CN110866601A - 一种基于光电神经网络的复合采集处理系统 - Google Patents

一种基于光电神经网络的复合采集处理系统 Download PDF

Info

Publication number
CN110866601A
CN110866601A CN201910982039.0A CN201910982039A CN110866601A CN 110866601 A CN110866601 A CN 110866601A CN 201910982039 A CN201910982039 A CN 201910982039A CN 110866601 A CN110866601 A CN 110866601A
Authority
CN
China
Prior art keywords
photoelectric
synapse
layer
processing system
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910982039.0A
Other languages
English (en)
Other versions
CN110866601B (zh
Inventor
詹义强
骆佳艳
杨坤隆
袁斯建
郑立荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN201910982039.0A priority Critical patent/CN110866601B/zh
Publication of CN110866601A publication Critical patent/CN110866601A/zh
Application granted granted Critical
Publication of CN110866601B publication Critical patent/CN110866601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Solid State Image Pick-Up Elements (AREA)

Abstract

本发明属于大脑启发计算领域，具体为一种基于光电神经网络的复合采集处理系统。本发明系统，采用光电神经网络将传感功能与处理网络合并；采用双模光电突触实现感知记忆功能；采用改进BP算法神经网络使光电突触权重更新取决于输入信号和二进制的BP信号以减少误差；其中双模光电突触采用底栅底接触场效应晶体管，该器件以聚酰亚胺薄膜作柔性基板，以聚（9,9‑二辛基芴‑共‑二硫代‑苯）作为光吸收材料、单壁碳纳米管作为导电通道，组成光电材料复合物；本发明系统光电转换效率高，设备面积小，可极大地降低成本，并且可以进行数据的并行传输，减少时间和能量损耗，具有重要实际应用意义。

