ٹائم ڈومین اینالاگ سپائکنگ نیورل نیٹ ورکس کے لیے CMOS پر مبنی ایریا اور پاور ایفیشینٹ نیوران اور Synapse سرکٹس

خلاصہ

روایتی اعصابی ڈھانچے ینالاگ مقداروں، جیسے کرنٹ یا وولٹیجز کے ذریعے بات چیت کرتے ہیں۔ تاہم، جیسے جیسے سی ایم او ایس ڈیوائسز سکڑتی ہیں اور سپلائی وولٹیج کم ہوتی جاتی ہیں، وولٹیج/کرنٹ ڈومین اینالاگ سرکٹس کی متحرک رینج کم ہوتی جاتی ہے، دستیاب مارجن چھوٹا ہوتا جاتا ہے، اور شور کی قوت مدافعت کم ہوتی جاتی ہے۔ اس سے بڑھ کر، روایتی ڈیزائن میں آپریشنل ایمپلیفائر (op-amps) اور مسلسل وقت یا کلاک کمپریٹرز کا استعمال زیادہ توانائی کی کھپت اور بڑے چپ ایریا کا باعث بنتا ہے، جو اسپائکنگ نیورل نیٹ ورکس کی تعمیر کے لیے نقصان دہ ہوگا۔ اس کو دیکھتے ہوئے، ہم ٹائم ڈومین سگنلز بنانے اور منتقل کرنے کے لیے ایک عصبی ڈھانچہ تجویز کرتے ہیں، بشمول ایک نیورون ماڈیول، ایک Synapse ماڈیول، اور دو وزنی ماڈیول۔ مجوزہ اعصابی ڈھانچہ ایم او ایس ٹرانجسٹرز کے رساو کرنٹ سے چلتا ہے اور فائرنگ فنکشن کو محسوس کرنے کے لیے انورٹر پر مبنی کمپیریٹر کا استعمال کرتا ہے، اس طرح روایتی ڈیزائن کے مقابلے میں زیادہ توانائی اور ایریا کی کارکردگی فراہم کرتا ہے۔ مجوزہ اعصابی ڈھانچہ TSMC 65 nm CMOS ٹیکنالوجی کا استعمال کرتے ہوئے من گھڑت ہے۔ مجوزہ نیوران اور Synapse بالترتیب 127 اور 231 lm2 کے رقبے پر قابض ہیں، جبکہ ملی سیکنڈ ٹائم مستقل کو حاصل کرتے ہوئے۔ اصل چپ کی پیمائش سے پتہ چلتا ہے کہ مجوزہ ڈھانچہ ملی سیکنڈ ٹائم کنسٹنٹ کے ساتھ عارضی سگنل کمیونیکیشن فنکشن کو لاگو کرتا ہے، جو کہ انسانی کمپیوٹر کے تعامل کے لیے ہارڈویئر ریزروائر کمپیوٹنگ کی جانب ایک اہم قدم ہے۔ مجوزہ عصبی ڈھانچے کے طرز عمل کے ماڈل کے ساتھ ریزروائر کمپیوٹنگ کے لیے اسپائکنگ نیورل نیٹ ورک کے نقلی نتائج سیکھنے کے فنکشن کو ظاہر کرتے ہیں۔

مردوں کے لئے cistanche فوائد - مدافعتی نظام کو مضبوط

Cistanche Enhance Immunity مصنوعات دیکھنے کے لیے یہاں کلک کریں۔

【مزید پوچھیں】 ای میل:cindy.xue@wecistanche.com / واٹس ایپ: 0086 18599088692 / وی چیٹ: 18599088692

ڈیپ نیورل نیٹ ورکس (DNNs)، جو مصنوعی نیورل نیٹ ورکس (ANNs) کی دوسری نسل ہیں، حالیہ برسوں میں ایپلی کیشنز کی بڑھتی ہوئی تعداد کے لیے بڑے پیمانے پر تلاش کیے گئے ہیں۔ تاہم، روایتی وون نیومن فن تعمیر میں یادداشت تک رسائی کے لیے ان کی توانائی کی بہت زیادہ کھپت نے لوگوں کو زیادہ طاقت کے موثر حل کے حصول کے لیے متبادل راستہ تلاش کرنے پر مجبور کر دیا ہے۔ ANNs کی نسل جو حیاتیاتی نیوران کی نقل کرکے کم طاقت کے ساتھ سیکھنے کے فنکشن کو محسوس کرسکتی ہے۔ SNNs نیوران اور Synapses پر مشتمل ہوتے ہیں اور عام طور پر نیچے تک اپروچ کا استعمال کرتے ہوئے بنائے جاتے ہیں، جس کا مطلب ہے کہ SNNs کے ہر جزو کو پہلے ڈیزائن کرنے کی ضرورت ہے۔ نیوران کے لیکی انٹیگریٹ فنکشن کو لاگو کریں، روایتی ڈیزائن عام طور پر آپریشنل ایمپلیفائر (op-amps) 14 کے ساتھ انٹیگریٹرز بناتے ہیں اور اکثر بڑے آن چپ کیپسیٹرز اور ریزسٹرس کا استعمال کرتے ہیں تاکہ حیاتیاتی نیوران کے ملی سیکنڈ ٹائم کنسٹنٹ کی نقل کی جاسکے۔ 16,17 مزید یہ کہ، نیوران "فائر" فنکشن، ایک مسلسل وقت یا گھڑی والے موازنے والے کا سرکٹ ڈھانچہ عام طور پر نیوران کی حوصلہ افزائی کی حد مقرر کرنے کے لیے استعمال کیا جاتا ہے۔ نیوران، جبکہ کلاکڈ کمپیریٹر کو اضافی کلاک سگنل کی تقسیم کی ضرورت ہوتی ہے اور کمپیریٹر کا پیچیدہ ڈھانچہ ایک بڑے چپ ایریا پر قابض ہوتا ہے۔ اگرچہ زیادہ جدید عمل سپلائی وولٹیج اور جامد رساو کرنٹ کو کم کر کے کم بجلی کی کھپت حاصل کر سکتے ہیں، 21 ایک تنگ ڈائنامک رینج، چھوٹا دستیاب مارجن، اور وولٹیج/کرنٹ ڈومین اینالاگ سرکٹس کی گھٹتی ہوئی آواز کی مدافعت کا باعث بنتا ہے۔22 یہ نقصان دہ ہے۔ روایتی عصبی نیٹ ورک جو ایک دوسرے کے ساتھ بات چیت کرنے کے لیے ینالاگ مقدار، جیسے وولٹیج اور کرنٹ کا استعمال کرتے ہیں۔ دوسری طرف، تیز سگنل کی منتقلی کے ساتھ بہتر آپریشن کی رفتار رکھنے والے سکیلڈ ٹرانزسٹرز کی بدولت، اینالاگ معلومات کو ٹائم ڈومین میں زیادہ مؤثر طریقے سے پیش کیا جا سکتا ہے، یعنی دو سگنل ٹرانزیشن کے وقت کے وقفے میں۔ اس نام نہاد ٹائم ڈومین سرکٹ کا اپنی طاقت کی کارکردگی میں ایک اور فائدہ ہے کیونکہ یہ اکثر انورٹرز یا لاجک گیٹس پر مشتمل ہوتا ہے جو مثالی طور پر کوئی ڈی سی پاور استعمال نہیں کرتا۔ .

