存取存储器(RRAM))的大规模集成可以实现新一代神经形态计算机,其可以解决广泛的机器学习问题。这种混合CMOS-RRAM神经形态架构将导致在非常小的形状因子下的能量消耗的几个数量级的减少,并且预示着能够自适应其环境的自主学习机器。然而,由于认识到实际存储设备远未达到其预期行为,该领域的进展受到了阻碍。在这项工作中,我们讨论了与这些存储设备和它们在类脑计算电路中的使用相关的挑战,并提出了通过引入“树突学习”来克服这些限制的途径。
2016-12-19 cs.ET cs.NE
Inkjet-Printed High-Yield, Reconfigurable, and Recyclable Memristors on Paper
本研究利用喷墨打印技术在纸上制造基于MoS2的高产率、可重构忆阻器,实现低功耗开关和突触功能,并展示可回收性,为可持续神经形态电子提供新路径。
2023-12-27 cs.ET
VVTEAM: A Compact Behavioral Model for Volatile Memristors
本文提出V-VTEAM易失性忆阻器紧凑行为模型,受VTEAM启发并在MATLAB中实现,通过拟合Ag/SiOx/C/W器件验证有效性,相对均方根误差为4.5%。
2024-09-26 cs.AR cs.ET cs.NE
Palimpsest Memories Stored in Memristive Synapses
生物突触在不同的时间尺度上以一种重复的方式存储多个记忆。在不同的寿命期间,控制突触功效的隐藏的生化过程的相互作用促进了棕榈叶巩固。这种安排允许空闲的存储器被暂时覆盖而不会被遗忘,有利于短期内使用的新存储器。虽然嵌入式人工智能可以从这些功能中受益匪浅,但仍然缺少硬件中的实际演示。在这里,我们展示了金属氧化物挥发性忆阻器的固有特性如何模拟支持生物回文巩固的隐藏过程。我们的忆阻性突触表现出扩展的双倍容量,它可以保护一个巩固的长期记忆,而多达数百个不相关的短期记忆暂时覆盖它。突触还可以实现以前遗忘的记忆的熟悉性检测。至关重要的是,复刻操作是自动实现的,不需要专门的指令。我们进一步证明了这种技术在图像视觉的背景下的实际适应。这展示了使用新兴的记忆技术来有效地扩展人工智能硬件的容量,以实现更通用的学习记忆。
2021-09-22 cs.AR cs.ET q-bio.NC
Domain Wall Leaky Integrate-and-Fire Neurons with Shape-Based Configurable Activation Functions
互补金属氧化物半导体(CMOS)器件显示易失性特性,并且不太适合于诸如类脑计算的模拟应用。另一方面,自旋电子器件具有非易失性和模拟特性,非常适合类脑计算。因此,这些新型器件处于超CMOS人工智能应用的最前沿。然而,大量的这些人工神经形态设备仍然需要使用CMOS,这降低了系统的效率。为了解决这个问题,我们之前已经提出了一些不需要CMOS操作的人工神经元和突触。虽然这些设备比以前的版本有了显著的改进,但它们使神经网络学习和识别的能力受到其固有激活函数的限制。这项工作提出了修改这些自旋电子神经元,使配置的激活函数通过控制磁畴壁轨道的形状。线性和S形激活函数在这项工作中,它可以通过类似的方法进行扩展,使各种各样的激活函数。
2020-11-11 cond-mat.mes-hall cs.ET cs.NE
Atomic scale nanoelectronics for quantum neuromorphic devices: comparing different materials
我回顾了原子尺度纳米电子学向量子神经形态学的进展。首先,我总结了几个神经元的基本组合,即长期和短期的可塑性,尖峰时间依赖的可塑性(关联可塑性),量子性和随机效应,及其潜在的计算就业的关键属性。接下来,我回顾了几种在原子水平上控制电子输运的原子级器件技术,包括用于原子阵列和CMOS量子点的单原子注入、单原子存储器、Ag $_2$ S和Cu $_2$ S原子开关、铪基RRAM、有机材料基晶体管、Ge $_2$ Sb $_2$ Te $_5$突触。每种材料/方法都被证明成功地实现了在真实神经元中观察到的一些特性。我比较了不同的方法,以创建新一代的自然启发和生物意义的人工神经元,以取代刚性CMOS为基础的神经形态硬件。解决的最具挑战性的方面似乎是通过采用相同的材料获得随机/量子行为和关联可塑性,这两种行为目前仅分别在20 nm以下和20 nm以上的长度尺度上观察到。
2016-06-03 cond-mat.mes-hall cs.ET q-bio.NC
Hafnia-based Double Layer Ferroelectric Tunnel Junctions as Artificial Synapses for Neuromorphic Computing
