Неуроморфно инжењерство

Неуроморфно рачунарство је приступ рачунарству који је инспирисан структуром и функцијом људских можданих ћелија. [1] [2] [3] Неуроморфни рачунар или чип је сваки уређај који користи физичке вештачке неуроне (направљене од силицијума) за обављање прорачуна. [4] [5] Данас, термин неуроморфни се користи за описивање аналогног, дигиталног, аналогног/дигиталног VLSI система који имплементирају моделе неуронских система (за перцепцију, контролу мотора или више-сензорну интеграцију ). Имплементација неуроморфног рачунарства на нивоу хардвера може се реализовати помоћу помпорник заснованих на оксиду, [6] спинтронских меморија, прагова прекидача, транзисториа, [7] [5] између осталог. Обучавање софтверских неуроморфних система, као што је спајкинг неуронска мрежа, може се постићи коришћењем пропагације грешке уназад, на пример, коришћењем Пајтон основних библиотека као што је snnTorch, [8] или коришћењем канонских правила учења из литературе о биолошком учењу, пример би био коришћењем BindsNet-а. [9]

Важан аспект неуроморфног инжењеринга је разумевање како морфологија појединачних неурона, кола, апликација и свеукупне архитектуре може да изврши пожељне прорачуне, утиче на то како се информације представљају, утиче на позданост, укључује учење и развој, прилагођава се локалним променама и олакшава еволуциону промену.

Неуроморфно инжењерство је интердисциплинарни предмет који је инспирисан биологијуом, физиком, математиком, рачунарством и електронским инжењерством [5] за пројектовање вештачких неуронских система, као што су рачунарски вид (који је инспирисан системом главе-ока), слушни процесори (ово су апликације које омогућавају диктирање текста [енг. speach to text]) и аутономни роботи, чији физички принципи архитектуре и дизајна засновани су на принципима биолошког нервног система. [10] Једну од првих апликација за неуроморфни инжењеринг предложио је Carver Mead [11] касних 1980-их.

Неуролошка инспирација

уреди

Неуроморфни инжењеринг је инспирисана сазнањима о структуром можданих ћелија и начином како мождане ћелије обрађују операције. Неуроморфни инжењеринг са наведеним сажнањима, жели да примени ова сазнања у рачунарским системе. Рад се углавном фокусирао на реплицирање аналогне природе биолошког рачунања и улоге сазнањима о неуронима .

Биолошки процеси неурона и њихових синапси су много сложени, зато је веома тешко вештачки симулирати. Кључна карактеристика биолошког мозга је да сва обрада у неуронима користи аналогне хемијске сигнале . Ово отежава реплицирање мозгова у рачунарима јер је тренутна генерација рачунара потпуно дигитална. Могуће је дигитални сигнал претворити у анлагни и обратно (користећи дигитално-аналогни претварач), али није могуће иделно претворити аналогни сигнал у дигитални(тј. постоје губици). Зато се ово ради на другачки начин (тј. без дигиталног-аналогног претварача.. Карактеристике ових делова могу се апстраховати у математичке функције које блиско обухватају суштину операција неурона.

Неуроморфног рачунарства нема за циљ да савршено опонаша мозак и све функцијоналности можданих ћелија, већ уместо тога да користи оно што је познато о можданој структури и можданим операцијама да би се користило у практичном рачунарском систему. Ниједан неуроморфни систем неће покушати да репродукује сваки елемент неурона и синапси, али сви се придржавају да је рачунање високо дистрибуирано кроз низ малих рачунарских елемената аналогних неурону. Истраживачи трагају ка овом циљу користећи различите начинима. [12]

Примери

уреди

Почетком 2006. истраживачи са Georgia Tech-a објавили су теренски програмабилни неуронски низ. [13] Овај чип је био први у низу све сложенијих низова транзистора са floating капијама који су омогућили програмирање наелектрисања на вратима MOSFET -а за моделирање карактеристика јонизованих канала неурона у мозгу и био је један од првих случајева силицијумског програмабилног (енг. silicon programmable array of neurons) низа неурона.

