뉴로모픽공학

Neuromorphic engineering

뉴로모픽 컴퓨팅은 인간 뇌의 구조와 기능에서 영감을 받은 컴퓨팅에 대한 접근 방식입니다.[1][2] 뉴로모픽 컴퓨터/칩은 물리적인 인공 뉴런을 사용하여 계산을 하는 모든 장치입니다.[3][4] 최근에 뉴로모픽이라는 용어는 아날로그, 디지털, 혼합 모드 아날로그/디지털 VLSI, 그리고 (지각, 모터 제어 또는 다감각 통합을 위한) 신경 시스템의 모델을 구현하는 소프트웨어 시스템을 설명하는 데 사용되었습니다. 하드웨어 레벨에서 뉴로모픽 컴퓨팅의 구현은 산화물 기반 멤리스터,[5] 스핀트로닉 메모리, 문턱 스위치, 트랜지스터 [6][4]등에 의해 실현될 수 있습니다. 스파이킹 신경망의 소프트웨어 기반 뉴로모픽 시스템 훈련은 예를 들어 snnTorch와 같은 파이썬 기반 프레임워크를 사용하거나 [7]BindsNet을 사용하여 생물학적 학습 문헌의 표준 학습 규칙을 사용하는 등의 오류 역전파를 사용하여 달성할 수 있습니다.[8]

뉴로모픽 공학의 핵심 측면은 개별 뉴런, 회로, 응용 프로그램 및 전체 아키텍처의 형태가 어떻게 바람직한 계산을 생성하고, 정보가 표현되는 방식에 영향을 미치며, 손상에 대한 견고성에 영향을 미치며, 학습 및 개발을 통합하고, 로컬 변화에 적응하는지 이해하는 것입니다(가소성). 진화적 변화를 촉진합니다.

뉴로모픽 공학은 생물학, 물리학, 수학, 컴퓨터 과학 및 전자 공학에서[4] 영감을 받아 시력 시스템, 두안 시스템, 청각 프로세서 및 자율 로봇과 같은 인공 신경 시스템을 설계하는 학제 간 과목입니다. 물리적 구조와 설계 원리가 생물학적 신경계의 원리에 기반을 두고 있습니다.[9] 뉴로모픽 공학을 위한 최초의 응용 프로그램 중 하나는 1980년대 후반 Carver Mead에[10] 의해 제안되었습니다.

신경학적 영감

뉴로모픽 공학은 현재 뇌의 구조와 작동에 대해 우리가 알고 있는 것으로부터 얻는 영감에 의해 구별됩니다. 뉴로모픽 공학은 우리가 뇌의 기능에 대해 알고 있는 것을 컴퓨터 시스템으로 번역합니다. 작업은 대부분 생물학적 계산의 아날로그적 특성과 인지에서 뉴런의 역할을 복제하는 데 중점을 두었습니다.

뉴런과 시냅스의 생물학적 과정은 대단히 복잡하기 때문에 인위적으로 시뮬레이션하기가 매우 어렵습니다. 생물학적 뇌의 주요 특징은 뉴런의 모든 처리가 아날로그 화학 신호를 사용한다는 것입니다. 이것은 현 세대의 컴퓨터가 완전히 디지털이기 때문에 컴퓨터에서 뇌를 복제하는 것을 어렵게 만듭니다. 그러나 이러한 부분의 특성은 뉴런의 연산의 본질을 면밀히 포착하는 수학적 기능으로 추상화될 수 있습니다.

뉴로모픽 컴퓨팅의 목표는 뇌와 뇌의 모든 기능을 완벽하게 모방하는 것이 아니라 실제 컴퓨팅 시스템에 사용될 구조와 작동에 대해 알려진 것을 추출하는 것입니다. 어떤 뉴로모픽 시스템도 뉴런과 시냅스의 모든 요소를 주장하거나 재현하려고 시도하지는 않지만, 모두 계산이 뉴런과 유사한 일련의 작은 컴퓨팅 요소에 걸쳐 고도로 분포되어 있다는 생각을 고수합니다. 이 감정은 표준이지만 연구자들은 다른 방법으로 이 목표를 추구합니다.[11]

예

일찍이 2006년에 조지아 공대 연구원들은 현장 프로그래밍이 가능한 신경 배열을 발표했습니다.[12] 이 칩은 MOSFET의 게이트에 전하를 프로그래밍하여 뇌의 뉴런 채널 이온 특성을 모델링할 수 있도록 해주는 점점 더 복잡한 플로팅 게이트 트랜지스터 배열의 첫 번째 사례였으며 실리콘 프로그래밍 가능한 뉴런 배열의 첫 번째 사례 중 하나였습니다.