مردوں کے لئے cistanche فوائد - مدافعتی نظام کو مضبوط

اس مقالے میں، ہم ٹائم ڈومین نیورل نیٹ ورک کی تشکیل کے لیے ٹائم ڈومین سگنلز پیدا کرنے اور منتقل کرنے کے لیے ایک اصل عصبی ڈھانچہ تجویز کرتے ہیں۔ مربوط ڈھانچے میں نیوران اور Synapse ماڈیولز شامل ہیں جو بالترتیب ٹائم ڈومین سگنلز تیار اور منتقل کرتے ہیں، نیز سیکھنے کے افعال کے لیے وزن کے ماڈیول۔ ہماری اہم ٹارگٹ ایپلی کیشنز میں سے ایک ریزروائر کمپیوٹنگ ہے، جو انسانی سرگرمیوں سے متعلق معلومات پر کارروائی کرتی ہے۔ ہماری ایپلیکیشن آسان اور کم ڈیٹا پر مبنی پروسیسنگ کو نشانہ بناتی ہے، جیسے بائیو سگنلز۔ ریزروائر کمپیوٹنگ میں، سیکھنے کے فنکشنز جیسے ECG اور اسپیکر کی شناخت کے ساتھ ساتھ ہینڈ رائٹنگ کی شناخت کو صرف چند سو نیورونز کا استعمال کرتے ہوئے لاگو کیا جا سکتا ہے۔ حوالہ 24 سے پتہ چلتا ہے کہ سیکھنے کی کارکردگی اس وقت بہتر ہوتی ہے جب ان پٹ اثرات کے ٹائم کنسٹینٹس کو ہدف کے فنکشن اور ریزروائر ڈائنامکس کے درمیان ملایا جاتا ہے، اور ہم ملی سیکنڈ ٹائم کنسٹنٹ کو ایک عصبی ڈھانچے کے ڈیزائن ہدف کے طور پر استعمال کرتے ہیں جو کہ ٹائم سیریز کی معلومات کو پروسیس کرنے کے لیے استعمال کیا جائے گا۔ انسانی سرگرمیاں. ہم ریزروائر کمپیوٹنگ کے لیے SNN کی تعمیر اور سیکھنے کے فنکشن کو لاگو کرنے کے لیے مجوزہ عصبی ڈھانچے کے طرز عمل کا ماڈل استعمال کرتے ہیں، جس سے ثابت ہوتا ہے کہ ہماری مجوزہ عصبی ساخت کو ریزروائر کمپیوٹنگ کے لیے استعمال کیا جا سکتا ہے۔ ڈیزائن کردہ اور من گھڑت عصبی ڈھانچہ تصویر 1(a) میں دکھایا گیا ہے، جو مجوزہ نیوران، Synapse، اور وزن کے ماڈیولز پر مبنی ہے، جس کی تفصیل ذیل میں بیان کی جائے گی۔ اس ڈھانچے میں، نیوران ماڈیول کا ان پٹ دو وزنی ماڈیولز سے جڑا ہوا ہے، ایک روکنے والے سگنل کو ٹیون کرنے کے لیے اور دوسرا حوصلہ افزا سگنل کے لیے۔ ہم نے تصویر 1(a) میں دکھائے گئے مجوزہ اعصابی ڈھانچے کو TSMC 65 nm معیاری CMOS ٹیکنالوجی کے ساتھ من گھڑت بنایا۔ چِپ کا مائیکرو گراف تصویر 1(b) میں دکھایا گیا ہے، جہاں نیوران، Synapse، اور وزن کے ماڈیولز کا ڈائی ایریا بالترتیب 127، 231، اور 525 lm2 ہے۔