Description

一种基于光电神经网络的复合采集处理系统
技术领域
本发明属于大脑启发计算技术领域，具体一种涉及复合采集处理系统。
背景技术
大脑启发式计算被认为是突破传统计算范式瓶颈的一种非常有前景的解决方案。神经形态系统在软件层面已经取得了突出成就，但这一新领域在硬件层面需要更多的创新。到目前为止，神经形态系统已被广泛应用，并且研究者们已经对模型和算法进行了详细的研究。一般来说，并行能力、低能耗和高容错性被认为是神经网络的主要优点。但由于现有系统架构的限制，该网络尚未充分发挥其潜力。以图像识别系统为例，在传统系统中图像采集模块是不可缺少的，并且该模块与处理模块分开，分离模块的实现需要极高的成本。首先，在图像采集模块中，光电传感器阵列需要将光信号转换成电信号。其次，外围电路，如放大器，寻址网络和模数转换器（ADC）需要匹配传感器输出和网络输入之间的差异，这些复杂模块不仅消耗较多能量而且设备面积占比大，这样极大程度的增加了成本。同时，由于数据传输无法完全并行，从传感器阵列到处理模块的串行数据传输显著增加了时间上和能量上的消耗，这成为限制传统系统中进一步发展的巨大阻碍。所有局限性都源于传感模块和处理模块的分离，显然，该分离方式无法满足数据处理快速增长的要求。
发明内容
本发明的目的在于提供一种高效率、低成本的新型复合采集处理系统（记为MAP），将感知传感模块与存储处理模块合并在一起。
本发明提出的复合采集处理系统，是基于光电神经网络（记为PNN）的，即通过光电神经网络实现传感和处理复合功能，无需额外的数据采集模块和传输模块，利用光电突触替换神经网络中的人工突触，利用反向传播（BP）算法以更新突触权重减小误差。其中：
所述的光电突触采用双模光电突触（DMPS），接收光刺激并对外部电信号敏感，实现感知记忆功能；该双模光电突触具有光电人工突触的基本功能，具有多级状态，具有权重变化过程进行电协调的能力。
所述的光电神经网络（PNN）中的所有输入神经元的突触进行分组，并在各组中的所有突触上应用与感测像素相对应的相同光信号以实现与电神经形态系统相同的输入层结构。
所述的反向传播（BP）算法，以使每个突触权重的更新规则与输入值（来自输入节点）和BP信号（来自隐藏节点）都相关。
所述的反向传播（BP）算法，是加以改进的，即BP信号采用二进制，即仅提供两种模式：开启与保持，用简单的开关代替任意脉冲信号发生器。在“开启”模式下，突触权重对输入信号有响应，并且在“保持”模式，输入信号不能引起突触权重的变化。
所述的双模光电突触（DMPS）是一个底栅底接触场效应晶体管，该器件结构利用聚酰亚胺薄膜作柔性基板，利用聚（9,9-二辛基芴-共-二硫代-苯）（F8T2）作为光吸收材料，利用单壁碳纳米管（SWCNT）作为导电通道，组成光电双材料复合物。其具体制备步骤如下：
（1）光刻法定义栅电极；
（2）热蒸发沉积8nm±1.6nm厚的Cr和50nm±10nm厚的Au层，然后进行剥离工艺；
（3）使用原子层沉积生长20nm±4nm厚的Al2O3介电层；
（4）使用与栅电极相同的方法制造源极和漏极；
（5）用另一光刻工艺打开光刻胶上的窗口来限定沟道面积（20μm±4μm）×（50μm±10μm）；
（6）将SWCNT（NanoIntegris；99％半导体）注入在溶解有F8T2（Lumtec）的甲苯（Sigma-Aldrich；0.2mg / mL）中来制备SWCNT / F8T2复合材料；
（7）将制备的结构浸入复合溶液中6~9小时，以沉积嵌入F8T2薄膜中的SWCNT网络。
本发明中，所述的光电材料复合物，可提供多个界面，用以分离激子和减少重组。
本发明中，所述的电子BP信号具有可调性。
本发明中，所述的输入信号为光脉冲信号，即采用光敏突触。
本发明中，所述的光电神经网络（PNN），模拟像素手写数字分类简单系统。该系统特征如下：
（1）是一个双层神经形态网络；
（2）输入层和隐藏层由光电突触连接，隐藏层和输出层由普通突触连接；
（3）将两个相同的装置分组为一个光电突触，以获得对称权重变化；
（4）相同输入神经元的光电突触被分组接收图像像素的相同光信号；
（5）连接到同一隐藏节点的光电突触共享来自网络的相同BP信号；
（6）输入信号设置为二进制。
本发明中，所述的数字分类简单系统，利用了改进的Widrow-Hoff算法，即利用Widrow-Hoff规则计算突触权重变化dW，相关公式如下：
Figure 891308DEST_PATH_IMAGE001
其中，dW ki 是输入层中的权重变化，V是输入信号（此处只有1和0），
Figure 480552DEST_PATH_IMAGE002
是BP信 号；其中，fg(n)是目标输出，f(n)是实际输出，h(i)是隐藏层输出，W ij 是输出层中的突触权 重。阈值设置为0.004G（G是设备电导率），以减少装置误差。