У новембру 2011, група истраживача са МИТ -а направила је компјутерски чип који опонаша аналогну комуникацију, ова куминкација се заснована на јонима у синапсама, између два неурона користећи 400 транзистора и стандардну CMOS технологију. [14] [15]

У јуну 2012, спинтронички (енг. spintronic) истраживачи на Универзитету Purdue представили су рад о дизајну неуроморфног чипа користећи бочне спин вентиле(енг. lateral spin valves) и помпорник. Они тврде да архитектура функционише слично неуронима и да се стога може користити за тестирање метода репродукције мождане обраде. Поред тога, ови чипови су знатно енергетски ефикаснији од конвенционалних(пример процесор опште намене који се налази у рачунарима). [16]

Истраживање у HP Labs on Mott помпорник показало је да иако могу бити не-нестабилнии(није потребно напајње да би сачувало податке), испарљиво понашање које се показује на температурама знатно испод температуре фазног прелаза може се искористити за производњу помпорника, [17] биолошки инспирисаног уређаја који опонаша пронађено понашање у неуронима. [17] У септембру 2013. године, представили су моделе и симулације које показују како се понашање ових помпорника може користити за формирање компоненти потребних за Тјурингову машину . [18]

Неуронска мрежа, коју је направио Мозгови на Силицијуму (енг. Brains in Silicon)на Универзитету Станфорд, [19] је пример хардвера дизајнираног коришћењем принципа неуроморфног инжењеринга. Плоча се састоји од 16 посебно дизајнираних чипова, који се називају NeuroCores. Свако аналогно коло NeuroCores је дизајнирано да опонаша мождане ћелије са 65536 неурона, максимизирајући енергетску ефикасност. Опнашани неурони су повезани помоћу дигиталних кола дизајнираних да максимизирају брзу пропусност. [20] [21]

Истраживачки пројекат са последицама неуроморфног инжењеринга је пројекат људски мозак (енг. Human Brain Project) који покушава да симулира комплетан људски мозак у суперкомпјутеру користећи биолошке податке. Састоји се од групе истраживача у области неуронауке, медицине и рачунарства. [22] Henry Markram, један од директора на овом пројекту, изјавио је да челници овог пројеката предлажу успостављање фондације за истраживање и разумевање мозга и можданих болести и да се то знање користи за изградњу нових рачунарских технологија. Три основна циља овог пројекта су боље разумевање можданих ћелија и како мождене ћелије раде заједно (начин функционисања можданих ћелија), да разумеју како да се објективно дијагностикују и лече неуролошке болести, и да се разумевање људског мозга користи за развој неуроморфних рачунара. За потребне симулације комплетног људског мозга је потребан суперкомпјутер који је хиљаду пута моћнији од данашњег, ово подстиче тренутни фокус на неуроморфне рачунаре. [23] Европска комисија је доделила пројекту 1,3 милијарде долара. [24]

Друга истраживања са последицама на неуроморфни инжењеринг укључују BRAIN Initiative [25] и TrueNorth чип из IBM-а . [26] Неуроморфни уређаји су такође демонстрирани коришћењем нано кристала, нано жица и проводних полимера. [27] Такође постоји развој помпорника за квантне неуроморфне архитектуре. [28] Године 2022, истраживачи са MIT-а су известили о развоју вештачких синапси инспирисаних мозгом, користећи јонски протон ( H+
), за „аналогно дубоко учење “. [29] [30]

Intel је представио свој неуроморфни истраживачки чип, назван „ Loihi “, у октобру 2017. Чип користи асинхрону спајкинг неуронску мрежу (енг.. spiking neural network -SNN) за имплементацију прилагодљивих, само-модификујућих и добро урађених паралелних прорачуна који се користе за имплементацију учења и примену наученог са високом ефикасношћу. [31] [32]

IMEC, белгијски истраживачки центар за наноелектронику, представио је први на свету неуроморфни чип који може да самостално учи. Овај чип је инспирисан мозгом, базиран на OxRAM технологији, има способност самоучења и доказано је да има способност да компонује музику. [33] IMEC је објавио мелодију од 30 секунди коју је компоновао прототип овог чипа. Чип је узастопно учитаван са песмама у истом временском потпису и стилу. [34]

Пројекат Плави мозак (енг. The Blue Brain Project), главни на овом пројекту је Henry Markram, има за циљ да изгради биолошки детаљне дигиталне реконструкције и симулације мозга миша. Пројекат Плави мозак реализован је на силицијском чипу као модел мозак глодара, покушавајући да реплицира што више детаља о мозку глодара засновнао на биологији. Симулације засноване на суперкомпјутеру нуде нове перспективе у разумевању структуре и функција мозга.

