主要观点总结
本文主要介绍了一种新型的神经形态计算架构TEXEL芯片的设计、神经元与突触电路设计以及相关测试等内容。该架构旨在探索片上学习电路和新兴器件的集成，为大规模神经形态系统的开发提供一个多功能的实验平台。此外，文章还涵盖了相关研究的论文信息和上海昂维科技有限公司提供的微纳加工服务和测试分析等。
关键观点总结
关键观点1: 神经形态计算背景与动机
随着人工智能和深度学习的快速发展，计算架构的能耗问题日益凸显。神经形态计算作为一种模仿生物大脑神经元和突触结构的计算方式，通过脉冲神经网络（SNNs）实现高效计算，尤其适用于边缘计算、生物信号处理等应用场景。
关键观点2: TEXEL芯片的设计目标
TEXEL芯片的设计目标是探索大规模神经形态系统与新兴器件的集成，结合CMOS技术和新兴的两终端及三终端器件，实现片上学习功能和低功耗计算。
关键观点3: 混合信号架构与片上学习机制
该架构利用CMOS技术实现超低功耗的模拟神经元和突触，结合数字电路处理事件驱动的路由和网络可编程性。支持STDP和SRDP等学习机制，根据输入信号的时序和频率特性自动调整突触权重，实现自适应学习。
关键观点4: 神经元与突触电路设计
采用AdExLIF模型模拟生物神经元的动态行为，通过膜电位模块、阈值模块、指数模块等实现高效的脉冲生成和适应性调节。突触电路支持两种新兴器件的集成，通过差分配置存储二值权重，实现权重存储与更新。
关键观点5: 上海昂维科技有限公司的服务
上海昂维科技有限公司提供二维材料单晶和薄膜等耗材、器件和光刻掩膜版定制等微纳加工服务，以及各种测试分析。高质量h-BN单晶也是其服务之一。
免责声明
免责声明：本文内容摘要由平台算法生成，仅为信息导航参考，不代表原文立场或观点。
原文内容版权归原作者所有，如您为原作者并希望删除该摘要或链接，请通过
【版权申诉通道】联系我们处理。
微博登录