2011년 11월, MIT 연구진은 400개의 트랜지스터와 표준 CMOS 제조 기술을 사용하여 두 뉴런 사이의 시냅스에서 아날로그 이온 기반 통신을 모방하는 컴퓨터 칩을 개발했습니다.[13][14]

2012년 6월 Purdue University의 스핀트로닉 연구진은 측방 스핀 밸브와 멤리스터를 이용한 뉴로모픽 칩의 설계에 관한 논문을 발표했습니다. 그들은 그 구조가 뉴런과 비슷하게 작동하기 때문에 뇌의 처리를 재현하는 방법을 시험하는 데 사용될 수 있다고 주장합니다. 또한, 이 칩은 기존 칩보다 훨씬 더 에너지 효율적입니다.[15]

HP Labs의 Mott 멤리스터에 대한 연구는 그것들이 비휘발성일 수 있지만 상전이 온도보다 훨씬 낮은 온도에서 나타나는 휘발성 행동을 이용하여 뉴런에서 발견되는 행동을 모방하는 생물학적으로 영감을 받은 [16]장치인 뉴리스터를 제작할 수 있다는 것을 보여주었습니다.[16] 2013년 9월, 그들은 이러한 뉴리스터의 스파이킹 동작이 튜링 기계에 필요한 구성 요소를 형성하는 데 어떻게 사용될 수 있는지를 보여주는 모델과 시뮬레이션을 제시했습니다.[17]

Stanford 대학의 Brains in Silicon이 만든 [18]Neurogrid는 뉴로모픽 공학 원리를 이용하여 설계된 하드웨어의 한 예입니다. 회로 기판은 NeuroCores라고 불리는 맞춤형으로 설계된 16개의 칩으로 구성되어 있습니다. 각 뉴로코어의 아날로그 회로는 65536개의 뉴런에 대한 신경 요소를 에뮬레이션하도록 설계되어 에너지 효율을 극대화합니다. 에뮬레이트된 뉴런은 스파이킹 처리량을 최대화하도록 설계된 디지털 회로를 사용하여 연결됩니다.[19][20]

뉴로모픽 공학에 시사하는 바가 있는 연구 프로젝트는 생물학적 데이터를 이용하여 슈퍼컴퓨터에서 완전한 인간의 뇌를 모사하려는 인간 뇌 프로젝트입니다. 신경과학, 의학 및 컴퓨팅 분야의 연구자 그룹으로 구성되어 있습니다.[21] 이 프로젝트의 공동 책임자인 헨리 마크람(Henry Markram)은 이 프로젝트가 뇌와 뇌의 질병을 탐구하고 이해할 수 있는 기반을 구축하고 그 지식을 새로운 컴퓨팅 기술을 구축하는 데 사용할 것을 제안한다고 말했습니다. 뇌 조각이 어떻게 맞물려 작동하는지 더 잘 이해하고, 뇌 질환을 객관적으로 진단하고 치료하는 방법을 이해하고, 인간의 뇌에 대한 이해를 활용해 뉴로모픽 컴퓨터를 개발하는 것이 3대 목표입니다. 완전한 인간의 뇌를 시뮬레이션하기 위해서는 강력한 슈퍼컴퓨터가 필요하다는 사실은 현재 뉴로모픽 컴퓨터에 대한 집중을 부추깁니다.[22] 유럽 위원회는 이 프로젝트에 13억 달러를 할당했습니다.[23]

