Dispositivo sináptico de captura de carga ReS2 para la aplicación de reconocimiento facial

Resumen

Los dispositivos sinápticos son necesarios para satisfacer la creciente demanda de un sistema más inteligente y eficiente. En este trabajo, el disulfuro de renio anisotrópico (ReS ₂ ) se utiliza como material de canal para construir un dispositivo sináptico y emular con éxito el comportamiento de potenciación / depresión a largo plazo. Para demostrar que nuestro dispositivo se puede usar en un sistema de red neuronal a gran escala, se seleccionan 165 imágenes de la base de datos de Yale Face para su evaluación, de las cuales 120 imágenes se usan para entrenamiento de redes neuronales artificiales (ANN) y las 45 imágenes restantes se usan para pruebas de ANN. Un ANN de tres capas que contiene más de 10 ⁵ Se propone pesos para la tarea de reconocimiento facial. También se seleccionan 120 estados de conductancia modulada continua para reemplazar las pesas en nuestra ANN bien entrenada. Los resultados muestran que se logra una excelente tasa de reconocimiento del 100% con solo 120 estados de conductancia, lo que demuestra un alto potencial de nuestro dispositivo en el campo de la red neuronal artificial.

Antecedentes

Desde el advenimiento de las computadoras modernas, la estructura de von Neumann, en la que la unidad aritmética está separada de la memoria, se ha utilizado ampliamente. Este tipo de estructura hace que la transmisión de datos entre la unidad aritmética y la memoria se convierta en un cuello de botella, limitando significativamente la mejora del rendimiento de la computadora [1, 2]. Mientras tanto, la unidad aritmética y la memoria principal son dispositivos volátiles con alto consumo de energía, y la información desaparecerá inmediatamente si se corta la energía [3]. En contraste, el cerebro humano es un sistema de computación y almacenamiento de información eficiente con alta tolerancia a fallas y bajo consumo de energía (alrededor de 20 W), y se basa en una red compleja altamente interconectada, masivamente paralela y estructuralmente variable que consta de aproximadamente 10 ¹¹ neuronas y 10 ¹⁵ sinapsis [4, 5]. Se considera que estas neuronas son los motores computacionales del cerebro, que reciben señales de entrada de miles de sinapsis en paralelo. La plasticidad sináptica es un proceso biológico que cambia el peso sináptico a través de actividades sinápticas, y se considera una fuente de aprendizaje y memoria [6].

Los materiales bidimensionales (2D) con un tamaño pequeño y excelentes propiedades electrónicas, como el grafeno, los dicalcogenuros de metales de transición (TMDC) y el fósforo negro, han atraído una atención significativa y se han implementado con éxito en dispositivos sinápticos [7, 8]. Los TMDC con celosía simétrica, como MoS ₂ y WSe ₂ , han sido ampliamente estudiados [9, 10]. Por otro lado, el disulfuro de renio (ReS ₂ ) con una estructura cristalina octaédrica distorsionada (1T) rara vez se ha explorado en el campo neuromórfico. La mayoría de los TMD tienen una banda prohibida directa en la monocapa y una banda prohibida indirecta en la multicapa, por lo que se necesita un material monocapa que sea difícil de obtener para un buen rendimiento del dispositivo. Sin embargo, ReS ₂ dentro de diez capas se considera que todas tienen un intervalo de banda directo [11], lo que significa que ReS ₂ dentro de diez capas, todos pueden funcionar bien. Además, la estructura reticular asimétrica conduce a una energía de acoplamiento entre capas más débil, lo que beneficia el trabajo de exfoliación y, por lo tanto, hace que el dispositivo sináptico sea mucho más fácil de fabricar [12,13,14,15]. En este estudio, ReS ₂ La película se utiliza como material de canal. La estructura cristalina de la monocapa ReS ₂ se muestra en la Fig. 1a, donde las direcciones a y b denotar el segundo eje más corto y el eje más corto en el plano basal, respectivamente. Basado en investigaciones científicas previas y muchas imágenes ópticas de nuestro ReS ₂ exfoliado película [13], dirección b denota la orientación cristalográfica con la mayor movilidad de electrones. Para ilustrar las características eléctricas de nuestro ReS ₂ dispositivo sináptico mejor, dirección b se considera como una dirección de la corriente del canal, como se muestra en la Fig. 1b.

