مدل سخت افزاری برای نورون اتفاقی مبتنی بر پیوند تونل مغناطیسی در جریان های کمتر از جریان بحرانی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 234

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-13-1_002

تاریخ نمایه سازی: 29 دی 1400

چکیده مقاله:

نورون اتفاقی در شبکه های عصبی اهمیت زیادی دارد و یکی از مهم ترین مباحث در الگوریتم های یادگیری ماشین است. پژوهشگران همواره به پیاده سازی سخت افزاری شبکه های عصبی توجه ویژه داشته اند. پیاده سازی سخت افزاری شبکه های عصبی باعث افزایش چشم گیر کارایی و کاربرد شبکه های عصبی می شود؛ به همین دلیل، پیاده سازی سخت افزاری نورون اتفاقی نیز اهمیت زیادی دارد. در این مقاله با استفاده از ویژگی تغییر حالت احتمالی پیوند تونل مغناطیسی در جریان های کمتر از جریان بحرانی، یک مدل سخت افزاری برای نورون اتفاقی ارائه شده است. نتایج شبیه سازی مدل پیشنهادی با استفاده از نرم افزار HSpice نشان می دهند مدل پیشنهادی عملکردی مشابه توصیف ریاضی نورون اتفاقی دارد و خطای این مدل نسبت به توصیف ریاضی همواره کمتر از ۴.۸% است. همچنین، شبیه سازی در گوشه های فرآیند ساخت نشان می دهد این مدل حتی در حضور تغییرات فرایند ساخت نیز عملکرد پذیرفتنی داشته و میزان خطای آن نسبت به شبیه سازی ایدئال و مدل ریاضی به ترتیب کمتر از ۱۵.۴۶% و ۱۷.۴۳% است.

نویسندگان

عبداله امیرانی

دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه شهید بهشتی تهران، تهران، ایران

کیان جعفری

مدیر گروه الکترونیک، دانشکده مهندسی برق. دانشگاه شهید بهشتی، تهران، ایران

محمدحسین معیری

گروه الکترونیک، دانشکده مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S. Basu, R. Bryant, G. De Micheli, T. Theis and ...
  • A. Rezaeipanah, A. Mobaraki, and S. Bahrani Khademi, “Optimization of ...
  • M. Asyaei, “Low-Power Register File Design in ۹۰nm CMOS Technology”, ...
  • S. Bahram Beheshti Aval, V. Ahmadian, and E. Darvishan, “Damage ...
  • S. Shabani Zade Rabori, V. Khatibi Bardsiri, and A. Khatibi ...
  • Z. Moravej, A. Abdoos, and M. Pazoki, “An Intelligent Method ...
  • D. Shin and H. Yoo, "The Heterogeneous Deep Neural Network ...
  • S. Shabani Zade Rabori, V. Khatibi Bardsiri, and A. Khatibi ...
  • Z. Moravej, A. Abdoos, and M. Pazoki, “An Intelligent Method ...
  • S. Hu et al., "Associative memory realized by a reconfigurable ...
  • A. Sengupta and K. Roy, "A Vision for All-Spin Neural ...
  • A. Amirany and R. Rajaei, "Fully Nonvolatile and Low Power ...
  • S, Haykin, Neural Networks and Learning Machines, ۳rd ed., Prentice ...
  • S. Ikeda et al., "Tunnel magnetoresistance of ۶۰۴% at ۳۰۰K ...
  • J. Slonczewski, "Conductance and exchange coupling of two ferromagnets separated ...
  • R. Rajaei and A. Amirany, "Reliable, High-Performance, and Nonvolatile Hybrid ...
  • A. Amirany and R. Rajaei, "Spin-Based Fully Nonvolatile Full-Adder Circuit ...
  • Y. Qu, J. Han, B. Cockburn, W. Pedrycz, Y. Zhang ...
  • نمایش کامل مراجع