Европска унија је финансирала низ пројеката на Универзитету Хајделбергу, који су довели до развоја BrainScaleS (мозгом инспирисано вишеразмерно рачунање у неуроморфним хибридним системима), хибридног аналогног неуроморфног суперкомпјутера који се налази на Универзитету Хајделберг у Немачкој. Развијен је као део неуроморфне рачунарске платформе пројеката људски мозак (енг. Human Brain Project) и представља допуну суперкомпјутера SpiNNaker (који је заснован на дигиталној технологији). Архитектура која се користи у BrainScaleS опонаша биолошке неуроне и њихове везе на физичком нивоу.

Brainchip је у октобру 2021. објавио да прима поруџбине за своје развојне комплете Akida AI процесора [35] и у јануару 2022. да прима поруџбине за своје Akida AI процесорске PCIe плоче [36], тако да су они направили први комерцијално доступним неуроморфним процесором на свету.

Неуроморфни сензори

уреди

Концепт неуроморфних система може се проширити на сензоре (не само на рачунање). Пример овога који се примењује на детекцију светлости је retinomorphic сензор или камера за догађаје . 2022. године, истраживачи са Max Planck Institute for Polymer research пријавили су органски вештачки шиљасти неурон који показује разноврсност сигнала биолошких неурона док ради у биолошком wetware-у, омогућавајући тако in-situ neuromorphic sensing (сензори који опонашају људска чула) и апликације за биоинтерфејс. [37] [38]

Етичка разматрања

уреди

Неуроморфно инжењерство разматра више научне области(као што си математика, физика, рачубнарске науке, електроника и биолигија). Концепт неуроморфног инжењеринга је релативно нов, многа од истих етичких разматрања важе за неуроморфне системе као и за машине сличне људима и вештачку интелигенцију. Међутим, чињеница да су неуроморфни системи дизајнирани да опонашају људски мозак доводи до јединствених етичких питања у вези са њиховом употребом.

Практична дебата је да су неуроморфни хардвер као и вештачке „неуронске мреже“ изузетно поједностављени модели како мозак ради или обрађује информације на много нижој сложености у смислу величине и функционалне технологије и много правилније структуре у смислу повезаност . Поредити неуроморфних чипова са мозгом је веома грубо поређење, то је слично поређење авиона и птице. Авион и птица имају крила и реп, али су другачијег материја крило и реп авиона од крила и репа код птица. Чињеница је да су биолошки неуронски когнитивни системи за много редова величине енергетски и рачунарски ефикаснији од тренутне најсавременије вештачке интелигенције, а неуроморфни инжењеринг је покушава да смањи ову разлику која је инспирисана можданог механизма, баш као и многи инжењери. дизајни помаже биоинжењеринг.

Друштвена забринутост

уреди

Значајна етичка ограничења могу бити стављена на неуроморфни инжењеринг због перцепције јавности. [39] Специјални Еуробарометар 382: Истраживање које је спровела Европска комисија, показало је да 60 одсто грађана Европске уније жели да забрани роботима да брину о деци, старијим особама или особама са инвалидитетом. 34% посто грађана је било за забрану робота у образовању, 27% у здравству и 20% у слободно време. Европска комисија класификује ове области као „људске“. Извештај наводи повећану забринутост јавности за роботе који су у стању да опонашају људске функције. Неуроморфни инжењеринг, по дефиницији, има за циљ да дизајнира и да опонаша функције људског мозга. [40]

Друштвени проблеми око неуроморфног инжењеринга ће вероватно постати још дубљи у будућности. Европска комисија је открила да грађани Европдке уније између 15 и 24 године чешће мисле о роботима као о људима (за разлику од оних који су слични инструментима) него грађани ЕУ старији од 55 година. Када је представљена слика робота која је дефинисана као човеколиког, 75% грађана ЕУ старости од 15 до 24 године рекло је да одговара њиховој идеји о роботима, док је само 57% грађана ЕУ старијих од 55 година одговорило исто начин. Људска природа неуроморфних система би их стога могла сврстати у категорије робота који би многи грађани ЕУ желели да буду забрањени у будућности. [40]

