Hutson, M. L'intelligence artificielle est-elle devenue une alchimie ? Sciences 360, 478 – 478 (2018).
Christensen, DV et al. Feuille de route 2022 sur l'informatique et l'ingénierie neuromorphiques. Neuromorphe. Calcul. Ing. 2, 022501 (2022).
Mehonic, A. & Kenyon, AJ L'informatique inspirée par le cerveau a besoin d'un plan directeur. Nature 604, 255 – 260 (2022).
Salahuddin, S., Ni, K. & Datta, S. L'ère de l'hyper-scaling en électronique. Nat. Électron. 1, 442 – 450 (2018).
Kendall, JD & Kumar, S. Les éléments constitutifs d'un ordinateur inspiré du cerveau. Appl. Phys. Tour. 7, 011305 (2020).
Ambrogio, S. et al. Entraînement accéléré de réseau neuronal à précision équivalente utilisant la mémoire analogique. Nature 558, 60 – 67 (2018).
Yu, S. Informatique inspirée par la neurologie avec une mémoire non volatile émergente. Proc. IEEE 106, 260 – 285 (2018).
Zhou, Z. et al. Edge intelligence : ouvrir le dernier kilomètre de l'intelligence artificielle avec l'informatique de pointe. Proc. IEEE 107, 1738 – 1762 (2019).
Keshavarzi, A., Ni, K., Hoek, WVD, Datta, S. & Raychowdhury, A. Ferroelectronics for edge intelligence. Micro IEEE 40, 33 – 48 (2020).
Yao, P. et al. Réseau neuronal convolutif memristor entièrement implémenté matériellement. Nature 577, 641 – 646 (2020).
Demasius, K.-U., Kirschen, A. & Parkin, S. Dispositifs à mémoire de forme éconergétiques pour l'informatique neuromorphique. Nat. Électron. 4, 748 – 756 (2021).
Chen, W. et al. Calcul en mémoire non volatile mémristif intégré au CMOS pour les processeurs de périphérie IA. Nat. Électron. 2, 420 – 428 (2019).
Cheng, C. et al. Informatique en mémoire avec les nouveaux dispositifs de mémoire non volatile. Sci. Chine Inf. Sci. 64, 221402 (2021).
Li, C. et al. Traitement analogique du signal et de l'image avec de grandes barres transversales de memristor. Nat. Électron. 1, 52 – 59 (2018).
Muller, J. et al. Ferroélectricité en binaire simple ZrO2 et HfO2. Nano Lett. 12, 4318 – 4323 (2012).
Böscke, TS, Müller, J., Bräuhaus, D., Schröder, U. & Böttger, U. Ferroélectricité dans les couches minces d'oxyde d'hafnium. Appl. Phys. Lett. 99, 102903 (2011).
Cheema, SS et al. Amélioration de la ferroélectricité dans des films ultra-minces développés directement sur du silicium. Nature 580, 478 – 482 (2020).
Cheema, SS et al. Ferroélectricité émergente dans des films d'oxydes binaires subnanométriques sur silicium. Sciences 376, 648 – 652 (2022).
Gao, Z. et al. Identification de la ferroélectricité dans un condensateur avec Hf ultra-mince (1.5 nm)0.5Zr0.5O2 film. Dispositif électronique IEEE Lett. 42, 1303 – 1306 (2021).
Khan, AI, Keshavarzi, A. & Datta, S. L'avenir de la technologie des transistors à effet de champ ferroélectriques. Nat. Électron. 3, 588 – 597 (2020).
Schroeder, U., Park, MH, Mikolajick, T. & Hwang, CS Les principes fondamentaux et les applications du HfO ferroélectrique2. Nat. Rév. Mater. 7, 653 – 669 (2022).
Jerry, M. et al. Synapse analogique FET ferroélectrique pour l'accélération de l'entraînement du réseau neuronal profond. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2017 6.2.1 à 6.2.4. (IEEE, 2017).
Ni, K. et al. Cellule de poids FeMFET multi-bit compatible avec la logique SoC pour les applications neuromorphiques. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2018 13.2.1 à 13.2.4. (IEEE, 2018).
Sun, X., Wang, P., Ni, K., Datta, S. & Yu, S. Exploitation de la précision hybride pour l'entraînement et l'inférence : une cellule de poids synaptique analogique basée sur 2T-1FeFET. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2018 3.1.1 à 3.1.4. (IEEE, 2018).
Tong, L. et al. Architecture transistor-mémoire homogène à base de matériaux 2D pour matériel neuromorphique. Sciences 373, 1353 – 1358 (2021).
Zhang, W. et al. Puces informatiques d'inspiration neuro. Nat. Électron. 3, 371 – 382 (2020).
Luo, Q. et al. Une diode ferroélectrique à base de hafnia hautement compatible CMOS. Nat. Commun. 11, 1391 (2020).
Radisavljevic, B. et al. MoS monocouche2 transistors. Nat. Nanotechnologie. 6, 147 – 150 (2011).
Akinwande, D. et al. Graphène et matériaux bidimensionnels pour la technologie du silicium. Nature 573, 507 – 518 (2019).
Liu, C. et al. Matériaux bidimensionnels pour les technologies informatiques de nouvelle génération. Nat. Nanotechnologie. 15, 545 – 557 (2020).
Marega, M. et al. Logique en mémoire basée sur un semi-conducteur atomiquement mince. Nature 587, 72 – 77 (2020).
