La ingeniería neuromórfica , también conocida como computación neuromórfica , [1] [2] [3] es el uso de sistemas de integración a muy gran escala (VLSI) que contienen circuitos electrónicos analógicos para imitar las arquitecturas neurobiológicas presentes en el sistema nervioso. [4] [5] Recientemente, el término neuromórfico se ha utilizado para describir sistemas de software y VLSI analógicos, digitales, analógicos / digitales de modo mixto que implementan modelos de sistemas neuronales (para percepción , control motor o integración multisensorial). La implementación de la computación neuromórfica a nivel de hardware se puede realizar mediante memristores basados en óxido , [6] memorias espintrónicas, interruptores de umbral y transistores . [7] [5]
Un aspecto clave de la ingeniería neuromórfica es comprender cómo la morfología de neuronas individuales, circuitos, aplicaciones y arquitecturas generales crea cálculos deseables, afecta la forma en que se representa la información, influye en la robustez del daño, incorpora el aprendizaje y el desarrollo, se adapta al cambio local (plasticidad), y facilita el cambio evolutivo.
La ingeniería neuromórfica es una materia interdisciplinaria que se inspira en la biología , la física , las matemáticas , la informática y la ingeniería electrónica [5] para diseñar sistemas neuronales artificiales, como sistemas de visión , sistemas de cabeza y ojo, procesadores auditivos y robots autónomos, cuya Los principios de arquitectura y diseño se basan en los de los sistemas nerviosos biológicos. [8] Fue desarrollado por Carver Mead [9] a finales de la década de 1980.
Inspiración neurológica
La ingeniería neuromórfica se distingue por la inspiración que toma de lo que sabemos sobre la estructura y las operaciones del cerebro. La ingeniería neuromórfica traduce lo que sabemos sobre la función del cerebro en sistemas informáticos. El trabajo se ha centrado principalmente en replicar la naturaleza analógica de la computación biológica y el papel de las neuronas en la cognición.
Los procesos biológicos de las neuronas y sus sinapsis son tremendamente complejos y, por tanto, muy difíciles de simular artificialmente. Una característica clave de los cerebros biológicos es que todo el procesamiento de las neuronas utiliza señales químicas analógicas. Esto dificulta la reproducción de cerebros en las computadoras porque la generación actual de computadoras es completamente digital. Sin embargo, las características de estas partes se pueden resumir en funciones matemáticas que capturan de cerca la esencia de las operaciones de la neurona.
El objetivo de la computación neuromórfica no es imitar perfectamente el cerebro y todas sus funciones, sino extraer lo que se conoce de su estructura y operaciones para utilizarlo en un sistema de computación práctico. Ningún sistema neuromórfico pretende ni intenta reproducir todos los elementos de las neuronas y sinapsis, pero todos se adhieren a la idea de que la computación está altamente distribuida a través de una serie de pequeños elementos de computación análogos a una neurona. Si bien este sentimiento es estándar, los investigadores persiguen este objetivo con diferentes métodos. [10]
Ejemplos de
Ya en 2006, los investigadores de Georgia Tech publicaron una matriz neuronal programable de campo. [11] Este chip fue el primero en una línea de arreglos cada vez más complejos de transistores de puerta flotante que permitieron la programabilidad de carga en las puertas de los MOSFET para modelar las características de iones de canal de las neuronas en el cerebro y fue uno de los primeros casos de un matriz de silicio programable de neuronas.
