كاربردهاي ممريستور و تاثير آن در آينده (2)

در قسمت اول يك نمونه مدار در زمينه تشخيص الگو را به شما معرفي كرديم. روش کار در این مدار به‌اين ترتيب است که الگوی خود را در کل آرایه ایجاد مي‌کنیم. سپس، داده‌‌های ورودی را به آن اعمال کرده و جریان خروجی را اندازه مي‌گیریم. سپس، میزان جریان خروجی نشانی از Hamming Distance در تئوری اطلاعات خواهد بود که جریان خروجی بیشتر، معرف Hamming Distance کمتر خواهد بود. فرآیند نوشتن الگوی مورد نظر در مدار بالا در شکل‌هاي 5 تا 8 نشان داده شده‌است. در هر حالت، با استفاده از ترانزیستور انتهایی، هر سطر را انتخاب کرده و با ولتاژ ورودی Vin داده‌‌ها را در آرایه چپی و نقیض آن‌ها را در آرایه راستی مي‌نویسیم (توجه کنید که دایره توپر به معنای مقاومت کم یا اتصال کوتاه و صلیب خالی به معنای مقاومت بالا یا مدار باز است).

شكل 5
 

شكل 6
 

شكل 7
 

شكل 8
 

در حالت مقایسه، که در شکل 9 نشان داده شده است، مقدار 0111 به مدار اعمال شده و جریان خروجی از ترانزیستور‌ها به مدار تشخیص مي‌رود. در آنجا میزان شباهت الگوی ورودی و الگوی ذخیره‌شده، اندازه‌گیری شده و اعلام مي‌شود. این مدار، با ارائه نتیجه نسبی، مناسب کاربرد‌هایی نظیر تشخیص صدا و تشخیص تصاویر است که در آن‌ها، شباهت حدودی (و نه عینی) برای تشخیص کافی است. در صنعت روباتیک، با اتصال خروجی هر سطر از مدار بالا به یک محرک یا موتور الکتریکی، مي‌توان جزئی ازیک روبات را پس از تشخیص الگو به تحرک واداشت. همچنین، با ذخیره الگو‌ها بر حسب زمان در آرایه‌‌های بزرگ‌تر، همچون دنباله‌ای از کلمات، مي‌توان به پیشرفت چشم‌گیری در هوش مصنوعی دست یافت.

شكل 9
 

هوش مصنوعی
 

در مقاله‌هاي بسیاری به شباهت عملیاتی ممریستور به سیناپس اشاره شده است. این قابلیت، شاید روزی به پیاده‌سازی سخت افزاری شبکه‌‌های عصبی با استفاده از ممریستور منجر شود. هم اکنون، مدلی از این شبکه‌‌های عصبی با استفاده از آرایه ترکیب صلیبی ممریستور‌ها توسط گِرگ‌اسنايدرمطرح شده و مورد مطالعه قرار دارد. با این‌که شبکه عصبی مفهوم جدیدی نیست، اما حجم بزرگ داده‌های مورد نیاز برای ذخیره‌سازی و پردازش و انتقال دائمي‌آن‌ها بین حافظه و پردازنده از مهم‌ترین مشکلات پیش روی مدل‌‌های نرم‌افزاری آن است. به همین دلیل، یک شبکه عصبی فیزیکی، مي‌تواند بر این مشکل فائق آمده و با یکپارچه‌سازی واحد‌های ذخیره‌سازی و محاسبات در یک واحد، سرعت و بازده هوش مصنوعی را به شدت بهبود بخشد. در این صورت راه برای رسیدن به قدرت ذهن انسان و شبیه‌سازی مغز هموار خواهد شد.
یکی دیگر از کاربرد‌های ممریستور‌ها، استفاده در Morph ware ‌ها و افزایش بازده آن‌ها است. مورف‌ور‌ها، چیزی بین سخت افزار (مدارات غیر قابل تغییر) و نرم افزار (برنامه‌‌های منعطف) هستند و امکان تغییر پیکربندی سخت‌افزاری را با استفاده از نرم‌افزار فراهم مي‌آورند. سیستم‌‌های FPGA نمونه‌ای از این فناوري هستند که آرایه‌‌های ممریستور مي‌توانند بازده و انعطاف آن‌ها را به میزان قابل توجهی بهبود بخشند. شکل 10 نمونه‌ای از یک Morph ware را با استفاده از ممریستور نشان مي‌دهد.

شكل 10
 

آينده
 

ممریستور اختراع بزرگی است که تأثیری شگرف بر زندگی انسان خواهد گذاشت. به‌علاوه، معتقدم پیشرفتی که ممریستور در دنیای الکترونیک ایجاد خواهد کرد، شگرف‌تر از آن چیزی خواهد بود که روزی ترانزیستور انجام داده است. هم اکنون در زمانی به سر مي‌بریم که در‌های جدیدی برای توسعه علم باز شده‌اند و راه رسیدن به آینده از این در عبور مي‌کند. روزی خواهد آمد که درباره ممریستور، همانند ترانزیستور، در دل به سازندگان آن خواهیم گفت: «ساخت ممریستور که کاری ندارد.» و همواره در آزمون‌‌ها و تمرین‌‌های کلاسی مهندسی برق یا کامپیوتر، مدارات ممریستوری حل کرده و به استاد تحویل دهیم.
منبع:http://www.shabakeh-mag.com
ارسال توسط کاربر محترم سایت : hasantaleb