뉴로모픽 공학에 대한 시사점이 있는 다른 연구로는 BREIN Initiative와[24] IBM의 TrueNorth 칩이 있습니다.[25] 나노 결정, 나노 와이어, 전도성 고분자를 이용한 뉴로모픽 소자도 실증되었습니다.[26] 양자 뉴로모픽 아키텍처를 위한 멤리스티브 소자의 개발도 있습니다.[27] 2022년, MIT의 연구원들은 '아날로그 딥 러닝'을 위해 이온 양성자(H+
)를 사용하는 뇌에서 영감을 받은 인공 시냅스의 개발을 보고했습니다.[28][29]

인텔은 2017년 10월 뉴로모픽 연구 칩인 "로이히"를 공개했습니다. 이 칩은 비동기 스파이킹 신경망(SNN)을 사용하여 학습과 추론을 높은 효율로 구현하는 데 사용되는 적응형 자체 수정 이벤트 구동 미세 입자 병렬 계산을 구현합니다.[30][31]

벨기에 소재 나노전자 연구센터 IMEC에서 세계 최초로 자가 학습형 뉴로모픽 칩을 시연했습니다. OxRAM 기술을 기반으로 한 뇌에서 영감을 받은 칩은 자체 학습 능력이 있으며 음악을 작곡하는 능력이 있는 것으로 입증되었습니다.[32] IMEC는 시제품이 작곡한 30초짜리 곡을 공개했습니다. 칩에는 동일한 시간 시그니처와 스타일의 노래가 순차적으로 로드되었습니다. 그 노래들은 오래된 벨기에와 프랑스의 플루트 미뉴엣들로 칩이 연주할 때 규칙들을 배운 다음 그것들을 적용했습니다.[33]

헨리 마크람이 이끄는 블루 브레인 프로젝트는 생물학적으로 상세한 쥐 뇌의 디지털 재구성과 시뮬레이션을 구축하는 것을 목표로 합니다. 블루 브레인 프로젝트는 설치류 뇌의 인 실리코 모델을 만들었고 생물학에 대한 가능한 많은 세부 사항을 복제하려고 시도했습니다. 슈퍼컴퓨터 기반의 시뮬레이션은 뇌의 구조와 기능을 이해하는 새로운 관점을 제공합니다.

유럽 연합은 하이델베르크 대학의 일련의 프로젝트에 자금을 지원했고, 이는 독일 하이델베르크 대학에 위치한 하이브리드 아날로그 뉴로모픽 슈퍼컴퓨터인 BrainScaleS(뇌에서 영감을 받은 뉴로모픽 하이브리드 시스템의 다중 스케일 계산)의 개발로 이어졌습니다. 인간 두뇌 프로젝트 뉴로모픽 컴퓨팅 플랫폼의 일부로 개발되었으며, (디지털 기술 기반의) SpiNaker 슈퍼컴퓨터의 보완물입니다. BrainScaleS에 사용된 구조는 물리적인 수준에서 생물학적 뉴런과 그들의 연결을 모방합니다. 또한 구성 요소가 실리콘으로 구성되어 있기 때문에 이 모델 뉴런은 생물학적 뉴런보다 평균 864배(실시간 24시간은 기계 시뮬레이션에서 100초) 작동합니다.[34]

브레인칩은 2021년 10월 아키다 AI 프로세서 개발 키트를[35] 수주하고 2022년 1월 아키다 AI 프로세서 PCIe 보드를 수주한다고 발표하여 [36]세계 최초로 상용화된 뉴로모픽 프로세서가 되었습니다.

신경퇴행 시스템

Neuromemristive 시스템은 신경 가소성을 구현하기 위해 멤리스터를 사용하는 것에 초점을 맞춘 뉴로모픽 컴퓨팅 시스템의 하위 클래스입니다. 뉴로모픽 공학은 생물학적 행동을 모방하는 데 초점을 맞추는 반면, 뉴로모픽 시스템은 추상화에 초점을 맞춥니다.[37] 예를 들어, 신경퇴적 시스템은 피질 미세 회로의 행동의 세부 사항을 추상 신경망 모델로 대체할 수 있습니다.[38]

높은 레벨의 패턴 인식 애플리케이션들에 애플리케이션들을 갖는 멤리스터들로 구현된 몇몇 뉴런 인스파이어드 임계[5] 로직 함수들이 존재합니다. 최근 보고된 응용 프로그램 중 일부는 음성 [39]인식, 얼굴[40] 인식 및 물체 인식입니다.[41] 그들은 또한 기존의 디지털 논리 게이트를 대체하는 응용 프로그램을 찾습니다.[42][43]