En noviembre de 2011, un grupo de investigadores del MIT creó un chip de computadora que imita la comunicación analógica basada en iones en una sinapsis entre dos neuronas utilizando 400 transistores y técnicas de fabricación CMOS estándar . [12] [13]
En junio de 2012, espintrónicos investigadores de la Universidad de Purdue, presentaron un documento en el diseño de un chip neuromórfico usando válvulas de espín laterales y memristors . Argumentan que la arquitectura funciona de manera similar a las neuronas y, por lo tanto, puede usarse para probar métodos de reproducción del procesamiento del cerebro. Además, estos chips son significativamente más eficientes energéticamente que los convencionales. [14]
La investigación en HP Labs sobre memristores Mott ha demostrado que, si bien pueden ser no volátiles , el comportamiento volátil exhibido a temperaturas significativamente por debajo de la temperatura de transición de fase se puede explotar para fabricar un neuristor , [15] un dispositivo de inspiración biológica que imita el comportamiento encontrado en neuronas. [15] En septiembre de 2013, presentaron modelos y simulaciones que muestran cómo el comportamiento de picos de estos neuristores se puede utilizar para formar los componentes necesarios para una máquina de Turing . [dieciséis]
Neurogrid , construido por Brains in Silicon en la Universidad de Stanford , [17] es un ejemplo de hardware diseñado utilizando principios de ingeniería neuromórfica. La placa de circuito está compuesta por 16 chips de diseño personalizado, denominados NeuroCores. Cada circuito analógico de NeuroCore está diseñado para emular elementos neuronales para 65536 neuronas, maximizando la eficiencia energética. Las neuronas emuladas se conectan mediante circuitos digitales diseñados para maximizar el rendimiento de los picos. [18] [19]
Un proyecto de investigación con implicaciones para la ingeniería neuromórfica es el Proyecto Cerebro Humano, que intenta simular un cerebro humano completo en una supercomputadora utilizando datos biológicos. Está integrado por un grupo de investigadores en neurociencia, medicina e informática. [20] Henry Markram , codirector del proyecto, ha declarado que el proyecto propone establecer una base para explorar y comprender el cerebro y sus enfermedades, y utilizar ese conocimiento para construir nuevas tecnologías informáticas. Los tres objetivos principales del proyecto son comprender mejor cómo las piezas del cerebro encajan y funcionan juntas, comprender cómo diagnosticar y tratar objetivamente las enfermedades cerebrales y utilizar la comprensión del cerebro humano para desarrollar computadoras neuromórficas. El hecho de que la simulación de un cerebro humano completo requiera una supercomputadora mil veces más poderosa que la actual estimula el enfoque actual en las computadoras neuromórficas. [21] La Comisión Europea ha asignado al proyecto 1.300 millones de dólares . [22]
Otra investigación con implicaciones para la ingeniería neuromórfica involucra la Iniciativa BRAIN [23] y el chip TrueNorth de IBM . [24] También se han demostrado dispositivos neuromórficos utilizando nanocristales, nanocables y polímeros conductores. [25]
Intel dio a conocer su chip de investigación neuromórfica, llamado " Loihi ", en octubre de 2017. El chip utiliza una red neuronal de picos asíncrona (SNN) para implementar cálculos paralelos de grano fino adaptativos y automodificables controlados por eventos que se utilizan para implementar el aprendizaje y la inferencia con alta eficiencia. . [26] [27]
IMEC , un centro de investigación de nanoelectrónica con sede en Bélgica, demostró el primer chip neuromórfico de autoaprendizaje del mundo. El chip inspirado en el cerebro, basado en la tecnología OxRAM, tiene la capacidad de autoaprendizaje y se ha demostrado que tiene la capacidad de componer música. [28] IMEC lanzó la melodía de 3 segundos compuesta por el prototipo. El chip se cargó secuencialmente con canciones con la misma marca de tiempo y estilo. Las canciones eran viejos minuetos de flauta belgas y franceses, de los cuales el chip aprendía las reglas del juego y luego las aplicaba. [29]
La Unión Europea financió una serie de proyectos en la Universidad de Heidelberg, que llevaron al desarrollo de BrainScaleS. BrainScaleS utiliza circuitos analógicos por encima del umbral para implementar modelos físicos de procesos neuronales. Los circuitos utilizados aquí funcionan a velocidades biológicas 10.000 veces superiores. BrainScaleS también utiliza la integración a escala de obleas para adaptarse a la mayor velocidad de los circuitos analógicos interconectados.
