В работе рассматриваются подходы применения нейросетевого анализа при проектировании датчиков жидкости с использованием нормальных акустических волн для анализа выходных сигналов и идентификации жидкости на их основе. Сравниваются два подхода: на основе классических алгоритмов и нейросетевой.

В данной работе проводится анализ проблемы надежности мемристорных структур, рассмотрены современные подходы к снижению количества пробоев при переключении мемристоров и повышению выхода годных структур.

В работе измерены суммарные потери акустических волн в пластинах 128°Y-LiNbO3 при нанесении жидкости, обусловленные радиационным излучением волн в жидкую среду, а также ее вязкостью, электропроводностью, плотностью и диэлектрической проницаемостью жидкостного аналита. В качестве тестируемых выбраны растворы с 5-ю базовыми вкусами, широко применяемые для калибровки и создания эталонов при тестировании жидких сред. Измерения проведены в диапазоне 30…60 МГц. Экспериментальные данные были представлены в виде полярных гистограмм, из сравнения площадей и формы которых определялся вкус того или иного раствора. К тем же экспериментальным результатам был применен метод анализа большого массива данных (РСА) для описания линейных процессов деформации упругих волн на основе экспериментальных данных, содержащих известные значения измерений физических показателей волны для различных типов жидкостных сред, который ранее использовался для идентификации газов и предсказания свойств различных веществ по линейному отклику нормальной акустоэлектронной волны. Выполнен сравнительный анализ результатов, полученных с помощью полярных гистограмм и стандартного метода классификации РСА. Продемонстрированы преимущества последнего. Результаты данного исследования полезны как при разработке акустических датчиков без сенсорных слоев, так и для применения методов машинного обучения к данным в других типах датчиков.

В работе описывается нейросетевой алгоритм, который обрабатывает электромиографические сигналы мышц (ЭМГ) и фактического положения руки человека и на их основе формирует предсказание траектории движения. Опыт исследований показал, что для расчета траектории движения экзоскелета недостаточно только ЭМГ-сигналов. Необходимы дополнительные кинематические параметры, такие как координата или ускорение объекта. Обработка считанных сигналов посредством нейросетевых алгоритмов способна построить нелинейные зависимости между ними. В качестве дополнительных данных мы использовали три угла сгиба руки и пять ЭМГ-каналов. Разработанный нами нейросетевой алгоритм способен обрабатывать данные и генерировать траекторию в режиме реального времени.

Статья посвящена анализу современного состояния и перспектив развития высокопроизводительных вычислений на основе принципов хранения и обработки информации в биологических нейронных сетях, которые обеспечены возможностями новой электронной компонентной базы (ЭКБ), представленной мемристорами (нелинейными резисторами с памятью или элементами резистивной памяти с произвольным доступом (англ.: Resistive Random Access Memory (RRAM)). Мемристоры могут быть реализованы на базе различных материалов и наноструктур, совместимых со стандартным технологическим процессом микроэлектроники, и позволяют производить “вычисления в памяти”. Естественным образом такие вычисления реализуются в нейроморфных системах, использующих для выполнения векторно-матричного умножения архитектуру “кроссбар”, в которой мемристоры на пересечениях проводящих шин выступают в качестве синаптических весов – пластичных соединений между искусственными нейронами в полносвязной архитектуре нейронной сети. В статье рассмотрены общие подходы к разработке и созданию новой ЭКБ на основе технологии RRAM, совместимой с комплементарными структурами металл-оксид-полупроводник, разработке искусственных нейронных сетей и нейропроцессора, использующих мемристорные матрицы кроссбар как вычислительные ядра и масштабируемые многоядерные архитектуры для реализации как формальных, так и импульсных нейросетевых алгоритмов. Описаны технические решения, обеспечивающие аппаратную реализацию мемристорных кроссбаров достаточно большой размерности, а также решения, компенсирующие некоторые недостатки или принципиальные ограничения, присущие современным мемристорам на стадии взросления технологии. Проведен анализ производительности и энергоэффективности для опубликованных прототипов таких нейроморфных систем и сделан вывод о существенном (на порядки величины) выигрыше с точки зрения этих параметров по сравнению с вычислительными системами на основе традиционной элементной базы (в том числе нейроморфными). Технологическое освоение новой элементной базы и создание мемристорных нейроморфных вычислительных систем обеспечит не только своевременную диверсификацию аппаратного обеспечения для непрерывного развития и массового внедрения технологий искусственного интеллекта, но и позволит поставить задачи совершенно нового уровня по созданию гибридного интеллекта на основе симбиоза искусственных и биологических нейронных сетей. Среди этих задач первоочередными являются задачи по созданию мозгоподобных самообучающихся спайковых нейросетей и адаптивных нейроинтерфейсов на основе мемристоров, которые также обсуждаются в работе.