ght ماڈیول بالترتیب 127، 231، اور 525 lm2 ہیں۔ LIF نیورون ماڈل بنیادی طور پر ایک جھلی کیپیسیٹر، ایک لیکی ریزسٹر، اور وولٹیج کا موازنہ کرنے والے پر مشتمل ہوتا ہے۔ نیوران دوسرے نیورانز سے Synapses کے ذریعے سگنل وصول کرتے ہیں اور سوما ان بیرونی سگنلز کے جواب میں ایکشن پوٹینشل پیدا کرتا ہے۔ اگر ایک نیوران Synapse کے ذریعے کافی تعداد میں اسپائکس حاصل کرتا ہے، تو اس کی جھلی کی صلاحیت ایک حد تک پہنچ جائے گی، جس کی وجہ سے نیوران "فائر" ہو جائے گا۔ موازنہ کرنے والوں کا متبادل۔ حوالہ 27 نے انورٹر پر مبنی نیورون تجویز کیا ہے، جو مجوزہ عصبی ڈھانچے میں استعمال کے لیے موزوں ہے، اور اسی لیے، اس مطالعے میں استعمال ہونے والے نیوران کو Ref کی بنیاد پر ڈیزائن کیا گیا تھا۔ 27، جو تصویر 2(a) میں دکھایا گیا ہے۔ یہ ایک ان پٹ ڈیوائس، ایک لیکی انٹیگریٹر ڈیوائس، فائر ڈیوائس، اور تاخیری ڈیوائس پر مشتمل ہے۔ اصل میں، Ref. 27، سرکٹ کو اعصابی نیٹ ورک بنانے کے لیے ایک عنصر کے طور پر ڈیزائن نہیں کیا گیا ہے اور اس طرح اس میں حوصلہ افزائی اور روکنے والے سگنلز حاصل کرنے کے لیے کوئی ڈھانچہ نہیں ہے۔ مجوزہ سرکٹ میں، دوسری طرف، ان پٹ ڈیوائس جو M1 اور M2 پر مشتمل ہوتا ہے، بالترتیب ایک حوصلہ افزا ان پٹ اور ایک روکنے والا ان پٹ حاصل کرتا ہے۔ M1 اور M2 کے ان پٹ تنگ نبض کے سگنل ہیں جیسا کہ تصویر 2(a) میں دکھایا گیا ہے، جو پہلے سے مرحلے کے Synapse سے پیدا ہوتے ہیں۔ پری سٹیج Synapse کی سرگرمی نبض کی فریکوئنسی سے ظاہر ہوتی ہے، اور جوڑے کا وزن نبض کی چوڑائی سے ظاہر ہوتا ہے۔ جب ایک نیٹ ورک کمپوز کرنے کے لیے ایک سے زیادہ پری اسٹیج Synapse منسلک ہوتے ہیں، تو ایک سے زیادہ دالیں OR منطق کے ذریعے یا متوازی طور پر جڑے ہوئے ان پٹ ڈیوائسز کو شامل کرکے لاگو کی جاسکتی ہیں۔ متوازی ان پٹ آلات کے ساتھ، نیوران سرکٹ ایک ہی وقت میں متعدد دالیں بھی قبول کر سکتا ہے۔

cistanche tubulosa - مدافعتی نظام کو بہتر بنانا

لیکی انٹیگریٹر ڈیوائس میں، Cmem نیوران کی سیل جھلی کی نمائندگی کرتا ہے، اور M5 کو آرام کی حالت میں ایک لیکی ریزسٹر کے طور پر شمار کیا جا سکتا ہے۔ جب ان پٹ ڈیوائس میں کوئی بیرونی ان پٹ نہیں ہوتا ہے، تو M3 اور M4 کے لیکیج کرنٹ سے کپیسیٹر چارج کیا جاتا ہے، اور جھلی کا پوٹینشل Vmem لیکیج کرنٹ کے بہاؤ کے ساتھ مسلسل بڑھتا ہے [کرنٹ انٹیگریٹ ہوتا ہے جیسا کہ تصویر 2 میں دکھایا گیا ہے۔ bi)]۔ اس مقام پر، چونکہ M5 آف حالت میں ہے، اس لیے اسے کپیسیٹر کے متوازی طور پر ایک ریزسٹر کے طور پر سمجھا جا سکتا ہے، یعنی لیکی ریزسٹر، جو طویل مدتی مستقل کو حاصل کرنے کے قابل ہے۔ ایک بار جب Vmem دہلیز وولٹیج VthðFireÞ پر آجاتا ہے، تو فائر کرنے والا آلہ چالو ہوجاتا ہے [تصویر 4۔ 2(b-ii)]۔ روایتی ڈیزائنوں میں، LIF نیوران زیادہ تر مسلسل وقت کے سرکٹ ڈھانچے کا استعمال کرتے ہیں یا تھریشولڈ وولٹیج کو سیٹ کرنے کے لیے کلاک کمپیریٹر۔ یہ SNNs بنانے کے لیے دوستانہ نہیں ہے جو دماغ کی طرح توانائی سے موثر اور بائیو پیمانہ ہیں۔ اس مطالعہ میں، فائرنگ ڈیوائس کو ایک انورٹر پر مبنی کمپیریٹر کے ذریعے لاگو کیا جاتا ہے جو مسلسل وقت یا گھڑی والے موازنہ کرنے والے کے بجائے دو ٹرانزسٹروں کے ذریعے تھریشولڈ وولٹیج سیٹ کر سکتا ہے۔ انورٹر پر مبنی کمپیریٹر کے لیے ایک درست حد وولٹیج کا ادراک کرنے کے لیے، ہم ایک آٹو زیرونگ تکنیک استعمال کر سکتے ہیں جو وقتاً فوقتاً سوئچز اور کیپسیٹرز کے ساتھ آفسیٹ کو محسوس، ذخیرہ اور منسوخ کرتی ہے۔ اس طرح، یہ رقبہ اور طاقت سے موثر ذخائر کے نفاذ کے لیے موزوں نہیں ہے۔ اگرچہ ایک سادہ انورٹر پر مبنی موازنہ کرنے والے کے ساتھ، عمل، وولٹیج، اور درجہ حرارت کے اتار چڑھاو کی وجہ سے حد میں فرق ہو سکتا ہے، لیکن اسے اصلی نیوران کے افراد کے درمیان فرق کی نقل کرتے ہوئے دیکھا جا سکتا ہے۔ اس کے علاوہ، سیکھنے کا فنکشن حد کے فرق اور عمل کی مختلف حالتوں کی تلافی کر سکتا ہے۔ 29 جب ایک حوصلہ افزا پلس ان پٹ ہوتا ہے، M1 کو فوری طور پر آن کر دیا جاتا ہے، جس کی وجہ سے Cmem اور Vmem کو تیزی سے چارج کرنے کے لیے زیادہ کرنٹ ہوتا ہے۔ اس کے برعکس، ایک روکنے والا پلس ان پٹ سگنل M2 کو لمحہ بہ لمحہ آن کرنے کا سبب بنے گا، جس کی وجہ سے Cmem سست چارج ہو گا یا M2 کے ذریعے خارج ہو جائے گا، جس کے نتیجے میں Vmem کے بڑھنے کی شرح کم ہو جائے گی یا گر جائے گی۔

