معلومة

لماذا تؤدي مقاومة الخلية الأعلى بعد التشابك إلى تغيير جهد أعلى عند تطبيق التيار؟

لماذا تؤدي مقاومة الخلية الأعلى بعد التشابك إلى تغيير جهد أعلى عند تطبيق التيار؟



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

في الطبعة الخامسة من "مبادئ العلوم العصبية" في المناقشة حول المشابك الكهربائية ، تقول:

أثناء النقل التشابكي الاستثاري عند المشبك الكهربائي ، تولد القنوات الأيونية ذات الجهد الكهربائي في الخلية قبل المشبكية التيار الذي يزيل استقطاب الخلية ما بعد المشبكي. وبالتالي ، فإن هذه القنوات لا تزيل استقطاب الخلية قبل المشبكية فوق عتبة إمكانات الفعل فحسب ، بل تولد أيضًا تيارًا أيونيًا كافيًا لإحداث تغيير في الجهد في خلية ما بعد المشبكي.

لتوليد مثل هذا التيار الكبير ، يجب أن تكون المحطة قبل المشبكية كبيرة بما يكفي لاحتواء غشاءها على العديد من القنوات الأيونية. في الوقت نفسه ، يجب أن تكون خلية ما بعد المشبكية صغيرة نسبيًا. هذا لأن الخلية الصغيرة لديها مقاومة دخل أعلى (Rin) من الخلية الكبيرة ، ووفقًا لقانون أوم (V = I x Rin) ، تخضع لتغيير أكبر في الجهد استجابة لتيار معين قبل المشبكي (I).

لقد فهمت أن قانون أوم ينص على هذا ، لكن ما الذي يحدث حقًا؟ لماذا يجب أن تؤثر المقاومة التي تواجهها الشحنة أثناء تحركها عبر تقاطعات الفجوة من الخلية قبل المشبكية إلى الخلية ما بعد المشبكية على الجهد (الجهد الكهربائي) عبر غشاء الخلية ما بعد المشبكي مع بيئتها. بمجرد وصول الشحنة إلى خلية ما بعد المشبكي ، يبدو أنها لم تعد تتأثر بالمقاومة التي واجهتها على طول الطريق.


إذا كنت تعتبر المشبك الكهربائي عبارة عن دائرة RC سلسلة بسيطة ، مع المقاومة في المشبك والمكثف كخلية ما بعد المشبكي ، فأنت محق في أن قيمة R تغير فقط وقت شحن المكثف (من مصدر تيار مستمر ، ولكن ليس هو الجهد النهائي (عند t = ما لا نهاية).

($ tau = RC $)

من ناحية أخرى ، يعد هذا النموذج مبسطًا للغاية بالنسبة للمشبك الكهربائي لأن لديك أيضًا خسائر (تفريغ) إلى خارج الخلايا. صورة من الكتاب:

ويتم إنشاء دائرة أكثر واقعية بمقاومات إضافية (متوازية) أدناه للتفريغ خارج الخلية. لاحظ ما يحدث عندما يتم إدخال المقاوم الثاني (تفريغ خلية ما بعد المشبكي إلى الفضاء بين الخلايا) في الدائرة (المفتاح مغلق): تنخفض شحنة الجهد على المكثف بشكل كبير.

يجب عليك في الأساس "التغلب" أو تقليل هذا الانخفاض في الجهد ، وإحدى طرق القيام بذلك هي الحصول على المقاوم المتسلسل المنخفض (آخر بالطبع هو عزل أعلى [أي المقاوم] من الفضاء بين الخلايا). عندما تكون مقاومة المشبك أقل 10 مرات مما كانت عليه في الدائرة السابقة ، يكون انخفاض الجهد على المشبك أقل بكثير ، وبالتالي يكون الجهد على المكثف أعلى ، حتى مع إغلاق المفتاح:

يمكنك اللعب مع الدائرة هنا ؛ تم تعيينه للمجموعة الأولى من قيم المقاوم ؛ تحتاج إلى النقر بزر الماوس الأيمن على المقاوم واختيار "تحرير" لتغيير قيمته ؛ كان بإمكاني إضافة مفتاح ومقاوم آخر لتحقيق هذا التغيير في المشبك ... لكنني لم أرغب في تعقيد الدائرة من الناحية المفاهيمية.


يحدد الجهد نوع الكيمياء في كل قطب كهربائي. يتم تنقية الذهب عن طريق طلاء القطب الموجب بالكاثود عند الحد الأدنى من الجهد لنصف التفاعل ، لذا فإن الشوائب إما لا تذوب ولا تنفجر. يحتوي طين القطب الكهربائي النحاسي على عناصر أثرية قيمة في المركزة من.

يحدد التيار مقدار الكيمياء ،

96500 كولوم / مول من الإلكترونات.

تقوم المقاومة الداخلية للخلية بتحويل طاقة الإدخال ، الطاقة المتعددة بمرور الوقت ، $ ceدولار ، في حرارة عديمة الفائدة. تريد بعد ذلك تباعدًا صغيرًا بين الأقطاب الكهربائية والتحريك الجيد بالكهرباء. تحتاج بعد ذلك إلى جهد كافي للقيام بالكيمياء ، بالإضافة إلى المزيد لتعويض خسائر المقاومة ، ولكن ليس الكثير من الجهد بحيث يتم تمكين الكيميائيات غير المرغوب فيها. هل تزيد مقاومة الخلايا (أوم) أم تنخفض مع درجة الحرارة؟

بخصوص سؤالك: "هل المقاومة ثابتة أم يمكنني فعل أي شيء لخفضها؟"

تنتج الطاقة المستخدمة في التحليل الكهربائي كلاً من حرارة المنتج والنفايات. بطبيعة الحال ، تريد الحفاظ على إنتاج كافٍ مع الحد من إهدار الطاقة.

بعض الصيغ المهمة:

الأشياء التي تؤثر على المقاومة وتأثيرها على المنتج مقابل الحرارة المهدرة ومعدل الإنتاج: ضبط كل معلمة على حدة:

الجهد االكهربى: لكل وحدة طاقة يتم توفيرها ، ينتج الجهد المنخفض بشكل عام المزيد من المنتجات وأقل حرارة مهدرة من التحليل الكهربائي. تحت جهد عتبة معين لن يحدث تحليل كهربائي. على الرغم من استهلاك طاقة أقل لإنتاج نفس المنتج بجهد منخفض وبكفاءة أعلى ، إلا أن العملية تتم بشكل أبطأ لأنه مع انخفاض الجهد ، يكون هناك تيار أقل ويتم استهلاك الطاقة بشكل أبطأ. كبديل لذلك ، يمكن للمرء زيادة الجهد لدفع المزيد من التيار وإنتاج منتجهم بشكل أسرع ، ولكن هذا يحدث على حساب الكفاءة.

نوع وتركيز المنحل بالكهرباء: الإلكتروليتات المختلفة لها قدرات مختلفة للتوصيل وتركيزها أعلى أو أقل من المستوى المثالي سيؤثر سلبًا على قدرة المنحل بالكهرباء لتوصيل الكهرباء.

درجة حرارة: تؤدي زيادة درجة حرارة المنحل بالكهرباء إلى تقليل مقاومة الإلكتروليت. بالإضافة إلى ذلك ، يتم توفير بعض الطاقة المستخدمة لتفكيك الروابط الجزيئية للماء من خلال الطاقة الحرارية للجزيئات التي ترتد عن بعضها البعض. لكن التأثير يصبح ملموسًا فقط مع التحليل الكهربائي بدرجة حرارة عالية ، مثل 800 درجة مئوية.

مساحة السطح: مساحة السطح والتيار متناسبان. إذا كانت جميع المعلمات الأخرى متساوية ، إذا قمت بمضاعفة مساحة سطح الأقطاب الكهربائية الخاصة بك ، فإنك تقوم بنصف المقاومة بشكل فعال وتضاعف التيار.

التباعد: يقلل تقليل التباعد بين الأقطاب الكهربائية من المقاومة.


لماذا تؤدي مقاومة الخلية الأعلى بعد التشابك إلى تغيير جهد أعلى عند تطبيق التيار؟ - علم النفس

يبدأ التحكم العصبي في تكوين جسور الأكتين - الميوسين المتقاطعة ، مما يؤدي إلى تقصير قسيم عضلي متضمن في تقلص العضلات. تمتد هذه الانقباضات من الألياف العضلية عبر النسيج الضام لسحب العظام ، مما يتسبب في حركة الهيكل العظمي. يسمى الشد الذي تمارسه العضلة بالتوتر. يمكن أن يختلف مقدار القوة الناتجة عن هذا التوتر ، مما يتيح للعضلات نفسها تحريك الأشياء الخفيفة جدًا والأشياء الثقيلة جدًا. في الألياف العضلية الفردية ، يعتمد مقدار التوتر الناتج بشكل أساسي على كمية الجسور المتقاطعة المتكونة ، والتي تتأثر بمنطقة المقطع العرضي للألياف العضلية وتكرار التحفيز العصبي.

شد عضلي: ينتج توتر العضلات عند تكوين أكبر قدر من الجسور المتقاطعة ، إما داخل عضلة ذات قطر كبير أو عند تحفيز أكبر عدد من ألياف العضلات. نغمة العضلات هي توتر عضلي متبقي يقاوم التمدد السلبي أثناء مرحلة الراحة.

عبور الجسور والتوتر

يحدد عدد الجسور المتقاطعة المتكونة بين الأكتين والميوسين مقدار التوتر الذي يمكن أن تنتجه الألياف العضلية. يمكن أن تتشكل الجسور المتقاطعة فقط في الأماكن التي تتداخل فيها الخيوط السميكة والرفيعة ، مما يسمح للميوسين بالارتباط بالأكتين. إذا تم تشكيل المزيد من الجسور المتقاطعة ، فسوف يسحب المزيد من الميوسين الأكتين وسيتم إنتاج المزيد من التوتر.

يحدث التوتر الأقصى عندما تتداخل الخيوط السميكة والرفيعة إلى أقصى درجة داخل قسيم عضلي. إذا امتد قسيم عضلي في حالة الراحة إلى ما بعد طول مثالي للراحة ، فإن الخيوط السميكة والرقيقة لا تتداخل إلى أقصى درجة بحيث يمكن أن يتشكل عدد أقل من الجسور المتقاطعة. ينتج عن هذا عدد أقل من رؤوس الميوسين التي تسحب الأكتين وتقليل توتر العضلات. مع تقصير قسيم عضلي ، تقل منطقة التداخل مع وصول الخيوط الرقيقة إلى المنطقة H ، التي تتكون من ذيول الميوسين. نظرًا لأن رؤوس الميوسين تشكل جسورًا متقاطعة ، فلن يرتبط الأكتين بالميوسين في هذه المنطقة ، مما يقلل من التوتر الناتج عن الألياف العضلية. إذا تم تقصير قسيم عضلي أكثر ، تبدأ الخيوط الرفيعة في التداخل مع بعضها البعض ، مما يقلل من تكوين الجسر المتقاطع أكثر ، وينتج توترًا أقل. على العكس من ذلك ، إذا تمدد القسيم العضلي العضلي إلى النقطة التي لا تتداخل فيها الخيوط السميكة والرفيعة على الإطلاق ، فلن تتشكل جسور متقاطعة ولا ينتج توتر. لا يحدث هذا القدر من التمدد عادةً لأن البروتينات الملحقة ، والأعصاب الحسية الداخلية ، والنسيج الضام يعارض التمدد الشديد.

المتغير الأساسي الذي يحدد إنتاج القوة هو عدد الألياف العضلية (خلايا العضلات الطويلة) داخل العضلة التي تتلقى جهد فعل من العصبون الذي يتحكم في تلك الألياف. عند استخدام العضلة ذات الرأسين لالتقاط قلم رصاص ، على سبيل المثال ، فإن القشرة الحركية للدماغ تقوم فقط بإشارة عدد قليل من الخلايا العصبية في العضلة ذات الرأسين ، لذلك لا يستجيب سوى عدد قليل من الألياف العضلية. في الفقاريات ، يستجيب كل ليف عضلي بشكل كامل إذا تم تحفيزه. من ناحية أخرى ، عند التقاط البيانو ، تقوم القشرة الحركية بإشارات جميع الخلايا العصبية في العضلة ذات الرأسين بحيث يشارك كل ليف عضلي. هذا قريب من الحد الأقصى للقوة التي يمكن أن تنتجها العضلة. كما ذكرنا أعلاه ، فإن زيادة وتيرة جهود الفعل (عدد الإشارات في الثانية) يمكن أن تزيد من القوة أكثر قليلاً لأن التروبوميوسين مغمور بالكالسيوم.


إعداد التصميم التجريبي باستخدام ملصقات واضحة

  1. ارتدِ نظارات واقية ومعاطف المختبر والقفازات والأقنعة من أجل السلامة.
  2. تعامل مع جميع المواد بعناية.
  3. احصل على مساحة عمل واضحة وواضحة للتجربة.
  4. لا تستهلك أياً من المواد المستخدمة ، وأبعدها عن العين.
  5. أكمل جميع التجارب في نفس المنطقة / الغرفة وفي نفس الوقت من اليوم وباستخدام نفس المواد.
  6. نظف منطقة المختبر بعد التجربة.
  7. اغسل جميع المواد جيدًا بالماء الدافئ والصابون بعد التجربة.

طرق المختبر

يسلط الضوء على طرق المختبر

& middot هذا الأسبوع ، بدلاً من تحفيز العصب بمطرقة انعكاسية عبر مستقبلات التمدد ، سنقوم بتحفيز العصب مباشرةً باستخدام أقطاب كهربائية محفزة.

• يرجى ارتداء أكمام قصيرة أو أكمام يمكن لفها فوق الكوع حتى منتصف العضد.

& middot يسلم القطب المحفز صدمة كهربائية خفيفة ، والتي ، إذا كانت قوية بدرجة كافية ، تزيل استقطاب أغشية الخلايا العصبية ، مما يؤدي إلى اشتعالها.

& middot الخلايا العصبية التي يتم تحفيزها بواسطة الأقطاب الكهربائية المحفزة تتصرف مثل الخلايا العصبية الأخرى ، باستثناء أنه عند تحفيز ألياف العصب ، قد نقوم بإثارة جهود فعلية في كل من الألياف الحسية والحركية في نفس الوقت.

& middot في هذا المختبر سنحفز العصب الزندي ونحدد نتيجة زيادة قوة التحفيز (في mAmps).

& middot لاحقًا ، سنقوم بإعادة تنشيط العصب الزندي من موقعين مختلفين على طول الذراع لتحديد سرعة التوصيل.

المعدات المطلوبة: وحدة الحصول على بيانات IXTA ، وكابل iWire-B3G وثلاثة أسلاك من الرصاص EMG ، وأقطاب كهربائية يمكن التخلص منها ، وأسلاك الرصاص لتحفيز الجهد العالي.

1. إعداد المعدات: ابدأ تشغيل البرنامج

قم بتشغيل مربع أجهزة iWorx في المفتاح الموجود في الخلف ، وحدد ملف Week7_NerveConduction.iwxset من محرك P.

II. إعداد المعدات: وضع القطب

  1. يجب أن يزيل الشخص المعني جميع المجوهرات من يده اليسرى أو اليمنى ومعصمه.
  2. ادرس مسار العصب الزندي في الصورة (أدناه).