基于铪锆氧化物(Hf 1-xZrxO 2; HZO)的铁电隧道结(FTJ)在未来的应用中是一个很有前途的候选者,例如低功耗存储器和神经形态计算。隧道电阻(TER)是可调的,通过极化状态的HZO膜。为了规避在1-3 nm范围的隧穿范围内制造薄铁电HZO层的挑战,使用夹在两个对称金属电极之间的铁电/电介质双层。由于铁电极化存储层和具有较高带隙的介电隧穿层的去耦,获得了两个极化状态之间的显著TER比。通过利用先前报道的开关行为和电阻的逐渐可调性,FTJ可以用作尖峰神经网络中神经形态计算的突触仿真的潜在候选者。示出了突触的两个主要组成部分的实现:通过改变施加到人工FTJ突触的电压脉冲的幅度/宽度/数量的长期抑制/增强,以及通过在每个电极处施加时间延迟的电压的尖峰定时依赖性可塑性曲线。这些实验结果显示了尖峰神经网络和神经形态计算的潜力,可以用基于神经网络的FTJ来实现。
2021-07-02 cond-mat.mtrl-sci cs.ET physics.app-ph
Wafer Quality Inspection using Memristive LSTM, ANN, DNN and HTM
Nazarbayev University(纳扎尔巴耶夫大学)
自动化晶圆检测和质量控制是一项复杂且耗时的任务,使用神经形态忆阻架构作为单独的检测设备或直接集成到传感器中可以加快速度。本文提出了不同的神经形态结构的性能分析和比较图案化的晶圆质量检测和分类。非易失性忆阻器件在这些架构中的应用确保了低功耗、小的片上面积可扩展性。我们证明了长短期记忆(LSTM)在相同的训练迭代次数下优于其他架构,并且具有相对较低的片上面积和功耗。
2018-09-27 cs.AI cs.ET
Physical based compact model of Y-Flash memristor for neuromorphic computation
本文提出一种基于物理的Y-Flash忆阻器紧凑模型,准确描述其在DC和AC状态下的动态编程与擦除操作,并已集成至商业电路设计工具,为神经形态计算应用提供支持。
2022-02-16 cs.ET physics.app-ph
A Co-design view of Compute in-Memory with Non-Volatile Elements for Neural Networks
深度学习神经网络无处不在,但传统的计算机体系结构正在达到能够有效执行它们的极限,以应对当今的大工作负载。它们受到冯·诺依曼瓶颈的限制:在内存和计算引擎之间移动数据所产生的高能量成本和延迟。今天,特殊的CMOS设计解决了这一瓶颈。下一代计算硬件将需要消除或大幅缓解这一瓶颈。我们将讨论如何计算内存可以在这一发展中发挥重要作用。在这里,基于非易失性存储器的纵横架构形成了引擎的核心,该引擎使用模拟过程来并行化在所有神经网络工作负载中重复使用的矩阵向量乘法运算。交叉杆架构,有时被称为神经形态方法,可能是未来计算机器中的关键硬件元素。在这篇评论的第一部分,我们采取了协同设计的设计约束和要求,它的新材料和存储设备,锚定的交叉杆架构。在第二部分中,我们回顾了不同的新的非易失性存储器材料和设备,适用于计算内存,并讨论了前景和挑战。
2022-06-03 cs.ET cs.NE
Streaming Batch Eigenupdates for Hardware Neuromorphic Networks
National Institute of Standards and Technology(美国国家标准与技术研究院);George Washington University(乔治·华盛顿大学);University of Maryland(马里兰大学)
与图形处理单元(GPU)和中央处理单元(CPU)相比,基于纳米器件(诸如金属氧化物忆阻器、相变存储器和闪存单元)的神经形态网络由于其增加的能量效率和密度而引起了相当大的兴趣。虽然可以通过利用训练的时间复杂度不随网络大小而缩放的事实来实现训练过程的巨大加速,但它受到随机梯度下降的空间复杂度的限制,该空间复杂度是二次增长的。这项工作的主要目标是通过使用低秩近似的随机梯度下降,以减少这种空间复杂度。这种低空间复杂度与流方法相结合,可以显著降低内存和计算开销,为提高训练的面积、时间和能源效率打开大门。我们提到这个算法和架构来实现它作为流批特征更新(SBE)的方法。
2019-03-05 cs.ET cs.LG cs.NE
Temperature-Resilient Analog Neuromorphic Chip in Single-Polysilicon CMOS Technology
本文提出一种温度补偿机制,在单多晶硅CMOS工艺上实现温度鲁棒的模拟神经形态芯片,用于图像识别,在10-60°C范围内保持分类精度,与软件神经网络误差在2%以内。
2025-03-27 cs.AR cs.ET eess.IV
SIMBA: A Skyrmionic In-Memory Binary Neural Network Accelerator