(준) 이상적인 수동 멤리스티브 회로의 경우 멤리스티브 메모리의 진화는 닫힌 형태로 기록될 수 있습니다(Caravelli-Traversa-Di Ventra 방정식).[44][45]

물리적 멤리스티브 네트워크의 속성과 외부 소스의 함수로서. 이 방정식은 이상적인 멤리스터의 와 마찬가지로 윌리엄스-스트루코프 오리지널 장난감 모델의 경우에도 유효합니다, = 0 \alpha = 0}. 그러나 이상적인 멤리스터의 존재에 대한 가설은 논쟁의 여지가 있습니다. 식에서 α }는일반적으로 메모리 변동성과 관련된 "잊고 있는" 시간 척도 상수입니다. χ = R - R on R off {\displaystyle \chi ={\frac {R_{\text{off}-R_{\text{on}}}-{R_{\text{off}}}는 멤리스터의 한계 저항값의 오프와 온의 비율입니다. → {\ 은 회로 소스의 벡터이고 \Omega }은 회로의 기본 루프에 있는 프로젝터입니다. 상수 는 전압의 크기를 가지며 멤리스터의 특성과 관련이 있습니다. 물리적 기원은 도체의 전하 이동성입니다. 대각선 행렬 및 벡터 = ⁡(X → ) {\ X =\operatorname {diag}({\vec {X}}) 및 X → {\displaystyle {\vec {X}}은 각각 0과 1 사이의 값을 갖는 멤리스터의 내부 값입니다. 따라서 이 방정식은 신뢰할 수 있도록 메모리 값에 추가 제약 조건을 추가해야 합니다.

최근에 위의 식은 터널링 현상을 나타내며 랴푸노프 함수를 연구하는 데 사용된다는 것이 밝혀졌습니다.[47][45]

뉴로모픽 센서

뉴로모픽 시스템의 개념은 (계산뿐만 아니라) 센서로 확장될 수 있습니다. 빛을 감지하는 데 적용되는 예로는 레티노포머 센서 또는 어레이에 사용되는 경우 이벤트 카메라가 있습니다. 2022년, 막스플랑크 고분자연구소의 연구원들은 생물학적 습윤기에서 작동하는 동안 생물학적 뉴런의 신호 다양성을 나타내는 유기 인공 스파이킹 뉴런을 보고하여 현장 내 뉴로모픽 감지 및 생물학적 인터페이스 응용을 가능하게 했습니다.[48][49]

군용서

미군의 분원인 합동 인공지능센터는 전투용 AI 소프트웨어와 뉴로모픽 하드웨어의 조달과 구현을 전담하는 센터입니다. 구체적인 응용 분야로는 스마트 헤드셋/고글 및 로봇이 있습니다. JAIC는 뉴로모픽 기술에 크게 의존하여 뉴로모픽 지원 유닛 네트워크 내의 "모든 센서(모든 사수)"를 연결할 계획입니다.

윤리적, 법적 고려 사항

뉴로모픽 공학의 학제 간 개념은 비교적 새로운 반면, 인간과 유사한 기계와 인공 지능에 일반적으로 적용되는 것과 동일한 윤리적 고려 사항 중 많은 것이 뉴로모픽 시스템에 적용됩니다. 그러나 뉴로모픽 시스템이 인간의 뇌를 모방하도록 설계되었다는 사실은 그 사용을 둘러싼 독특한 윤리적 문제를 야기합니다.

그러나 실제적인 논쟁은 인공적인 "신경망"뿐만 아니라 뉴로모픽 하드웨어가 크기와 기능적인 기술 측면에서 훨씬 더 낮은 복잡성과 연결성 측면에서 훨씬 더 규칙적인 구조에서 어떻게 뇌가 작동하거나 정보를 처리하는지에 대한 엄청나게 단순화된 모델이라는 것입니다. 뉴로모픽 칩을 뇌에 비유하는 것은 비행기가 날개와 꼬리를 가지고 있다고 해서 새에 비유하는 것과 매우 조잡한 비유입니다. 사실 생물학적 신경 인지 시스템은 현재의 최첨단 AI보다 훨씬 더 에너지 효율적이고 계산 효율적이며, 뉴로모픽 엔지니어링은 많은 엔지니어링 디자인이 생물학적으로 영감을 받은 기능을 가지고 있는 것처럼 뇌의 메커니즘에서 영감을 받아 이러한 격차를 줄이려는 시도입니다.