El Blue Brain Project, dirigido por Henry Markram, tiene como objetivo construir simulaciones y reconstrucciones digitales biológicamente detalladas del cerebro del ratón. El Blue Brain Project ha creado modelos in silico de cerebros de roedores, mientras intenta replicar tantos detalles sobre su biología como sea posible. Las simulaciones basadas en supercomputadoras ofrecen nuevas perspectivas para comprender la estructura y las funciones del cerebro.
Consideraciones éticas
Si bien el concepto interdisciplinario de ingeniería neuromórfica es relativamente nuevo, muchas de las mismas consideraciones éticas se aplican a los sistemas neuromórficos que se aplican a las máquinas similares a los humanos y la inteligencia artificial en general. Sin embargo, el hecho de que los sistemas neuromórficos estén diseñados para imitar un cerebro humano da lugar a cuestiones éticas únicas en torno a su uso.
Sin embargo, el debate práctico es que el hardware neuromórfico, así como las "redes neuronales" artificiales, son modelos inmensamente simplificados de cómo el cerebro opera o procesa la información con una complejidad mucho menor en términos de tamaño y tecnología funcional y una estructura mucho más regular en términos de Conectividad Comparar chips neuromórficos con el cerebro es una comparación muy burda, similar a comparar un avión con un pájaro solo porque ambos tienen alas y cola. El hecho es que los sistemas cognitivos neuronales son muchos órdenes de magnitud más eficientes en cuanto a energía y computación que la IA de última generación y la ingeniería neuromórfica es un intento de reducir esta brecha inspirándose en el mecanismo del cerebro al igual que muchos diseños de ingeniería tienen biografías. -Características inspiradas.
Preocupaciones democráticas
Se pueden imponer importantes limitaciones éticas a la ingeniería neuromórfica debido a la percepción pública. [30] Eurobarómetro especial 382: Actitudes públicas hacia los robots, una encuesta realizada por la Comisión Europea, encontró que el 60% de los ciudadanos de la Unión Europea deseaba prohibir los robots en el cuidado de niños, ancianos o discapacitados. Además, el 34% estaba a favor de la prohibición de los robots en la educación, el 27% en la atención médica y el 20% en el ocio. La Comisión Europea clasifica estas áreas como notablemente "humanas". El informe cita una mayor preocupación pública por los robots que pueden imitar o replicar funciones humanas. La ingeniería neuromórfica, por definición, está diseñada para replicar una función humana: la función del cerebro humano. [31]
Es probable que las preocupaciones democráticas que rodean a la ingeniería neuromórfica se vuelvan aún más profundas en el futuro. La Comisión Europea descubrió que los ciudadanos de la UE de entre 15 y 24 años son más propensos a pensar en los robots como seres humanos (en lugar de instrumentos) que los ciudadanos de la UE mayores de 55 años. Cuando se les presentó una imagen de un robot que había sido definido como humano, el 75% de los ciudadanos de la UE de entre 15 y 24 años dijo que se correspondía con la idea que tenían de los robots, mientras que solo el 57% de los ciudadanos de la UE mayores de 55 respondieron de la misma manera. La naturaleza humana de los sistemas neuromórficos, por lo tanto, podría colocarlos en las categorías de robots que muchos ciudadanos de la UE quisieran que se prohibieran en el futuro. [31]
Personalidad
A medida que los sistemas neuromórficos se han vuelto cada vez más avanzados, algunos académicos han abogado por otorgar derechos de personalidad a estos sistemas. Si el cerebro es lo que otorga a los humanos su personalidad, ¿hasta qué punto un sistema neuromórfico tiene que imitar al cerebro humano para que se le otorguen los derechos de persona? Los críticos del desarrollo de tecnología en el Proyecto Cerebro Humano , que tiene como objetivo promover la computación inspirada en el cerebro, han argumentado que el avance en la computación neuromórfica podría conducir a la conciencia de la máquina o la personalidad. [32] Si estos sistemas deben ser tratados como personas, argumentan los críticos, entonces muchas tareas que los humanos realizan utilizando sistemas neuromórficos, incluido el acto de terminación de sistemas neuromórficos, pueden ser moralmente inadmisibles ya que estos actos violarían la autonomía de los sistemas neuromórficos. [33]
Uso dual (aplicaciones militares)
El Centro Conjunto de Inteligencia Artificial , una rama del ejército de EE. UU., Es un centro dedicado a la adquisición e implementación de software de inteligencia artificial y hardware neuromórfico para uso en combate. Las aplicaciones específicas incluyen auriculares / gafas inteligentes y robots. JAIC tiene la intención de depender en gran medida de la tecnología neuromórfica para conectar "cada luchador, cada tirador" dentro de una red de unidades habilitadas para neuromorfos.
