Cellules MRAM multi-états pour le calcul neuromorphique matériel – Rapports scientifiques

Recevez des mises à jour en temps réel directement sur votre appareil, abonnez-vous maintenant.

  • Fu, J., Zheng, H. & Mei, T. Regardez de plus près pour mieux voir : réseau de neurones convolutionnels à attention récurrente pour la reconnaissance d’images à grain fin. Dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes44384446 (2017).

  • Venayagamoorthy, GK, Moonasar, V. & Sandrasegaran, K. Reconnaissance vocale à l’aide de réseaux de neurones. Dans Actes du Symposium sud-africain de 1998 sur les communications et le traitement du signal-COMSIG98 (Cat. No. 98EX214)2932 (IEEE, 1998).

  • Zhang, Y., Li, S. & Guo, H. Un type de réseau de neurones distribué basé sur un consensus biaisé pour la planification de chemin. Dynamique non linéaire. 8918031815 (2017).

    MathSciNet ArticleGoogle Scholar

  • Muralitharan, K., Sakthivel, R. & Vishnuvarthan, R. Approche d’optimisation basée sur le réseau de neurones pour la prévision de la demande d’énergie dans les réseaux intelligents. Neuroinformatique 273199208 (2018).

    Article Google Scholar

  • Abhishek, K., Singh, M., Ghosh, S. & Anand, A. Modèle de prévision météorologique utilisant un réseau neuronal artificiel. Proc. Technol. 4311318 (2012).

    Article Google Scholar

  • Nurvitadhi, E. etal. Accélération des réseaux de neurones binarisés : comparaison entre FPGA, CPU, GPU et ASIC. Dans Conférence internationale 2016 sur la technologie programmable sur le terrain (FPT)7784 (IEEE, 2016).

  • Yao, P. et coll. Réseau neuronal convolutif memristor entièrement implémenté matériellement. Nature 577641646 (2020).

    ADS CAS Article Google Scholar

  • Yao, P. et coll. Classification des visages à l’aide de synapses électroniques. Nat. Commun. 818 (2017).

    Article sur les annonces Google Scholar

  • Yu, S. Informatique neuro-inspirée avec des mémoires non volatiles émergentes. Proc. IEEE 106260285 (2018).

    Article du CAS Google Scholar

  • Ambrogio, S. et coll. Formation accélérée de réseau de neurones à précision équivalente à l’aide de la mémoire analogique. Nature 5586067 (2018).

    ADS CAS Article Google Scholar

  • Strukov, DB, Snider, GS, Stewart, DR & Williams, RS Le memristor manquant trouvé. Nature 4538083 (2008).

    ADS CAS Article Google Scholar

  • Burr, GW et al. Calcul neuromorphique utilisant la mémoire non volatile. Adv. Phys. X 289124. https://doi.org/10.1080/23746149.2016.1259585 (2017).

  • Wu, Q. et coll. Amélioration de la durabilité et de la vitesse de commutation en incorporant des nanocristaux dans les dispositifs de mémoire vive résistifs à base de HfOx. Appl. Phys. Lett. 113023105 (2018).

    Article sur les annonces Google Scholar

  • Grollier, J., Querlioz, D. & Stiles, MD Nanodispositifs spintroniques pour l’informatique bioinspirée. Proc. IEEE 10420242039. https://doi.org/10.1109/JPROC.2016.2597152 (2016).

    Article Google Scholar

  • Frontières, WA et coll. Factorisation d’entiers à l’aide de jonctions tunnel magnétiques stochastiques. Nature 573390393. https://doi.org/10.1038/s41586-019-1557-9 (2019).

    ADS CAS Article PubMed Google Scholar

  • Romera, M. et coll. Reconnaissance des voyelles avec quatre nano-oscillateurs couplés à couple de spin. Nature 563230234. https://doi.org/10.1038/s41586-018-0632-y (2018).

    ADS CAS Article PubMed Google Scholar

  • Moons, B., Goetschalckx, K., VanBerckelaer, N. & Verhelst, M. Réseaux de neurones quantifiés à énergie minimale. Dans 2017 51e conférence Asilomar sur les signaux, les systèmes et les ordinateurs19211925 (IEEE, 2017).

  • Hubara, I., Courbariaux, M., Soudry, D., El-Yaniv, R. & Bengio, Y. Réseaux de neurones quantifiés : formation de réseaux de neurones avec des poids et des activations de faible précision. J.Mach. Apprendre. Rés. 1868696898 (2017).