Chung, Y.-Y. et coll. Réseaux de neurones profonds de haute précision utilisant une synapse analogique controlatérale composée de MoS ultrafin2 nFET et mémoire de piège à charge non volatile. Lettre de périphérique électronique IEEE. 41, 1649 – 1652 (2020).
Chen, L., Pam, ME, Li, S. & Ang, K.-W. Mémoire ferroélectrique basée sur des matériaux bidimensionnels pour l'informatique neuromorphique. Neuromorphe. Calcul. Ing. 2, 022001 (2022).
Meng, W. et al. Affichage micro-LED monolithique tridimensionnel piloté par une matrice de transistors atomiquement mince. Nat. Nanotechnologie. 16, 1231 – 1236 (2021).
Schram, T., Sutar, S., Radu, I. & Asselberghs, I. Défis de l'intégration à l'échelle de la tranche de semi-conducteurs 2D pour les circuits à transistors hautes performances. Av. Mater. 34, 2109796 (2022).
Waltl, M. et al. Perspective des circuits électroniques intégrés 2D : chimère scientifique ou technologie disruptive ? Av. Mater. 34, 2201082 (2022).
Chai, Y. In-sensor computing pour la vision artificielle. Nature 579, 32 – 33 (2020).
Mennel, L. et coll. Vision industrielle ultrarapide avec capteurs d'image de réseau neuronal 2D. Nature 579, 62 – 66 (2020).
Li, T. et al. Croissance épitaxiale de monocristaux semi-conducteurs au disulfure de molybdène à l'échelle d'une tranche sur du saphir. Nat. Nanotechnologie. 16, 1201 – 1207 (2021).
Muller, J. et al. Oxyde d'hafnium ferroélectrique : une approche compatible CMOS et hautement évolutive pour les futures mémoires ferroélectriques. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2013 10.8.1-10.8.4 (IEEE, 2013).
Gong, N. & Ma, T.-P. Une étude des problèmes d'endurance dans HfO2transistors à effet de champ ferroélectriques : piégeage de charge et génération de pièges. Dispositif électronique IEEE Lett. 39, 15 – 18 (2018).
Y. Liu et al. 4.7 Un processeur non volatile 65 nm compatible ReRAM avec une réduction de 6 fois le temps de restauration et une fréquence d'horloge 4 fois plus élevée grâce à la rétention adaptative des données et à la logique non volatile à auto-écriture et terminaison. Dans Conférence internationale IEEE sur les circuits à semi-conducteurs (ISSCC) 2016 84-86 (IEEE, 2016).
Feuille de route internationale pour les dispositifs et les systèmes (IRDSTM) édition 2021 (IEEE, 2021) ; https://irds.ieee.org/editions/2021
Krivokapic, Z. et al. Technologie FinFET ferroélectrique 14 nm avec une pente sous-seuil raide pour les applications à très faible puissance. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2017 15.1.1-15.1.4 (IEEE, 2017).
Dunkel, S. et al. Une technologie NVM embarquée ultra-rapide ultra-basse consommation basée sur FeFET pour FDSOI 22 nm et au-delà. Dans Réunion internationale IEEE sur les dispositifs électroniques (IEDM) 2017 19.7.1-19.7.4 (IEEE, 2017).
Zhao, C., Sun, Q., Zhang, C., Tang, Y. & Qian, F. Estimation de la profondeur monoculaire basée sur l'apprentissage en profondeur : un aperçu. Sci. Chine Technol. Sci. 63, 1612 – 1627 (2020).
Alhashim, I. & Wonka, P. Estimation de la profondeur monoculaire de haute qualité via l'apprentissage par transfert. Préimpression à https://arxiv.org/abs/1812.11941 (2018).
Ronneberger, O., Fischer, P. & Brox, T. U-Net : réseaux convolutifs pour la segmentation d'images biomédicales. Dans Calcul d'images médicales et intervention assistée par ordinateur - MICCAI 234-241 (Springer, 2015).
Geiger, A., Lenz, P. & Urtasun, R. Sommes-nous prêts pour la conduite autonome ? La suite de référence KITTI vision. Dans Conférence IEEE 2012 sur la vision par ordinateur et la reconnaissance de formes (CVPR) 3354-3361 (IEEE, 2012).
Huang, G., Liu, Z., Maaten, LVD et Weinberger, KQ Réseaux convolutifs densément connectés. Dans Conférence IEEE 2017 sur la vision par ordinateur et la reconnaissance de formes (CVPR) 2261-2269 (IEEE, 2017).
Deng, J. et al. ImageNet : une base de données d'images hiérarchique à grande échelle. Dans Conférence IEEE 2009 sur la vision par ordinateur et la reconnaissance de formes (CVPR) 248-255 (IEEE, 2009).
Wang, Z., Bovik, AC, Sheikh, HR & Simoncelli, EP Évaluation de la qualité d'image : de la visibilité des erreurs à la similarité structurelle. IEEE Trans. Processus d'image. 13, 600 – 612 (2004).
Eigen, D., Puhrsch, C. & Fergus, R. Prédiction de la carte de profondeur à partir d'une seule image à l'aide d'un réseau profond à plusieurs échelles. Dans 28e Conférence sur les systèmes de traitement de l'information neuronale (NIPS) (Fondation NIPS, 2014).
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
- La source: https://www.nature.com/articles/s41565-023-01343-0