磁性Skyrmions正在成为下一代非易失性存储器的潜在候选者。本文提出了一种基于非易失性Skyrmionic存储器的二进制神经网络(BNN)加速器,我们称之为SIMBA。当在类似VGG的BNN上运行推理时,SIMBA消耗26.7 mJ的能量和2.7 ms的延迟。此外,我们证明了改进的性能,通过优化材料参数,如饱和磁化强度,各向异性能量和阻尼比的SIMBA。最后,我们证明了BNN的推理准确度对于SIMBA可能的随机行为具有鲁棒性(88.5% +/- 1%)。
2020-03-11 cond-mat.dis-nn cs.ET
Measurement of the Crystallization and Phase Transition of Niobium Dioxide Thin-Films for Neuromorphic Computing Applications Using a Tube Furnace Optical Transmission System
本研究开发了一套卧式管式炉光学透射系统,原位测量了用于神经形态计算的二氧化铌薄膜在退火结晶及冷却相变过程中的光谱透射率变化,并证实了结晶态NbO2的制备及其在不同基底上的相变温度差异。
2024-07-11 cond-mat.mtrl-sci cs.ET physics.app-ph
Thermal-Aware Compilation of Spiking Neural Networks to Neuromorphic Hardware
类脑计算的硬件实现可以显著提高用脉冲神经网络(SNN)实现的机器学习任务的性能和能量效率,使得这些硬件平台特别适合于嵌入式系统和其他能量受限的环境。我们观察到,当通过其突触元件传播尖峰时,硬件的交叉开关中的长位线和字线产生显著的电流变化,突触元件通常设计有非易失性存储器(NVM)。这样的电流变化在硬件的每个交叉杆内创建热梯度,这取决于机器学习工作负载以及工作负载的神经元和突触到这些交叉杆的映射。\mr{This thermal gradient becomes significant at scaled technology nodes and it increases the leakage power in the hardware leading to an increase in the energy consumption.}我们提出了一种新的技术,将基于SNN的机器学习工作负载的神经元和突触映射到神经形态硬件。我们做了两个新的贡献。首先,我们制定了一个详细的热模型的神经形态硬件中的交叉杆纳入工作负载的依赖性,其中每个基于NVM的突触细胞的温度计算考虑其相邻细胞的热贡献。其次,我们将这个热模型的映射神经元和突触的SNN为基础的工作负载使用爬山启发式。其目的是减少交叉杆中的热梯度。我们使用最先进的神经形态硬件的10个机器学习工作负载来评估我们的神经元和突触映射技术。我们证明…
2020-12-17 cs.DC cs.ET cs.NE
Spin-NeuroMem: A Low-Power Neuromorphic Associative Memory Design Based on Spintronic Devices
College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机学院)
本文提出基于自旋电子器件的低功耗Hopfield网络联想存储器Spin-NeuroMem,通过MTJ突触和新型电压转换器大幅降低功耗与晶体管用量,并首次实现5M倍加速的联想记忆模拟器。
2025-09-20 cs.AR cs.ET physics.app-ph
Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing
Imperial College London(伦敦帝国理工学院)
本文提出了一种基于事件的忆阻器建模框架,用于模拟类脑计算系统,通过波动状态变量和读出方程改进了忆阻器的动态行为和突触功能。
2025-11-29 cs.ET cs.NE physics.app-ph
Biologically Plausible Learning on Neuromorphic Hardware Architectures
本文研究神经形态存内计算硬件上的生物合理性学习,利用DNN+NeuroSim框架对比反向传播与直接反馈对齐在硬件非理想特性下的精度、能耗、面积和延迟表现,首次系统分析算法与硬件的相互影响,并展示直接反馈对齐通过并行化实现接近N倍的训练加速。
2023-04-11 cs.ET cs.NE
Nanoparticle Networks for Neuromorphic Computing
University of Münster(明斯特大学);University of Twente(特温特大学)
该研究提出基于金属纳米粒子的神经形态计算架构,确立三项核心设计规则优化其性能,突破表达能力的屏蔽长度限制,实现高能效动态神经形态应用。
2026-07-31 cond-mat.mes-hall cs.AR cs.ET