本发明提供的新型复合采集处理系统，其工作原理为：作为光电突触工作时，漏极和源极上施加固定电压作为沟道电流的驱动力，根据BP信号调谐栅极电压。观察到光脉冲信号和通道电流作为突触前尖峰，并且通道电流作为突触后电流（PSC）。此外，通道电流也表示突触重量。由于在整个过程中源-漏电压是恒定的，当沟道区域在光下曝光时，只要光子能量大于F8T2的带隙，就会形成激子。激子在F8T2和SWCNT之间的界面处分离成电子和空穴。由于栅极电压引起的能带弯曲和不同材料之间的能带对准，电子被吸引在介电通道界面附近（在正栅极电压下）。证据表明，电子被界面附近的缺陷或其他化学键捕获，并形成固定的电负性中心。这些电负性中心屏蔽了栅极电场，从而增加了电流。由于电子的去除非常困难，在关闭照明之后仍保持光感应电流增加的效果，这实现了光信号的记忆。值得注意的是，在黑暗中，即使栅极电压为正，由于Au电极与沟道材料的LUMO之间存在较大的阻挡，很难将电子注入沟道，从而消除了可能的电气干扰。
与现有技术相比，本发明具有以下优点：
（1）相比图象采集模块与处理模块分离的传统系统，本发明所涉及的新型合并采集处理系统将新的传感功能合并到处理网络中的光电神经网络（PNN），具有高并行结构和最小化的硬件消耗，使得该系统光电转换效率更高，设备面积更小，极大程度上降低了成本；而且可以进行数据的并行传输，减少了时间和能量上的损耗，能够应对快速处理大批量数据的要求；
（2）本发明所涉及的新型复合采集处理系统，通过制造双模光电突触（DMPS）实现满足系统对突触权重的三个要求：光刺激的、非易失的以及和电信号相关。而且，其具有大量的多级状态，且在权重变化过程中的调谐能力；
（3）本发明所涉及的新型复合采集处理系统，选用底栅底接触场效应晶体管作为器件结构，用聚酰亚胺薄膜作柔性基板，使得这些装置与可穿戴和便携式系统兼容；使用具有成本低，柔韧性好，重量轻等优点的聚（9,9-二辛基芴-共-二硫代-苯）（F8T2）作为光吸收材料和单壁碳纳米管（SWCNT）作为导电通道的双材料复合材料，满足光电突触中迁移率的要求，并提供更多的界面，有利于分离激子和减少重组。
本发明是一种高效且低成本的新型复合采集处理系统，在系统层面，光电神经网络（PNN）利用光电人工神经突触实现数据传感和处理消除分离模块带来的巨大成本，且具有高度并行，低成本和高效率的优势，明显优于传统的神经形态网络；在设备层面，DMPS的采用不仅具有光电人工突触的基本功能，具有大量的多级状态，且具有在权重变化过程中的调谐能力；在软件层面，改进的反向BP算法，进一步优化性能。并且，通过对其他物理量敏感的突触替换光敏突触，系统仍能适用。
附图说明
图1为PNN的示意图。
图2为DMPS的结构示意图。
图3为DMPS的工作机制。
图中1.聚酰亚胺，2.光电材料复合物，3.氧化铝，4.漏极，5.栅极，6.源极，7.铜，8.聚(9,9-二辛基芴-共二噻吩)（F8T2）最低未占分子轨道（LUMO），9.单壁碳纳米管（SWCNT）最低未占分子轨道（LUMO），10. 单壁碳纳米管（SWCNT）最高占据分子轨道（HOMO），11. 聚(9,9-二辛基芴-共二噻吩)（F8T2）最高占据分子轨道（HOMO）。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1
一种高效且低成本的光电神经网络（PNN）的结构如图1所示：从左端至右端分别是输入层、隐藏层和输出层。该系统是一个双层神经形态网络，每层有784,30和10个节点。在输入层和隐藏层之间布置784×30个光电突触，在隐藏层和输出层之间布置30×10个普通突触。
实施例1的具体实施方法如下：
将两个相同的装置分组为一个光电突触，即共享相同输入神经元的30个光电突触被分组接收图象像素的相同光信号；连接到同一隐藏节点的784个光电突触共享来自网络的相同BP信号。输入信号设置为二进制。只有当设备处于光照条件且BP信号处于“开启”模式时，才会发生一定量的突触重量变化；否则，权重保持不变。
实施例2
一种高效且低成本的光电神经网络（PNN）的结构如图1所示：从左端至右端分别是输入层、隐藏层和输出层。该系统是一个双层神经形态网络，每层有784,30和10个节点。在输入层和隐藏层之间布置784×30个光电突触，在隐藏层和输出层之间布置30×10个普通突触。开发一种改进的Widrow-Hoff算法。
实施例2的具体算法如下：
Figure 962087DEST_PATH_IMAGE003
其中，dW ki 是输入层中的权重变化，V是输入信号（此处只有1和0），
Figure 826138DEST_PATH_IMAGE002
是BP信 号；其中，fg(n)是目标输出，f(n)是实际输出，h(i)是隐藏层输出，W ij 是输出层中的突触权 重。阈值设置为0.004G（G是设备电导率）。
具体算法流程如下：
第一步为训练数字集Vimg(n), fg(n)。初始化权重Wij；
第二步为设定n=1, 更新的权重dWij=0；
第三步为在Vimg(n)的条件下，计算输出f(n)；
第四步为计算更新的权重dWij；
第五步为将阈值Vth与更新的权重dWij进行比较；