3. نظف المناطق التي سيتم فيها توصيل الأقطاب الكهربائية بضمادة كحولية. كشط الجلد في تلك المناطق.

  1. الحصول على سبعة أقطاب كهربائية يمكن التخلص منها. ملصق 5 عليها على علامة التبويب المدببة بالأحرف من A إلى E.
  2. انهي الأمر الأقطاب الكهربائية حتى يظهر شعار Medline فقط. احتفظ بالدعامة البلاستيكية عليها لتقليل تراكم المواد اللاصقة على المقص.
  • مكان أ على الحافة الوسطى للإصبع الصغير من اليد اليمنى ، لذلك يكون زر / زر الإلكترود فوق المفصل الأول. هذا ل أحمر (+) تسجيل القطب في الشكل HN-3-S2.
  • مكان ب على ال الحافة الإنسيّة للنخلة، لذلك فإن زر القطب / الخاطف هو في قاعدة الاصبع الصغير. هذا ل أسود (-) تسجيل قطب كهربائي على اليد.
  • مكان ج لذلك يكون زر القطب / الخاطف على وسطيحافة الرسغ فوق التجعد مباشرة من الرسغ. هذا ل لون أخضر قطب أرضي في اليد.
  • تحذير: قبل توصيل أقطاب تحفيز IXTA بالموضوع ، تحقق من لوحة تحكم المحفز في شريط أدوات LabScribe للتأكد من ضبط قيمة السعة على صفر (0 AMP).

بعد ذلك ، قم بتوصيل القطبين الكهربائيين المتبقيين بذراع الموضوع و rsquos بحيث يتم وضعهما على مسار العصب الزندي في التكوين التالي:

  • مكان د الحافة الوسطى للساعد ، لذلك يكون زر / انجذاب القطب الكهربي فوق تجعيد الرسغ. إرفاق أسود (-) تحفيز القطب.
  • مكان ه، القطب الموجب المحفز ، فوق القطب المحفز السالب مباشرة باتجاه الجانب الإنسي من الساعد. إرفاق أحمر(+) تحفيز القطب.
  • سيتم وضع الأقطاب الكهربائية F و G (في الصورة) لاحقًا للتمرين 2.
  • تم العثور على مقاطع الفيديو الخاصة بوضع الإلكترود المناسب للتمرينين 1 و 2 على P-Drive.

احتياطات السلامة لهذا المعمل:

ستقوم بتوصيل صدمات كهربائية خفيفة إما لنفسك أو لشخص تجريبي متطوع. تم تصميم المعدات التي تستخدمها للقيام بذلك بعناية للحفاظ على معلمات الصدمات الكهربائية في نطاق آمن ، وهذه التجربة آمنة وممتعة. ومع ذلك ، نطلب منك وضع أقطاب كهربائية محفزة على الذراعين فقط، وفقط وضع الأقطاب الكهربائية على نفس الجانب من الجسم (أبدا على كلا الذراعين في نفس الوقت).

إذا كنت تعتقد أنك قد تكونين حاملاً أو إذا كنت تعانين من أمراض قلبية معروفة أو لديك جهاز تنظيم ضربات القلب الاصطناعي ، فالرجاء عدم التطوع كموضوع تجريبي هذا الأسبوع.


3 إجابات 3

الجواب مرهون بالظروف: كيف تغيرون المقاومة؟ يمكن تغيير كل من سرعة الانجراف وعدد حاملات الشحن المتاحة.

في نموذج Drude الأساسي للنقل الكهربائي على حد سواء ، $ n $ ، كثافة حامل الشحنة و $ tau $ ، يحدد الوقت بين الاصطدامات المقاومة:

$ mathbf = يسار ( frac حق) mathbfهنا $ mathbf$ هي الكثافة الحالية و $ mathbf- المجال الكهربائي التطبيقي. المصطلح بين قوسين يميز خصائص المواد ، أي مقاومتها.

من خلال التغيير إلى مادة مختلفة ، يمكنك التأثير على كل من $ n $ و $ tau $ ، لذا فإن كلا الحالتين ممكنتان.

فهمك صحيح. من $ V = IR $ إذا ظل الجهد كما هو أثناء المقاومة زيادة، يجب أن يكون التيار انخفضت.

ولكن إذا كنت قد سمعت عن معادلة أخرى $ I = frac$

في حالة زيادة التيار (I) وتم إصلاح الرسوم $ Q $ (يتم إصلاح الشحن إذا كان مصدر الطاقة من خلايا طاقة مثل البطارية). سيتم تقليل الوقت.

وهو ما يعني أن

الرسوم تتحرك بشكل أسرع! لأن عدد الشحن ثابت حسب حجم البطارية.

تخيل طريقًا مكونًا من أربع حارات. ثم بعد 300 متر ، هناك بناء لصيانة الطرق لثلاثة ممرات. إتاحة حارة واحدة فقط للعبور. يجب أن تتحد السيارات من 4 حارات في حارة واحدة ، مما يؤدي إلى حدوث اختناقات مرورية ويؤدي إلى إبطاء عودة الجميع إلى المنزل.

4 حارات للطريق = سلك عادي

1 حارة طريق واختناقات مرورية = مشاكل تسببها المقاومة.

المنزل = + محطة البطارية

مثل بعض بطارية الهاتف لديها 10000mAh. وهي في الواقع قيمة $ Q $ لكن بالملليامبير * ساعة وليس أمبير * ثانية. إذن 1 مللي أمبير في الساعة تساوي 5/18 كولوم.


الشبكات العصبية القائمة على Memristor

الآليات البيولوجية العصبية ومشبك Memristive

يمكن للدماغ البشري أن يحل المهام المعقدة ، مثل التعرف على الصور وتصنيف البيانات ، بشكل أكثر كفاءة من أجهزة الكمبيوتر التقليدية. السبب وراء تفوق الدماغ في الوظائف المعقدة هو العدد الكبير من الخلايا العصبية والمشابك التي تعالج المعلومات بالتوازي. كما هو مبين في الشكل 3 ، عندما يتم إرسال إشارة كهربائية بين خليتين عصبيتين عبر محور عصبي ومشبك ، يتم ضبط قوة المفصل أو وزنه بواسطة المشبك. يوجد ما يقرب من 100 مليار خلية عصبية في دماغ الإنسان بأكمله ، كل منها يحتوي على حوالي 10000 نقطة تشابك عصبي. تنقل الخلايا العصبية قبل المشبكي وما بعد المشبكي وتستقبل إشارة إمكانات ما بعد التشابك المثيرة والمثبطة عن طريق تحديث الأوزان المشبكية. يعد التقوية طويلة المدى (LTP) والاكتئاب طويل الأمد (LTD) آليتين مهمتين في الجهاز العصبي البيولوجي ، مما يشير إلى تحول عميق الجذور في قوة الاتصال بين الخلايا العصبية. وفقًا للفاصل الزمني بين إمكانات أو ارتفاعات ما قبل التشابك وما بعد التشابك ، تُعرف ظاهرة تعديل الوزن المشبكي باسم اللدونة المعتمدة على توقيت الارتفاع (STDP) (يان وآخرون ، 2018 أ ، 2019 ج). نظرًا لقابلية التوسع ، والتشغيل المنخفض الطاقة ، والميزات غير المتطايرة ، ومساحة الرقاقة الصغيرة ، فإن memristors هي مرشحة جيدة للأجهزة التشابكية الاصطناعية لتقليد سلوكيات LTP و LTD و STDP (Jo et al. ، 2010 Ohno et al. ، 2011 Kim et al.، 2015 Wang et al.، 2017 Yan et al.، 2017).

الشكل 3. رسم تخطيطي لاثنين من الخلايا العصبية المترابطة بواسطة المشابك.

هناك بعض المتطلبات الأساسية لأجهزة memristive في تطبيقات الشبكة العصبية. على سبيل المثال ، يتطلب الأمر نطاقًا واسعًا من المقاومة لتمكين حالات المقاومة الكافية ، حيث يلزم وجود تقلبات مقاومة منخفضة وتقلبات منخفضة من جهاز إلى جهاز ، والمقاومة المطلقة الأعلى مطلوبة لتبديد الطاقة المنخفضة والمتانة العالية مطلوبة لإعادة البرمجة والتدريب (Choi et al.، 2018 Yan et al.، 2018b، 2019a Xia and Yang، 2019). يتمثل أحد الشواغل المتعلقة باستقرار الجهاز في انجراف المقاومة ، والذي يحدث بمرور الوقت أو مع البيئة. يتسبب انجراف المقاومة في حدوث تغييرات غير مرغوب فيها في وزن المشابك ويؤدي إلى تشويش حالات المقاومة المختلفة ، مما يؤثر في النهاية على دقة حساب الشبكة العصبية (Xia and Yang ، 2019). للتعامل مع تحدي الانجراف هذا ، يمكن إجراء تحسينات في ثلاثة جوانب: (1) هندسة الأجهزة المادية ، (2) تصميم الدوائر ، و (3) تصميم النظام (Alibart et al. ، 2012 Choi et al. ، 2018 Jiang et al. .، 2018 Lastras-Monta & # x000F1o and Cheng، 2018 Yan et al.، 2018b، 2019a Zhao et al.، 2020). على سبيل المثال ، بالنسبة لمجال هندسة المواد ، يمكن استخدام خلع الخيوط للتحكم في تنوع البرمجة وتعزيز انتظام التبديل (Choi et al. ، 2018). من حيث التصميم على مستوى الدائرة ، يمكن استخدام وحدة من سلسلتين memristors وترانزستور مع أصغر حجم ، وبالتالي ، يمكن تشفير نسبة مقاومة memristor للتعويض عن انجراف المقاومة (Lastras-Monta & # x000F1o و Cheng ، 2018). بالنسبة لمستوى تصميم النظام ، يمكن تقليل انحراف الجهاز عن طريق البروتوكولات ، مثل الدائرة المحيطية ذات الحلقة المغلقة مع وظيفة التحقق من الكتابة (Alibart et al. ، 2012). من أجل الحصول على تحديث خطي ومتماثل للوزن في LTP و LTD للتدريب الفعال على الشبكة العصبية ، يمكن استخدام نبضات البرمجة المحسّنة لإثارة memristors إما بنبضات الجهد ذات الاتساع الثابت أو العرض الثابت (Jiang et al. ، 2018 Zhao et al. ، 2020). لاحظ أنه لا مفر من زيادة استهلاك الطاقة إذا تم تغيير قيمة مقاومة memristor من خلال نبضات معقدة قابلة للبرمجة.

تظهر المقارنة بين هياكل دارات المشابك المختلفة في الجدول 2 (Kim et al.، 2011a Wang et al.، 2014 Prezioso et al.، 2015 Hong et al.، 2019 Krestinskaya et al.، 2019). المصفوفات العارضة أحادية الميمريستور (1M) في الشبكات العصبية لها أقل تعقيد وتبديد منخفض للطاقة. ومع ذلك ، فإنه يعاني من مشاكل مسار التسلل ودوائر التبديل الطرفية المعقدة. المشابك مع اثنين من memristors (2M) لها نطاق وزن أكثر مرونة وأفضل تناسق LTP و LTD ، ولكن سيتم مضاعفة مساحة الرقاقة المقابلة. يتميز المشبك مع memristor واحد وترانزستور واحد (1M-1T) بميزة حل مشكلة مسار التسلل ، ولكنه يشغل أيضًا مساحة كبيرة في تكامل الشبكات العصبية على نطاق واسع. توفر بنية المشبك الجسر مع أربع memristors (4M) آلية برمجة ثنائية الاتجاه مع خرج جهد دخل جهد. نظرًا للحجم الكبير على مساحة الرقاقة ، قد لا تكون المشابك 1M-1T و 4 M قابلة للتطبيق على الشبكات العصبية واسعة النطاق.

الجدول 2. مقارنة بين بنية مختلفة من دائرة المشبك memristive.

شبكات ANN المستندة إلى Memristor

تشمل العمليات الأساسية لشبكات ANN للأجهزة الكلاسيكية الضرب والإضافة والتنشيط ، والتي يتم إنجازها بواسطة دوائر CMOS مثل وحدات معالجة الرسومات. عادةً ما يتم حفظ الأوزان في SRAM أو DRAM. على الرغم من قابلية توسع دوائر CMOS ، إلا أنها لا تزال غير كافية لتطبيقات ANN. علاوة على ذلك ، حجم خلية SRAM كبير جدًا بحيث لا يمكن دمجه بكثافة عالية. يحتاج DRAM إلى التحديث بشكل دوري لمنع تسوس البيانات. سواء كانت SRAM أو DRAM ، فغالبًا ما تحتاج إلى التفاعل مع نوى CMOS. بغض النظر عن SRAM أو DRAM ، يجب جلب البيانات إلى ذاكرة التخزين المؤقت وتسجيل ملفات المعالجات الرقمية قبل المعالجة وإعادتها من خلال نفس قاعدة البيانات ، مما يؤدي إلى حد كبير للسرعة واستهلاك كبير للطاقة ، وهو التحدي الرئيسي للتعلم العميق وتطبيقات البيانات الضخمة (Xia and Yang ، 2019). في الوقت الحاضر ، تتميز شبكات ANN بعدد كبير من المعلمات الحسابية المخزنة في الذاكرة مقارنة بالحسابات الكلاسيكية. على سبيل المثال ، شبكة عصبية عميقة من طبقتين 784-800-10 متصلة بالكامل في مجموعة بيانات MNIST بها 635.200 اتصال داخلي. تحتوي شبكة عصبية حديثة مثل Visual Geometry Group (VGG) على بضعة ملايين من المعلمات. تشكل هذه العوامل تحديًا كبيرًا أمام تنفيذ أجهزة ANN. يؤدي عدم تقلب memristor & # x00027s ، وانخفاض استهلاك الطاقة ، وانخفاض السعة الطفيلية ، وحالات المقاومة القابلة لإعادة التكوين ، والسرعة العالية ، والقدرة على التكيف إلى دور رئيسي في تطبيقات ANN (Xia and Yang ، 2019). ANN هو نموذج لمعالجة المعلومات مشتق من التحسين الرياضي. يظهر الشكل 4. بنية ANN النموذجية وشريطها المتقاطع memristor في الشكل 4. يتكون النظام عادةً من ثلاث طبقات: طبقة إدخال وطبقة وسطى أو طبقة مخفية وطبقة إخراج. الوحدات أو العقد المتصلة هي خلايا عصبية والتي عادة ما تكون متسلسلة حسب وحدة المجموع الموزون ووحدة وظيفة التنشيط. تؤدي الخلايا العصبية أيضًا مهام فك التشفير والتحكم وتوجيه الإشارة. نظرًا لقدرتها القوية على معالجة الإشارات ، تعد الدوائر المنطقية الرقمية والتناظرية CMOS هي أفضل المرشحين لتنفيذ أجهزة الخلايا العصبية. في الشكل 4 ، يمثل السهم أو خطوط التوصيل نقاط الاشتباك العصبي ، وتمثل أوزانها قوة الاتصال بين خليتين عصبيتين. افترض مصفوفة تعديل الوزن Wاي جاي في العارضة المتقاطعة memristor عبارة عن مصفوفة أبعاد M & # x000D7 N ، حيث أنا (i = 1 ، 2 ، & # x02026 ، N) و j (i = 1 ، 2 ، & # x02026 ، م) هي أرقام الفهرس لمنافذ الإخراج والإدخال في العارضة memristor. دبليواي جاي بين متجه إدخال ما قبل الخلايا العصبية Xي وناقل الإخراج بعد الخلايا العصبية Yأنا هي عملية ضرب مصفوفة متجه ، يُعبر عنها بالمعادلة (1) (Jeong and Shi ، 2018).

