memristor
PulseAugur coverage of memristor — every cluster mentioning memristor across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
基于忆阻器的储层计算在分支预测方面展现出潜力
研究人员开发了一种新颖的储层计算（RC）框架，用于流水线处理器中的分支预测，并利用了新兴的CMOS忆阻器器件。该框架使用System Verilog和Verilog-AMS实现和仿真，展现出高速运行和与数字逻辑集成的潜力。尽管RC设计在RISC-V RV64GC ISA的Dhrystone基准测试中显示出令人印象深刻的预测准确性，但与最先进的TAGE预测器相比，其适应分支行为变化的速度明显较慢。
-
物理学家创造了基于液体的粒子计算机，但落后于忆阻器
物理学家开发了一种新颖的计算系统，使用在液体中运行的400个微小粒子，能够执行混沌信号预测和异常检测。这种在Communications AI & Computing上详细介绍的流体硬件利用激光驱动的二氧化硅球体来创建计算存储库。虽然在任务中表现出精细度，但该系统的准确性大约是基于忆阻器的竞争对手的十分之一，其实际适用性仍在研究中。
-
忆阻器芯片实现低于10毫秒的大脑建模
研究人员开发了一种新型忆阻器芯片，能够以前所未有的速度模拟大脑功能。这种新硬件可以在10毫秒内模拟小脑，比以前的计算方法有了显著的飞跃。该芯片利用张量网络理论和计算机模拟来实现这种效率，有可能加速人工智能和神经科学的进步。
-
新框架提升神经形态计算的可迁移性
研究人员开发了一种新颖的无模型时间开关（TS）框架，旨在增强轻量级神经形态计算系统的可迁移性。该框架旨在克服设备到设备的差异性挑战，这些差异性通常需要大量的重新训练。通过在训练期间纳入更广泛的设备，TS框架能够在没有训练后校准的情况下直接将性能迁移到未见的硬件上。该方法在Mackey--Glass基准测试中展示了提高的预测精度，并在语音数字分类中达到了92.4%的准确率，预示着在资源受限环境中实现高效人工智能的潜力。
-
忆阻器模拟计算提升语音识别准确性
研究人员开发了一种方法，以减少基于忆阻器的模拟计算在自动语音识别中的性能衰减。通过调整特定忆阻器层中模数转换器（ADC）的权重和精度比特，他们实现了约50%的执行性能衰减相对降低，同时保持了稳定的能耗。在无法修改ADC的情况下，移除与编码相关的线性变换可将性能衰减降低约30%。
-
忆阻器SNN加速器大幅降低边缘AI能耗
研究人员开发了一种新颖的基于忆阻器的加速器，旨在提高脉冲神经网络（SNN）的能效。这种模拟加速器将内存计算与神经元功能集成在一起，旨在克服传统GPU和CPU平台在SNN方面的局限性。在仿生拦截任务上的评估表明，与数字基线相比，该模拟加速器实现了显著更低的能耗和延迟，展示了其在实时边缘智能应用中的潜力。
-
基于忆阻器的AI系统在高效学习和神经形态计算方面展现出潜力
研究人员正在探索自组织忆阻网络（SOMNs）作为人工智能的传统硬件的物理替代方案，旨在实现节能、类脑的持续学习。这些网络利用纳米级电阻式存储器元件的独特动力学来执行计算。最近的工作表明，它们在图像分类方面具有高精度和对器件变化的鲁棒性，并在时间序列分类方面表现出色，优于传统的基于梯度的模型，同时大大缩短了训练时间。