Двострука употреба (војне апликације)

уреди

Заједнички центар за вештачку интелигенцију, огранак америчке војске, је центар посвећен набавци и примени софтвера вештачке интелигенције и неуроморфног хардвера за борбену употребу. Специфичне апликације укључују паметне слушалице/наочаре и роботе. JAIC намерава да се у великој мери ослони на неуроморфну технологију да повеже "сваки сензор (са) сваким стрелцем (eнг. every sensors (to) every shooter)" у оквиру мреже јединица са омогућеним неуроморфима.

Правна разматрања

уреди

Скептици су тврдили да не постоји начин да се електронска личност, концепт личности који би се применио на неуроморфну технологију, легално примени. У писму које је потписало 285 стручњака за право, роботику, медицину и етику против предлога Европске комисије да се „паметни роботи“ признају као правна лица, аутори пишу: „Правни статус робота не може произаћи из физичког лица модел, пошто би робот тада имао људска права, као што су право на достојанство, право на његов интегритет, право на накнаду или право на држављанство, чиме би се директно супротстављао људским правима. То би било у супротности са Повељом о основним правима Европске уније и Конвенцијом за заштиту људских права и основних слобода .” [41]

Власништво и имовинска права

уреди

Постоји значајна правна дебата око имовинских права и вештачке интелигенције. У Acohs Pty Ltd v. Ucorp Pty Ltd, судија Кристофер Џесуп (енг. Christopher Jessup) из Федералног суда у Аустралији је открио да изворни код за листове са подацима о безбедности материјала не може бити заштићен ауторским правима јер је генерисан софтверским интерфејсом, а не људским аутором. [42] Исто питање се може применити и на неуроморфне системе: ако неуроморфни систем успешно опонаша људски мозак и производи оригинално дело, ко би, ако ико, требало да буде у стању да тражи власништво над делом? [43]

Неуромеристивни системи

уреди

Неуромеристивни системи су подкласа неуроморфних рачунарских система који се фокусирају на употребу помпорника за имплементацију неуропластичности . Док се неуроморфни инжењеринг фокусира на опонашање биолошког понашања, неуромемристивни системи се фокусирају на апстракцију. [44] На пример, неуромеристивни систем може да замени детаље понашања кортикалног микрокола са апстрактним моделом неуронске мреже. [45]

Постоји неколико логичких функција који су инспирисани неуронима [6] имплементираних са помпорником који се налазе у апликацијама за препознавање образаца високог нивоа. Неке од недавно пријављених апликација укључују препознавање говора, [46] препознавање лица [47] и препознавање објеката . [48] Такође могу се применити за замену конвенционалних дигиталних логичких капија. [49] [50]

За (квази)идеална пасивна помпорникова кола постоји тачна једначина (Caravelil-Traversa-Di Ventra једначина) за унутрашњу меморију кола: [51] [52]

 

у функцији особина физичке мемристивне (енг. memristive) мреже и спољашњих извора. У случају идеалних помпорника,   . У горњој једначини,   је константа временске скале "заборављања",   је однос искључених и укључених вредности граничних отпора помпорника,   је вектор извора кола и   је пројектор на основним петљама кола. Константа   има димензију напона и повезан је са својствима помпорника ; његово физичко порекло је покретљивост наелектрисања у проводнику. Дијагонална матрица и вектор   и   респективно, су уместо интерне вредности помпорника, са вредностима између 0 и 1. Ова једначина стога захтева додавање додатних ограничења на вредности меморије да би била поуздана. Недавно је показано да горња једначина показује феномен тунелирања (енг. tunneling). [52]