第六步为若dWij>Vth，则更新突触的权重；若dWij<Vth，则设定n=n+1，指向下一副图象并返回到第三步；
第七步为更新突触权重之后判断是否为最后一幅图象，若是，则结束；若不是，则设定n=n+1，指向下一副图象并返回到第三步。
本发明所涉及的光电神经网络PNN在100个时期中可以达到89%的识别率。
最后说明的是，以上实施例仅用于说明本发明的技术方案而并非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于光电神经网络的复合采集处理系统，其特征在于，采用光电神经网络实现传感和处理复合功能，利用光电突触替换神经网络中的人工突触，利用反向传播BP算法以更新突触权重减小误差；其中：
所述的光电突触采用双模光电突触，接收光刺激并对外部电信号敏感，实现感知记忆功能；该双模光电突触具有光电人工突触的基本功能，具有多级状态，具有权重变化过程进行电协调的能力；
所述的光电神经网络中的所有输入神经元的突触进行分组，并在各组中的所有突触上应用与感测像素相对应的相同光信号以实现与电神经形态系统相同的输入层结构；
所述的反向传播BP算法，以使每个突触权重的更新规则与来自输入节点的输入值和来自隐藏节点BP信号都相关。
2.根据权利要求1所述的复合采集处理系统，其特征在于，所述的反向传播BP算法，是加以改进的，其中BP信号采用二进制，即仅提供两种模式：开启与保持，用简单的开关代替任意脉冲信号发生器；在“开启”模式下，突触权重对输入信号有响应，并且在“保持”模式，输入信号不能引起突触权重的变化。
3.根据权利要求1所述的复合采集处理系统，其特征在于，所述的双模光电突触是一个底栅底接触场效应晶体管，该器件结构中，以聚酰亚胺薄膜作柔性基板，以聚（9,9-二辛基芴-共-二硫代-苯）F8T2作为光吸收材料，单壁碳纳米管SWCNT作为导电通道，组成光电材料复合物。
4.根据权利要求3所述的复合采集处理系统，其特征在于，所述的底栅底接触场效应晶体管，由如下制备步骤得到：
（1）光刻法定义栅电极；
（2）热蒸发沉积8nm±1.6nm厚的Cr和50nm±10nm厚的Au层，然后进行剥离工艺；
（3）使用原子层沉积生长20nm±4nm厚的Al2O3介电层；
（4）使用与栅电极相同的方法制造源极和漏极；
（5）用另一光刻工艺打开光刻胶上的窗口来限定沟道面积（20μm±4μm）×（50μm±10μm）；
（6）将SWCNT注入在溶解有F8T2的甲苯中，来制备SWCNT / F8T2复合材料；
（7）将制备的结构浸入复合溶液中6~9小时，以沉积嵌入F8T2薄膜中的SWCNT网络。
5.根据权利要求4所述的复合采集处理系统，其特征在于，所述的光电材料复合物用于提供多个界面，以分离激子和减少重组。
6.根据权利要求2所述的复合采集处理系统，其特征在于，所述的BP信号具有可调性。
7.根据权利要求2所述的复合采集处理系统，其特征在于，所述的输入信号为光脉冲信号，即采用光敏突触。
8.根据权利要求1所述的复合采集处理系统，其特征在于，所述的光电神经网络，模拟像素手写数字分类简单系统；该系统结构如下：
（1）是一个双层神经形态网络；
（2）输入层和隐藏层由光电突触连接，隐藏层和输出层由普通突触连接；
（3）将两个相同的装置分组为一个光电突触，以获得对称权重变化；
（4）相同输入神经元的光电突触被分组接收图像像素的相同光信号；
（5）连接到同一隐藏节点的光电突触共享来自网络的相同BP信号；
（6）输入信号设置为二进制。
9.根据权利要求8所述的复合采集处理系统，其特征在于，所述的数字分类简单系统，采用改进的Widrow-Hoff算法，即利用Widrow-Hoff规则计算突触权重变化dW，相关公式为：
Figure DEST_PATH_IMAGE001
其中，dW ki 是输入层中的权重变化，V img 是输入信号，此处只有1和0，
Figure 580151DEST_PATH_IMAGE002
是BP信号； 其中，fg(n)是目标输出，f(n)是实际输出，h(i)是隐藏层输出，W ij 是输出层中的突触权重。
10.根据权利要求9所述的复合采集处理系统，其特征在于，所述的Widrow-Hoff算法公式中，阈值设置为0.004G，G是设备电导率，以减少装置误差。
CN201910982039.0A 2019-10-16 2019-10-16 一种基于光电神经网络的复合采集处理系统 Active CN110866601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910982039.0A CN110866601B (zh) 2019-10-16 2019-10-16 一种基于光电神经网络的复合采集处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910982039.0A CN110866601B (zh) 2019-10-16 2019-10-16 一种基于光电神经网络的复合采集处理系统