Los dispositivos sinápticos basados en ReS ₂ Material 2D. un Estructura cristalina de la monocapa ReS ₂ . b Imagen óptica de un ReS ₂ de cinco capas escama. Recuadro:electrodos de fuente y drenaje con patrón en el ReS ₂ escama; dirección b se toma como la dirección de la corriente del canal. c La imagen AFM y el perfil de altura del ReS ₂ escama. d Diagrama esquemático de un material 2D ReS ₂ dispositivo sináptico. El grosor del Al ₂ O ₃ , ZrO ₂ y Al ₂ O ₃ la pila (desde la parte inferior) es de 12 nm, 4 nm y 4 nm, respectivamente

Ha habido muchos dispositivos con diferentes estructuras que simularon con éxito la dinámica sináptica, como la plasticidad a corto plazo (STP), la potenciación a largo plazo (LTP) y la depresión a largo plazo (LTD) [16,17,18]. Un MoS ₂ / Se ha demostrado la sinapsis de heterounión híbrida PTCDA con una modulación dual fotoeléctrica eficiente [10]. Una sinapsis de nanotubos de carbono [19] y MoS ₂ basado en silicio synapse [20] mostró lógica dinámica. Sin embargo, los estudios mencionados se centraron únicamente en el nivel sináptico. En algunos estudios, se realizaron diferentes estados de conductancia para demostrar que sus dispositivos podrían usarse para construir redes neuronales artificiales (ANN), pero no colocaron los estados conductores en las ANN para el cálculo [21, 22]. En este trabajo, se modulan 120 estados de conductancia continua y los valores de conductancia correspondientes se utilizan en la red de reconocimiento facial entrenada para el cálculo; se logra una excelente tasa de reconocimiento del 100%.

Métodos

La estructura esquemática de nuestro dispositivo sináptico se muestra en la Fig. 1d, donde se puede ver que una película de 70 nm de ITO (óxido de indio y estaño) se depositó sobre el SiO ₂ / Sustrato de Si como electrodo de puerta trasera. El sustrato era una oblea de Si con 200 nm SiO ₂ en la parte superior. Primero se limpió con acetona, alcohol isopropílico y agua desionizada, y luego se secó con N ₂ gas antes de la deposición de ITO. La capa de ITO se depositó primero por pulverización catódica y luego se recoció a 400 ° C en el N ₂ atmósfera durante 10 min mediante procesamiento térmico rápido (RTP). Los electrodos ITO transparentes se utilizan para fabricar con precisión electrodos fuente y de drenaje mediante litografía por haz de electrones. El Al ₂ O ₃ / ZrO ₂ / Al ₂ O ₃ Se cultivaron estructuras intercaladas con un espesor de 12 nm, 4 nm y 4 nm en el ITO mediante deposición de capa atómica (ALD) como una capa de barrera, una capa de captura de electrones y una capa de efecto túnel, respectivamente. A continuación, el ReS ₂ exfoliado mecánicamente se depositaron escamas con un espesor de aproximadamente 3,6 nm como un canal debajo de los electrodos de Ti / Au con patrón. Los electrodos de Ti / Au con espesores de 10 nm y 70 nm se modelaron usando la litografía por haz de electrones seguida de la evaporación por haz de electrones como fuente y drenaje, respectivamente. La Figura 1c muestra la imagen del microscopio de fuerza atómica de nuestro ReS ₂ de 3.6 nm de espesor película (alrededor de cinco capas); la longitud del canal se diseñó para ser de 1,5 μm (consulte el recuadro en la Fig. 1b). En este trabajo, la puerta trasera de ITO actuó como una neurona de presinapsis, y los electrodos de Ti / Au actuaron como una neurona de post-sinapsis. Se aplicó un voltaje pequeño y constante entre los electrodos fuente y de drenaje, mientras que el electrodo de puerta trasera ITO se aplicó con pulsos para modular el rendimiento del dispositivo sináptico.

