关于这个研究课题
传统计算系统在能源效率方面所面临的挑战和大规模数据处理在处理大数据在不同的应用程序。挑战主要来自冯·诺依曼架构的处理器中使用系统内存中,中央处理单元分离,导致冯诺依曼瓶颈。
神经形态计算系统是一种新颖的和有前途的候选人为克服传统计算系统采用的局限性和模仿人类大脑神经网络的并行处理方法。神经工程研究领域跨越广泛的研究领域和层材料和设备系统和算法。然而,为了开发和实现能源高效的神经形态计算系统,它是必要的,可以把每个研究领域层和构建作为一个整体系统。尽管已经有许多主题在不同层次的研究,集成层之间的研究的重要性,例如,基于新兴突触设备阵列电路,用于构建神经形态系统尚未深入考虑。这个研究课题将关注最新进展在神经工程综合研究层之间以及每个科目的研究领域。
感兴趣的主题包括(但不限于)以下:
-实现brain-inspired时间、事件——或数据驱动计算系统通过小说集成的材料,设备,系统,神经形态算法
神经系统的模拟/数字电路
——强化神经网络(SNN)
-时间、事件或数据驱动学习算法来促进神经形态系统实现
神经形态计算系统是一种新颖的和有前途的候选人为克服传统计算系统采用的局限性和模仿人类大脑神经网络的并行处理方法。神经工程研究领域跨越广泛的研究领域和层材料和设备系统和算法。然而,为了开发和实现能源高效的神经形态计算系统,它是必要的,可以把每个研究领域层和构建作为一个整体系统。尽管已经有许多主题在不同层次的研究,集成层之间的研究的重要性,例如,基于新兴突触设备阵列电路,用于构建神经形态系统尚未深入考虑。这个研究课题将关注最新进展在神经工程综合研究层之间以及每个科目的研究领域。
感兴趣的主题包括(但不限于)以下:
-实现brain-inspired时间、事件——或数据驱动计算系统通过小说集成的材料,设备,系统,神经形态算法
神经系统的模拟/数字电路
——强化神经网络(SNN)
-时间、事件或数据驱动学习算法来促进神经形态系统实现
关键字:强化神经元、突触设备阵列,阵列驱动电路、集成、神经形态系统,SNN,学习算法
重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。