Consideraciones legales
Los escépticos han argumentado que no hay forma de aplicar la personalidad electrónica, el concepto de personalidad que se aplicaría a la tecnología neuromórfica, legalmente. En una carta firmada por 285 expertos en derecho, robótica, medicina y ética que se oponen a la propuesta de la Comisión Europea de reconocer a los "robots inteligentes" como personas jurídicas, los autores escriben: "El estatus legal de un robot no puede derivar de la persona física modelo, ya que el robot tendría entonces derechos humanos , como el derecho a la dignidad, el derecho a su integridad, el derecho a una remuneración o el derecho a la ciudadanía, enfrentando así directamente los Derechos Humanos. Esto estaría en contradicción con la Carta de los Derechos Fundamentales de la Unión Europea y el Convenio para la Protección de los Derechos Humanos y las Libertades Fundamentales ". [34]
Propiedad y derechos de propiedad
Existe un importante debate legal en torno a los derechos de propiedad y la inteligencia artificial. En Acohs Pty Ltd contra Ucorp Pty Ltd , el juez Christopher Jessup del Tribunal Federal de Australia determinó que el código fuente de las hojas de datos de seguridad de materiales no podía tener derechos de autor, ya que fue generado por una interfaz de software en lugar de un autor humano. [35] La misma pregunta puede aplicarse a los sistemas neuromórficos: si un sistema neuromórfico imita con éxito un cerebro humano y produce una obra original, ¿quién, si es que hay alguien, debería poder reclamar la propiedad de la obra?
Sistemas neuromemristivos
Los sistemas neuromemristivos son una subclase de sistemas informáticos neuromórficos que se centran en el uso de memristores para implementar la neuroplasticidad . Mientras que la ingeniería neuromórfica se centra en imitar el comportamiento biológico, los sistemas neuromemristivos se centran en la abstracción. [36] Por ejemplo, un sistema neuromemristivo puede reemplazar los detalles del comportamiento de un microcircuito cortical con un modelo de red neuronal abstracto. [37]
Existen varias funciones lógicas de umbral inspiradas en neuronas [6] implementadas con memristores que tienen aplicaciones en aplicaciones de reconocimiento de patrones de alto nivel . Algunas de las aplicaciones reportadas recientemente incluyen reconocimiento de voz , [38] reconocimiento facial [39] y reconocimiento de objetos . [40] También encuentran aplicaciones en la sustitución de puertas lógicas digitales convencionales. [41] [42]
Para circuitos memristivos pasivos ideales hay una ecuación exacta (ecuación de Caravelli-Traversa- Di Ventra ) para la memoria interna del circuito: [43]
en función de las propiedades de la red memristiva física y de las fuentes externas. En la ecuación anterior, es la constante de escala de tiempo de "olvido", y es la relación entre los valores de apagado y encendido de las resistencias límite de los memristores, es el vector de las fuentes del circuito y es un proyector sobre los bucles fundamentales del circuito. El constantetiene la dimensión de un voltaje y está asociado a las propiedades del memristor ; su origen físico es la movilidad de la carga en el conductor. La matriz diagonal y el vector y respectivamente, son en cambio el valor interno de los memristores, con valores entre 0 y 1. Por lo tanto, esta ecuación requiere agregar restricciones adicionales en los valores de memoria para ser confiable.