جب فائرنگ کا آلہ چالو ہوتا ہے، تو یہ M4 سے منسلک ہونے کے لیے VFire کی کم سطح پیدا کرتا ہے، جو جھلی کیپسیٹر Cmem کو چارج کرنے کے لیے کرنٹ کو بڑھاتا ہے، جس کے نتیجے میں جھلی کے ممکنہ Vmem میں فوری اضافہ ہوتا ہے، جو فائرنگ کے محرک کو فروغ دیتا ہے۔ آلہ یہ سیل کی جھلی میں Naþ کی آمد کی نقل کرتا ہے جس سے جھلی کے وولٹیج میں تیزی سے اضافہ ہوتا ہے، یعنی ایک مثبت تاثرات کا اثر۔ آخر میں، فائرنگ کے آلے سے پیدا ہونے والے VFire کی نچلی سطح کو VSpike کے اعلی درجے میں تبدیل کر دیا جاتا ہے۔ 2(b-iii)] تاخیر والے آلے کے ذریعے جس میں تین مراحل کا انورٹر شامل ہوتا ہے اور VSpike کو M3 اور M5 سے جوڑتا ہے، Vmem کو صفر پر دوبارہ ترتیب دیتا ہے۔ یہ عمل حیاتیاتی نیورونز میں Kþ چینلز کے فعال ہونے کی نقل کرتا ہے، جس کے نتیجے میں Kþ آئنوں کا ظاہری بہاؤ ہوتا ہے اور خلیے کی جھلی کی اس کی آرام کی حالت میں واپسی ہوتی ہے۔

Synapses SNNs میں ضروری ماڈیولز ہیں، کیونکہ نیوران ان کے ذریعے آپس میں جڑے ہوئے ہیں۔ ہم نے ٹائم ڈومین سگنلز بنانے کے لیے ایک نیوران ماڈیول ڈیزائن کیا ہے، اور پھر ہمیں اس ٹائم ڈومین سگنل کو دوسرے نیوران تک منتقل کرنے کے لیے ایک ٹرانسمیشن میڈیم، یعنی ایک Synapse کی ضرورت ہے۔ ایک مکمل نیورل نیٹ ورک بنانے کے لیے، ہم فریکوئنسی سگنلز کی بنیاد پر ایک Synapse ماڈیول ڈیزائن کرتے ہیں، جیسا کہ تصویر 2(c) میں دکھایا گیا ہے۔ Synapse بنیادی طور پر ایک وولٹیج کے زیر کنٹرول رِنگ آسکیلیٹر پر مشتمل ہوتا ہے جو لیکیج کرنٹ کے تحت کام کرتا ہے، جو کہ تین مراحل کے انورٹر (M6؛ M7؛ M8؛ M9؛ M10، اور M11) پر مشتمل ہوتا ہے۔ پچھلا نیورون سرکٹ فائر کرتا ہے اور ایک اسپائک VSpike پیدا کرتا ہے، جو ایک انورٹر کے ذریعے الٹا ہوتا ہے، جس سے M5 کو تھوڑی دیر کے لیے کھلا رہتا ہے، اور M5 سے گزرنے والا کرنٹ CSYN کو چارج کرتا ہے، جس سے VSYN میں اضافہ ہوگا۔ ایک بار جب VSYN وولٹیج تک پہنچ جاتا ہے جو دولن کو متحرک کرتا ہے، تو انگوٹھی آسکیلیٹر دوہرنا شروع کر دیتا ہے۔ 2(b-iv) اور 2(bv)]۔ اگر پہلے والا نیوران طویل عرصے تک فائر نہیں کرتا ہے تو، VSYN ابتدائی حالت تک لیک ہو جائے گا، جس وقت Synapse دوبارہ غیر فعال ہو جاتا ہے۔ چونکہ VSYN رنگ آسکیلیٹر کے سپلائی وولٹیج کے برابر ہے، اس لیے M5 سے نکلنے والا کرنٹ VSYN کو کنٹرول کرتا ہے اور اس طرح، رنگ آسکیلیٹر کی فریکوئنسی کو کنٹرول کرتا ہے۔