Publications (2)

Publication Number Publication Date
CN110866601A true CN110866601A (zh) 2020-03-06
CN110866601B CN110866601B (zh) 2023-09-08

Family

ID=69652681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982039.0A Active CN110866601B (zh) 2019-10-16 2019-10-16 一种基于光电神经网络的复合采集处理系统

Country Status (1)

Country Link
CN (1) CN110866601B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022166188A1 (zh) * 2021-02-08 2022-08-11 清华大学 光人工神经网络智能芯片、智能处理设备及制备方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4874963A (en) * 1988-02-11 1989-10-17 Bell Communications Research, Inc. Neuromorphic learning networks
EP0443208A2 (en) * 1990-02-20 1991-08-28 Kabushiki Kaisha Wacom Inductively coupled neural network
US5343555A (en) * 1992-07-06 1994-08-30 The Regents Of The University Of California Artificial neuron with switched-capacitor synapses using analog storage of synaptic weights
WO2016024676A1 (ko) * 2014-08-12 2016-02-18 포항공과대학교 산학협력단 시냅스 모방 소자 및 이의 제조방법
CN107341539A (zh) * 2017-05-11 2017-11-10 财团法人交大思源基金会 神经网络处理系统
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
WO2019125994A1 (en) * 2017-12-18 2019-06-27 Northwestern University Multi-terminal memtransistors, fabricating methods and applications of same
US20190258926A1 (en) * 2018-02-22 2019-08-22 International Business Machines Corporation Hardware-Implemented Training Of An Artificial Neural Network
CN110210613A (zh) * 2019-05-23 2019-09-06 华中科技大学 一种基于强化学习的脉冲神经网络模拟电路

