高效的神经形态的发展与新兴内存设备计算

brain-inspired快速发展的研究领域(神经形态)计算旨在解决现代计算的挑战,如内存墙问题(有限的CPU和内存)之间的数据传输,数据密集型应用程序的人工智能和物联网的时代。神经形态计算引起了强烈的利益因其大规模并行性、高能源效率和认知功能。不同类型的新兴技术的解决方案,如charge-based和抗记忆设备,提供独特的功能行为模拟人工神经突触和神经细胞,并提供独特的机会实现内存神经形态计算系统在电路设计和建筑水平。

该研究课题旨在提供尖端研究的最新进展和发展新兴brain-inspired神经形态中的内存技术与应用程序计算。研究主题集中在不同的存储设备的功能潜力来模拟生物神经元突触和内存计算的各种功能。更具体地说,本研究主题的兴趣包括不同的仿真或实验实现brain-inspired原语,电路,计算系统和神经网络。先进的神经形态内存设备应用的创新也研究课题的范围内。探索人工神经元和突触的高效实现,和他们的集成电路和建筑水平的发展是至关重要的高效未来神经形态系统。

我们邀请小说手稿报告研究结果(实验、数值和理论)与新兴记忆神经形态计算设备。为了这个目的,我们欢迎文章解决(但不限于)以下:

——新的内存设备制造技术促进神经形态系统实现,可变性和耐力的极限内存设备上的见解/神经形态电路系统和新见解在内存设备基础神经形态设计挑战系统
-设计人工突触和神经的原语利用charge-based内存设备和抗内存设备,例如,电阻随机存取存储器(ReRAM),相变内存(PCM),自旋转移力矩磁电阻随机存取存储器(STT-MRAM),铁电场效应晶体管(FeFET),铁电隧道结(FTJ),等等。
——小说计算系统利用新兴内存设备属性和device-circuit-architecture-algorithm合作设计与新兴内存技术。
硬件相关神经形态实现的——我们也征求评论,观点自然,过去、现在和未来神经形态实现的和建设性的评论具体的论文或工作。