مردوں کے لئے cistanche فوائد - مدافعتی نظام کو مضبوط

SNNs وزن کو ایڈجسٹ کرکے سیکھنے کا فنکشن حاصل کرتے ہیں۔ لہذا، ہم ایک وزنی ماڈیول تجویز کرتے ہیں جو اوپر بیان کردہ مجوزہ ٹائم ڈومین نیوران اور Synapse ماڈیولز کے ساتھ مطابقت رکھتا ہے، جیسا کہ تصویر 2(d) میں دکھایا گیا ہے۔ مجوزہ وزن کا ماڈیول ٹائم ڈومین کی معلومات کو ٹیون کرتا ہے، جو آؤٹ پٹ دالوں کی چوڑائی ہے۔ یہ ماڈیول ایک تاخیری لکیر، ایک ملٹی پلیکسر، اور ایک اور گیٹ پر مشتمل ہے۔ VRing Synapse سے مربع لہر کا سگنل ہے جو تاخیر کی لکیر سے گزرے گا۔ VWeight وہ ڈیجیٹل کوڈ ہے جو وزن کی نمائندگی کرتا ہے، جس کا تعین سیکھنے کے بعد ہوتا ہے اور اسے ملٹی پلیکسر کو کنٹرول کرنے کے لیے استعمال کیا جاتا ہے۔ آؤٹ پٹ پلس کی چوڑائی جو ٹائم ڈومین وزن سے مطابقت رکھتی ہے اس کے مطابق ملٹی پلیکسر کے ذریعہ انورٹر چین میں نل کا انتخاب کیا جاتا ہے۔ جیسا کہ پہلے ذکر کیا گیا ہے، اگر حوصلہ افزا یا روکنے والی نبض کی چوڑائی وسیع ہے، تو بعد میں آنے والے نیوران میں وولٹیج Vmem بالترتیب تیزی سے چارج یا خارج ہوتا ہے۔ یہ ایک بڑے وزن کے مساوی ہے۔ اس مطالعہ میں، ہم نے 16 ان پٹ کے ساتھ ملٹی پلیکسر کا انتخاب کیا، یعنی چار بٹ وزن (0000 سے 1111)۔ ویٹ ماڈیول کا آؤٹ پٹ بعد میں آنے والے نیوران سرکٹس کے ان پٹ ڈیوائس سے منسلک ہوتا ہے۔ نبض کی فریکوئنسی (نبض کا فاصلہ) اور نبض کی چوڑائی بیک وقت نیوران پر عمل کرتی ہے تاکہ اس کی سرگرمی کو تبدیل کیا جاسکے۔ نبض کی فریکوئنسی کا تعین پچھلے Synapse کی آؤٹ پٹ فریکوئنسی سے ہوتا ہے، جب کہ جوڑے کی طاقت کا انحصار نبض کی پیداوار کی چوڑائی پر ہوتا ہے جو وزن کے ماڈیول کے ذریعے طے ہوتا ہے۔

انجیر. 1. (a) مجوزہ ڈھانچہ اور (b) چپ کا مائکرو گراف۔

انجیر. 2. (a) مجوزہ نیوران ماڈیول کا سرکٹ ڈایاگرام، (b) مجوزہ LIF نیوران اور Synapse ماڈیولز کے طرز عمل، (c) مجوزہ Synapse ماڈیول کا سرکٹ ڈایاگرام، اور (d) مجوزہ وزن کے ماڈیول کا سرکٹ ڈایاگرام۔

شکل 3(a) تجرباتی سیٹ اپ کو ظاہر کرتا ہے جو من گھڑت عصبی ڈھانچے کی چپ کو جانچنے کے لیے استعمال کیا جاتا ہے [تصویر 4۔ 1(b)]، جہاں چپ کو پروب سٹیشن Summit 11000 پر رکھا گیا تھا اور اس کے ساتھ براہ راست رابطے میں تحقیقات کے ساتھ ٹیسٹ کیا گیا تھا۔ تجربات میں، ہم فرض کرتے ہیں کہ وزن کے دو ماڈیولز کے ان پٹ پری سٹیج کے Synapses ہیں، جو صوابدیدی فنکشن جنریٹرز کے ذریعے نقل کیے گئے ہیں۔ نیوران کا آؤٹ پٹ Synapse ماڈیول سے منسلک ہوتا ہے، جس کا آؤٹ پٹ نیوران کے آؤٹ پٹ میں تبدیلی کے جواب میں مختلف ہوتا ہے۔ ہم نے اپنے من گھڑت عصبی سرکٹس کے لیے مربع لہر کے سگنل فراہم کرنے کے لیے ایک Tektronix AFG31252 صوابدیدی فنکشن جنریٹر کو پری سٹیج Synapse کے طور پر استعمال کیا۔ ایک ہی وقت میں، ہم نے آسیلوسکوپس (Keysight MSOX6004A اور DSOX93304Q) کا استعمال کرتے ہوئے آؤٹ پٹ ویوفارمز کا مشاہدہ کیا۔ تجرباتی نتائج انجیر میں دکھائے گئے ہیں۔ 3(b)–3(d)۔ نیوران کی فائرنگ کی شرح پر وزن کے اثر کی تصدیق کرنے کے لیے، ہم نے پری اسٹیج سائناپس آؤٹ پٹ (فنکشن جنریٹر) کی فریکوئنسی 100 ہرٹز پر طے کی اور ویٹ ماڈیول کو ایڈجسٹ کرکے چار چپس کے لیے نیوران کی فائرنگ کی شرح میں تبدیلی کا مشاہدہ کیا۔ ہم نے ہر وزن کی ترتیب کے تحت متعلقہ نیورونل فائرنگ فریکوئنسی حاصل کرنے کے لیے 100 ms کی ٹائم رینج میں 1024 بار اسپائک فریکوئنسی کا اوسط لگایا، جیسا کہ تصویر 3(b) میں دکھایا گیا ہے۔ مجوزہ نیوران بنیادی طور پر اس شرح کے ساتھ فائر کر رہا ہے جس کا تعین Cmem سے توازن میں اور باہر رساو کے کرنٹ کے ذریعے ہوتا ہے، اور پچھلے مرحلے سے ان پٹ اسے ماڈیول کرتا ہے۔ ہم دیکھ سکتے ہیں کہ جب وزن بڑا ہو جاتا ہے، تو نیوران ماڈیول فائر کرنے کی فریکوئنسی بڑی ہو جاتی ہے۔ بنیادی طور پر FETs کے عمل میں تغیر کی وجہ سے، فائرنگ کی فریکوئنسی چار چپس پر تقریباً 610%–17% سے اتار چڑھاؤ آتی ہے۔ خاص طور پر ذخائر میں استعمال کے لیے، تاہم، اس کے متواتر رابطوں میں بے ترتیب وزن کی وجہ سے، آؤٹ پٹ وزن میں سیکھنے کے عمل کے دوران ان بے ترتیب تغیرات کی تلافی کی جانی چاہیے۔