المصفوفة دبليو يمكن تعديلها بشكل مستمر حتى الاختلاف بين قيمة الإخراج ذ ويتم تصغير القيمة المستهدفة y & # x0002A. توضح المعادلة (2) عملية ضبط الوزن المشبكي مع تدرج خطأ الإخراج (y & # x02013y & # x0002A) 2 تحت معدل تدريب (Huang et al. ، 2018). لذلك ، فإن العارضة memristor تساوي ملصق CMOS بالإضافة إلى مضاعف CMOS و SRAM (Jeong and Shi ، 2018) ، لأنه يتم حساب البيانات وتخزينها وإعادة إنشائها على نفس الجهاز المحلي (أي memristor نفسه). إلى جانب ذلك ، يمكن دمج العارضة عموديًا في ثلاثة أبعاد (Seok et al. ، 2014 Lin et al. ، 2020 Luo et al. ، 2020). بهذه الطريقة ، فإنه يوفر مساحة كبيرة للرقائق واستهلاك الطاقة. نظرًا لتحديث مشابك memristor وحفظ بيانات الوزن على نفسه ، تم حل مشكلة جدار الذاكرة مع عنق الزجاجة فون نيومان.

الشكل 4. بنية ANN النموذجية وعارضة memristor الخاصة بها.

طور الباحثون العديد من الهياكل وخوارزميات التعلم لشبكات ANN القائمة على البرامج أو الأجهزة. يوفر الجدول 3 مقارنة بين شبكات ANN النموذجية من memristive ، بما في ذلك perceptron أحادي الطبقة (SLP) أو perceptron متعدد الطبقات (MLP) ، و CNN ، والشبكة العصبية الخلوية (CeNN) ، والشبكة العصبية المتكررة (RNN). SLP و MLP عبارة عن شبكات عصبية كلاسيكية ذات قواعد تعلم معروفة مثل تعلم Hebbian و backpropagation. على الرغم من أن الكثير من دراسات ANN قد تم التحقق منها عن طريق المحاكاة أو التنفيذ على نطاق صغير ، إلا أن الشبكة العصبية أحادية الطبقة مع 128 & # x000D7 64 1M-1T Ta / HfO2 تم عرض مجموعة memristor بشكل تجريبي بدقة التعرف على الصور بنسبة 89.9 ٪ لمجموعة بيانات MNIST (Hu et al. ، 2018). CNNs (يشار إليها باسم ANNs ثابتة أو ثابتة التحول) هي إصدارات منتظمة من MLP. تحتوي طبقاتها المخفية عادةً على وظائف تنشيط معقدة متعددة ، وتؤدي عمليات التفاف أو عمليات ذات قيمة قصوى إقليمية. أظهر الباحثون دقة تزيد عن 70٪ في التعرف على فيديو السلوك البشري باستخدام شبكة CNN ثلاثية الأبعاد قائمة على memristor (Liu et al. ، 2020). يجب التأكيد على أن هذا التحقق ليس سوى نتيجة محاكاة برمجية ، في حين أن عرض الأجهزة على الرقاقة لا يزال يمثل تحديًا كبيرًا ، خاصة بالنسبة لشبكات CNN العميقة (Wang et al. ، 2019a Luo et al. ، 2020 Yao et al. ، 2020) . CeNN عبارة عن شبكة عصبية متوازية بشكل كبير للحوسبة ، تقتصر ميزات الاتصال الخاصة بها على ما بين الخلايا العصبية الخلوية المجاورة. الخلايا عبارة عن وحدات معالجة مستمرة غير خطية أو وحدات معالجة زمنية منفصلة. نظرًا لقدرتها على المعالجة الديناميكية ومرونتها ، فإن CeNNs مرشحة واعدة لمعالجة معدل الإطارات المرتفع في الوقت الفعلي أو اكتشاف الحركة متعددة الأهداف. على سبيل المثال ، تم اقتراح مشابك CeNN مع دارة جسر memristive 4M لمعالجة الصور (Duan et al. ، 2014). بخلاف شبكات ANN للتغذية التقليدية ، فإن RNNs لها اتصال تغذية مرتدة يتيح السلوك الديناميكي الزمني. لذلك ، فهي مناسبة لتطبيقات التعرف على الكلام. الذاكرة طويلة المدى (LSTM) هي نوع من بنية RNN المفيدة للتعلم العميق. تم الإبلاغ عن تنفيذ الأجهزة لشبكات LSTM استنادًا إلى memristors (Smagulova et al. ، 2018 Li et al. ، 2019 Tsai et al. ، 2019 Wang et al. ، 2019a).

الجدول 3. البنى النموذجية لشبكات ANN Memristive.

نظرًا للعيوب العشوائية على المستوى الذري والتنوع في عملية تعديل التوصيل ، فإن خصائص memristor غير المثالية هي الأسباب الرئيسية لفقدان دقة التعلم في الشبكات العصبية الاصطناعية. تتجلى هذه الظاهرة في الجوانب التالية من memristor: تغيير الوزن غير الخطي غير المتماثل بين التقوية والاكتئاب ، ومحدودية نسبة وزن التشغيل / الإيقاف وتغير الجهاز. يوضح الجدول 4 الاستراتيجيات الرئيسية لكيفية التعامل مع هذه القضايا. يمكن للمرء أن يخفف من آثار خصائص memristor غير المثالية على دقة ANN من أربعة مستويات: مواد الجهاز ، والدوائر ، والبنى ، والخوارزميات. على مستوى مواد الجهاز ، يمكن تحسين تبديل التوحيد ونسبة التشغيل / الإيقاف التناظرية عن طريق تحسين تفاعل الأكسدة والاختزال في واجهة المعدن / الأكسيد ، أو اعتماد تقنية خلع الخيوط أو عنصر التسخين (Jeong et al.، 2015 Lee et al.، 2015 Tanikawa et al. . ، 2018). على مستوى الدوائر ، يمكن للمرء استخدام نبضات إثارة مخصصة أو مشابك CMOS-memristor الهجينة للتخفيف من تأثيرات memristor غير المثالية (Park et al.، 2013 Li et al.، 2016 Chang et al.، 2017 Li SJ et al.، 2018 Woo and Yu ، 2018). على مستوى البنى ، التقنيات الشائعة هي خلايا memristors المتعددة للتكرار العالي ، ومجموعة العارضة الزائفة ، وتعويض الدائرة الطرفية (Chen et al. ، 2015). تم الإبلاغ أيضًا عن التحسين المشترك بين memristors وخوارزميات ANN (Li et al. ، 2016). ومع ذلك ، تجدر الإشارة إلى أن تنفيذ هذه الاستراتيجيات يؤدي حتماً إلى آثار جانبية ، مثل تكلفة التصنيع المرتفعة ، أو الاستهلاك الكبير للطاقة ، أو مساحة الرقاقة الكبيرة ، أو الدوائر الطرفية المعقدة ، أو الخوارزمية غير الفعالة. على سبيل المثال ، تعمل طرق الإثارة النبضية غير المتطابقة أو طرق تدريب النبض ثنائي القطب على تحسين الخطية وتماثل نقاط الاشتباك العصبي memristor ، ولكنها تزيد من تعقيد الدوائر الطرفية واستهلاك طاقة النظام ومنطقة الرقاقة. لذلك ، يجب إجراء المفاضلات والتحسين المشترك في كل مستوى تصميم لتحسين دقة التعلم لشبكات ANN (Gi et al. ، 2018 Fu et al. ، 2019). الشكل 5 هو مثال تصميم تعاوني من أجهزة memristor ذات المستوى الأدنى إلى خوارزميات التدريب عالية المستوى (Fu et al. ، 2019). يُقاس منحنى استجابة التوصيل (CR) لأول مرة للحصول على عامل عدم الخطية. بعد ذلك ، ينقسم منحنى CR إلى مقاطع خطية متعددة التعريف للحصول على ميلها ، ويتناسب عرض نبضة نبضة الإثارة عكسيًا مع المنحدر. يتم تخزين هذه البيانات في الذاكرة للمقارنة والتصحيح بواسطة عوارض memristor أثناء التحديث. من خلال هذه الطريقة ، تم تحسين دقة التعرف على الشبكات العصبية الاصطناعية أخيرًا.

الجدول 4. تحسين دقة تعلم الشبكات العصبية الاصطناعية عن طريق التخفيف من تأثيرات memristor غير المثالية.

الشكل 5. التصميم المشترك من خصائص memristor غير المثالية إلى خوارزمية ANN (Fu et al. ، 2019).

يمكن أن تكون تطبيقات ANN القائمة على memristor برامج أو أجهزة أو هجينة (Kozhevnikov and Krasilich ، 2016). تميل شبكات البرامج إلى أن تكون أكثر دقة من نظيراتها في الأجهزة لأنها لا تعاني من مشكلات عدم انتظام العنصر التناظري. ومع ذلك ، تتميز شبكات الأجهزة بسرعة أفضل واستهلاك أقل للطاقة بسبب بنى غير فون نيومان (Kozhevnikov and Krasilich ، 2016). في الشكل 6 ، شريحة ANN المسرع العصبي العميق مع 2.4 مليون Al2ا3/ تيو2تم تصميم وتصنيع xmemristors (Kataeva et al. ، 2019). تتكون شريحة memristor هذه من مصفوفة 24 & # x000D7 43 مع شريط عرضي 48 & # x000D7 48 عند كل تقاطع ، مما يعني أن تعقيدها أعلى بحوالي 1000 مرة من التصميمات السابقة في الأدبيات. يعد هذا العمل نقطة انطلاق جيدة لتشغيل شبكات memristor متوسطة الحجم. ظهرت مسرعات مماثلة في العامين الماضيين (Cai et al. ، 2019 Chen W.-H. et al. ، 2019 Xue et al. ، 2020).

الشكل 6. شريحة ANN ذات شكل عصبي عميق مع 2.4 مليون جهاز من أجهزة memristor (Kataeva et al. ، 2019).

يمكن استخدام الشبكات العصبية Memristive لفهم المشاعر البشرية ومحاكاة القدرات التشغيلية البشرية (Bishop ، 1995). تم تنفيذ تجربة الذاكرة النقابية المشهورة PavlTov في شبكات ANN memristive باستخدام طريقة جديدة لتعلم مدخلات التغذية الراجعة المرجحة (Ma et al. ، 2018). مع المزيد من إشارات الإدخال ، والخلايا العصبية ، ومشابك memristor ، سيتم تحقيق معالجة عاطفية معقدة في مزيد من شرائح الذكاء الاصطناعي. نظرًا للتحدي المادي والافتقار إلى النماذج الفعالة ، فإن معظم العروض التوضيحية تقتصر على عمليات محاكاة صغيرة الحجم للمهام البسيطة. تتمثل أوجه القصور في memristors بشكل أساسي في عدم الخطية وعدم التناسق والتنوع ، مما يؤثر بشكل خطير على دقة الشبكات العصبية الاصطناعية. علاوة على ذلك ، يجب أن توفر الدوائر والواجهة الطرفية كفاءة فائقة في استخدام الطاقة وإنتاجية للبيانات.

SNN المستندة إلى Memristor

مستوحاة من الأساليب المعرفية والحسابية لأدمغة الحيوانات ، تجعل الشبكة العصبية من الجيل الثالث ، SNN ، الخصائص المرغوبة للخلايا العصبية البيولوجية المدمجة تحاكي الأداء المعرفي الرائع. الميزة الأكثر بروزًا لـ SNN هي أنها تدمج مفهوم الوقت في العمليات بقيم منفصلة ، بينما قيم الإدخال والإخراج للجيل الثاني من شبكات ANN مستمرة. يمكن لشبكة SNN الاستفادة بشكل أفضل من قوة النموذج البيولوجي لمعالجة المعلومات ، وذلك بفضل محاكاة الأجهزة من المشابك العصبية والخلايا العصبية. يتم حساب ANN طبقة تلو الأخرى ، وهو أمر بسيط نسبيًا. ومع ذلك ، من الصعب نسبيًا فهم القطارات المرتفعة في شبكة SNN ، كما أن طرق الترميز الفعالة لهذه القطارات المرتفعة ليست سهلة. تعمل هذه الأحداث الديناميكية التي تحركها طفرات في SNN على تعزيز القدرة على معالجة البيانات الحسية المكانية والزمانية أو الواقعية ، مع التكيف السريع والحفظ الأسي. يتيح الجمع بين البيانات المكانية والزمانية لشبكة SNN معالجة الإشارات بشكل طبيعي وفعال.

تعد نماذج الخلايا العصبية وقواعد التعلم وترميز التحفيز الخارجي مجالات بحث رئيسية في SNN. يعد نموذج Hodgkin & # x00026 Huxley (HH) ، ونموذج Integrate-and-Fire (LIF) المتسرب ، ونموذج استجابة السنبلة (SRM) ، ونموذج Izhikevich أكثر النماذج شيوعًا للخلايا العصبية (Hodgkin and Huxley، 1952 Chua، 2013 Ahmed et al.، 2014 Pfeiffer and Pfeil، 2018 Wang and Yan، 2019 Zhao et al.، 2019 Ojiugwo et al.، 2020). نموذج HH هو نموذج رياضي مستمر يعتمد على التوصيل. على الرغم من أن هذا النموذج يعتمد على دراسة الحبار ، إلا أنه يستخدم على نطاق واسع في الكائنات الحية الأدنى أو الأعلى (حتى البشر). ومع ذلك ، نظرًا لأن المعادلات التفاضلية المعقدة غير الخطية يتم تعيينها بأربعة متغيرات ، فمن الصعب تحقيق هذا النموذج بدقة عالية. أسس تشوا نموذج memristor لعصبونات Hodgkin-Huxley وأثبت أنه يمكن تطبيق memristors على تقليد البيولوجيا العصبية المعقدة (Chua ، 2013). يدمج نموذج Izhikevich اللدونة الحيوية لنموذج HH مع البساطة والكفاءة الحسابية العالية. يتم حساب نماذج HH و Izhikevich بواسطة المعادلات التفاضلية ، بينما يتم حساب نماذج LIF و SRM بطريقة متكاملة. SRM هو نسخة موسعة من LIF ، ويمكن اعتبار نموذج Izhikevich كنسخة مبسطة من نموذج Hodgkin-Huxley. هذه النماذج الرياضية هي نتائج درجات مختلفة من التخصيص والمفاضلات وتحسين الشبكة العصبية البيولوجية. يوضح الجدول 5 مقارنة بين العديد من شبكات SNN المستندة إلى memristor. يمكن ملاحظة أن دراسات SNN هذه تستند إلى قواعد تعلم STDP وخلايا LIF العصبية. لا يزال معظمهم في تطبيقات التعرف على الأنماط البسيطة ، وبعضها فقط يحتوي على تطبيقات للأجهزة.

