文献

J-GLOBAL ID：202102261761160902   整理番号：21A0032943

メモリスタ材料からニューラルネットワークへ【JST・京大機械翻訳】

From Memristive Materials to Neural Networks

著者 (9件)： Guo Tao (Department of Mechanical and Mechatronics Engineering, Waterloo Institute of Nanotechnology, Centre for Advanced Materials Joining, University of Waterloo, Ontario, Canada) ,  Sun Bai (Department of Mechanical and Mechatronics Engineering, Waterloo Institute of Nanotechnology, Centre for Advanced Materials Joining, University of Waterloo, Ontario, Canada) ,  Sun Bai (School of Physical Science and Technology, Key Laboratory of Advanced Technology of Materials (Ministry of Education of China), Southwest Jiaotong University, Sichuan, China) ,  Ranjan Shubham (Department of Electrical and Computer Engineering, University of Waterloo, Ontario, Canada) ,  Jiao Yixuan (Department of Mechanical and Mechatronics Engineering, Waterloo Institute of Nanotechnology, Centre for Advanced Materials Joining, University of Waterloo, Ontario, Canada) ,  Jiao Yixuan (Department of Chemical Engineering, University of Waterloo, Ontario, Canada) ,  Wei Lan (Department of Electrical and Computer Engineering, University of Waterloo, Ontario, Canada) ,  Zhou Y. Norman (Department of Mechanical and Mechatronics Engineering, Waterloo Institute of Nanotechnology, Centre for Advanced Materials Joining, University of Waterloo, Ontario, Canada) ,  Wu Yimin A. (Department of Mechanical and Mechatronics Engineering, Waterloo Institute of Nanotechnology, Centre for Advanced Materials Joining, University of Waterloo, Ontario, Canada)
資料名： ACS Applied Materials & Interfaces  (ACS Applied Materials & Interfaces)
巻： 12  号： 49  ページ： 54243-54265  発行年： 2020年 
JST資料番号： W2329A  ISSN： 1944-8244  CODEN： AAMICK  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 情報技術は,過去数十年にわたりMooreの法則に従って指数関数的に増加している。これは,基本的に作業と生活の方法を変化させた。しかし,データプロセス効率をさらに改善することは,物理的および構造的限界のため大きな課題に直面している。より強力な計算方法論は,ポストMooreの法則期間の技術ギャップを満たすのに重要である。メモリスタは,情報記憶,高性能コンピューティング,および人工知能において有望な展望を示す。メムリスタはL.Oによって理論的に予測された。1971年のChuaと2008年のHP研究所によって実験的に確認されたが,それは世界中の研究者から大きな注目を集めている。簡単な構造,低電力消費,相補的金属酸化物-半導体(CMOS)プロセスとの両立性,およびデータ蓄積と計算の二重機能のようなメムリスタの固有特性は,多くの応用で大きな展望を示す。本レビューでは,基本材料からメモリ内コンピューティングと将来展望までのメムリスタ関連計算技術をカバーする。最初に,メムリスタにおける材料と機構を考察した。次に,シナプスシミュレーティング,メモリ内論理計算,深層ニューラルネットワーク(DNN)およびスパイキングニューラルネットワーク(SNN)の領域におけるメムリスタの開発を提示した。最後に,最先端の応用の既存の技術課題と展望を提案した。Copyright 2021 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *記憶装置 ,  シミュレーション ,  半導体 ,  *ニューラルネットワーク ,  金属酸化物 ,  指数関数 ,  シナプス ,  データ蓄積 ,  計算理論 ,  人工知能 ,  情報技術 ,  CMOS
準シソーラス用語： Mooreの法則 ,  スパイキングニューラルネットワーク ,  *メモリスタ , 【Automatic Indexing@JST】

著者キーワード (5件)： メムリスティブ材料 ,  シナプス ,  メモリ内論理計算 ,  神経形態計算 ,  ニューラルネットワーク

分類 (2件)： LCR部品  (NA05030D) ,  半導体集積回路  (NC03162T)

タイトルに関連する用語 (2件)： メモリスタ ,  ニューラルネットワーク