شکل 3(c) پری سٹیج Synapse کے سگنل کے لحاظ سے نیوران فائر ٹائم کے تغیر کا موازنہ کرتا ہے۔ تصویر 3(c) کے انسیٹ (i)–(iii) بالترتیب 100 ہرٹز انحیبیٹری ان پٹ (وزن 1100 پر سیٹ ہے)، کوئی ان پٹ نہیں، اور 100 ہرٹز پرجوش ان پٹ (وزن 1100 پر سیٹ ہے) کے ساتھ کیسز دکھاتے ہیں۔ ، جس سے ہم دیکھ سکتے ہیں کہ روکنے والا ان پٹ نیوران کی فائر فریکوئنسی کو کم کرتا ہے اور آگ کے وقفے کو بڑھاتا ہے، جب کہ حوصلہ افزا ان پٹ روکنے والے ان پٹ کے برعکس کام کرتا ہے۔ تجرباتی نتائج سے پتہ چلتا ہے کہ مجوزہ نیوران کا فائرنگ وقفہ ملی سیکنڈز کی ترتیب پر ہے، جو کہ ملی سیکنڈ ٹائم مستقل رکھنے والے حیاتیاتی نیوران کی خصوصیت کے مطابق ہے۔ جب پری سٹیج Synapse سے کوئی سگنل نہیں دیا جاتا ہے، تو بجلی کی کھپت تقریباً 800 pW ہوتی ہے، جو 100 ms سائیکل میں تقریباً 20 اسپائکس پیدا کرتی ہے۔ اس سے یہ اندازہ لگایا جا سکتا ہے کہ ہر سپائیک تقریباً 4 pJ توانائی استعمال کرتا ہے۔ اس کے بعد، تصویر 3(c) کے insets (i)–(iii) کو VRing کو متاثر کرنے کے لیے Synapse میں ان پٹ سگنل کے طور پر استعمال کیا گیا۔ ان تینوں صورتوں میں ماپا VRing ویوفارمز کو تصویر 3(d) میں دکھایا گیا ہے۔ 5 سیکنڈ کی مدت میں ماپا جانے والے ہر کیس کی تعدد کی اوسطیں بالترتیب 41، 90 اور 98 ہرٹز ہیں۔ اس Synapse آؤٹ پٹ فریکوئنسی رینج کی فزیبلٹی کو مندرجہ ذیل بحث میں سسٹم لیول سمولیشن کے ساتھ توثیق کیا جائے گا۔

انجیر. 3. (a) تجرباتی سیٹ اپ کی ایک تصویر، (b) چار چپس کے لیے نیوران کی پیمائش شدہ فائرنگ کی شرح، (c) نیوران آؤٹ پٹ کی پیمائش شدہ ویوفارمز، اور (d) Synapse آؤٹ پٹ کی پیمائش شدہ ویوفارمز۔

انجیر. 4. (a) ایک اور مشترکہ ڈھانچہ جو Synapse اور (b) VRing اور VSYN کی پیمائش شدہ لہروں کا اندازہ کرنے کے لیے بنایا گیا ہے۔

Synapse کے مطابقت پذیر ردعمل کے مشاہدے کو آسان بنانے کے لیے، ہم نے تصویر 4(a) کی ساخت کو بھی گھڑ لیا۔ شکل 4(b) تصویر 4(a) کے تجرباتی نتائج ہیں۔ جیسا کہ تصویر 4(ai) میں دکھایا گیا ہے، ہم نے 10 Hz مربع لہر سگنل VIN بنانے کے لیے Tektronix AFG31252 صوابدیدی فنکشن جنریٹر کا استعمال کیا۔ VIN کے وزن کے ماڈیول سے گزرنے کے بعد، یہ ایک سپائیک سگنل VOUTðWeightÞ پیدا کرتا ہے۔ وولٹیج VSYN کا مشاہدہ آن چپ سورس فالوور کے ذریعے بطور اینالاگ بفر کیا جاتا ہے۔ اگرچہ VOUTðWeightÞ کو باہر سے مشاہدہ کرنے کے لیے ڈیزائن نہیں کیا گیا ہے کیونکہ یہ ایک تنگ نبض ہے، VIN کے گرنے والے کنارے کے بعد VOUTðWeightÞ کی آمد کے ساتھ، Synapse میں VSYN وولٹیج فوری طور پر بڑھ جاتا ہے جیسا کہ تصویر 4(b-ii) میں دکھایا گیا ہے، جس کے نتیجے میں VRing کی فریکوئنسی بڑھ جاتی ہے۔ اگر VOUTðWeightÞ طویل عرصے تک نہیں پہنچتا ہے، VSYN کم ہو جاتا ہے، جس کے نتیجے میں VRing فریکوئنسی چھوٹے ہونے پر اثر انداز ہوتی ہے۔ جدول I اسٹینڈ اکیلے نیوران سرکٹس کے درمیان کارکردگی کا موازنہ دکھاتا ہے۔ مجوزہ نیوران سرکٹ کے توانائی کی کھپت اور رقبہ کے لحاظ سے فوائد ہیں۔ Refs میں ڈیزائن. 13-16 میں مسلسل وقت یا گھڑی والا موازنہ استعمال کیا جاتا ہے، اور یہ ڈیزائن بڑی مقدار میں چپ کے علاقے کے ساتھ ساتھ بجلی کی کھپت کو بھی لیتے ہیں۔ ریف میں تجویز کردہ غیر CMOS عمل میں من گھڑت نیوران۔ 18 کو موازنہ کرنے والے کی ضرورت نہیں ہے، جس سے علاقے میں فائدہ ہوتا ہے۔ تاہم، اس کی توانائی کی کھپت نسبتاً زیادہ ہے اور یہ مخصوص ٹیکنالوجیز کم پختہ ہیں اور اس طرح معیاری CMOS عمل کے مقابلے میں زیادہ مہنگی ہیں۔ دونوں Refs. 19 اور 21 کو ایک اعلی درجے کے عمل میں گھڑا جا رہا ہے۔ تاہم، اس کام کے مقابلے میں، Ref. 19 کو توانائی کی کھپت اور رقبہ کے لحاظ سے کوئی فائدہ نہیں ہے۔ اگرچہ Ref. 21 تخروپن کے نتائج کے ساتھ بہتر توانائی کی کارکردگی کو ظاہر کرتا ہے، جب ٹیکنالوجی نوڈ کے ذریعہ نارمل کیا جاتا ہے، مجوزہ نیوران بہتر ایریا ایفیشنسی حاصل کرتا ہے۔