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4874963A (en) * 1988-02-11 1989-10-17 Bell Communications Research, Inc. Neuromorphic learning networks
EP0443208A2 (en) * 1990-02-20 1991-08-28 Kabushiki Kaisha Wacom Inductively coupled neural network
US5343555A (en) * 1992-07-06 1994-08-30 The Regents Of The University Of California Artificial neuron with switched-capacitor synapses using analog storage of synaptic weights
WO2016024676A1 (ko) * 2014-08-12 2016-02-18 포항공과대학교 산학협력단 시냅스 모방 소자 및 이의 제조방법
CN107341539A (zh) * 2017-05-11 2017-11-10 财团法人交大思源基金会 神经网络处理系统
WO2019125994A1 (en) * 2017-12-18 2019-06-27 Northwestern University Multi-terminal memtransistors, fabricating methods and applications of same
US20190258926A1 (en) * 2018-02-22 2019-08-22 International Business Machines Corporation Hardware-Implemented Training Of An Artificial Neural Network
CN109784486A (zh) * 2018-12-26 2019-05-21 中国科学院计算技术研究所 一种光学神经网络处理器及其训练方法
CN110210613A (zh) * 2019-05-23 2019-09-06 华中科技大学 一种基于强化学习的脉冲神经网络模拟电路

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUNLONG YANG ET.AL: "A Flexible Artificial Synapse for Neuromorphic System", pages 1 *
黄铁军;施路平;唐华锦;潘纲;陈云霁;于俊清;: "多媒体技术研究:2015――类脑计算的研究进展与发展趋势", no. 11 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022166188A1 (zh) * 2021-02-08 2022-08-11 清华大学 光人工神经网络智能芯片、智能处理设备及制备方法

Also Published As

Publication number Publication date
CN110866601B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Hou et al. Large-scale and flexible optical synapses for neuromorphic computing and integrated visible information sensing memory processing
Han et al. Recent progress in optoelectronic synapses for artificial visual‐perception system
Fu et al. Flexible neuromorphic architectures based on self-supported multiterminal organic transistors
Duan et al. An electro-photo-sensitive synaptic transistor for edge neuromorphic visual systems
Liu et al. Weak light-stimulated synaptic hybrid phototransistors based on islandlike perovskite films prepared by spin coating
Gacem et al. Neuromorphic function learning with carbon nanotube based synapses
Hao et al. Recent developments of optoelectronic synaptic devices based on metal halide perovskites
WO2010106116A1 (en) Neural network circuit comprising nanoscale synapses and cmos neurons
US20100155707A1 (en) Organic field-effect transistors
US11875244B2 (en) Enhanced dynamic random access memory (eDRAM)-based computing-in-memory (CIM) convolutional neural network (CNN) accelerator
Jiang et al. Light-stimulated artificial synapse with memory and learning functions by utilizing an aqueous solution-processed In2O3/AlLiO thin-film transistor
Tian et al. High performance 2D perovskite/graphene optical synapses as artificial eyes
US20130333739A1 (en) Photovoltaic modules
Wu et al. Organic single-crystal transistor with unique photo responses and its application as light-stimulated synaptic devices
Cai et al. Hybrid optical/electric memristor for light-based logic and communication
Yin et al. Silicon-based optoelectronic synaptic devices
US20220005965A1 (en) Solar cell module
CN110866601B (zh) 一种基于光电神经网络的复合采集处理系统
Wang et al. Artificial tactile recognition enabled by flexible low-voltage organic transistors and low-power synaptic electronics
Guo et al. Optoelectronic synapses and photodetectors based on organic semiconductor/halide perovskite heterojunctions: Materials, devices, and applications
Feng et al. Retinomorphic hardware for in‐sensor computing
Zhang et al. Floating-gate based PN blending optoelectronic synaptic transistor for neural machine translation
US11079272B2 (en) Detection circuit and driving method therefor, detection substrate and detection device comprising a second storage sub-circuit group with a second voltage terminal group and a second control signal terminal group
CN109086882B (zh) 一种具有记忆功能的神经突触网络
Yang et al. A Reconfigurable Bipolar Image Sensor for High-Efficiency Dynamic Vision Recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant