دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Shimeng Yu
سری:
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 267
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 16 مگابایت
در صورت تبدیل فایل کتاب Neuro-inspired Computing Using Resistive Synaptic Devices به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب محاسبات الهام گرفته از نورون با استفاده از دستگاه های سیناپسی مقاومتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب پیشرفتهای اخیر در پیادهسازی سختافزار محاسبات الهامگرفته از عصبی با استفاده از دستگاههای سیناپسی مقاومتی را 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.