TL;DR
- نویسندگان:.
- Muen Wang،.
- Shucheng Yang،.
چه اتفاقی افتاد
نویسندگان:. Muen Wang،.
Shucheng Yang،. Yuxiang Lin،.
Yuntian Gao،. Xue Zhang،.
Xiaoping Gao،. Minghui Niu،.
Huanli Liu،. Yikang Wan،.
Wei Peng،. Jie Ren چکیده:.
افزایش تقاضای انرژی هوش مصنوعی چالشی حیاتی برای محاسبات معمولی است. بهرهگیری از کارایی معماریهای نورومورفیک مبتنی بر رویداد و درون حافظه در مدارهای ابررسانا با سرعت فوقالعاده بالا.
و مزایای اتلاف توان کم،. راهحل امیدوارکنندهای برای محاسبات کم مصرف ارائه میدهد.
با این حال،. پتانسیل چنین راهحلی به دلیل عدم وجود یک واحد ابررسانا بنیادی که قابلیت برنامهریزی،.
حافظه محلی و انعطاف پذیری چندمقیاس را متحد میکند،. هنوز محقق نشده است.
در اینجا،. ما یک نورون قابل برنامهریزی مبتنی بر اتصال جوزفسون نشتی ادغام و آتش (LIF) را معرفی می.
کنیم که دارای حافظه استاتیک ذاتی و قابلیت برنامهریزی دقیق با رمزگذاری سوماتیک و سیناپسی است. پارامترها بهطور مستقیم در جریان بایاس.
این نورون همچنین قادر به انعطاف پذیری در مقیاس زمانی دوگانه است:. مدولاسیون کوتاه مدت انتقال سنبله در مقیاس پیکوثانیه و حفظ وزن طولانی مدت بیش از 10000 ثانیه،.
که هم سازگاری سریع زمانی و هم ذخیره وزن قوی را تسهیل میکند. این میتواند تا 45 گیگاهرتز با اتلاف انرژی در سطح فمتوژول در هر سنبله کار کند و.
از 10 سطح آستانه سوماتیک و 20 حالت سیناپسی پشتیبانی میکند. علاوه بر این،.
ما یک شبکه عصبی spiking مبتنی بر crossbar (SNN) را نشان میدهیم که از این نورون استفاده میکند،. که عملکرد فوقالعادهای را در چندین کار به دست میآورد.
با ادغام محاسبات،. حافظه و پلاستیسیته در یک واحد ابررسانا،.
کار ما راه را برای نسل بعدی محاسبات نورومورفیک فوق سریع و کارآمد هموار میکند. فناوریهای نوظهور (cs.
ET) استناد بهعنوان: (یا v2 [cs. ET] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite تاریخچه ارسال از:. Muen Wang [مشاهده ایمیل] [v1] پنجشنبه،.
5 مارس 2026،. 09:.
02:. 09 UTC (1,.
560 KB) [v2] یکشنبه،. 5 آوریل 2026،.
06:. 59:.
24 UTC (1,. 919 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.