Advances in Neuromorphic Hardware Exploiting Emerging Nanoscale Devices

این کتاب تمام جنبه‌های اصلی تحقیقات پیشرفته در زمینه مهندسی سخت‌افزار نورومورفیک شامل دستگاه‌های نوظهور در مقیاس نانو را پوشش می‌دهد. تاکید ویژه به کارهای پیشرو در طراحی ترکیبی کم مصرف CMOS-Nanodevice داده شده است. این کتاب به خوانندگان دیدگاهی دو طرفه (از بالا به پایین و پایین به بالا) در طراحی سخت افزار کارآمد الهام گرفته از زیستی ارائه می دهد. در سطح نانودستگاه، بر روی طعم‌های مختلف فناوری حافظه مقاومتی نوظهور (RRAM) تمرکز دارد. در سطح الگوریتم، به پیاده سازی های بهینه پارادایم های یادگیری نظارت شده و تصادفی مانند: انعطاف پذیری وابسته به زمان (STDP)، تقویت طولانی مدت (LTP)، افسردگی طولانی مدت (LTD)، ماشین های یادگیری شدید (ELM) می پردازد. و استفاده اولیه از ماشین‌های محدود بولتزمن (RBM) برای نام بردن از چند مورد. مشارکت‌ها در مورد مبادلات قدرت/انرژی/انگلی در سطح سیستم و کاربردهای پیچیده دنیای واقعی بحث می‌کنند. این کتاب برای محققان پیشرفته و دانشجویان علاقه مند به این رشته مناسب است.

This book covers all major aspects of cutting-edge research in the field of neuromorphic hardware engineering involving emerging nanoscale devices. Special emphasis is given to leading works in hybrid low-power CMOS-Nanodevice design. The book offers readers a bidirectional (top-down and bottom-up) perspective on designing efficient bio-inspired hardware. At the nanodevice level, it focuses on various flavors of emerging resistive memory (RRAM) technology. At the algorithm level, it addresses optimized implementations of supervised and stochastic learning paradigms such as: spike-time-dependent plasticity (STDP), long-term potentiation (LTP), long-term depression (LTD), extreme learning machines (ELM) and early adoptions of restricted Boltzmann machines (RBM) to name a few. The contributions discuss system-level power/energy/parasitic trade-offs, and complex real-world applications. The book is suited for both advanced researchers and students interested in the field.