الجدول 5. مقارنة بين العديد من شبكات SNN المستندة إلى memristor.

السمات البارزة لـ SNNs هي كما يلي. أولاً ، نماذج الخلايا العصبية البيولوجية (على سبيل المثال ، HH ، LIF) أقرب إلى الخلايا العصبية البيولوجية من الخلايا العصبية لـ ANN. ثانيًا ، المعلومات المرسلة عبارة عن طفرات زمنية متقطعة مشفرة بالوقت أو التردد ، والتي يمكن أن تحتوي على معلومات أكثر من الشبكات التقليدية. ثالثًا ، يمكن لكل خلية عصبية العمل بمفردها والدخول في وضع الاستعداد منخفض الطاقة عند عدم وجود إشارة إدخال. نظرًا لأنه ثبت أن SNNs أقوى من الشبكات العصبية الاصطناعية نظريًا ، فمن الطبيعي استخدام شبكات SNN على نطاق واسع. نظرًا لأنه لا يمكن التمييز بين تدريب السنبلة ، لا يمكن استخدام طريقة الانحدار لتدريب شبكات SNN دون فقدان المعلومات الزمنية الدقيقة. مشكلة أخرى هي أن الأمر يتطلب الكثير من الحسابات لمحاكاة SNNs على الأجهزة العادية ، لأنها تتطلب معادلات تفاضلية تمثيلية (Ojiugwo et al. ، 2020). نظرًا لتعقيد شبكات SNN ، لم يتم اكتشاف قواعد التعلم الفعالة التي تفي بخصائص الشبكات العصبية البيولوجية. هذه القاعدة مطلوبة ليس فقط لنمذجة التوصيلية المشبكية ولكن أيضًا لنموها وتخفيفها. التحدي الآخر هو الطبيعة المتقطعة لتسلسل السنبلة ، مما يجعل العديد من قواعد تعلم الشبكات العصبية الاصطناعية الكلاسيكية غير مناسبة لشبكات SNN ، أو يمكن تقريبها فقط ، لأن مشكلة التقارب خطيرة للغاية. وفي الوقت نفسه ، تقتصر العديد من دراسات SNNs على التحليل النظري ومحاكاة المهام البسيطة بدلاً من المهام المعقدة والذكية (على سبيل المثال ، تحليل الانحدار المتعدد ، والاستدلال الاستنتاجي والاستقرائي ، وتنفيذ الرقائق الخاصة بهم) (Wang and Yan ، 2019). على الرغم من أن مستقبل SNNs لا يزال غير واضح ، يعتقد العديد من الباحثين أن SNNs ستحل محل الشبكات العصبية الاصطناعية العميقة. والسبب هو أن الذكاء الاصطناعي هو في الأساس عملية محاكاة بيولوجية للدماغ ، ويمكن لشبكات SNN أن توفر آلية مثالية للتعلم غير الخاضع للإشراف.

كما هو مبين في الشكل 7 ، يتم تنفيذ شبكة عصبية مع الخلايا العصبية CMOS ودوائر التحكم CMOS ومشابك memristor (Sun ، 2015). وحدة التجميع ، وحدة الاندماج المتسربة ووحدة النار تعادل دور التشعبات والتلال المحورية ، على التوالي. يتم جمع إشارات الخلايا العصبية المدخلة مؤقتًا ومكانيًا من خلال دائرة تضخيم تجميع الصرف المشترك. يعطي مشابك memristor وزن إشارة الفعل المحتملة وإشارة الخرج الخاصة بها ، أي ، يتم إرسال إشارة محتملة بعد التشابك إلى الخلايا العصبية اللاحقة. باستخدام إشارة الفعل المحتملة وإشارات التغذية المرتدة من الخلايا العصبية اللاحقة ، توفر دائرة التحكم ومرحلة التحديث المشبكي إشارات التقوية أو الاكتئاب إلى نقاط الاشتباك العصبي memristor. وفقًا لقواعد التعلم STDP ، تتكون دائرة ضبط الوزن على مستوى الترانزستور من جهاز memristor وبوابات نقل CMOS. يتم التحكم في بوابات النقل عن طريق إشارات التقوية أو الاكتئاب. النظام مشابه جدًا للسمات الرئيسية للخلايا العصبية البيولوجية ، وهو مفيد في تنفيذ أجهزة SNN ذات الشكل العصبي. يظهر وصف أكثر اكتمالاً لدارات SNN وتطبيقات النظام في الشكل 8 (Wu and Saxena، 2018). يتكون النظام من الخلايا العصبية CMOS التي تحركها الأحداث ، وخوارزمية ترميز عصبي تنافسية [أي ، يأخذ الفائز كل قاعدة التعلم (WTA)] ، وصفيف مشابك memristor متعدد البت. تم اعتماد قاعدة تعلم STDP عشوائية غير خطية مع وظيفة تعلم نافذة على شكل أسي لتحديث أوزان memristor synapse فى الموقع. يمكن ضبط السعة والتأخير الزمني الإضافي لشكل موجة ارتفاع نصف مستطيل الشكل نصف مستطيل الشكل للمعالجة المستوحاة من شجيري. يوضح هذا العمل جدوى وتميز أجهزة memristor الناشئة في التطبيقات العصبية ، مع انخفاض استهلاك الطاقة ومساحة مدمجة على الرقاقة.

الشكل 7. دائرة تحديث وزن الخلايا العصبية CMOS ومشبك memristor (الشمس ، 2015).


تخبرك مواصفات سعة البطارية (على سبيل المثال X mAh) أنه يمكن تشغيل البطارية لمدة ساعة واحدة لتوفير X ملي أمبير حتى نفادها. لا يتغير هذا دائمًا بمرور الوقت ، على سبيل المثال ، ربما لن تعمل لمدة نصف ساعة إذا قمت برسم 2 * X مللي أمبير ، ولكن هذه مناقشة أخرى.

للإجابة على سؤالك ، ستسمح لك سعة mAh الأكبر باستخدام بطاريتك لفترة أطول قبل نفادها ، من حيث السحب الحالي.

لكنبالنسبة لطراز البطارية نفسه ، يظل التصنيف C ($ C $) (الحد الأقصى للتيار الذي يمكنك سحبه بأمان ، باستمرار من البطارية) ثابتًا. وبالتالي ، حيث يتم تعريفه على أنه $ I_ = C cdot X $ ، ستسمح لك تصنيفات C الأعلى أيضًا بجذب تيارات فورية أعلى ، وبالتالي المزيد من القوة.

ولا يعني ذلك أكثر من ذلك طاقة وها يدل مزيد من الطاقة.

فكر في الطاقة على أنها الشيء الذي "تنفقه" للقيام بالعمل ، والقوة هي مقدار العمل الذي تنجزه في فترة زمنية معينة.

عادةً ما يتم تصنيف البطارية من حيث الطاقة بشيء يسمى التصنيف "C" ، أو المقدار قوة سيستغرق استنزاف البطارية في ساعة واحدة.

نظرًا لأن طاقة الخرج للبطارية هي جهد مضروب في التيار ، يمكن حساب التصنيف C كجهد اسمي مضروبًا في تصنيف أمبير ساعة ، مقسومًا على الجهد الاسمي مرات في الساعة.

يلغى الجهد الاسمي نفسه ، ويتبقى لك الجزء "أمبير" من تقييم البطارية أمبير بالساعة.

هذا يعني أن بطارية 5000mAh لديها تصنيف 1C من 5000mA ، لكن طاقة الخرج للبطارية هي تلك مرات الجهد الاسمي، لذلك فإن حزمة بطارية 5000mAh المصنفة لـ 1C سيكون لديها طاقة أقل من حزمة 2500mAh المصنفة لـ 10C لأن طاقة الخرج المتوفرة لحزمة 5Ah تقتصر على (الجهد) مضروبًا في 5A حيث تقتصر طاقة الخرج المتوفرة لحزمة 2.5Ah على (الجهد) ضرب 25A. الحزمة الأصغر ، ذات التصنيف C الأعلى ، قادرة على توفير 5 أضعاف القوة في هذا المثال.

فيما يتعلق بأوقات التشغيل ، يعتمد ذلك على التصنيف C للبطارية. كلما زاد ارتفاعها ، زادت الطاقة التي يمكنك (بأمان) سحبها مرة واحدة ، مما يعني أنه يمكنك الحصول على المزيد من الطاقة من بطارية C عالية ، ولكن نظرًا لأن الطاقة هي السرعة التي تنفق بها الطاقة ، فهذا يعني أنك ستحصل على استنزاف البطارية بشكل أسرع.

في النهاية ، على الرغم من افتراض أن البطاريات لها نفس التصنيف C ، فإن البطارية ذات السعة الأكبر ستتمتع بقدر أكبر من الطاقة متوفرة لأن تصنيف C مدفوع بسعة البطارية.

نظرا نفس الشيء تحميل التطبيقية (مما يعني أنك لا تستخدم بالفعل كل تلك الطاقة المتاحة) ، ستستمر البطارية ذات السعة الأكبر لفترة أطول لأنك تسحب الآن طاقة بقيمة C أقل.

أتفهم أن قيم C يمكن أن تكون مربكة ، لذا إذا كنت تريد بعض الأمثلة فقط أخبرني!

لقد ذكرت عدة مرات الآن عبارة "الطاقة المتاحة" لأن ما يقلقني هو سوء فهم حول البطاريات والكهرباء بشكل عام. لمجرد بطارية علبة توصيل 25A لا يعني البطارية إرادة تسليم 25A. يبلغ معدل تيار التدوير البارد (CCA) على بطارية سيارتك مئات الأمبيرات ، ولكن إذا كان كل ما تفعله هو الاستماع إلى الراديو مع إيقاف تشغيل سيارتك ، فأنت تستهلك قدرًا ضئيلًا من الطاقة.

هذا كله بسبب قانون أوم، والتي تنص على أن التيار عبر الجهاز يساوي الجهد المطبق ، بالنسبة للمقاومة في هذا الجهاز. هذا هو ، $ I = frac$ (يتم التعبير عنه بشكل أكثر شيوعًا كـ $ V = IR $).

هذا يعني أنك إذا لم تغير الحمل الكهربائي - فأنت تحافظ على نفس المحركات تعمل بنفس السرعة - فلن تتغير المقاومة الفعالة للحمل. وهذا بدوره يعني أنه إذا لم تقم بتغيير الجهد الطرفي للبطارية ، فلن يتغير التيار الموفر للحمل.

إذا كان الجهد ثابتًا والتيار ثابتًا ، فعندئذٍ مطبق القوة ثابتة ، حتى لو كان متوفرة تغييرات القوة. عندما يكون هاتفك في يدك ، فإن البطارية الموجودة به تعمل على تشغيله. عندما تقوم بتوصيل هاتفك ، فقد تقوم بتوصيله كهربائيًا بتوربينات بحجم مركز تجاري. لا يعني التغيير في الطاقة المتاحة أنك تستهلك كل الطاقة المتاحة تلقائيًا.

أعني بذلك ، طالما أن بطاريتك الحالية قادرة على توفير الحمل (ناقل الجهد الخاص بك لا ينفد) ، فإن التبديل إلى بطارية ذات سعة أكبر لن يؤدي إلى تحسين أدائك على الإطلاق ، على الرغم من أنه قد يكون كذلك المزيد من الطاقة المتاحة. الأجهزة الكهربائية "تأخذ ما تحتاجه" ولا شيء أكثر من ذلك.


تحويل المحفزات الميكانيكية الضارة

في حين أن استجابات مستقبلات الألم الناتجة عن الحرارة والمواد الكيميائية ترتبط بإدراك الألم لدى البشر (9 ، 24) ، فإن التحفيز الميكانيكي لـ C-MH (24) والتكيف السريع لألياف A-HTM (18) قد لا (24) (الجداول & # x200B (الجدولان 1 1 و & # x200 ب و 2). 2). ومع ذلك ، فإن إدراك شدة ألم الوخز يرتبط بالنشاط في مستقبلات الألم من الألياف A غير الحساسة للكابسيسين (على سبيل المثال ، A-M و A-MH من النوع الأول) (78). كانت قنوات التنبيغ التي تتوسط المحفزات الميكانيكية الضارة (وغير الضارة) للثدييات بعيدة المنال (5 ، 91 ، 92). يشير التنبيغ في أغشية سوما على مقياس زمني أقل من ملي ثانية إلى وجود بوابات مباشرة بضغط القنوات الأيونية مع NSC وربما نفاذية Na (91). لا يوجد أخصائيو تقويم للقنوات الميكانيكية بدائية النواة المدروسة جيدًا MscL و MscS في جينومات الثدييات (93). بالإضافة إلى ذلك ، لا يوجد دليل قوي على أن أخصائيو تقويم الثدييات للمكونات اللافقارية للبنى المشاركة في التحسس الميكانيكي (92) هم قناة التحويل في الخلايا العصبية الحسية الجلدية ، على الرغم من أن القنوات الأيونية الحساسة للحمض (ASICs) يبدو أنها تلعب دورًا (11). تم إحراز بعض التقدم في تحديد البروتينات (على سبيل المثال ، البروتين الشبيه بالبروتين 3 المرجع 94) المتورطة في استشعار اللمس غير الضار ، لكن حذفها الجيني في الفأر لا يضر بالاستجابات السلوكية للضغط الضار. تعد قنوات TRP مرشحة استنادًا إلى التعبير والتشابه الوظيفي مع نظيراتها التطورية ، ولكن ما إذا كانت تساهم في المستشعر الجزيئي / محول الطاقة أو تعمل في دور التحسس لا يزال غير واضح (11) (الجدول & # x200 ب (الجدول 3). 3). تشمل التحديات التي واجهتها في تعيين دور لمحولات الطاقة من المنبهات الميكانيكية الضارة فعالية بروتوكولات التحفيز المطبقة في فحوصات الأنسجة السلوكية وخارج الجسم الحي (على سبيل المثال ، يمكن أن تختلف الأنماط الظاهرية عند تحديها باستخدام خيوط نايلون رقيقة مُعايرة من von Frey مقابل الضغط الموزع الذي قد يحفز أيضًا نقص التروية الموضعي ، المرجع 95) ، والتأثير القمعي للمدخلات غير الضارة بحساسية الألياف A على مستوى الأنظمة (18) ، واستقراء المقايسات الخلوية للإيماء (على سبيل المثال ، poking ، المرجع 96 التمدد ، المرجع 97 hypo-osmotic & #) x02013 انتفاخ ناتج ، المرجع 98). تمت مراجعة هذا الموضوع بمزيد من التفصيل في مكان آخر (12 ، 19 ، 91 & # x0201393).


