Neuro-inspired Computing Using Resistive Synaptic Devices

این کتاب پیشرفت‌های اخیر را در پیاده‌سازی سخت‌افزار محاسبات الهام‌گرفته از نورون با استفاده از دستگاه‌های سیناپسی مقاومتی خلاصه می‌کند. نویسندگان توضیح می‌دهند که چگونه حافظه‌های مقاومتی حالت جامد دو پایانه می‌توانند وزن‌های سیناپسی را در یک شبکه عصبی تقلید کنند. خوانندگان از خلاصه‌های پیشرفته دستگاه‌های سیناپسی مقاومتی، از ویژگی‌های سلولی منفرد گرفته تا ادغام آرایه در مقیاس بزرگ، بهره‌مند خواهند شد. این کتاب همچنین چالش‌های طراحی مدارهای عصبی محیطی و استراتژی‌های طراحی را مورد بحث قرار می‌دهد. در نهایت، نویسندگان تأثیر ویژگی‌های غیر ایده‌آل دستگاه (مانند نویز، تغییرات، تسلیم) و تأثیر آن‌ها بر عملکرد یادگیری در سطح سیستم را با استفاده از روش طراحی هم‌زمان دستگاه-الگوریتم توصیف می‌کنند.

This book summarizes the recent breakthroughs in hardware implementation of neuro-inspired computing using resistive synaptic devices. The authors describe how two-terminal solid-state resistive memories can emulate synaptic weights in a neural network. Readers will benefit from state-of-the-art summaries of resistive synaptic devices, from the individual cell characteristics to the large-scale array integration. This book also discusses peripheral neuron circuits design challenges and design strategies. Finally, the authors describe the impact of device non-ideal properties (e.g. noise, variation, yield) and their impact on the learning performance at the system-level, using a device-algorithm co-design methodology.