مجوزہ اسپائکنگ نیوران اور رِنگ آسکیلیٹر پر مبنی سینیپس سرکٹس کی فزیبلٹی کو ظاہر کرنے کے لیے، MATLAB ماحول میں ایک رویے کا تخروپن کیا جاتا ہے جیسا کہ تصویر 5(a) میں دکھایا گیا ہے۔ اس تخروپن میں، مجوزہ Synapse اور وزنی ماڈیولز کے ساتھ بے ترتیب بار بار کنکشن کے ساتھ 100 نیوران استعمال کیے جاتے ہیں۔ وزن کے مجوزہ ماڈیولز کو صرف ذخائر کی تہہ میں لاگو کیا جاتا ہے اور ان کے وزن کو تصادفی طور پر پہلے سے تفویض کیا جاتا ہے اور سیکھنے کے عمل کے دوران طے کیا جاتا ہے۔ اس طرح، ذخائر میں بے ترتیب اتار چڑھاو کو آؤٹ پٹ وزن میں سیکھنے کے عمل کے دوران معاوضہ دیا جاتا ہے۔ ایک حقیقت پسندانہ تخروپن قائم کرنے کے لیے، ہر Synapse کی آؤٹ پٹ فریکوئنسی رینج اصل پیمائش کے نتائج کی بنیاد پر 15 سے 200 Hz تک مقرر کی گئی ہے۔ Recursive lowest square (RLS) الگورتھم کا استعمال آؤٹ پٹ وزن کو تربیت دینے کے لیے کیا جاتا ہے جیسا کہ Ref میں متعارف کرایا گیا ہے۔ 30. ایک 10 ہرٹز سائن ویو، جو انسانی سرگرمی سے متعلق معلومات کے ٹائم اسکیل سے مطابقت رکھتا ہے، ایک سپروائزری ان پٹ سگنل کی مثال کے طور پر استعمال ہوتا ہے۔ سپروائزری اور تربیت یافتہ آؤٹ پٹ سگنل تصویر 5(bi) میں دکھایا گیا ہے۔ آؤٹ پٹ سے فیڈ بیک سگنل حوصلہ افزا اور روک تھام کرنے والی پلس ٹرینوں میں تبدیل ہو جاتا ہے جن کی فریکوئنسی آؤٹ پٹ کے طول و عرض کی مطلق قدر کے تناسب میں ہوتی ہے جیسا کہ تصویر میں دکھایا گیا ہے۔ بالترتیب 5(b-ii) اور 5(b-iii)۔ سپروائزری سگنل کے پانچ ادوار کے بعد، آؤٹ پٹ کا وزن طے ہو جاتا ہے اور SNN سیکھے ہوئے سگنل کو خود سے پیدا کرتا ہے، جو سیکھنے کے فنکشن کے لیے مجوزہ اعصابی ڈھانچے کی فزیبلٹی کو ظاہر کرتا ہے۔ ہم نے ان نقلوں سے یہ بھی پایا ہے کہ سیکھنے کی صلاحیت کو مزید بہتر بنانے کے لیے Synapse کی آؤٹ پٹ فریکوئنسی ٹیوننگ رینج میں اضافہ کیا جانا چاہیے، جو Synapse سرکٹ کو بہتر بنا کر کیا جا سکتا ہے۔ مثال کے طور پر، 15 Hz–2 kHz اور 15 Hz–20 kHz تک توسیعی فریکوئنسی ٹیوننگ کے ساتھ، سیکھے ہوئے سگنلز سپروائزری سگنل کو بہتر طور پر دوبارہ پیش کرنے کے لیے ہموار ہو جاتے ہیں جیسا کہ انجیر میں دکھایا گیا ہے۔ بالترتیب 5(b-iv) اور 5(bv)۔

cistanche tubulosa - مدافعتی نظام کو بہتر بنانا

خلاصہ طور پر، ہم نے ٹائم ڈومین سگنلز پیدا کرنے اور منتقل کرنے کے لیے ایک عصبی ڈھانچہ تجویز کیا ہے۔ مجوزہ نیوران اور Synapse بالترتیب 127 اور 231 lm2 کے علاقے پر قابض ہیں۔ یہ ڈھانچہ op-amps اور مسلسل وقت یا گھڑی والے موازنہ کا استعمال نہیں کرتا ہے، جبکہ فائرنگ فنکشن کو رقبہ اور بجلی کی کھپت میں فوائد فراہم کرنے کے لیے inverter-based comparator کے ساتھ محسوس کیا جاتا ہے۔ روایتی وولٹیج/موجودہ ڈومین ڈیزائن کے مقابلے میں مجوزہ ٹائم ڈومین نیورل ڈھانچہ اسکیلڈ پروسیس ٹیکنالوجیز سے فائدہ اٹھاتا ہے۔ اصل چپ کی ساخت اور پیمائش کے نتائج ملی سیکنڈ ٹائم کنسٹنٹ کے ساتھ عارضی سگنل مواصلاتی فنکشن کو ظاہر کرتے ہیں۔ مجوزہ ٹائم ڈومین نیورل ڈھانچہ انسانی کمپیوٹر کے تعامل کے لیے ریئل ٹائم ٹائم سیریز کی معلومات پر کارروائی کرنے کے لیے اسپائکنگ نیورل نیٹ ورکس بنانے کے لیے موزوں ہے۔