المحتوى: التحيز إلى الأمام مقابل التحيز العكسي

أساس المقارنة التحيز إلى الأمام عكس التحيز
تعريفيُطلق على الجهد الخارجي الذي يتم تطبيقه عبر الصمام الثنائي PN لتقليل الحاجز المحتمل لتشكيل التدفق السهل للتيار من خلاله التحيز الأمامي.يُطلق على الجهد الخارجي الذي يتم تطبيقه على تقاطع PN لتقوية الحاجز المحتمل ويمنع تدفق التيار من خلاله التحيز العكسي.
رمز
اتصال يتم توصيل الطرف الموجب للبطارية بأشباه الموصلات من النوع P للجهاز ويتم توصيل الطرف السالب بأشباه الموصلات من النوع N يتم توصيل الطرف السالب للبطارية بالمنطقة P ويتم توصيل الطرف الموجب للبطارية بأشباه الموصلات من النوع N.
إمكانات الحاجز يقلل تعزيز - يقوي
الجهد االكهربى جهد الأنود أكبر من الكاثود.جهد الكاثود أكبر من الأنود.
تيار إلى الأمام كبير صغير
طبقة استنزاف رقيقة سميك
مقاومة قليل عالي
تدفق التيار يسمح يمنع
حجم التيار يعتمد على الجهد الأمامي. صفر
العمل موصل عازل

تعريف التحيز إلى الأمام

في التحيز الأمامي ، يتم تطبيق الجهد الخارجي عبر الصمام الثنائي PN-junction. هذا الجهد يلغي الحاجز المحتمل ويوفر مسار مقاومة منخفضة لتدفق التيار. يعني التحيز الأمامي أن المنطقة الموجبة متصلة بالطرف p للإمداد وأن المنطقة السالبة متصلة بالنوع n للجهاز.

جهد الحاجز المحتمل صغير جدًا (حوالي 0.7 فولت للسيليكون و 0.3 فولت لتقاطع الجرمانيوم) وبالتالي هناك حاجة إلى كمية قليلة جدًا من الجهد للإزالة الكاملة للحاجز. يشكل الإزالة الكاملة للحاجز مسار المقاومة المنخفضة لتدفق التيار. وبالتالي ، يبدأ التيار بالتدفق عبر التقاطع. يسمى هذا التيار التيار الأمامي.

تعريف الانحياز العكسي

في التحيز المعكوس ، يتم توصيل المنطقة السالبة بالطرف الموجب للبطارية ويتم توصيل المنطقة الموجبة بالطرف السالب. يزيد الجهد العكسي من قوة الحاجز المحتمل. يقاوم الحاجز المحتمل تدفق حامل الشحنة عبر التقاطع. إنه يخلق مسارًا عالي المقاومة لا يتدفق فيه أي تيار عبر الدائرة.



إعداد التصميم التجريبي باستخدام ملصقات واضحة

  1. ارتدِ نظارات واقية ومعاطف المختبر والقفازات والأقنعة من أجل السلامة.
  2. تعامل مع جميع المواد بعناية.
  3. احصل على مساحة عمل واضحة وواضحة للتجربة.
  4. لا تستهلك أياً من المواد المستخدمة ، وأبعدها عن العين.
  5. أكمل جميع التجارب في نفس المنطقة / الغرفة وفي نفس الوقت من اليوم وباستخدام نفس المواد.
  6. نظف منطقة المختبر بعد التجربة.
  7. اغسل جميع المواد جيدًا بالماء الدافئ والصابون بعد التجربة.

طرق المختبر

يسلط الضوء على طرق المختبر

& middot هذا الأسبوع ، بدلاً من تحفيز العصب بمطرقة انعكاسية عبر مستقبلات التمدد ، سنقوم بتحفيز العصب مباشرةً باستخدام أقطاب كهربائية محفزة.

• يرجى ارتداء أكمام قصيرة أو أكمام يمكن لفها فوق الكوع حتى منتصف العضد.

& middot يسلم القطب المحفز صدمة كهربائية خفيفة ، والتي ، إذا كانت قوية بدرجة كافية ، تزيل استقطاب أغشية الخلايا العصبية ، مما يؤدي إلى اشتعالها.

& middot الخلايا العصبية التي يتم تحفيزها بواسطة الأقطاب الكهربائية المحفزة تتصرف مثل الخلايا العصبية الأخرى ، باستثناء أنه عند تحفيز ألياف العصب ، قد نقوم بإثارة جهود فعلية في كل من الألياف الحسية والحركية في نفس الوقت.

& middot في هذا المختبر سنحفز العصب الزندي ونحدد نتيجة زيادة قوة التحفيز (في mAmps).

& middot لاحقًا ، سنقوم بإعادة تنشيط العصب الزندي من موقعين مختلفين على طول الذراع لتحديد سرعة التوصيل.

المعدات المطلوبة: وحدة الحصول على بيانات IXTA ، وكابل iWire-B3G وثلاثة أسلاك من الرصاص EMG ، وأقطاب كهربائية يمكن التخلص منها ، وأسلاك الرصاص لتحفيز الجهد العالي.

1. إعداد المعدات: ابدأ تشغيل البرنامج

قم بتشغيل مربع أجهزة iWorx في المفتاح الموجود في الخلف ، وحدد ملف Week7_NerveConduction.iwxset من محرك P.

II. إعداد المعدات: وضع القطب

  1. يجب أن يزيل الشخص المعني جميع المجوهرات من يده اليسرى أو اليمنى ومعصمه.
  2. ادرس مسار العصب الزندي في الصورة (أدناه).

3. نظف المناطق التي سيتم فيها توصيل الأقطاب الكهربائية بضمادة كحولية. كشط الجلد في تلك المناطق.

  1. الحصول على سبعة أقطاب كهربائية يمكن التخلص منها. ملصق 5 عليها على علامة التبويب المدببة بالأحرف من A إلى E.
  2. انهي الأمر الأقطاب الكهربائية حتى يظهر شعار Medline فقط. احتفظ بالدعامة البلاستيكية عليها لتقليل تراكم المواد اللاصقة على المقص.
  • مكان أ على الحافة الوسطى للإصبع الصغير من اليد اليمنى ، لذلك يكون زر / زر الإلكترود فوق المفصل الأول. هذا ل أحمر (+) تسجيل القطب في الشكل HN-3-S2.
  • مكان ب على ال الحافة الإنسيّة للنخلة، لذلك فإن زر القطب / الخاطف هو في قاعدة الاصبع الصغير. هذا ل أسود (-) تسجيل قطب كهربائي على اليد.
  • مكان ج لذلك يكون زر القطب / الخاطف على وسطيحافة الرسغ فوق التجعد مباشرة من الرسغ. هذا ل لون أخضر قطب أرضي في اليد.
  • تحذير: قبل توصيل أقطاب تحفيز IXTA بالموضوع ، تحقق من لوحة تحكم المحفز في شريط أدوات LabScribe للتأكد من ضبط قيمة السعة على صفر (0 AMP).

بعد ذلك ، قم بتوصيل القطبين الكهربائيين المتبقيين بذراع الموضوع و rsquos بحيث يتم وضعهما على مسار العصب الزندي في التكوين التالي:

  • مكان د الحافة الوسطى للساعد ، لذلك يكون زر / انجذاب القطب الكهربي فوق تجعيد الرسغ. إرفاق أسود (-) تحفيز القطب.
  • مكان ه، القطب الموجب المحفز ، فوق القطب المحفز السالب مباشرة باتجاه الجانب الإنسي من الساعد. إرفاق أحمر(+) تحفيز القطب.
  • سيتم وضع الأقطاب الكهربائية F و G (في الصورة) لاحقًا للتمرين 2.
  • تم العثور على مقاطع الفيديو الخاصة بوضع الإلكترود المناسب للتمرينين 1 و 2 على P-Drive.

احتياطات السلامة لهذا المعمل:

ستقوم بتوصيل صدمات كهربائية خفيفة إما لنفسك أو لشخص تجريبي متطوع. تم تصميم المعدات التي تستخدمها للقيام بذلك بعناية للحفاظ على معلمات الصدمات الكهربائية في نطاق آمن ، وهذه التجربة آمنة وممتعة. ومع ذلك ، نطلب منك وضع أقطاب كهربائية محفزة على الذراعين فقط، وفقط وضع الأقطاب الكهربائية على نفس الجانب من الجسم (أبدا على كلا الذراعين في نفس الوقت).

إذا كنت تعتقد أنك قد تكونين حاملاً أو إذا كنت تعانين من أمراض قلبية معروفة أو لديك جهاز تنظيم ضربات القلب الاصطناعي ، فالرجاء عدم التطوع كموضوع تجريبي هذا الأسبوع.


لماذا تؤدي مقاومة الخلية الأعلى بعد التشابك إلى تغيير جهد أعلى عند تطبيق التيار؟ - علم النفس

يبدأ التحكم العصبي في تكوين جسور الأكتين - الميوسين المتقاطعة ، مما يؤدي إلى تقصير قسيم عضلي متضمن في تقلص العضلات. تمتد هذه الانقباضات من الألياف العضلية عبر النسيج الضام لسحب العظام ، مما يتسبب في حركة الهيكل العظمي. يسمى الشد الذي تمارسه العضلة بالتوتر. يمكن أن يختلف مقدار القوة الناتجة عن هذا التوتر ، مما يتيح للعضلات نفسها تحريك الأشياء الخفيفة جدًا والأشياء الثقيلة جدًا. في الألياف العضلية الفردية ، يعتمد مقدار التوتر الناتج بشكل أساسي على كمية الجسور المتقاطعة المتكونة ، والتي تتأثر بمنطقة المقطع العرضي للألياف العضلية وتكرار التحفيز العصبي.

شد عضلي: ينتج توتر العضلات عند تكوين أكبر قدر من الجسور المتقاطعة ، إما داخل عضلة ذات قطر كبير أو عند تحفيز أكبر عدد من ألياف العضلات. نغمة العضلات هي توتر عضلي متبقي يقاوم التمدد السلبي أثناء مرحلة الراحة.

عبور الجسور والتوتر

يحدد عدد الجسور المتقاطعة المتكونة بين الأكتين والميوسين مقدار التوتر الذي يمكن أن تنتجه الألياف العضلية. يمكن أن تتشكل الجسور المتقاطعة فقط في الأماكن التي تتداخل فيها الخيوط السميكة والرفيعة ، مما يسمح للميوسين بالارتباط بالأكتين. إذا تم تشكيل المزيد من الجسور المتقاطعة ، فسوف يسحب المزيد من الميوسين الأكتين وسيتم إنتاج المزيد من التوتر.

يحدث التوتر الأقصى عندما تتداخل الخيوط السميكة والرفيعة إلى أقصى درجة داخل قسيم عضلي. إذا امتد قسيم عضلي في حالة الراحة إلى ما بعد طول مثالي للراحة ، فإن الخيوط السميكة والرقيقة لا تتداخل إلى أقصى درجة بحيث يمكن أن يتشكل عدد أقل من الجسور المتقاطعة. ينتج عن هذا عدد أقل من رؤوس الميوسين التي تسحب الأكتين وتقليل توتر العضلات. مع تقصير قسيم عضلي ، تقل منطقة التداخل مع وصول الخيوط الرقيقة إلى المنطقة H ، التي تتكون من ذيول الميوسين. نظرًا لأن رؤوس الميوسين تشكل جسورًا متقاطعة ، فلن يرتبط الأكتين بالميوسين في هذه المنطقة ، مما يقلل من التوتر الناتج عن الألياف العضلية. إذا تم تقصير قسيم عضلي أكثر ، تبدأ الخيوط الرفيعة في التداخل مع بعضها البعض ، مما يقلل من تكوين الجسر المتقاطع أكثر ، وينتج توترًا أقل. على العكس من ذلك ، إذا تمدد القسيم العضلي العضلي إلى النقطة التي لا تتداخل فيها الخيوط السميكة والرفيعة على الإطلاق ، فلن تتشكل جسور متقاطعة ولا ينتج توتر. لا يحدث هذا القدر من التمدد عادةً لأن البروتينات الملحقة ، والأعصاب الحسية الداخلية ، والنسيج الضام يعارض التمدد الشديد.

المتغير الأساسي الذي يحدد إنتاج القوة هو عدد الألياف العضلية (خلايا العضلات الطويلة) داخل العضلة التي تتلقى جهد فعل من العصبون الذي يتحكم في تلك الألياف. عند استخدام العضلة ذات الرأسين لالتقاط قلم رصاص ، على سبيل المثال ، فإن القشرة الحركية للدماغ تقوم فقط بإشارة عدد قليل من الخلايا العصبية في العضلة ذات الرأسين ، لذلك لا يستجيب سوى عدد قليل من الألياف العضلية. في الفقاريات ، يستجيب كل ليف عضلي بشكل كامل إذا تم تحفيزه. من ناحية أخرى ، عند التقاط البيانو ، تقوم القشرة الحركية بإشارات جميع الخلايا العصبية في العضلة ذات الرأسين بحيث يشارك كل ليف عضلي. هذا قريب من الحد الأقصى للقوة التي يمكن أن تنتجها العضلة. كما ذكرنا أعلاه ، فإن زيادة وتيرة جهود الفعل (عدد الإشارات في الثانية) يمكن أن تزيد من القوة أكثر قليلاً لأن التروبوميوسين مغمور بالكالسيوم.


يحدد الجهد نوع الكيمياء في كل قطب كهربائي. يتم تنقية الذهب عن طريق طلاء القطب الموجب بالكاثود عند الحد الأدنى من الجهد لنصف التفاعل ، لذا فإن الشوائب إما لا تذوب ولا تنفجر. يحتوي طين القطب الكهربائي النحاسي على عناصر أثرية قيمة في المركزة من.

يحدد التيار مقدار الكيمياء ،

96500 كولوم / مول من الإلكترونات.

تقوم المقاومة الداخلية للخلية بتحويل طاقة الإدخال ، الطاقة المتعددة بمرور الوقت ، $ ceدولار ، في حرارة عديمة الفائدة. تريد بعد ذلك تباعدًا صغيرًا بين الأقطاب الكهربائية والتحريك الجيد بالكهرباء. تحتاج بعد ذلك إلى جهد كافي للقيام بالكيمياء ، بالإضافة إلى المزيد لتعويض خسائر المقاومة ، ولكن ليس الكثير من الجهد بحيث يتم تمكين الكيميائيات غير المرغوب فيها. هل تزيد مقاومة الخلايا (أوم) أم تنخفض مع درجة الحرارة؟

بخصوص سؤالك: "هل المقاومة ثابتة أم يمكنني فعل أي شيء لخفضها؟"

تنتج الطاقة المستخدمة في التحليل الكهربائي كلاً من حرارة المنتج والنفايات. بطبيعة الحال ، تريد الحفاظ على إنتاج كافٍ مع الحد من إهدار الطاقة.

بعض الصيغ المهمة:

الأشياء التي تؤثر على المقاومة وتأثيرها على المنتج مقابل الحرارة المهدرة ومعدل الإنتاج: ضبط كل معلمة على حدة:

الجهد االكهربى: لكل وحدة طاقة يتم توفيرها ، ينتج الجهد المنخفض بشكل عام المزيد من المنتجات وأقل حرارة مهدرة من التحليل الكهربائي. تحت جهد عتبة معين لن يحدث تحليل كهربائي. على الرغم من استهلاك طاقة أقل لإنتاج نفس المنتج بجهد منخفض وبكفاءة أعلى ، إلا أن العملية تتم بشكل أبطأ لأنه مع انخفاض الجهد ، يكون هناك تيار أقل ويتم استهلاك الطاقة بشكل أبطأ. كبديل لذلك ، يمكن للمرء زيادة الجهد لدفع المزيد من التيار وإنتاج منتجهم بشكل أسرع ، ولكن هذا يحدث على حساب الكفاءة.