Референце

уреди
  1. ^ Imran, Talha; Facebook; Twitter; Pinterest; Email; Apps, Other (2023-01-04). „What is Neuromorphic Computing ? How does Neuromorphic Computing work”. Ai Future Way (на језику: енглески). Приступљено 2023-01-11. 
  2. ^ Ham, Donhee; Park, Hongkun; Hwang, Sungwoo; Kim, Kinam (2021). „Neuromorphic electronics based on copying and pasting the brain”. Nature Electronics (на језику: енглески). 4 (9): 635—644. ISSN 2520-1131. doi:10.1038/s41928-021-00646-1. 
  3. ^ van de Burgt, Yoeri; Lubberman, Ewout; Fuller, Elliot J.; Keene, Scott T.; Faria, Grégorio C.; Agarwal, Sapan; Marinella, Matthew J.; Alec Talin, A.; Salleo, Alberto (април 2017). „A non-volatile organic electrochemical device as a low-voltage artificial synapse for neuromorphic computing”. Nature Materials (на језику: енглески). 16 (4): 414—418. Bibcode:2017NatMa..16..414V. ISSN 1476-4660. PMID 28218920. doi:10.1038/nmat4856. 
  4. ^ Mead, Carver (1990). „Neuromorphic electronic systems” (PDF). Proceedings of the IEEE. 78 (10): 1629—1636. doi:10.1109/5.58356. 
  5. ^ а б в „Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling | International Conference on Neuromorphic Systems 2020” (на језику: енглески). doi:10.1145/3407197.3407204 . 
  6. ^ а б Maan, A. K.; Jayadevi, D. A.; James, A. P. (2016-01-01). „A Survey of Memristive Threshold Logic Circuits”. IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734—1746. Bibcode:2016arXiv160407121M. ISSN 2162-237X. PMID 27164608. arXiv:1604.07121 . doi:10.1109/TNNLS.2016.2547842. 
  7. ^ Zhou, You; Ramanathan, S. (2015-08-01). „Mott Memory and Neuromorphic Devices”. Proceedings of the IEEE. 103 (8): 1289—1310. ISSN 0018-9219. doi:10.1109/JPROC.2015.2431914. 
  8. ^ Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1. 10. 2021). „Training Spiking Neural Networks Using Lessons from Deep Learning”. arXiv:2109.12894 . 
  9. ^ „Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch.”. GitHub. 31. 3. 2020. 
  10. ^ Boddhu, S. K.; Gallagher, J. C. (2012). „Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers”. Applied Computational Intelligence and Soft Computing. 2012: 1—21. doi:10.1155/2012/705483 . 
  11. ^ Mead, Carver A.; Mahowald, M. A. (1988-01-01). „A silicon model of early visual processing”. Neural Networks (на језику: енглески). 1 (1): 91—97. ISSN 0893-6080. doi:10.1016/0893-6080(88)90024-X. 
  12. ^ Furber, Steve (2016). „Large-scale neuromorphic computing systems”. Journal of Neural Engineering. 13 (5): 1—15. Bibcode:2016JNEng..13e1001F. PMID 27529195. doi:10.1088/1741-2560/13/5/051001 . 