사회적 관심사

일반인의 인식으로 인해 뉴로모픽 공학에 상당한 윤리적 제한이 있을 수 있습니다.[50] 유럽연합 집행위원회가 실시한 설문조사인 특별한 유로바로미터 382: 로봇에 대한 대중의 태도는 유럽연합 시민의 60%가 어린이, 노인 또는 장애인을 돌보는 데 로봇 사용 금지를 원한다는 것을 발견했습니다. 또한 교육에서 로봇 사용 금지에 대해서는 34%, 의료에서 27%, 여가에서 20%가 찬성했습니다. 유럽연합 집행위원회는 이 지역들을 특별히 "인간"으로 분류합니다. 이 보고서는 인간의 기능을 모방하거나 복제할 수 있는 로봇에 대한 대중의 우려가 증가했다는 점을 인용하고 있습니다. 뉴로모픽 공학은 정의상 인간 뇌의 기능을 복제하도록 설계되었습니다.[51]

뉴로모픽 공학을 둘러싼 사회적 우려는 앞으로 더욱 심각해질 것으로 보입니다. EU 집행위원회는 15세에서 24세 사이의 EU 시민들이 55세 이상의 EU 시민들보다 로봇을 (악기와 같은) 인간과 같은 것으로 생각할 가능성이 더 높다고 밝혔습니다. 인간과 같은 것으로 정의되었던 로봇의 이미지를 제시했을 때, 15-24세의 EU 시민의 75%가 로봇에 대한 생각과 일치한다고 답했고, 55세 이상의 EU 시민의 57%만이 같은 방식으로 응답했습니다. 따라서 뉴로모픽 시스템의 인간과 유사한 특성으로 인해 많은 EU 시민들이 미래에 금지되기를 원하는 로봇 범주에 넣을 수 있습니다.[51]

개성

뉴로모픽 시스템이 점점 더 발전함에 따라 일부[who?] 학자들은 이러한 시스템에 인격권을 부여해야 한다고 주장했습니다. 뇌에서 영감을 받은 컴퓨팅을 발전시키는 것을 목표로 하는 인간 뇌 프로젝트의 기술 개발 비평가인 다니엘 림은 뉴로모픽 컴퓨팅의 발전이 기계 의식이나 개성으로 이어질 수 있다고 주장했습니다.[52] 이러한 시스템을 사람으로 취급한다면, 인간이 뉴로모픽 시스템을 사용하여 수행하는 많은 작업(종료 포함)은 이러한 작업이 자율성을 침해하기 때문에 도덕적으로 허용되지 않을 수 있습니다.[52]

소유권 및 재산권

재산권과 인공 지능에 대한 상당한 법적 논쟁이 있습니다. Acohs Pty Ltd 대 Ucorp Pty Ltd.에서 호주 연방법원의 Christopher Jessup 판사는 물질 안전 데이터 시트의 소스 코드가 인간 작성자가 아닌 소프트웨어 인터페이스에 의해 생성되었기 때문에 저작권을 가질 수 없다고 밝혔습니다.[53] 뉴로모픽 시스템에도 같은 질문이 적용될 수 있습니다. 뉴로모픽 시스템이 성공적으로 인간의 뇌를 모방하여 독창적인 작품을 만들어낸다면, 누가 작품의 소유권을 주장할 수 있어야 할까요?[54]


참고 항목

참고문헌

  1. ^ Ham, Donhee; Park, Hongkun; Hwang, Sungwoo; Kim, Kinam (2021). "Neuromorphic electronics based on copying and pasting the brain". Nature Electronics. 4 (9): 635–644. doi:10.1038/s41928-021-00646-1. ISSN 2520-1131. S2CID 240580331.
  2. ^ van de Burgt, Yoeri; Lubberman, Ewout; Fuller, Elliot J.; Keene, Scott T.; Faria, Grégorio C.; Agarwal, Sapan; Marinella, Matthew J.; Alec Talin, A.; Salleo, Alberto (April 2017). "A non-volatile organic electrochemical device as a low-voltage artificial synapse for neuromorphic computing". Nature Materials. 16 (4): 414–418. Bibcode:2017NatMa..16..414V. doi:10.1038/nmat4856. ISSN 1476-4660. PMID 28218920.
  3. ^ Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:10.1109/5.58356. S2CID 1169506.
  4. ^ a b c "Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling International Conference on Neuromorphic Systems 2020". doi:10.1145/3407197.3407204. S2CID 220794387. {{cite journal}}: 저널 인용 요구사항 journal= (도와주세요)
  5. ^ a b Maan, A. K.; Jayadevi, D. A.; James, A. P. (January 1, 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734–1746. arXiv:1604.07121. Bibcode:2016arXiv160407121M. doi:10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608. S2CID 1798273.
  6. ^ Zhou, You; Ramanathan, S. (August 1, 2015). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219. S2CID 11347598.
  7. ^ Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (October 1, 2021). "Training Spiking Neural Networks Using Lessons from Deep Learning". arXiv:2109.12894. {{cite journal}}: 저널 인용 요구사항 journal= (도와주세요)
  8. ^ "Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch". GitHub. March 31, 2020.
  9. ^ Boddhu, S. K.; Gallagher, J. C. (2012). "Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers". Applied Computational Intelligence and Soft Computing. 2012: 1–21. doi:10.1155/2012/705483.
  10. ^ Mead, Carver A.; Mahowald, M. A. (January 1, 1988). "A silicon model of early visual processing". Neural Networks. 1 (1): 91–97. doi:10.1016/0893-6080(88)90024-X. ISSN 0893-6080.
  11. ^ Furber, Steve (2016). "Large-scale neuromorphic computing systems". Journal of Neural Engineering. 13 (5): 1–15. Bibcode:2016JNEng..13e1001F. doi:10.1088/1741-2560/13/5/051001. PMID 27529195.
  12. ^ Farquhar, Ethan; Hasler, Paul. (May 2006). "A Field Programmable Neural Array". 2006 IEEE International Symposium on Circuits and Systems. pp. 4114–4117. doi:10.1109/ISCAS.2006.1693534. ISBN 978-0-7803-9389-9. S2CID 206966013.
  13. ^ "MIT creates "brain chip"". Retrieved December 4, 2012.
  14. ^ Poon, Chi-Sang; Zhou, Kuan (2011). "Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities". Frontiers in Neuroscience. 5: 108. doi:10.3389/fnins.2011.00108. PMC 3181466. PMID 21991244.
  15. ^ Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "Proposal For Neuromorphic Hardware Using Spin Devices". arXiv:1206.3227 [cond-mat.dis-nn].
  16. ^ a b Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). "A scalable neuristor built with Mott memristors". Nature Materials. 12 (2): 114–7. Bibcode:2013NatMa..12..114P. doi:10.1038/nmat3510. PMID 23241533. S2CID 16271627.
  17. ^ Matthew D Pickett & R Stanley Williams (September 2013). "Phase transitions enable computational universality in neuristor-based cellular automata". Nanotechnology. IOP Publishing Ltd. 24 (38). 384002. Bibcode:2013Nanot..24L4002P. doi:10.1088/0957-4484/24/38/384002. PMID 23999059. S2CID 9910142.
  18. ^ Boahen, Kwabena (April 24, 2014). "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations". Proceedings of the IEEE. 102 (5): 699–716. doi:10.1109/JPROC.2014.2313565. S2CID 17176371.