نوع وتركيز المنحل بالكهرباء: الإلكتروليتات المختلفة لها قدرات مختلفة للتوصيل وتركيزها أعلى أو أقل من المستوى المثالي سيؤثر سلبًا على قدرة المنحل بالكهرباء لتوصيل الكهرباء.

درجة حرارة: تؤدي زيادة درجة حرارة المنحل بالكهرباء إلى تقليل مقاومة الإلكتروليت. بالإضافة إلى ذلك ، يتم توفير بعض الطاقة المستخدمة لتفكيك الروابط الجزيئية للماء من خلال الطاقة الحرارية للجزيئات التي ترتد عن بعضها البعض. لكن التأثير يصبح ملموسًا فقط مع التحليل الكهربائي بدرجة حرارة عالية ، مثل 800 درجة مئوية.

مساحة السطح: مساحة السطح والتيار متناسبان. إذا كانت جميع المعلمات الأخرى متساوية ، إذا قمت بمضاعفة مساحة سطح الأقطاب الكهربائية الخاصة بك ، فإنك تقوم بنصف المقاومة بشكل فعال وتضاعف التيار.

التباعد: يقلل تقليل التباعد بين الأقطاب الكهربائية من المقاومة.


المحتوى: التحيز إلى الأمام مقابل التحيز العكسي

أساس المقارنة التحيز إلى الأمام عكس التحيز
تعريفيُطلق على الجهد الخارجي الذي يتم تطبيقه عبر الصمام الثنائي PN لتقليل الحاجز المحتمل لتشكيل التدفق السهل للتيار من خلاله التحيز الأمامي.يُطلق على الجهد الخارجي الذي يتم تطبيقه على تقاطع PN لتقوية الحاجز المحتمل ويمنع تدفق التيار من خلاله التحيز العكسي.
رمز
اتصال يتم توصيل الطرف الموجب للبطارية بأشباه الموصلات من النوع P للجهاز ويتم توصيل الطرف السالب بأشباه الموصلات من النوع N يتم توصيل الطرف السالب للبطارية بالمنطقة P ويتم توصيل الطرف الموجب للبطارية بأشباه الموصلات من النوع N.
إمكانات الحاجز يقلل تعزيز - يقوي
الجهد االكهربى جهد الأنود أكبر من الكاثود.جهد الكاثود أكبر من الأنود.
تيار إلى الأمام كبير صغير
طبقة استنزاف رقيقة سميك
مقاومة قليل عالي
تدفق التيار يسمح يمنع
حجم التيار يعتمد على الجهد الأمامي. صفر
العمل موصل عازل

تعريف التحيز إلى الأمام

في التحيز الأمامي ، يتم تطبيق الجهد الخارجي عبر الصمام الثنائي PN-junction. هذا الجهد يلغي الحاجز المحتمل ويوفر مسار مقاومة منخفضة لتدفق التيار. يعني التحيز الأمامي أن المنطقة الموجبة متصلة بالطرف p للإمداد وأن المنطقة السالبة متصلة بالنوع n للجهاز.

جهد الحاجز المحتمل صغير جدًا (حوالي 0.7 فولت للسيليكون و 0.3 فولت لتقاطع الجرمانيوم) وبالتالي هناك حاجة إلى كمية قليلة جدًا من الجهد للإزالة الكاملة للحاجز. يشكل الإزالة الكاملة للحاجز مسار المقاومة المنخفضة لتدفق التيار. وبالتالي ، يبدأ التيار بالتدفق عبر التقاطع. يسمى هذا التيار التيار الأمامي.

تعريف الانحياز العكسي

في التحيز المعكوس ، يتم توصيل المنطقة السالبة بالطرف الموجب للبطارية ويتم توصيل المنطقة الموجبة بالطرف السالب. يزيد الجهد العكسي من قوة الحاجز المحتمل. يقاوم الحاجز المحتمل تدفق حامل الشحنة عبر التقاطع. إنه يخلق مسارًا عالي المقاومة لا يتدفق فيه أي تيار عبر الدائرة.



تخبرك مواصفات سعة البطارية (على سبيل المثال X mAh) أنه يمكن تشغيل البطارية لمدة ساعة واحدة لتوفير X ملي أمبير حتى نفادها. لا يتغير هذا دائمًا بمرور الوقت ، على سبيل المثال ، ربما لن تعمل لمدة نصف ساعة إذا قمت برسم 2 * X مللي أمبير ، ولكن هذه مناقشة أخرى.

للإجابة على سؤالك ، ستسمح لك سعة mAh الأكبر باستخدام بطاريتك لفترة أطول قبل نفادها ، من حيث السحب الحالي.

لكنبالنسبة لطراز البطارية نفسه ، يظل التصنيف C ($ C $) (الحد الأقصى للتيار الذي يمكنك سحبه بأمان ، باستمرار من البطارية) ثابتًا. وبالتالي ، حيث يتم تعريفه على أنه $ I_ = C cdot X $ ، ستسمح لك تصنيفات C الأعلى أيضًا بجذب تيارات فورية أعلى ، وبالتالي المزيد من القوة.

ولا يعني ذلك أكثر من ذلك طاقة وها يدل مزيد من الطاقة.

فكر في الطاقة على أنها الشيء الذي "تنفقه" للقيام بالعمل ، والقوة هي مقدار العمل الذي تنجزه في فترة زمنية معينة.

عادةً ما يتم تصنيف البطارية من حيث الطاقة بشيء يسمى التصنيف "C" ، أو المقدار قوة سيستغرق استنزاف البطارية في ساعة واحدة.

نظرًا لأن طاقة الخرج للبطارية هي جهد مضروب في التيار ، يمكن حساب التصنيف C كجهد اسمي مضروبًا في تصنيف أمبير ساعة ، مقسومًا على الجهد الاسمي مرات في الساعة.

يلغى الجهد الاسمي نفسه ، ويتبقى لك الجزء "أمبير" من تقييم البطارية أمبير بالساعة.

هذا يعني أن بطارية 5000mAh لديها تصنيف 1C من 5000mA ، لكن طاقة الخرج للبطارية هي تلك مرات الجهد الاسمي، لذلك فإن حزمة بطارية 5000mAh المصنفة لـ 1C سيكون لديها طاقة أقل من حزمة 2500mAh المصنفة لـ 10C لأن طاقة الخرج المتوفرة لحزمة 5Ah تقتصر على (الجهد) مضروبًا في 5A حيث تقتصر طاقة الخرج المتوفرة لحزمة 2.5Ah على (الجهد) ضرب 25A. الحزمة الأصغر ، ذات التصنيف C الأعلى ، قادرة على توفير 5 أضعاف القوة في هذا المثال.

فيما يتعلق بأوقات التشغيل ، يعتمد ذلك على التصنيف C للبطارية. كلما زاد ارتفاعها ، زادت الطاقة التي يمكنك (بأمان) سحبها مرة واحدة ، مما يعني أنه يمكنك الحصول على المزيد من الطاقة من بطارية C عالية ، ولكن نظرًا لأن الطاقة هي السرعة التي تنفق بها الطاقة ، فهذا يعني أنك ستحصل على استنزاف البطارية بشكل أسرع.

في النهاية ، على الرغم من افتراض أن البطاريات لها نفس التصنيف C ، فإن البطارية ذات السعة الأكبر ستتمتع بقدر أكبر من الطاقة متوفرة لأن تصنيف C مدفوع بسعة البطارية.

نظرا نفس الشيء تحميل التطبيقية (مما يعني أنك لا تستخدم بالفعل كل تلك الطاقة المتاحة) ، ستستمر البطارية ذات السعة الأكبر لفترة أطول لأنك تسحب الآن طاقة بقيمة C أقل.

أتفهم أن قيم C يمكن أن تكون مربكة ، لذا إذا كنت تريد بعض الأمثلة فقط أخبرني!

لقد ذكرت عدة مرات الآن عبارة "الطاقة المتاحة" لأن ما يقلقني هو سوء فهم حول البطاريات والكهرباء بشكل عام. لمجرد بطارية علبة توصيل 25A لا يعني البطارية إرادة تسليم 25A. يبلغ معدل تيار التدوير البارد (CCA) على بطارية سيارتك مئات الأمبيرات ، ولكن إذا كان كل ما تفعله هو الاستماع إلى الراديو مع إيقاف تشغيل سيارتك ، فأنت تستهلك قدرًا ضئيلًا من الطاقة.

هذا كله بسبب قانون أوم، والتي تنص على أن التيار عبر الجهاز يساوي الجهد المطبق ، بالنسبة للمقاومة في هذا الجهاز. هذا هو ، $ I = frac$ (يتم التعبير عنه بشكل أكثر شيوعًا كـ $ V = IR $).

هذا يعني أنك إذا لم تغير الحمل الكهربائي - فأنت تحافظ على نفس المحركات تعمل بنفس السرعة - فلن تتغير المقاومة الفعالة للحمل. وهذا بدوره يعني أنه إذا لم تقم بتغيير الجهد الطرفي للبطارية ، فلن يتغير التيار الموفر للحمل.

إذا كان الجهد ثابتًا والتيار ثابتًا ، فعندئذٍ مطبق القوة ثابتة ، حتى لو كان متوفرة تغييرات القوة. عندما يكون هاتفك في يدك ، فإن البطارية الموجودة به تعمل على تشغيله. عندما تقوم بتوصيل هاتفك ، فقد تقوم بتوصيله كهربائيًا بتوربينات بحجم مركز تجاري. لا يعني التغيير في الطاقة المتاحة أنك تستهلك كل الطاقة المتاحة تلقائيًا.

أعني بذلك ، طالما أن بطاريتك الحالية قادرة على توفير الحمل (ناقل الجهد الخاص بك لا ينفد) ، فإن التبديل إلى بطارية ذات سعة أكبر لن يؤدي إلى تحسين أدائك على الإطلاق ، على الرغم من أنه قد يكون كذلك المزيد من الطاقة المتاحة. الأجهزة الكهربائية "تأخذ ما تحتاجه" ولا شيء أكثر من ذلك.


3 إجابات 3

الجواب مرهون بالظروف: كيف تغيرون المقاومة؟ يمكن تغيير كل من سرعة الانجراف وعدد حاملات الشحن المتاحة.

في نموذج Drude الأساسي للنقل الكهربائي على حد سواء ، $ n $ ، كثافة حامل الشحنة و $ tau $ ، يحدد الوقت بين الاصطدامات المقاومة:

$ mathbf = يسار ( frac حق) mathbfهنا $ mathbf$ هي الكثافة الحالية و $ mathbf- المجال الكهربائي التطبيقي. المصطلح بين قوسين يميز خصائص المواد ، أي مقاومتها.

من خلال التغيير إلى مادة مختلفة ، يمكنك التأثير على كل من $ n $ و $ tau $ ، لذا فإن كلا الحالتين ممكنتان.

فهمك صحيح. من $ V = IR $ إذا ظل الجهد كما هو أثناء المقاومة زيادة، يجب أن يكون التيار انخفضت.

ولكن إذا كنت قد سمعت عن معادلة أخرى $ I = frac$

في حالة زيادة التيار (I) وتم إصلاح الرسوم $ Q $ (يتم إصلاح الشحن إذا كان مصدر الطاقة من خلايا طاقة مثل البطارية). سيتم تقليل الوقت.

وهو ما يعني أن

الرسوم تتحرك بشكل أسرع! لأن عدد الشحن ثابت حسب حجم البطارية.

تخيل طريقًا مكونًا من أربع حارات. ثم بعد 300 متر ، هناك بناء لصيانة الطرق لثلاثة ممرات. إتاحة حارة واحدة فقط للعبور. يجب أن تتحد السيارات من 4 حارات في حارة واحدة ، مما يؤدي إلى حدوث اختناقات مرورية ويؤدي إلى إبطاء عودة الجميع إلى المنزل.

4 حارات للطريق = سلك عادي

1 حارة طريق واختناقات مرورية = مشاكل تسببها المقاومة.

المنزل = + محطة البطارية

مثل بعض بطارية الهاتف لديها 10000mAh. وهي في الواقع قيمة $ Q $ لكن بالملليامبير * ساعة وليس أمبير * ثانية. إذن 1 مللي أمبير في الساعة تساوي 5/18 كولوم.


تحويل المحفزات الميكانيكية الضارة

في حين أن استجابات مستقبلات الألم الناتجة عن الحرارة والمواد الكيميائية ترتبط بإدراك الألم لدى البشر (9 ، 24) ، فإن التحفيز الميكانيكي لـ C-MH (24) والتكيف السريع لألياف A-HTM (18) قد لا (24) (الجداول & # x200B (الجدولان 1 1 و & # x200 ب و 2). 2). ومع ذلك ، فإن إدراك شدة ألم الوخز يرتبط بالنشاط في مستقبلات الألم من الألياف A غير الحساسة للكابسيسين (على سبيل المثال ، A-M و A-MH من النوع الأول) (78). كانت قنوات التنبيغ التي تتوسط المحفزات الميكانيكية الضارة (وغير الضارة) للثدييات بعيدة المنال (5 ، 91 ، 92). يشير التنبيغ في أغشية سوما على مقياس زمني أقل من ملي ثانية إلى وجود بوابات مباشرة بضغط القنوات الأيونية مع NSC وربما نفاذية Na (91). لا يوجد أخصائيو تقويم للقنوات الميكانيكية بدائية النواة المدروسة جيدًا MscL و MscS في جينومات الثدييات (93). بالإضافة إلى ذلك ، لا يوجد دليل قوي على أن أخصائيو تقويم الثدييات للمكونات اللافقارية للبنى المشاركة في التحسس الميكانيكي (92) هم قناة التحويل في الخلايا العصبية الحسية الجلدية ، على الرغم من أن القنوات الأيونية الحساسة للحمض (ASICs) يبدو أنها تلعب دورًا (11). تم إحراز بعض التقدم في تحديد البروتينات (على سبيل المثال ، البروتين الشبيه بالبروتين 3 المرجع 94) المتورطة في استشعار اللمس غير الضار ، لكن حذفها الجيني في الفأر لا يضر بالاستجابات السلوكية للضغط الضار. تعد قنوات TRP مرشحة استنادًا إلى التعبير والتشابه الوظيفي مع نظيراتها التطورية ، ولكن ما إذا كانت تساهم في المستشعر الجزيئي / محول الطاقة أو تعمل في دور التحسس لا يزال غير واضح (11) (الجدول & # x200 ب (الجدول 3). 3). تشمل التحديات التي واجهتها في تعيين دور لمحولات الطاقة من المنبهات الميكانيكية الضارة فعالية بروتوكولات التحفيز المطبقة في فحوصات الأنسجة السلوكية وخارج الجسم الحي (على سبيل المثال ، يمكن أن تختلف الأنماط الظاهرية عند تحديها باستخدام خيوط نايلون رقيقة مُعايرة من von Frey مقابل الضغط الموزع الذي قد يحفز أيضًا نقص التروية الموضعي ، المرجع 95) ، والتأثير القمعي للمدخلات غير الضارة بحساسية الألياف A على مستوى الأنظمة (18) ، واستقراء المقايسات الخلوية للإيماء (على سبيل المثال ، poking ، المرجع 96 التمدد ، المرجع 97 hypo-osmotic & #) x02013 انتفاخ ناتج ، المرجع 98). تمت مراجعة هذا الموضوع بمزيد من التفصيل في مكان آخر (12 ، 19 ، 91 & # x0201393).


الشبكات العصبية القائمة على Memristor

الآليات البيولوجية العصبية ومشبك Memristive

يمكن للدماغ البشري أن يحل المهام المعقدة ، مثل التعرف على الصور وتصنيف البيانات ، بشكل أكثر كفاءة من أجهزة الكمبيوتر التقليدية. السبب وراء تفوق الدماغ في الوظائف المعقدة هو العدد الكبير من الخلايا العصبية والمشابك التي تعالج المعلومات بالتوازي. كما هو مبين في الشكل 3 ، عندما يتم إرسال إشارة كهربائية بين خليتين عصبيتين عبر محور عصبي ومشبك ، يتم ضبط قوة المفصل أو وزنه بواسطة المشبك. يوجد ما يقرب من 100 مليار خلية عصبية في دماغ الإنسان بأكمله ، كل منها يحتوي على حوالي 10000 نقطة تشابك عصبي. تنقل الخلايا العصبية قبل المشبكي وما بعد المشبكي وتستقبل إشارة إمكانات ما بعد التشابك المثيرة والمثبطة عن طريق تحديث الأوزان المشبكية. يعد التقوية طويلة المدى (LTP) والاكتئاب طويل الأمد (LTD) آليتين مهمتين في الجهاز العصبي البيولوجي ، مما يشير إلى تحول عميق الجذور في قوة الاتصال بين الخلايا العصبية. وفقًا للفاصل الزمني بين إمكانات أو ارتفاعات ما قبل التشابك وما بعد التشابك ، تُعرف ظاهرة تعديل الوزن المشبكي باسم اللدونة المعتمدة على توقيت الارتفاع (STDP) (يان وآخرون ، 2018 أ ، 2019 ج). نظرًا لقابلية التوسع ، والتشغيل المنخفض الطاقة ، والميزات غير المتطايرة ، ومساحة الرقاقة الصغيرة ، فإن memristors هي مرشحة جيدة للأجهزة التشابكية الاصطناعية لتقليد سلوكيات LTP و LTD و STDP (Jo et al. ، 2010 Ohno et al. ، 2011 Kim et al.، 2015 Wang et al.، 2017 Yan et al.، 2017).

الشكل 3. رسم تخطيطي لاثنين من الخلايا العصبية المترابطة بواسطة المشابك.

هناك بعض المتطلبات الأساسية لأجهزة memristive في تطبيقات الشبكة العصبية. على سبيل المثال ، يتطلب الأمر نطاقًا واسعًا من المقاومة لتمكين حالات المقاومة الكافية ، حيث يلزم وجود تقلبات مقاومة منخفضة وتقلبات منخفضة من جهاز إلى جهاز ، والمقاومة المطلقة الأعلى مطلوبة لتبديد الطاقة المنخفضة والمتانة العالية مطلوبة لإعادة البرمجة والتدريب (Choi et al.، 2018 Yan et al.، 2018b، 2019a Xia and Yang، 2019). يتمثل أحد الشواغل المتعلقة باستقرار الجهاز في انجراف المقاومة ، والذي يحدث بمرور الوقت أو مع البيئة. يتسبب انجراف المقاومة في حدوث تغييرات غير مرغوب فيها في وزن المشابك ويؤدي إلى تشويش حالات المقاومة المختلفة ، مما يؤثر في النهاية على دقة حساب الشبكة العصبية (Xia and Yang ، 2019). للتعامل مع تحدي الانجراف هذا ، يمكن إجراء تحسينات في ثلاثة جوانب: (1) هندسة الأجهزة المادية ، (2) تصميم الدوائر ، و (3) تصميم النظام (Alibart et al. ، 2012 Choi et al. ، 2018 Jiang et al. .، 2018 Lastras-Monta & # x000F1o and Cheng، 2018 Yan et al.، 2018b، 2019a Zhao et al.، 2020). على سبيل المثال ، بالنسبة لمجال هندسة المواد ، يمكن استخدام خلع الخيوط للتحكم في تنوع البرمجة وتعزيز انتظام التبديل (Choi et al. ، 2018). من حيث التصميم على مستوى الدائرة ، يمكن استخدام وحدة من سلسلتين memristors وترانزستور مع أصغر حجم ، وبالتالي ، يمكن تشفير نسبة مقاومة memristor للتعويض عن انجراف المقاومة (Lastras-Monta & # x000F1o و Cheng ، 2018). بالنسبة لمستوى تصميم النظام ، يمكن تقليل انحراف الجهاز عن طريق البروتوكولات ، مثل الدائرة المحيطية ذات الحلقة المغلقة مع وظيفة التحقق من الكتابة (Alibart et al. ، 2012). من أجل الحصول على تحديث خطي ومتماثل للوزن في LTP و LTD للتدريب الفعال على الشبكة العصبية ، يمكن استخدام نبضات البرمجة المحسّنة لإثارة memristors إما بنبضات الجهد ذات الاتساع الثابت أو العرض الثابت (Jiang et al. ، 2018 Zhao et al. ، 2020). لاحظ أنه لا مفر من زيادة استهلاك الطاقة إذا تم تغيير قيمة مقاومة memristor من خلال نبضات معقدة قابلة للبرمجة.

تظهر المقارنة بين هياكل دارات المشابك المختلفة في الجدول 2 (Kim et al.، 2011a Wang et al.، 2014 Prezioso et al.، 2015 Hong et al.، 2019 Krestinskaya et al.، 2019). المصفوفات العارضة أحادية الميمريستور (1M) في الشبكات العصبية لها أقل تعقيد وتبديد منخفض للطاقة. ومع ذلك ، فإنه يعاني من مشاكل مسار التسلل ودوائر التبديل الطرفية المعقدة. المشابك مع اثنين من memristors (2M) لها نطاق وزن أكثر مرونة وأفضل تناسق LTP و LTD ، ولكن سيتم مضاعفة مساحة الرقاقة المقابلة. يتميز المشبك مع memristor واحد وترانزستور واحد (1M-1T) بميزة حل مشكلة مسار التسلل ، ولكنه يشغل أيضًا مساحة كبيرة في تكامل الشبكات العصبية على نطاق واسع. توفر بنية المشبك الجسر مع أربع memristors (4M) آلية برمجة ثنائية الاتجاه مع خرج جهد دخل جهد. نظرًا للحجم الكبير على مساحة الرقاقة ، قد لا تكون المشابك 1M-1T و 4 M قابلة للتطبيق على الشبكات العصبية واسعة النطاق.

الجدول 2. مقارنة بين بنية مختلفة من دائرة المشبك memristive.

شبكات ANN المستندة إلى Memristor

تشمل العمليات الأساسية لشبكات ANN للأجهزة الكلاسيكية الضرب والإضافة والتنشيط ، والتي يتم إنجازها بواسطة دوائر CMOS مثل وحدات معالجة الرسومات. عادةً ما يتم حفظ الأوزان في SRAM أو DRAM. على الرغم من قابلية توسع دوائر CMOS ، إلا أنها لا تزال غير كافية لتطبيقات ANN. علاوة على ذلك ، حجم خلية SRAM كبير جدًا بحيث لا يمكن دمجه بكثافة عالية. يحتاج DRAM إلى التحديث بشكل دوري لمنع تسوس البيانات. سواء كانت SRAM أو DRAM ، فغالبًا ما تحتاج إلى التفاعل مع نوى CMOS. بغض النظر عن SRAM أو DRAM ، يجب جلب البيانات إلى ذاكرة التخزين المؤقت وتسجيل ملفات المعالجات الرقمية قبل المعالجة وإعادتها من خلال نفس قاعدة البيانات ، مما يؤدي إلى حد كبير للسرعة واستهلاك كبير للطاقة ، وهو التحدي الرئيسي للتعلم العميق وتطبيقات البيانات الضخمة (Xia and Yang ، 2019). في الوقت الحاضر ، تتميز شبكات ANN بعدد كبير من المعلمات الحسابية المخزنة في الذاكرة مقارنة بالحسابات الكلاسيكية. على سبيل المثال ، شبكة عصبية عميقة من طبقتين 784-800-10 متصلة بالكامل في مجموعة بيانات MNIST بها 635.200 اتصال داخلي. تحتوي شبكة عصبية حديثة مثل Visual Geometry Group (VGG) على بضعة ملايين من المعلمات. تشكل هذه العوامل تحديًا كبيرًا أمام تنفيذ أجهزة ANN. يؤدي عدم تقلب memristor & # x00027s ، وانخفاض استهلاك الطاقة ، وانخفاض السعة الطفيلية ، وحالات المقاومة القابلة لإعادة التكوين ، والسرعة العالية ، والقدرة على التكيف إلى دور رئيسي في تطبيقات ANN (Xia and Yang ، 2019). ANN هو نموذج لمعالجة المعلومات مشتق من التحسين الرياضي. يظهر الشكل 4. بنية ANN النموذجية وشريطها المتقاطع memristor في الشكل 4. يتكون النظام عادةً من ثلاث طبقات: طبقة إدخال وطبقة وسطى أو طبقة مخفية وطبقة إخراج. الوحدات أو العقد المتصلة هي خلايا عصبية والتي عادة ما تكون متسلسلة حسب وحدة المجموع الموزون ووحدة وظيفة التنشيط. تؤدي الخلايا العصبية أيضًا مهام فك التشفير والتحكم وتوجيه الإشارة. نظرًا لقدرتها القوية على معالجة الإشارات ، تعد الدوائر المنطقية الرقمية والتناظرية CMOS هي أفضل المرشحين لتنفيذ أجهزة الخلايا العصبية. في الشكل 4 ، يمثل السهم أو خطوط التوصيل نقاط الاشتباك العصبي ، وتمثل أوزانها قوة الاتصال بين خليتين عصبيتين. افترض مصفوفة تعديل الوزن Wاي جاي في العارضة المتقاطعة memristor عبارة عن مصفوفة أبعاد M & # x000D7 N ، حيث أنا (i = 1 ، 2 ، & # x02026 ، N) و j (i = 1 ، 2 ، & # x02026 ، م) هي أرقام الفهرس لمنافذ الإخراج والإدخال في العارضة memristor. دبليواي جاي بين متجه إدخال ما قبل الخلايا العصبية Xي وناقل الإخراج بعد الخلايا العصبية Yأنا هي عملية ضرب مصفوفة متجه ، يُعبر عنها بالمعادلة (1) (Jeong and Shi ، 2018).

المصفوفة دبليو يمكن تعديلها بشكل مستمر حتى الاختلاف بين قيمة الإخراج ذ ويتم تصغير القيمة المستهدفة y & # x0002A. توضح المعادلة (2) عملية ضبط الوزن المشبكي مع تدرج خطأ الإخراج (y & # x02013y & # x0002A) 2 تحت معدل تدريب (Huang et al. ، 2018). لذلك ، فإن العارضة memristor تساوي ملصق CMOS بالإضافة إلى مضاعف CMOS و SRAM (Jeong and Shi ، 2018) ، لأنه يتم حساب البيانات وتخزينها وإعادة إنشائها على نفس الجهاز المحلي (أي memristor نفسه). إلى جانب ذلك ، يمكن دمج العارضة عموديًا في ثلاثة أبعاد (Seok et al. ، 2014 Lin et al. ، 2020 Luo et al. ، 2020). بهذه الطريقة ، فإنه يوفر مساحة كبيرة للرقائق واستهلاك الطاقة. نظرًا لتحديث مشابك memristor وحفظ بيانات الوزن على نفسه ، تم حل مشكلة جدار الذاكرة مع عنق الزجاجة فون نيومان.

الشكل 4. بنية ANN النموذجية وعارضة memristor الخاصة بها.

طور الباحثون العديد من الهياكل وخوارزميات التعلم لشبكات ANN القائمة على البرامج أو الأجهزة. يوفر الجدول 3 مقارنة بين شبكات ANN النموذجية من memristive ، بما في ذلك perceptron أحادي الطبقة (SLP) أو perceptron متعدد الطبقات (MLP) ، و CNN ، والشبكة العصبية الخلوية (CeNN) ، والشبكة العصبية المتكررة (RNN). SLP و MLP عبارة عن شبكات عصبية كلاسيكية ذات قواعد تعلم معروفة مثل تعلم Hebbian و backpropagation. على الرغم من أن الكثير من دراسات ANN قد تم التحقق منها عن طريق المحاكاة أو التنفيذ على نطاق صغير ، إلا أن الشبكة العصبية أحادية الطبقة مع 128 & # x000D7 64 1M-1T Ta / HfO2 تم عرض مجموعة memristor بشكل تجريبي بدقة التعرف على الصور بنسبة 89.9 ٪ لمجموعة بيانات MNIST (Hu et al. ، 2018).CNNs (يشار إليها باسم ANNs ثابتة أو ثابتة التحول) هي إصدارات منتظمة من MLP. تحتوي طبقاتها المخفية عادةً على وظائف تنشيط معقدة متعددة ، وتؤدي عمليات التفاف أو عمليات ذات قيمة قصوى إقليمية. أظهر الباحثون دقة تزيد عن 70٪ في التعرف على فيديو السلوك البشري باستخدام شبكة CNN ثلاثية الأبعاد قائمة على memristor (Liu et al. ، 2020). يجب التأكيد على أن هذا التحقق ليس سوى نتيجة محاكاة برمجية ، في حين أن عرض الأجهزة على الرقاقة لا يزال يمثل تحديًا كبيرًا ، خاصة بالنسبة لشبكات CNN العميقة (Wang et al. ، 2019a Luo et al. ، 2020 Yao et al. ، 2020) . CeNN عبارة عن شبكة عصبية متوازية بشكل كبير للحوسبة ، تقتصر ميزات الاتصال الخاصة بها على ما بين الخلايا العصبية الخلوية المجاورة. الخلايا عبارة عن وحدات معالجة مستمرة غير خطية أو وحدات معالجة زمنية منفصلة. نظرًا لقدرتها على المعالجة الديناميكية ومرونتها ، فإن CeNNs مرشحة واعدة لمعالجة معدل الإطارات المرتفع في الوقت الفعلي أو اكتشاف الحركة متعددة الأهداف. على سبيل المثال ، تم اقتراح مشابك CeNN مع دارة جسر memristive 4M لمعالجة الصور (Duan et al. ، 2014). بخلاف شبكات ANN للتغذية التقليدية ، فإن RNNs لها اتصال تغذية مرتدة يتيح السلوك الديناميكي الزمني. لذلك ، فهي مناسبة لتطبيقات التعرف على الكلام. الذاكرة طويلة المدى (LSTM) هي نوع من بنية RNN المفيدة للتعلم العميق. تم الإبلاغ عن تنفيذ الأجهزة لشبكات LSTM استنادًا إلى memristors (Smagulova et al. ، 2018 Li et al. ، 2019 Tsai et al. ، 2019 Wang et al. ، 2019a).

الجدول 3. البنى النموذجية لشبكات ANN Memristive.