Resultados y discusión

La Figura 2a muestra las características de transferencia de nuestro dispositivo sináptico a un voltaje de puerta trasera de 2 V ( V _bg =2 V) bajo un voltaje fijo de drenaje a fuente ( V _ds ) cambiando de 100 a 700 mV con el paso de 100 mV. Una relación de corriente de encendido / apagado superior a 10 ⁶ podría ser observado. La curva mostraba la corriente de drenaje a fuente ( I _ds ), que primero aumentó rápidamente y luego se saturó; las excelentes características de saturación correspondían a la fuerte regulación del canal por el electrodo de puerta trasera ITO. A diferencia de los transistores tradicionales, que utilizan silicio como electrodo de puerta inferior y SiO ₂ como dieléctrico a un voltaje de operación de generalmente más de 20 V [23], el voltaje de operación de nuestro dispositivo sináptico con solo una distancia de 20 nm entre el ReS ₂ El canal y el electrodo de puerta trasera ITO estaban por debajo de 5 V, mejorando significativamente la eficiencia del dispositivo sináptico. El recuadro en la Fig. 2a muestra la relación superlineal bajo el bajo- V _ds regímenes, lo que demuestra un buen contacto Schottky entre el ReS ₂ electrodos de canal y fuente y drenaje. Como se muestra en la Fig. 2b, I _ds - V _bg Se pudo observar la curva de histéresis cuando V _bg cambió de - 5 a 5 V y luego se invirtió con una polarización constante de 0,1 V ( V _ds =0,1 V). En las mediciones, se aplicó una pequeña tensión constante de 0,1 V entre la fuente y los electrodos de drenaje para "leer" la corriente postsináptica. La ventana de memoria, que proporcionó la base para el rendimiento sináptico, fue de aproximadamente 3,5 V; una ventana de memoria tan grande hizo que nuestro ReS ₂ dispositivo muy prometedor para aplicaciones sinápticas [24]. Desde la parte superior de la banda de valencia de ZrO ₂ fue mayor que la de Al ₂ O ₃ , y la parte inferior de la banda de conducción era más baja que la de Al ₂ O ₃ (ver el recuadro en la Fig. 2c), ZrO ₂ usado como una capa intermedia intercalada entre alúmina podría capturar la carga de manera efectiva. Los diagramas de bandas de energía bajo voltaje de puerta trasera positivo y negativo se muestran en la Fig. 2c yd, respectivamente. Cuando se aplicó un voltaje positivo, los electrones en el ReS ₂ El canal primero haría un túnel a través del Al ₂ O ₃ capa de túnel, luego ser capturado por el ZrO ₂ capa de captura. Por el contrario, cuando se aplicó ITO con un voltaje negativo, los electrones se reunieron en el ZrO ₂ La capa se enviaría al ReS ₂ canal; las bandas de energía se doblaron en la dirección del canal.

Propiedades eléctricas del ReS ₂ dispositivos sinápticos. un Característica de transferencia ( I _ds - V _bg ) del ReS ₂ dispositivos sinápticos en una V fija _ds cambiando de 100 a 700 mV con el paso de 100 mV. b Característica de salida ( I _ds - V _ds ) del ReS ₂ dispositivos sinápticos en una V fija _bg cambiando de - 2 a 2 V con el paso de 1 V. c Bucle de histéresis en V _bg de rangos de barrido de ± 5 V. V _ds se mantuvo a 100 mV. d Diagrama de bandas de energía del ReS ₂ Dispositivos sinápticos con voltaje de puerta trasera positivo. Recuadro:niveles de energía de Al ₂ O ₃ y ZrO ₂ . e Diagrama de bandas de energía del ReS ₂ dispositivos sinápticos con voltaje de puerta trasera negativo

En la Fig. 3a, se detectó una corriente postsináptica excitadora típica (EPSC) después de aplicar un pulso de entrada negativo (con una amplitud de -1 V y una duración de 10 ms) en la puerta trasera de ITO. Además, en la Fig. 3b se observó una respuesta postsináptica inhibitoria a un pulso de voltaje positivo (con una amplitud de 1 V y una duración de 10 ms), que es similar a una sinapsis biológica [25]. La señal del pulso de la neurona presináptica se transmitió a la neurona postsinapsis a través de la sinapsis y se convirtió en la corriente postsináptica (PSC) [26]. El valor de PSC se determinó mediante la amplitud y duración del pulso. Cuando el pulso fue negativo, los electrones de los defectos de ZrO ₂ ganó suficiente energía para hacer un túnel a través del Al ₂ superior O ₃ capa dieléctrica en el ReS ₂ canal. El valor constante de la corriente fue ligeramente superior al valor anterior (∆PSC =0,04 nA) y pudo mantenerse durante mucho tiempo. Este fenómeno correspondió a la potenciación a largo plazo (LTP) en la sinapsis biológica. Sin embargo, cuando el pulso fue positivo, los electrones en el ReS ₂ canal tunelizado a través del Al ₂ O ₃ capa bajo la atracción del campo eléctrico y fueron capturados por los defectos de ZrO ₂ . Por tanto, el valor constante de la corriente era ligeramente inferior al valor original y podía mantenerse igual durante mucho tiempo (∆PSC =0,06 nA). Este proceso correspondió a la depresión a largo plazo (LTD) en la sinapsis biológica. El LTP y el LTD proporcionaron un sustrato fisiológico para el aprendizaje y la memoria en dispositivos sinápticos. Cuando los pulsos negativos con la amplitud de - 2 V y duración de 10 ms se aplicaron de forma continua, con un intervalo de 1 s entre pulsos, se observó la corriente ascendente en los dos pasos, como se muestra en la Fig. 3c. Los valores de la corriente ascendente fueron 1,6 nA y 1,4 nA, respectivamente. Por lo tanto, podría obtenerse una corriente continua y uniformemente creciente bajo los pulsos de voltaje de puerta periódicos, y la corriente estable después de la estimulación podría durar mucho tiempo, como se muestra en la Fig. 3d. Este hallazgo proporcionó una base para obtener los múltiples estados conductores estables.