Ver también
- Acelerador de IA
- Cerebro artificial
- Biomórfico
- Computadora cognitiva
- Computación y sistemas neuronales
- Programación diferenciable
- Neurorobótica
- Sensor de flujo óptico
- Red neuronal física
- Espinaquer
- SyNAPSE
- Chip de visión
- Unidad de procesamiento de visión
- Zeroth (software)
Referencias
- ^ Monroe, D. (2014). "La computación neuromórfica se prepara para el (realmente) gran momento". Comunicaciones de la ACM . 57 (6): 13-15. doi : 10.1145 / 2601069 . S2CID 20051102 .
- ^ Zhao, WS; Agnus, G .; Derycke, V .; Filoramo, A .; Bourgoin, J. -P .; Gamrat, C. (2010). "Arquitectura de barra transversal basada en dispositivos de nanotubos: Hacia la computación neuromórfica" . Nanotecnología . 21 (17): 175202. Código Bibliográfico : 2010Nanot..21q5202Z . doi : 10.1088 / 0957-4484 / 21/17/175202 . PMID 20368686 .
- ^ El proyecto del cerebro humano SP 9: plataforma de computación neuromórfica en YouTube
- ^ Mead, Carver (1990). "Sistemas electrónicos neuromórficos" (PDF) . Actas del IEEE . 78 (10): 1629–1636. doi : 10.1109 / 5.58356 .
- ^ a b c "Circuitos neuromórficos con modulación neuronal que mejoran el contenido de información de la señalización neuronal | Conferencia internacional sobre sistemas neuromórficos 2020". doi : 10.1145 / 3407197.3407204 . S2CID 220794387 . Cite journal requiere
|journal=
( ayuda ) - ^ a b Maan, AK; Jayadevi, DA; James, AP (1 de enero de 2016). "Un estudio de circuitos lógicos de umbral Memristive". Transacciones IEEE en redes neuronales y sistemas de aprendizaje . PP (99): 1734-1746. arXiv : 1604.07121 . Código bibliográfico : 2016arXiv160407121M . doi : 10.1109 / TNNLS.2016.2547842 . ISSN 2162-237X . PMID 27164608 . S2CID 1798273 .
- ^ Zhou, usted; Ramanathan, S. (1 de agosto de 2015). "Mott Memory and Neuromorphic Devices" . Actas del IEEE . 103 (8): 1289-1310. doi : 10.1109 / JPROC.2015.2431914 . ISSN 0018-9219 . S2CID 11347598 .
- ^ Boddhu, SK; Gallagher, JC (2012). "Análisis de descomposición funcional cualitativa de controladores de vuelo neuromórficos evolucionados" . Inteligencia Computacional Aplicada y Soft Computing . 2012 : 1–21. doi : 10.1155 / 2012/705483 .
- ^ Mead, Carver. "sitio web de Carver Mead" . carvermead .
- ^ Furber, Steve (2016). "Sistemas informáticos neuromórficos a gran escala" . Revista de Ingeniería Neural . 13 : 1-15. doi : 10.1088 / 1741-2560 / 13/5/051001 .
- ^ Farquhar, Ethan; Hasler, Paul. (Mayo de 2006). Una matriz neuronal programable en campo . Simposio internacional IEEE sobre circuitos y sistemas . págs. 4114–4117. doi : 10.1109 / ISCAS.2006.1693534 . ISBN 978-0-7803-9389-9. S2CID 206966013 .
- ^ "El MIT crea un" chip cerebral " " . Consultado el 4 de diciembre de 2012 .
- ^ Poon, Chi-Sang; Zhou, Kuan (2011). "Neuronas de silicio neuromórficas y redes neuronales a gran escala: desafíos y oportunidades" . Fronteras en neurociencia . 5 : 108. doi : 10.3389 / fnins.2011.00108 . PMC 3181466 . PMID 21991244 .
- ^ Sharad, Mrigank; Agustín, Carlos; Panagopoulos, Georgios; Roy, Kaushik (2012). "Propuesta de hardware neuromórfico con dispositivos de giro". arXiv : 1206.3227 [ cond-mat.dis-nn ].