نظرًا للعيوب العشوائية على المستوى الذري والتنوع في عملية تعديل التوصيل ، فإن خصائص memristor غير المثالية هي الأسباب الرئيسية لفقدان دقة التعلم في الشبكات العصبية الاصطناعية. تتجلى هذه الظاهرة في الجوانب التالية من memristor: تغيير الوزن غير الخطي غير المتماثل بين التقوية والاكتئاب ، ومحدودية نسبة وزن التشغيل / الإيقاف وتغير الجهاز. يوضح الجدول 4 الاستراتيجيات الرئيسية لكيفية التعامل مع هذه القضايا. يمكن للمرء أن يخفف من آثار خصائص memristor غير المثالية على دقة ANN من أربعة مستويات: مواد الجهاز ، والدوائر ، والبنى ، والخوارزميات. على مستوى مواد الجهاز ، يمكن تحسين تبديل التوحيد ونسبة التشغيل / الإيقاف التناظرية عن طريق تحسين تفاعل الأكسدة والاختزال في واجهة المعدن / الأكسيد ، أو اعتماد تقنية خلع الخيوط أو عنصر التسخين (Jeong et al.، 2015 Lee et al.، 2015 Tanikawa et al. . ، 2018). على مستوى الدوائر ، يمكن للمرء استخدام نبضات إثارة مخصصة أو مشابك CMOS-memristor الهجينة للتخفيف من تأثيرات memristor غير المثالية (Park et al.، 2013 Li et al.، 2016 Chang et al.، 2017 Li SJ et al.، 2018 Woo and Yu ، 2018). على مستوى البنى ، التقنيات الشائعة هي خلايا memristors المتعددة للتكرار العالي ، ومجموعة العارضة الزائفة ، وتعويض الدائرة الطرفية (Chen et al. ، 2015). تم الإبلاغ أيضًا عن التحسين المشترك بين memristors وخوارزميات ANN (Li et al. ، 2016). ومع ذلك ، تجدر الإشارة إلى أن تنفيذ هذه الاستراتيجيات يؤدي حتماً إلى آثار جانبية ، مثل تكلفة التصنيع المرتفعة ، أو الاستهلاك الكبير للطاقة ، أو مساحة الرقاقة الكبيرة ، أو الدوائر الطرفية المعقدة ، أو الخوارزمية غير الفعالة. على سبيل المثال ، تعمل طرق الإثارة النبضية غير المتطابقة أو طرق تدريب النبض ثنائي القطب على تحسين الخطية وتماثل نقاط الاشتباك العصبي memristor ، ولكنها تزيد من تعقيد الدوائر الطرفية واستهلاك طاقة النظام ومنطقة الرقاقة. لذلك ، يجب إجراء المفاضلات والتحسين المشترك في كل مستوى تصميم لتحسين دقة التعلم لشبكات ANN (Gi et al. ، 2018 Fu et al. ، 2019). الشكل 5 هو مثال تصميم تعاوني من أجهزة memristor ذات المستوى الأدنى إلى خوارزميات التدريب عالية المستوى (Fu et al. ، 2019). يُقاس منحنى استجابة التوصيل (CR) لأول مرة للحصول على عامل عدم الخطية. بعد ذلك ، ينقسم منحنى CR إلى مقاطع خطية متعددة التعريف للحصول على ميلها ، ويتناسب عرض نبضة نبضة الإثارة عكسيًا مع المنحدر. يتم تخزين هذه البيانات في الذاكرة للمقارنة والتصحيح بواسطة عوارض memristor أثناء التحديث. من خلال هذه الطريقة ، تم تحسين دقة التعرف على الشبكات العصبية الاصطناعية أخيرًا.

الجدول 4. تحسين دقة تعلم الشبكات العصبية الاصطناعية عن طريق التخفيف من تأثيرات memristor غير المثالية.

الشكل 5. التصميم المشترك من خصائص memristor غير المثالية إلى خوارزمية ANN (Fu et al. ، 2019).

يمكن أن تكون تطبيقات ANN القائمة على memristor برامج أو أجهزة أو هجينة (Kozhevnikov and Krasilich ، 2016). تميل شبكات البرامج إلى أن تكون أكثر دقة من نظيراتها في الأجهزة لأنها لا تعاني من مشكلات عدم انتظام العنصر التناظري. ومع ذلك ، تتميز شبكات الأجهزة بسرعة أفضل واستهلاك أقل للطاقة بسبب بنى غير فون نيومان (Kozhevnikov and Krasilich ، 2016). في الشكل 6 ، شريحة ANN المسرع العصبي العميق مع 2.4 مليون Al2ا3/ تيو2تم تصميم وتصنيع xmemristors (Kataeva et al. ، 2019). تتكون شريحة memristor هذه من مصفوفة 24 & # x000D7 43 مع شريط عرضي 48 & # x000D7 48 عند كل تقاطع ، مما يعني أن تعقيدها أعلى بحوالي 1000 مرة من التصميمات السابقة في الأدبيات. يعد هذا العمل نقطة انطلاق جيدة لتشغيل شبكات memristor متوسطة الحجم. ظهرت مسرعات مماثلة في العامين الماضيين (Cai et al. ، 2019 Chen W.-H. et al. ، 2019 Xue et al. ، 2020).

الشكل 6. شريحة ANN ذات شكل عصبي عميق مع 2.4 مليون جهاز من أجهزة memristor (Kataeva et al. ، 2019).

يمكن استخدام الشبكات العصبية Memristive لفهم المشاعر البشرية ومحاكاة القدرات التشغيلية البشرية (Bishop ، 1995). تم تنفيذ تجربة الذاكرة النقابية المشهورة PavlTov في شبكات ANN memristive باستخدام طريقة جديدة لتعلم مدخلات التغذية الراجعة المرجحة (Ma et al. ، 2018). مع المزيد من إشارات الإدخال ، والخلايا العصبية ، ومشابك memristor ، سيتم تحقيق معالجة عاطفية معقدة في مزيد من شرائح الذكاء الاصطناعي. نظرًا للتحدي المادي والافتقار إلى النماذج الفعالة ، فإن معظم العروض التوضيحية تقتصر على عمليات محاكاة صغيرة الحجم للمهام البسيطة. تتمثل أوجه القصور في memristors بشكل أساسي في عدم الخطية وعدم التناسق والتنوع ، مما يؤثر بشكل خطير على دقة الشبكات العصبية الاصطناعية. علاوة على ذلك ، يجب أن توفر الدوائر والواجهة الطرفية كفاءة فائقة في استخدام الطاقة وإنتاجية للبيانات.

SNN المستندة إلى Memristor

مستوحاة من الأساليب المعرفية والحسابية لأدمغة الحيوانات ، تجعل الشبكة العصبية من الجيل الثالث ، SNN ، الخصائص المرغوبة للخلايا العصبية البيولوجية المدمجة تحاكي الأداء المعرفي الرائع. الميزة الأكثر بروزًا لـ SNN هي أنها تدمج مفهوم الوقت في العمليات بقيم منفصلة ، بينما قيم الإدخال والإخراج للجيل الثاني من شبكات ANN مستمرة. يمكن لشبكة SNN الاستفادة بشكل أفضل من قوة النموذج البيولوجي لمعالجة المعلومات ، وذلك بفضل محاكاة الأجهزة من المشابك العصبية والخلايا العصبية. يتم حساب ANN طبقة تلو الأخرى ، وهو أمر بسيط نسبيًا. ومع ذلك ، من الصعب نسبيًا فهم القطارات المرتفعة في شبكة SNN ، كما أن طرق الترميز الفعالة لهذه القطارات المرتفعة ليست سهلة. تعمل هذه الأحداث الديناميكية التي تحركها طفرات في SNN على تعزيز القدرة على معالجة البيانات الحسية المكانية والزمانية أو الواقعية ، مع التكيف السريع والحفظ الأسي. يتيح الجمع بين البيانات المكانية والزمانية لشبكة SNN معالجة الإشارات بشكل طبيعي وفعال.

تعد نماذج الخلايا العصبية وقواعد التعلم وترميز التحفيز الخارجي مجالات بحث رئيسية في SNN. يعد نموذج Hodgkin & # x00026 Huxley (HH) ، ونموذج Integrate-and-Fire (LIF) المتسرب ، ونموذج استجابة السنبلة (SRM) ، ونموذج Izhikevich أكثر النماذج شيوعًا للخلايا العصبية (Hodgkin and Huxley، 1952 Chua، 2013 Ahmed et al.، 2014 Pfeiffer and Pfeil، 2018 Wang and Yan، 2019 Zhao et al.، 2019 Ojiugwo et al.، 2020). نموذج HH هو نموذج رياضي مستمر يعتمد على التوصيل. على الرغم من أن هذا النموذج يعتمد على دراسة الحبار ، إلا أنه يستخدم على نطاق واسع في الكائنات الحية الأدنى أو الأعلى (حتى البشر). ومع ذلك ، نظرًا لأن المعادلات التفاضلية المعقدة غير الخطية يتم تعيينها بأربعة متغيرات ، فمن الصعب تحقيق هذا النموذج بدقة عالية. أسس تشوا نموذج memristor لعصبونات Hodgkin-Huxley وأثبت أنه يمكن تطبيق memristors على تقليد البيولوجيا العصبية المعقدة (Chua ، 2013). يدمج نموذج Izhikevich اللدونة الحيوية لنموذج HH مع البساطة والكفاءة الحسابية العالية. يتم حساب نماذج HH و Izhikevich بواسطة المعادلات التفاضلية ، بينما يتم حساب نماذج LIF و SRM بطريقة متكاملة. SRM هو نسخة موسعة من LIF ، ويمكن اعتبار نموذج Izhikevich كنسخة مبسطة من نموذج Hodgkin-Huxley. هذه النماذج الرياضية هي نتائج درجات مختلفة من التخصيص والمفاضلات وتحسين الشبكة العصبية البيولوجية. يوضح الجدول 5 مقارنة بين العديد من شبكات SNN المستندة إلى memristor. يمكن ملاحظة أن دراسات SNN هذه تستند إلى قواعد تعلم STDP وخلايا LIF العصبية. لا يزال معظمهم في تطبيقات التعرف على الأنماط البسيطة ، وبعضها فقط يحتوي على تطبيقات للأجهزة.

الجدول 5. مقارنة بين العديد من شبكات SNN المستندة إلى memristor.

السمات البارزة لـ SNNs هي كما يلي. أولاً ، نماذج الخلايا العصبية البيولوجية (على سبيل المثال ، HH ، LIF) أقرب إلى الخلايا العصبية البيولوجية من الخلايا العصبية لـ ANN. ثانيًا ، المعلومات المرسلة عبارة عن طفرات زمنية متقطعة مشفرة بالوقت أو التردد ، والتي يمكن أن تحتوي على معلومات أكثر من الشبكات التقليدية. ثالثًا ، يمكن لكل خلية عصبية العمل بمفردها والدخول في وضع الاستعداد منخفض الطاقة عند عدم وجود إشارة إدخال. نظرًا لأنه ثبت أن SNNs أقوى من الشبكات العصبية الاصطناعية نظريًا ، فمن الطبيعي استخدام شبكات SNN على نطاق واسع. نظرًا لأنه لا يمكن التمييز بين تدريب السنبلة ، لا يمكن استخدام طريقة الانحدار لتدريب شبكات SNN دون فقدان المعلومات الزمنية الدقيقة. مشكلة أخرى هي أن الأمر يتطلب الكثير من الحسابات لمحاكاة SNNs على الأجهزة العادية ، لأنها تتطلب معادلات تفاضلية تمثيلية (Ojiugwo et al. ، 2020). نظرًا لتعقيد شبكات SNN ، لم يتم اكتشاف قواعد التعلم الفعالة التي تفي بخصائص الشبكات العصبية البيولوجية. هذه القاعدة مطلوبة ليس فقط لنمذجة التوصيلية المشبكية ولكن أيضًا لنموها وتخفيفها. التحدي الآخر هو الطبيعة المتقطعة لتسلسل السنبلة ، مما يجعل العديد من قواعد تعلم الشبكات العصبية الاصطناعية الكلاسيكية غير مناسبة لشبكات SNN ، أو يمكن تقريبها فقط ، لأن مشكلة التقارب خطيرة للغاية. وفي الوقت نفسه ، تقتصر العديد من دراسات SNNs على التحليل النظري ومحاكاة المهام البسيطة بدلاً من المهام المعقدة والذكية (على سبيل المثال ، تحليل الانحدار المتعدد ، والاستدلال الاستنتاجي والاستقرائي ، وتنفيذ الرقائق الخاصة بهم) (Wang and Yan ، 2019). على الرغم من أن مستقبل SNNs لا يزال غير واضح ، يعتقد العديد من الباحثين أن SNNs ستحل محل الشبكات العصبية الاصطناعية العميقة. والسبب هو أن الذكاء الاصطناعي هو في الأساس عملية محاكاة بيولوجية للدماغ ، ويمكن لشبكات SNN أن توفر آلية مثالية للتعلم غير الخاضع للإشراف.

كما هو مبين في الشكل 7 ، يتم تنفيذ شبكة عصبية مع الخلايا العصبية CMOS ودوائر التحكم CMOS ومشابك memristor (Sun ، 2015). وحدة التجميع ، وحدة الاندماج المتسربة ووحدة النار تعادل دور التشعبات والتلال المحورية ، على التوالي. يتم جمع إشارات الخلايا العصبية المدخلة مؤقتًا ومكانيًا من خلال دائرة تضخيم تجميع الصرف المشترك. يعطي مشابك memristor وزن إشارة الفعل المحتملة وإشارة الخرج الخاصة بها ، أي ، يتم إرسال إشارة محتملة بعد التشابك إلى الخلايا العصبية اللاحقة. باستخدام إشارة الفعل المحتملة وإشارات التغذية المرتدة من الخلايا العصبية اللاحقة ، توفر دائرة التحكم ومرحلة التحديث المشبكي إشارات التقوية أو الاكتئاب إلى نقاط الاشتباك العصبي memristor. وفقًا لقواعد التعلم STDP ، تتكون دائرة ضبط الوزن على مستوى الترانزستور من جهاز memristor وبوابات نقل CMOS. يتم التحكم في بوابات النقل عن طريق إشارات التقوية أو الاكتئاب. النظام مشابه جدًا للسمات الرئيسية للخلايا العصبية البيولوجية ، وهو مفيد في تنفيذ أجهزة SNN ذات الشكل العصبي. يظهر وصف أكثر اكتمالاً لدارات SNN وتطبيقات النظام في الشكل 8 (Wu and Saxena، 2018). يتكون النظام من الخلايا العصبية CMOS التي تحركها الأحداث ، وخوارزمية ترميز عصبي تنافسية [أي ، يأخذ الفائز كل قاعدة التعلم (WTA)] ، وصفيف مشابك memristor متعدد البت. تم اعتماد قاعدة تعلم STDP عشوائية غير خطية مع وظيفة تعلم نافذة على شكل أسي لتحديث أوزان memristor synapse فى الموقع. يمكن ضبط السعة والتأخير الزمني الإضافي لشكل موجة ارتفاع نصف مستطيل الشكل نصف مستطيل الشكل للمعالجة المستوحاة من شجيري. يوضح هذا العمل جدوى وتميز أجهزة memristor الناشئة في التطبيقات العصبية ، مع انخفاض استهلاك الطاقة ومساحة مدمجة على الرقاقة.

الشكل 7. دائرة تحديث وزن الخلايا العصبية CMOS ومشبك memristor (الشمس ، 2015).


شاهد الفيديو: 70- مقاومة نهاية الخط End of Line Resistor (أغسطس 2022).