    MathSciNet MATHGoogle Scholar

  • Toledo, TG, Perach, B., Soudry, D. & Kvatinsky, S. Conception de synapse matérielle basée sur MTJ pour les réseaux de neurones profonds quantifiés. prépublication arXivarXiv:1912.12636 (2019).

  • Rzeszut, P., Skowroski, W., Zitek, S., Wrona, J. et Stobiecki, T. Cellules de stockage MRAM multi-bits utilisant des jonctions tunnel magnétiques perpendiculaires connectées en série. J. Appl. Phys. 125223907 (2019).

    Article sur les annonces Google Scholar

  • Raymenants, E. et coll. Chaîne de jonctions tunnel magnétiques comme memristor spintronique. J. Appl. Phys. 124152116 (2018).

    Article sur les annonces Google Scholar

  • Zhang, D. et coll. Tous les réseaux de neurones artificiels de spin basés sur une synapse et un neurone spintroniques composés. IEEE Trans. Biomédical. Circuits Syst. dix828836 (2016).

    Article Google Scholar

  • Torrejón, J. et coll. Calcul neuromorphique avec des oscillateurs spintroniques à l’échelle nanométrique. Nature 547428 (2017).

    Article du CAS Google Scholar

  • Lequeux, S. et coll. Une synapse magnétique : memristor multiniveaux à couple de spin avec anisotropie perpendiculaire. Sci. représentant 631510 (2016).

    ADS CAS Article Google Scholar

  • Sung, C., Hwang, H. & Yoo, IK Perspective : Une revue du matériel memristif pour le calcul neuromorphique. J. Appl. Phys. 124151903 (2018).

    Article sur les annonces Google Scholar

  • Sulymenko, O. et coll. Dispositifs logiques ultra-rapides utilisant des neurones artificiels basés sur des générateurs d’impulsions antiferromagnétiques. J. Appl. Phys. 124152115 (2018).

    Article sur les annonces Google Scholar

  • Fukami, S. & Ohno, H. Perspective : synapse spintronique pour réseau de neurones artificiels. J. Appl. Phys. 124151904 (2018).

    Article sur les annonces Google Scholar

  • Deng, L. La base de données mnist d’images numériques manuscrites pour la recherche en apprentissage automatique [best of the web]. Processus de signal IEEE. Mag. 29141142 (2012).

    Article sur les annonces Google Scholar

  • Zhang, D., Hou, Y., Zeng, L. & Zhao, W. Mise en œuvre de l’accélération matérielle de l’algorithme de codage parcimonieux avec des dispositifs spintroniques. IEEE Trans. Nanotechnologie. 18518531 (2019).

    ADS CAS Article Google Scholar

  • Amirany, A., Moaiyeri, MH & Jafari, K. Conception de mémoire associative non volatile basée sur des synapses spintroniques et des neurones cntfet. IEEE Trans. Urgence Haut. Calcul. 11. https://doi.org/10.1109/TETC.2020.3026179 (2020).

  • Mihajlovi, G. et coll. Origine de la dépendance résistance-surface-produit de la commutation spin-transfert-couple dans les cellules de mémoire à accès aléatoire magnétiques perpendiculaires. Phys. Rév. Appl. 13024004 (2020).

    Article sur les annonces Google Scholar

  • Watanabe, K., Jinnai, B., Fukami, S., Sato, H. & Ohno, H. Anisotropie de forme revisitée dans les jonctions tunnel magnétiques nanométriques à un chiffre. Nat. Commun. 916 (2018).

    Article Google Scholar

  • Khodabandehloo, G., Mirhassani, M. & Ahmadi, M. Mise en œuvre analogique d’un nouveau neurone sigmoïde de type résistif. IEEE Trans. Intègre à très grande échelle. Système VLSI 20750754. https://doi.org/10.1109/TVLSI.2011.2109404 (2012).

    Article Google Scholar

  • Alzate, J. et al. Démonstration au niveau de la baie de 2 Mo du processus stt-mram et des performances vers les applications de cache l4. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 201924 (IEEE, 2019).

  • www.actusduweb.com
    Suivez Actusduweb sur Google News


    Recevez des mises à jour en temps réel directement sur votre appareil, abonnez-vous maintenant.

    commentaires

    Ce site utilise des cookies pour améliorer votre expérience. Nous supposerons que cela vous convient, mais vous pouvez vous désinscrire si vous le souhaitez. J'accepte Lire la suite