  13. ^ Farquhar, Ethan; Hasler, Paul. (мај 2006). A field programmable neural array. IEEE International Symposium on Circuits and Systems. стр. 4114—4117. ISBN 978-0-7803-9389-9. doi:10.1109/ISCAS.2006.1693534. 
  14. ^ „MIT creates "brain chip". Приступљено 4. 12. 2012. 
  15. ^ Poon, Chi-Sang; Zhou, Kuan (2011). „Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities”. Frontiers in Neuroscience. 5: 108. PMC 3181466 . PMID 21991244. doi:10.3389/fnins.2011.00108 . 
  16. ^ Sharad, Mrigank; Augustine, Charles. „Proposal For Neuromorphic Hardware Using Spin Devices”. arXiv:1206.3227  [cond-mat.dis-nn]. 
  17. ^ а б Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). „A scalable neuristor built with Mott memristors”. Nature Materials. 12 (2): 114—7. Bibcode:2013NatMa..12..114P. PMID 23241533. doi:10.1038/nmat3510. 
  18. ^ Matthew D Pickett; R Stanley Williams (септембар 2013). „Phase transitions enable computational universality in neuristor-based cellular automata”. Nanotechnology. IOP Publishing Ltd. 24 (38). 384002. Bibcode:2013Nanot..24L4002P. PMID 23999059. doi:10.1088/0957-4484/24/38/384002. 
  19. ^ Boahen, Kwabena (24. 4. 2014). „Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations”. Proceedings of the IEEE. 102 (5): 699—716. doi:10.1109/JPROC.2014.2313565. 
  20. ^ Waldrop, M. Mitchell (2013). „Neuroelectronics: Smart connections”. Nature. 503 (7474): 22—4. Bibcode:2013Natur.503...22W. PMID 24201264. doi:10.1038/503022a . 
  21. ^ Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Alvarez-Icaza, Rodrigo; Arthur, John V.; Merolla, Paul A. (2014). „Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations”. Proceedings of the IEEE. 102 (5): 699—716. doi:10.1109/JPROC.2014.2313565. 
  22. ^ „Involved Organizations”. Архивирано из оригинала 2. 3. 2013. г. Приступљено 22. 2. 2013. 
  23. ^ „Human Brain Project”. Приступљено 22. 2. 2013. 
  24. ^ „The Human Brain Project and Recruiting More Cyberwarriors”. 29. 1. 2013. Приступљено 22. 2. 2013. 
  25. ^ Neuromorphic computing: The machine of a new soul, The Economist, 2013-08-03
  26. ^ Modha, Dharmendra (август 2014). „A million spiking-neuron integrated circuit with a scalable communication network and interface”. Science. 345 (6197): 668—673. Bibcode:2014Sci...345..668M. PMID 25104385. doi:10.1126/science.1254642. 
  27. ^ Fairfield, Jessamyn (1. 3. 2017). „Smarter Machines” (PDF). 
  28. ^ Spagnolo, Michele; Morris, Joshua; Piacentini, Simone; Antesberger, Michael; Massa, Francesco; Crespi, Andrea; Ceccarelli, Francesco; Osellame, Roberto; Walther, Philip (април 2022). „Experimental photonic quantum memristor”. Nature Photonics (на језику: енглески). 16 (4): 318—323. Bibcode:2022NaPho..16..318S. ISSN 1749-4893. arXiv:2105.04867 . doi:10.1038/s41566-022-00973-5. 