  19. ^ Waldrop, M. Mitchell (2013). "Neuroelectronics: Smart connections". Nature. 503 (7474): 22–4. Bibcode:2013Natur.503...22W. doi:10.1038/503022a. PMID 24201264.
  20. ^ Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Alvarez-Icaza, Rodrigo; Arthur, John V.; Merolla, Paul A.; Boahen, Kwabena (2014). "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations". Proceedings of the IEEE. 102 (5): 699–716. doi:10.1109/JPROC.2014.2313565. S2CID 17176371.
  21. ^ "Involved Organizations". Archived from the original on March 2, 2013. Retrieved February 22, 2013.
  22. ^ "Human Brain Project". Retrieved February 22, 2013.
  23. ^ "The Human Brain Project and Recruiting More Cyberwarriors". January 29, 2013. Retrieved February 22, 2013.
  24. ^ 뉴로모픽 컴퓨팅: 새로운 영혼의 기계, 이코노미스트, 2013-08-03
  25. ^ Modha, Dharmendra (August 2014). "A million spiking-neuron integrated circuit with a scalable communication network and interface". Science. 345 (6197): 668–673. Bibcode:2014Sci...345..668M. doi:10.1126/science.1254642. PMID 25104385. S2CID 12706847.
  26. ^ Fairfield, Jessamyn (March 1, 2017). "Smarter Machines" (PDF).
  27. ^ Spagnolo, Michele; Morris, Joshua; Piacentini, Simone; Antesberger, Michael; Massa, Francesco; Crespi, Andrea; Ceccarelli, Francesco; Osellame, Roberto; Walther, Philip (April 2022). "Experimental photonic quantum memristor". Nature Photonics. 16 (4): 318–323. arXiv:2105.04867. Bibcode:2022NaPho..16..318S. doi:10.1038/s41566-022-00973-5. ISSN 1749-4893. S2CID 234358015.
    뉴스 기사:
    요약 보고서 레이아웃:
  28. ^ "'Artificial synapse' could make neural networks work more like brains". New Scientist. Retrieved August 21, 2022.
  29. ^ Onen, Murat; Emond, Nicolas; Wang, Baoming; Zhang, Difei; Ross, Frances M.; Li, Ju; Yildiz, Bilge; del Alamo, Jesús A. (July 29, 2022). "Nanosecond protonic programmable resistors for analog deep learning" (PDF). Science. 377 (6605): 539–543. Bibcode:2022Sci...377..539O. doi:10.1126/science.abp8064. ISSN 0036-8075. PMID 35901152. S2CID 251159631.
  30. ^ Davies, Mike; et al. (January 16, 2018). "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning". IEEE Micro. 38 (1): 82–99. doi:10.1109/MM.2018.112130359. S2CID 3608458.
  31. ^ Morris, John. "Why Intel built a neuromorphic chip". ZDNet. Retrieved August 17, 2018.
  32. ^ "Imec demonstrates self-learning neuromorphic chip that composes music". IMEC International. Retrieved October 1, 2019.
  33. ^ Bourzac, Katherine (May 23, 2017). "A Neuromorphic Chip That Makes Music". IEEE Spectrum. Retrieved October 1, 2019.
  34. ^ "Beyond von Neumann, Neuromorphic Computing Steadily Advances". HPCwire. March 21, 2016. Retrieved October 8, 2021.
  35. ^ "Taking Orders of Akida AI Processor Development Kits". October 21, 2021.
  36. ^ "First mini PCIexpress board with spiking neural network chip". January 19, 2022.
  37. ^ "002.08 N.I.C.E. Workshop 2014: Towards Intelligent Computing with Neuromemristive Circuits and Systems – Feb. 2014". digitalops.sandia.gov. Retrieved August 26, 2019.
  38. ^ C. 메르켈과 D. Kudithipudi, "패턴 분류를 위한 신경퇴행적 익스트림 학습기", ISVLSI, 2014.
  39. ^ Maan, A.K.; James, A.P.; Dimitrijev, S. (2015). "Memristor pattern recogniser: isolated speech word recognition". Electronics Letters. 51 (17): 1370–1372. Bibcode:2015ElL....51.1370M. doi:10.1049/el.2015.1428. hdl:10072/140989. S2CID 61454815.
  40. ^ Maan, Akshay Kumar; Kumar, Dinesh S.; James, Alex Pappachen (January 1, 2014). "Memristive Threshold Logic Face Recognition". Procedia Computer Science. 5th Annual International Conference on Biologically Inspired Cognitive Architectures, 2014 BICA. 41: 98–103. doi:10.1016/j.procs.2014.11.090.
  41. ^ Maan, A.K.; Kumar, D.S.; Sugathan, S.; James, A.P. (October 1, 2015). "Memristive Threshold Logic Circuit Design of Fast Moving Object Detection". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (10): 2337–2341. arXiv:1410.1267. doi:10.1109/TVLSI.2014.2359801. ISSN 1063-8210. S2CID 9647290.
  42. ^ James, A.P.; Francis, L.R.V.J.; Kumar, D.S. (January 1, 2014). "Resistive Threshold Logic". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 22 (1): 190–195. arXiv:1308.0090. doi:10.1109/TVLSI.2012.2232946. ISSN 1063-8210. S2CID 7357110.
  43. ^ James, A.P.; Kumar, D.S.; Ajayan, A. (November 1, 2015). "Threshold Logic Computing: Memristive-CMOS Circuits for Fast Fourier Transform and Vedic Multiplication". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (11): 2690–2694. arXiv:1411.5255. doi:10.1109/TVLSI.2014.2371857. ISSN 1063-8210. S2CID 6076956.
  44. ^ Caravelli; et al. (2017). "The complex dynamics of memristive circuits: analytical results and universal slow relaxation". Physical Review E. 95 (2): 022140. arXiv:1608.08651. Bibcode:2017PhRvE..95b2140C. doi:10.1103/PhysRevE.95.022140. PMID 28297937. S2CID 6758362.
  45. ^ a b Caravelli; et al. (2021). "Global minimization via classical tunneling assisted by collective force field formation". Science Advances. 7 (52): 022140. arXiv:1608.08651. Bibcode:2021SciA....7.1542C. doi:10.1126/sciadv.abh1542. PMID 28297937. S2CID 231847346.
  46. ^ Abraham, Isaac (July 20, 2018). "The case for rejecting the memristor as a fundamental circuit element". Scientific Reports. 8 (1): 10972. Bibcode:2018NatSR...810972A. doi:10.1038/s41598-018-29394-7. ISSN 2045-2322. PMC 6054652. PMID 30030498.
  47. ^ Sheldon, Forrest (2018). Collective Phenomena in Memristive Networks: Engineering phase transitions into computation. UC San Diego Electronic Theses and Dissertations.
  48. ^ Sarkar, Tanmoy; Lieberth, Katharina; Pavlou, Aristea; Frank, Thomas; Mailaender, Volker; McCulloch, Iain; Blom, Paul W. M.; Torriccelli, Fabrizio; Gkoupidenis, Paschalis (November 7, 2022). "An organic artificial spiking neuron for in situ neuromorphic sensing and biointerfacing". Nature Electronics. 5 (11): 774–783. doi:10.1038/s41928-022-00859-y. ISSN 2520-1131. S2CID 253413801.
  49. ^ "Artificial neurons emulate biological counterparts to enable synergetic operation". Nature Electronics. 5 (11): 721–722. November 10, 2022. doi:10.1038/s41928-022-00862-3. ISSN 2520-1131. S2CID 253469402.
  50. ^ 2015 Study Panel (September 2016). Artificial Intelligence and Life in 2030 (PDF). One Hundred Year Study on Artificial Intelligence (AI100) (Report). Stanford University. Archived from the original (PDF) on May 30, 2019. Retrieved December 26, 2019.{{cite report}}: CS1 main: 숫자 이름: 저자 목록 (링크)
  51. ^ a b European Commission (September 2012). "Special Eurobarometer 382: Public Attitudes Towards Robots" (PDF). European Commission.
  52. ^ a b Lim, Daniel (June 1, 2014). "Brain simulation and personhood: a concern with the Human Brain Project". Ethics and Information Technology. 16 (2): 77–89. doi:10.1007/s10676-013-9330-5. ISSN 1572-8439. S2CID 17415814.
  53. ^ Lavan. "Copyright in source code and digital products". Lavan. Retrieved May 10, 2019.
  54. ^ Eshraghian, Jason K. (March 9, 2020). "Human Ownership of Artificial Creativity". Nature Machine Intelligence. 2 (3): 157–160. doi:10.1038/s42256-020-0161-x. S2CID 215991449.

외부 링크

위키미디어 커먼즈에는 뉴로모픽 엔지니어링 관련 미디어가 있습니다.