Rendimiento sináptico del ReS ₂ dispositivos sinápticos. un La corriente postsináptica excitadora (EPSC) desencadenada por el pulso de entrada (-1 V, 10 ms). b La corriente postsináptica inhibitoria (IPSC) desencadenada por un pico presináptico (1 V, 10 ms). c Par de picos de salida de EPSC activados por dos pulsos de entrada consecutivos (- 2 V, 10 ms, y con un intervalo de 1 s entre pulsos). d Características de retención del ReS ₂ dispositivos sinápticos después de un pico presináptico de - 3 V y 10 ms

La Figura 4a muestra 120 valores de corriente después de aplicar 120 pulsos negativos con una amplitud de -2 V y una duración de 10 ms y con un intervalo de 1 s entre pulsos. Aparentemente, la curva de corriente mostró una excelente linealidad, se obtuvieron 120 estados efectivos de conductancia de alta estabilidad en cada estado. Los diferentes estados de conductancia se correspondían con diferentes valores de peso de ANN [27].

Red neuronal artificial para reconocimiento facial. un 120 estados de conductancia después de aplicar 120 pulsos negativos (-2 V, 10 ms, y con un intervalo de 1 s entre pulsos). b La RNA de tres capas con 1024 neuronas de entrada, 256 neuronas ocultas y 15 neuronas de salida. c Diagrama de flujo del ciclo de formación-reconocimiento

En este trabajo se propone una red neuronal artificial de tres capas para la tarea de reconocimiento facial, y su estructura se presenta en la Fig.4b, donde se puede observar que la capa de entrada está formada por 1024 neuronas que corresponden a 1024 píxeles de una imagen, la capa intermedia (oculta) consta de 256 neuronas y la capa de salida consta de 15 neuronas que corresponden a 15 clases de caras.

El desarrollo de la ANN propuesta es el siguiente. Un total de 165 imágenes, incluidos 15 tipos de imágenes de la base de datos Yale Face [28], se utilizan para el entrenamiento y las pruebas de ANN. Se utilizan ocho imágenes de cada tipo para el entrenamiento de ANN, y las tres imágenes restantes de cada tipo se utilizan para las pruebas de ANN. Dado que los módulos son funciones suaves en relación con sus entradas y sus pesos internos, las arquitecturas multicapa se pueden entrenar mediante un descenso de gradiente estocástico simple, y los gradientes generalmente se calculan mediante el procedimiento de retropropagación [29]. Por lo tanto, utilizamos el algoritmo clásico de propagación hacia atrás (BP) para construir nuestra red y mostrar cómo funciona el algoritmo BP para nuestra ANN.

En este trabajo, X _m representa una neurona de entrada, por lo que el valor de entrada de una neurona oculta se puede expresar como:

$$ {Y} _ {in} =\ sum \ limits_ {m =1} ^ {1024} {X} _m {V} _ {mn} $$

donde V _mn representa el valor de peso entre una neurona de entrada X _m y una neurona oculta Y _en y todos los V _mn formar la matriz V que tiene un total de 1024 × 256 valores de peso; el valor inicial de esta matriz se asigna aleatoriamente. La función de activación de la capa oculta es la función sigmoidea, por lo que el valor de salida de una neurona oculta viene dado por:

$$ {Y} _ {on} =\ frac {1} {1+ {e} ^ {Y_ {in}}} $$

Por lo tanto, el valor de entrada de una neurona de salida se puede expresar como:

$$ {Z} _ {ik} =\ sum \ limits_ {n =1} ^ {256} {Y} _ {on} {W} _ {nk} $$

donde W _nk representa el valor de peso entre una neurona oculta Y _en y una neurona de salida Z _ik y todos W _nk formar la matriz W con un total de 256 × 15 valores de peso; el valor inicial de W _nk también se asigna al azar. Además, usamos la función sigmoidea como una función de activación de la capa de salida, de modo que el valor de salida de una neurona de salida viene dado por:

$$ {Z} _ {ok} =\ frac {1} {1+ {e} ^ {Z_ {ik}}} $$

Al comparar la salida calculada anteriormente con la salida correcta, se puede obtener el error de salida total y se expresa como:

$$ E =\ frac {1} {2} \ sum \ limits_ {k =1} ^ {15} {\ left ({O} _k- {Z} _k \ right)} ^ 2 $$

donde O _k es el valor de salida correcto. Hasta ahora, el proceso de propagación hacia adelante de la red se ha descrito completamente. Para mejorar la tasa de reconocimiento, se necesita el proceso de retropropagación para calcular los errores de las ponderaciones, y se utilizan para actualizar las ponderaciones de la red en la siguiente iteración.

$$ \ Delta {V} _ {mn} =\ mu \ frac {\ parcial E} {\ parcial {V} _ {mn}} $$$$ \ Delta {W} _ {nk} =\ mu \ frac {\ parcial E} {\ parcial {W} _ {nk}} $$$$ {V_ {mn}} ^ {\ prime} ={V} _ {mn} + \ Delta {V} _ {mn} $ $$$ {W_ {nk}} ^ {\ prime} ={W} _ {nk} + \ Delta {W} _ {nk} $$

En las expresiones matemáticas anteriores, ∆V _mn y ∆W _nk respectivamente representan los errores de V _mn y W _nk; después de agregar los errores al peso original, obtenemos el peso actualizado V _mn ^′ y W _nk ^′ ; μ es la tasa de aprendizaje y μ =0,06. Después de actualizar los pesos, se envía una nueva imagen a la ANN y el proceso de actualización de peso se repite hasta que se hayan utilizado las 120 imágenes para el entrenamiento. A continuación, usamos la red entrenada para identificar las 45 imágenes restantes y calcular la tasa de reconocimiento. El proceso de prueba de ANN requiere solo el proceso de propagación hacia adelante. Cada imagen utilizada para las pruebas obtiene 15 valores de salida después de una propagación hacia adelante. El valor de salida refleja la probabilidad de que la imagen de entrada sea de cierto tipo. Se selecciona la salida con el valor de probabilidad máximo y el tipo correspondiente es el tipo de imagen de entrada identificada por la red. Los resultados del reconocimiento se comparan con la salida estándar; se cuentan todas las imágenes correctamente identificadas, y su número total es n . En cada ciclo de entrenamiento-reconocimiento, la tasa de reconocimiento r viene dado por:

$$ r =\ frac {n} {45} \ veces 100 \% $$

Generalmente, la tasa de reconocimiento del primer reconocimiento es muy baja, y en nuestra RNA con 256 neuronas ocultas, la tasa de primer reconocimiento es solo del 17,78%. El proceso de formación-reconocimiento anterior se repite hasta que se obtiene la tasa máxima de reconocimiento. El ciclo completo de entrenamiento-reconocimiento se muestra en la Fig. 4c.

Como se muestra en la Fig. 5a, durante el proceso de desarrollo de ANN, la tasa máxima de reconocimiento y la velocidad creciente de la tasa de reconocimiento (velocidad de entrenamiento) fueron diferentes en un número diferente de neuronas ocultas. Un mayor número de neuronas ocultas condujo a una tasa de reconocimiento máxima más alta y una velocidad de aumento más rápida, pero también aumentó el consumo de energía, por lo que se debe hacer cierto compromiso. En el caso de 256 neuronas ocultas, la tasa de reconocimiento alcanzó el 100% después de 600 iteraciones de entrenamiento, como se muestra en la Fig. 5b. Dado que esta era definitivamente la tasa de reconocimiento máxima que se podía lograr, en nuestra ANN, establecimos el número de neuronas ocultas en 256. La distribución de los valores de peso después de diferentes ciclos de entrenamiento-prueba se presenta en la Fig. 5c, e indica que el los pesos se volvieron más dispersos después de más ciclos, es decir, para alcanzar una tasa de reconocimiento más alta, los pesos en la ANN tuvieron que ajustarse. Una vez que logramos la máxima tasa de reconocimiento, las matrices V y W que tenían el valor de peso óptimo. Para demostrar mejor que nuestro ReS ₂ dispositivo es adecuado para ser aplicado a ANN, todos los valores de peso en las matrices de peso V y W fueron reemplazados por los valores de conductancia del dispositivo. Usamos I _j ( j =1, 2, 3 ⋯ 120) para representar 120 valores de conductancia que se obtuvieron después de 120 ciclos, y realizamos una transformación lineal de los valores de conductancia originales para que el rango de conductancia fuera consistente con el rango de peso, que fue dado por:

$$ {C} _j =A {I} _j + B $$

Realización del reconocimiento facial. un Curva de tasa de reconocimiento en diferentes números de neuronas ocultas (32, 64, 128 y 256). b Curva de tasa de reconocimiento en 256 neuronas ocultas; la tasa de reconocimiento alcanza el 100% después de casi 600 períodos de prueba de entrenamiento. c La distribución de los valores de peso después de 10 a 90 (en pasos de 20) épocas de entrenamiento. d La distribución de los valores de peso después de 100 a 600 (en pasos de 100) épocas de entrenamiento. e Tasa de reconocimiento después del reemplazo; los valores de peso se reemplazaron después de 100 ~ 500 épocas de entrenamiento (en pasos de 100)

donde C _j representó el valor de peso después de la transformación lineal. En el caso de 600 ciclos, los coeficientes de transformación lineal fueron A =1,3769 × 10 ¹⁰ y B =- 65,784. A continuación, restamos cada C _j de cada valor de peso y reemplazó el valor de peso con C _j que tenía el valor absoluto más pequeño después de la resta; es decir, calculamos min | V _mn - C _j |, min | W _nk - C _j | y reemplazó cada valor de peso con el correspondiente C _j . De esta forma, obtuvimos nuevos V y W matrices de peso en las que todos los valores de peso fueron reemplazados por C _n . Luego, usamos nuestras nuevas matrices de peso en las pruebas de ANN y se logró la tasa de reconocimiento de ANN del 100%, lo que demostró que nuestros 120 estados de conductancia se podían usar perfectamente como valores de peso en el ANN. Para el propósito de un análisis más detallado, reemplazamos los valores de peso después de 100 ~ 500 ciclos de entrenamiento (en pasos de 100), y los resultados de identificación obtenidos después del reemplazo son completamente consistentes con el original, como se muestra en la Fig. 5d. Esto prueba que estos 120 valores actuales podrían reemplazar perfectamente a más de 10 ⁵ valores de peso para el cálculo. Al aumentar aún más el número de pulsos de puerta, se pudieron obtener más estados de conductancia, lo que demostró que nuestro ReS ₂ El dispositivo podría usarse en un sistema de red neuronal a gran escala.

Conclusiones

En este trabajo, presentamos un 2D ReS ₂ basado en pila dieléctrica de alta k dispositivo sináptico y demuestran algunos comportamientos sinápticos fundamentales como la potenciación a largo plazo y la depresión a largo plazo. Los resultados muestran que nuestro ReS ₂ El dispositivo puede simular bien el rendimiento sináptico. Además, se construye una RNA para probar la aplicación del dispositivo propuesto en redes neuronales artificiales. Aplicando 120 pulsos de voltaje de compuerta periódicos, se obtienen 120 estados de conductancia efectivos y claramente diferenciados, que se utilizan para reemplazar más de 10 ⁵ pesos en la RNA para reconocimiento facial. La tasa de reconocimiento del 100% se logra después del reemplazo. Este excelente resultado demuestra que nuestro ReS ₂ Synapse se puede utilizar para construir una red neuronal artificial.

Disponibilidad de datos y materiales

Los autores declaran que los materiales, datos y protocolos asociados están disponibles para los lectores, y todos los datos utilizados para el análisis están incluidos en este artículo.

Abreviaturas

2D:: Dos dimensiones
ALD:: Deposición de la capa atómica
ANN:: Red neuronal artificial
LTD:: Depresión prolongada
LTP:: Potenciación a largo plazo

Evolución de una microestructura anisotrópica en un ánodo de pila de combustible de óxido sólido Modulación de encendido a apagado de modo dual de la transparencia inducida por plasmón y el efecto de acoplamiento en una metauperficie de terahercios basada en grafeno con patrones

Nanomateriales

Materiales poliméricos

Biologicos

Teñir

Especias