Toward all-optical unsupervised Hebbian learning in deep photonic neuromorphic networks
Department of Electrical and Computer Engineering, North Carolina State University(北卡罗来纳州立大学电气与计算机工程系);Department of Electrical and Computer Engineering, The University of Texas at Dallas(德克萨斯大学达拉斯分校电气与计算机工程系);Department of Materials Science and Engineering, North Carolina State University(北卡罗来纳州立大学材料科学与工程系);Department of Physics, North Carolina State University(北卡罗来纳州立大学物理系)
提出一种基于相变材料突触和局部光反馈的深度光子神经形态网络架构,实现在线无监督Hebbian学习,实验验证了自适应突触演化和光学推理。
2026-08-28 cond-mat.dis-nn cs.ET cs.LG
SNRA: A Spintronic Neuromorphic Reconfigurable Array for In-Circuit Training and Evaluation of Deep Belief Networks
University of Central Florida(中佛罗里达大学)
在本文中,自旋电子神经形态可重构阵列(SNRA)的发展融合在一起的功率效率的概率和现场可编程确定性计算在训练和评估阶段的限制玻尔兹曼机(RBM)。首先,使用概率自旋逻辑器件来开发RBM实现,该RBM实现适于构造具有一个至三个隐藏层的深度置信网络(DBN),每个隐藏层的大小为10至800个神经元。其次,我们设计了一个硬件实现的对比发散(CD)算法,使用四状态有限状态机能够在N+3个时钟的无监督训练,其中N表示在每个RBM神经元的数量。我们提出的CD硬件实现的功能验证使用ModelSim模拟。我们综合开发的Verilog HDL实现我们提出的测试/训练控制电路的各种DBN拓扑结构的最大RBM尺寸产生的资源利用率范围从51到2,421查找表(LUT)。接下来,我们利用基于自旋霍尔效应(SHE)-磁性隧道结(MTJ)的非易失性LUT电路作为存储确定性逻辑配置的基于静态随机存取存储器(SRAM)的LUT的替代方案,以形成可重新配置的结构。最后,我们比较了我们提出的SNRA与基于SRAM的可配置结构的性能,重点是用于实现CD和评估模式的LUT所引起的面积和功耗。所获得的结果表明,超过80%的组合动态和静态功耗降低,同时实现至少50%的器件数量减少。
2019-01-08 cs.AR cs.ET cs.LG
NeuSpin: Design of a Reliable Edge Neuromorphic System Based on Spintronics for Green AI
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Univ. Grenoble Alpes, CEA, CNRS, Grenoble INP, and IRIG-Spintec(格勒诺布尔阿尔卑斯大学,法国原子能委员会,法国国家科学研究中心,格勒诺布尔国立理工学院,IRIG-Spintec)
NeuSpin项目通过全栈软硬件协同设计,解决贝叶斯神经网络在自旋电子存内计算平台上因变异性和制造缺陷导致的可靠性问题,以提升边缘绿色AI的性能、能效与鲁棒性。
2024-01-11 cs.AI cs.ET cs.LG
4K-Memristor Analog-Grade Passive Crossbar Circuit
无源模拟级忆阻交叉开关的优越密度可以使得能够将大的突触权重矩阵直接存储在专用神经形态芯片上,从而避免昂贵的芯片外通信。为了确保在类脑计算电路中有效地使用这种交叉,交叉点器件的电流-电压特性的变化必须基本上低于具有选择晶体管的存储单元的电流-电压特性的变化。显然,这一要求解释了为什么使用被动交叉杆的神经形态系统原型的演示如此之少。在这里,我们报告了一个64x64无源金属氧化物忆阻器交叉开关电路与~99%的器件成品率,基于一个代工兼容的制造工艺,具有蚀刻图案化和低温预算,有利于垂直集成。我们的器件实现了约26%的开关电压变化,足以编程4K像素灰度图案,平均调谐误差小于4%。通过实验证明MNIST模式分类的保真度接近这种大小的网络的软件建模极限,输入非原位计算的突触权重的平均误差为~1%,进一步验证了模拟特性。我们相信,我们的工作是一个显着的改进,国家的最先进的无源交叉开关存储器的复杂性和模拟性能。
2019-06-27 cs.ET cs.NE physics.app-ph