    News article: „Erster "Quanten-Memristor" soll KI und Quantencomputer verbinden”. DER STANDARD (на језику: немачки). Приступљено 28. 4. 2022. 

    Lay summary report: „Artificial neurons go quantum with photonic circuits”. University of Vienna (на језику: енглески). Приступљено 19. 4. 2022. 
  29. ^ „'Artificial synapse' could make neural networks work more like brains”. New Scientist. Приступљено 21. 8. 2022. 
  30. ^ Onen, Murat; Emond, Nicolas; Wang, Baoming; Zhang, Difei; Ross, Frances M.; Li, Ju; Yildiz, Bilge; del Alamo, Jesús A. (29. 7. 2022). „Nanosecond protonic programmable resistors for analog deep learning” (PDF). Science (на језику: енглески). 377 (6605): 539—543. Bibcode:2022Sci...377..539O. ISSN 0036-8075. PMID 35901152. doi:10.1126/science.abp8064. 
  31. ^ Davies, Mike; et al. (16. 1. 2018). „Loihi: A Neuromorphic Manycore Processor with On-Chip Learning”. IEEE Micro. 38 (1): 82—99. doi:10.1109/MM.2018.112130359. 
  32. ^ Morris, John. „Why Intel built a neuromorphic chip”. ZDNet (на језику: енглески). Приступљено 17. 8. 2018. 
  33. ^ „Imec demonstrates self-learning neuromorphic chip that composes music”. IMEC International. Приступљено 1. 10. 2019. 
  34. ^ Bourzac, Katherine (23. 5. 2017). „A Neuromorphic Chip That Makes Music”. IEEE Spectrum. Приступљено 1. 10. 2019. 
  35. ^ „Taking Orders of Akida AI Processor Development Kits”. 21. 10. 2021. 
  36. ^ https://www.electronics-lab.com/first-mini-pciexpress-board-with-spiking-neural-network-chip/
  37. ^ Sarkar, Tanmoy; Lieberth, Katharina; Pavlou, Aristea; Frank, Thomas; Mailaender, Volker; McCulloch, Iain; Blom, Paul W. M.; Torriccelli, Fabrizio; Gkoupidenis, Paschalis (7. 11. 2022). „An organic artificial spiking neuron for in situ neuromorphic sensing and biointerfacing”. Nature Electronics (на језику: енглески). 5 (11): 774—783. ISSN 2520-1131. doi:10.1038/s41928-022-00859-y . 
  38. ^ „Artificial neurons emulate biological counterparts to enable synergetic operation”. Nature Electronics (на језику: енглески). 5 (11): 721—722. 10. 11. 2022. ISSN 2520-1131. doi:10.1038/s41928-022-00862-3. 
  39. ^ 2015 Study Panel (септембар 2016). Artificial Intelligence and Life in 2030 (PDF) (Извештај). Stanford University. Архивирано из оригинала (PDF) 30. 05. 2019. г. Приступљено 23. 03. 2023. 
  40. ^ а б European Commission (септембар 2012). „Special Eurobarometer 382: Public Attitudes Towards Robots” (PDF). European Commission. 
  41. ^ „Robotics Openletter | Open letter to the European Commission” (на језику: француски). Приступљено 2019-05-10. 
  42. ^ Lavan. „Copyright in source code and digital products”. Lavan (на језику: енглески). Приступљено 2019-05-10. 
  43. ^ Eshraghian, Jason K. (9. 3. 2020). „Human Ownership of Artificial Creativity”. Nature Machine Intelligence. 2 (3): 157—160. doi:10.1038/s42256-020-0161-x. 
  44. ^ „002.08 N.I.C.E. Workshop 2014: Towards Intelligent Computing with Neuromemristive Circuits and Systems - Feb. 2014”. digitalops.sandia.gov. Приступљено 2019-08-26. 
  45. ^ C. Merkel and D. Kudithipudi, "Neuromemristive extreme learning machines for pattern classification," ISVLSI, 2014.
  46. ^ Maan, A.K.; James, A.P.; Dimitrijev, S. (2015). „Memristor pattern recogniser: isolated speech word recognition”. Electronics Letters. 51 (17): 1370—1372. Bibcode:2015ElL....51.1370M. doi:10.1049/el.2015.1428.  |hdl-приступ= захтева |hdl= (помоћ)
  47. ^ Maan, Akshay Kumar; Kumar, Dinesh S.; James, Alex Pappachen (2014-01-01). „Memristive Threshold Logic Face Recognition”. Procedia Computer Science. 5th Annual International Conference on Biologically Inspired Cognitive Architectures, 2014 BICA. 41: 98—103. doi:10.1016/j.procs.2014.11.090 . 
  48. ^ Maan, A.K.; Kumar, D.S.; Sugathan, S.; James, A.P. (2015-10-01). „Memristive Threshold Logic Circuit Design of Fast Moving Object Detection”. IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (10): 2337—2341. ISSN 1063-8210. arXiv:1410.1267 . doi:10.1109/TVLSI.2014.2359801. 
  49. ^ James, A.P.; Francis, L.R.V.J.; Kumar, D.S. (2014-01-01). „Resistive Threshold Logic”. IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 22 (1): 190—195. ISSN 1063-8210. arXiv:1308.0090 . doi:10.1109/TVLSI.2012.2232946. 
  50. ^ James, A.P.; Kumar, D.S.; Ajayan, A. (2015-11-01). „Threshold Logic Computing: Memristive-CMOS Circuits for Fast Fourier Transform and Vedic Multiplication”. IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (11): 2690—2694. ISSN 1063-8210. arXiv:1411.5255 . doi:10.1109/TVLSI.2014.2371857. 
  51. ^ Caravelli; et al. (2017). „The complex dynamics of memristive circuits: analytical results and universal slow relaxation”. Physical Review E. 95 (2): 022140. Bibcode:2017PhRvE..95b2140C. PMID 28297937. arXiv:1608.08651 . doi:10.1103/PhysRevE.95.022140. 
  52. ^ а б Caravelli; et al. (2021). „Global minimization via classical tunneling assisted by collective force field formation”. Science Advances. 7 (52): 022140. Bibcode:2021SciA....7.1542C. PMID 28297937. arXiv:1608.08651 . doi:10.1126/sciadv.abh1542. 

Спољашње везе

уреди