- ^ a b Pickett, MD; Medeiros-Ribeiro, G .; Williams, RS (2012). "Un neuristor escalable construido con memristores Mott" . Materiales de la naturaleza . 12 (2): 114–7. Código bibliográfico : 2013NatMa..12..114P . doi : 10.1038 / nmat3510 . PMID 23241533 . S2CID 16271627 .
- ^ Matthew D Pickett & R Stanley Williams (septiembre de 2013). "Las transiciones de fase permiten la universalidad computacional en autómatas celulares basados en neuristores". Nanotecnología . IOP Publishing Ltd. 24 (38). 384002. Código Bibliográfico : 2013Nanot..24L4002P . doi : 10.1088 / 0957-4484 / 24/38/384002 . PMID 23999059 .
- ^ Boahen, Kwabena (24 de abril de 2014). "Neurogrid: un sistema multichip mixto analógico-digital para simulaciones neuronales a gran escala". Actas del IEEE . 102 (5): 699–716. doi : 10.1109 / JPROC.2014.2313565 . S2CID 17176371 .
- ^ Waldrop, M. Mitchell (2013). "Neuroelectrónica: conexiones inteligentes" . Naturaleza . 503 (7474): 22–4. Código Bib : 2013Natur.503 ... 22W . doi : 10.1038 / 503022a . PMID 24201264 .
- ^ Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R .; Bussat, Jean-Marie; Álvarez-Icaza, Rodrigo; Arthur, John V .; Merolla, Paul A .; Boahen, Kwabena (2014). "Neurogrid: un sistema multichip mixto analógico-digital para simulaciones neuronales a gran escala". Actas del IEEE . 102 (5): 699–716. doi : 10.1109 / JPROC.2014.2313565 . S2CID 17176371 .
- ^ "Organizaciones involucradas" . Archivado desde el original el 2 de marzo de 2013 . Consultado el 22 de febrero de 2013 .
- ^ "Proyecto del cerebro humano" . Consultado el 22 de febrero de 2013 .
- ^ "El proyecto del cerebro humano y reclutamiento de más ciberguerreros" . 29 de enero de 2013 . Consultado el 22 de febrero de 2013 .
- ^ Computación neuromórfica: la máquina de un alma nueva , The Economist, 2013-08-03
- ^ Modha, Dharmendra (agosto de 2014). "Un circuito integrado de un millón de neuronas en punta con una red e interfaz de comunicación escalables". Ciencia . 345 (6197): 668–673. Código Bibliográfico : 2014Sci ... 345..668M . doi : 10.1126 / science.1254642 . PMID 25104385 . S2CID 12706847 .
- ^ Fairfield, Jessamyn (1 de marzo de 2017). "Máquinas más inteligentes" (PDF) .
- ^ Davies, Mike; et al. (16 de enero de 2018). "Loihi: un procesador Manycore neuromórfico con aprendizaje en chip". IEEE Micro . 38 (1): 82–99. doi : 10.1109 / MM.2018.112130359 . S2CID 3608458 .
- ^ Morris, John. "Por qué Intel construyó un chip neuromórfico" . ZDNet . Consultado el 17 de agosto de 2018 .
- ^ "Imec demuestra chip neuromórfico de autoaprendizaje que compone música" . IMEC Internacional . Consultado el 1 de octubre de 2019 .
- ^ Bourzac, Katherine. "Un chip neuromórfico que hace música" . Espectro IEEE . Consultado el 1 de octubre de 2019 .
- ^ Panel de estudio de 2015 (septiembre de 2016). Inteligencia artificial y vida en 2030 (PDF) . Estudio de cien años sobre inteligencia artificial (AI100) (Informe). Universidad Stanford.
- ^ a b Comisión Europea (septiembre de 2012). "Eurobarómetro especial 382: Actitudes públicas hacia los robots" (PDF) . Comisión Europea .
- ^ Aicardi, Christine (septiembre de 2018). "Desarrollo tecnológico de acompañamiento en el Proyecto Cerebro Humano: de la prospectiva a la gestión ética" . Futuros . 102 : 114-124. doi : 10.1016 / j.futures.2018.01.005 .
- ^ Lim, Daniel (1 de junio de 2014). "Simulación del cerebro y personalidad: una preocupación con el Proyecto Cerebro Humano". Ética y Tecnología de la Información . 16 (2): 77–89. doi : 10.1007 / s10676-013-9330-5 . ISSN 1572-8439 . S2CID 17415814 .
- ^ "Robotics Openletter | Carta abierta a la Comisión Europea" (en francés) . Consultado el 10 de mayo de 2019 .
- ^ Lavan. "Copyright en código fuente y productos digitales" . Lavan . Consultado el 10 de mayo de 2019 .
- ^ "002.08 Taller NICE 2014: Hacia la Computación Inteligente con Circuitos y Sistemas Neuromemristivos - Febrero de 2014" . digitalops.sandia.gov . Consultado el 26 de agosto de 2019 .
- ^ C. Merkel y D. Kudithipudi, "Máquinas neuromemristivas de aprendizaje extremo para la clasificación de patrones", ISVLSI, 2014.
- ^ Maan, AK; James, AP; Dimitrijev, S. (2015). "Reconocimiento de patrones de memristor: reconocimiento de palabras de voz aisladas" . Cartas de electrónica . 51 (17): 1370-1372. doi : 10.1049 / el.2015.1428 . hdl : 10072/140989 . S2CID 61454815 .
- ^ Maan, Akshay Kumar; Kumar, Dinesh S .; James, Alex Pappachen (1 de enero de 2014). "Reconocimiento facial de lógica de umbral memristivo" . Procedia Informática . Quinta Conferencia Internacional Anual sobre Arquitecturas Cognitivas de Inspiración Biológica, 2014 BICA. 41 : 98-103. doi : 10.1016 / j.procs.2014.11.090 .
- ^ Maan, AK; Kumar, DS; Sugathan, S .; James, AP (1 de octubre de 2015). "Diseño de circuito lógico de umbral memristivo de detección de objetos en movimiento rápido". Transacciones IEEE en sistemas de integración a gran escala (VLSI) . 23 (10): 2337–2341. arXiv : 1410.1267 . doi : 10.1109 / TVLSI.2014.2359801 . ISSN 1063-8210 . S2CID 9647290 .
- ^ James, AP; Francis, LRVJ; Kumar, DS (1 de enero de 2014). "Lógica de umbral resistivo". Transacciones IEEE en sistemas de integración a gran escala (VLSI) . 22 (1): 190-195. arXiv : 1308.0090 . doi : 10.1109 / TVLSI.2012.2232946 . ISSN 1063-8210 . S2CID 7357110 .
- ^ James, AP; Kumar, DS; Ajayan, A. (1 de noviembre de 2015). "Computación lógica de umbral: circuitos memristive-CMOS para transformada rápida de Fourier y multiplicación védica". Transacciones IEEE en sistemas de integración a gran escala (VLSI) . 23 (11): 2690–2694. arXiv : 1411.5255 . doi : 10.1109 / TVLSI.2014.2371857 . ISSN 1063-8210 . S2CID 6076956 .
- ^ Caravelli; et al. (2017). "La dinámica compleja de los circuitos memristivos: resultados analíticos y relajación lenta universal". Revisión E física . 95 (2): 022140. arXiv : 1608.08651 . Código bibliográfico : 2017PhRvE..95b2140C . doi : 10.1103 / PhysRevE.95.022140 . PMID 28297937 . S2CID 6758362 .
enlaces externos
- Taller de ingeniería neuromórfica de telururo
- Taller de ingeniería neuromórfica cognitiva de CapoCaccia
- Instituto de Ingeniería Neuromórfica
- Sitio de noticias del INE .
- Frontiers in Neuromorphic Engineering Journal
- Departamento de Computación y Sistemas Neurales del Instituto de Tecnología de California .
- Sitio oficial del Proyecto Cerebro Humano
- Construyendo un cerebro de silicio: los chips de computadora basados en neuronas biológicas pueden ayudar a simular modelos cerebrales más grandes y complejos. 1 de mayo de 2019. SANDEEP RAVINDRAN