ٹیبل I۔ اسٹینڈ اکیلے نیوران سرکٹس کی کارکردگی کا موازنہ

انجیر. 5. (a) ریزروائر کمپیوٹنگ کے لیے SNN کا طرز عمل ماڈل مجوزہ اعصابی ڈھانچے پر مبنی ہے۔ (b) نظام کی سطح کے رویے کے تخروپن کے نتائج: (i) 15-200 Hz فریکوئنسی ٹیوننگ رینج والے ماڈل پر مبنی، (ii) حوصلہ افزائی اور (iii) آؤٹ پٹ سے تبدیل ہونے والے روکنے والے ان پٹ سگنلز کا زوم ان ویو، (iv) 15–2 kHz اور (v) 15–20 kHz فریکوئنسی ٹیوننگ رینجز پر مبنی۔

حوالہ جات

1 Y. Zhang, P. Qu, Y. Ji, W. Zhang, G. Gao, G. Wang, S. Song, G. Li, W. Chen, W. Zheng, F. Chen, J. Pei, R. Zhao, M. Zhao, and L. Shi, Nature 586, 378–384 (2020)۔

2 D. شن اور H.-J. یو، پروک. IEEE 108, 1245–1260 (2020)۔

3 Y. LeCun, Y. Bengio, and G. Hinton, Nature 521, 436–444 (2015)۔

4 T. Kohno اور K. Aihara, AIP Conf. پروک 1028، 113–128 (2008)۔

5 E. Chicca اور G. Indiveri, Appl. طبیعیات لیٹ 116، 120501 (2020)۔

6 Y. Bo, P. Zhang, Y. Zhang, J. Song, S. Li, and X. Liu, J. Appl. طبیعیات 127، 245101 (2020)۔

7 کے یانگ اور اے سینگپتا، ایپل۔ طبیعیات لیٹ 116، 043701 (2020)۔

8 X. چن، T. Yajima، IH Inoue، اور T. Iizuka، Jpn. J. Appl طبیعیات 61، SC1051 (2022)۔

9 ڈبلیو ماس، نیورل۔ نیٹ ورکس 10، 1659–1671 (1997)۔

10S ایس رادھا کرشنن، اے سیباسٹین، اے اوبرائے، ایس داس، اور ایس داس، نٹ۔ کمیون 12، 2143 (2021)۔

11 ایکس۔ چن، T. Yajima، IH Inoue، اور T. Iizuka، سالڈ اسٹیٹ ڈیوائسز اینڈ میٹریلز (SSDM) پر بین الاقوامی کانفرنس کے توسیعی خلاصہ میں (JSAP، 2021)، pp. 682–683۔

12D ایس جیونگ، جے ایپل طبیعیات 124، 152002 (2018)۔

13 جی۔ اندیوری، ای چیکا، اور آر ڈگلس، آئی ای ای ای ٹرانس۔ اعصابی نیٹ ورکس 17، 211–221 (2006)۔

14X وو، وی سکسینا، کے زو، اور ایس بالاگوپال، آئی ای ای ای ٹرانس۔ سرکٹس سسٹم II 62، 1088–1092 (2015)۔

15A نیورل نیٹ ورکس (IJCNN) پر 2012 کی بین الاقوامی مشترکہ کانفرنس میں جوبرٹ، بی بیلہڈج، او ٹیمام، اور آر ہیلیوٹ۔

16S A. عامر، P. Muller، G. Kiene، L. Kriener، Y. Stradmann، A. Gr€ubl، J. Schemmel، اور K. Meier، IEEE Trans. بایومیڈ سرکٹس سسٹم 12، 1027–1037 (2018)۔

17A باسو اور پی ای ہاسلر، آئی ای ای ای ٹرانس۔ سرکٹس سسٹم I 57، 2938–2947 (2010)۔

18S دتہ، وی کمار، اے شکلا، این آر موہاپاترا، اور یو گنگولی، سائنس۔ Rep. 7, 8257 (2017)۔

19A روبینو، M. Payvand، اور G. Indiveri، الیکٹرانکس، سرکٹس، اور سسٹمز (ICECS) (IEEE، 2019) پر 26 ویں IEEE بین الاقوامی کانفرنس میں، pp. 458–461۔

20S A. عامر، Y. Stradmann، P. Muller، C. Pehle، A. Hartel، A. Gr€ubl، J. Schemmel، اور K. Meier، IEEE Trans. سرکٹس سسٹم I 65, 4299–4312 (2018)۔

21 آر۔ ایم صابر مرادی اور ایس اے بھاوے، IEEE سمپوزیم سیریز آن کمپیوٹیشنل انٹیلی جنس (SSCI)، 2017 میں۔

22K Asada, T. Nakura, T. Iizuka, and M. Ikeda, IEICE Electron. ایکسپریس 15، 20182001 (2018)۔

23 آر۔ Staszewski, K. Muhammad, D. Leipold, C.-M. ہنگ، Y.-C. Ho, J. Wallberg, C. Fernando, K. Maggio, R. Staszewski, T. Jung, J. Koh, S. John, IY Deng, V. Sarda, O. Moreira-Tamayo, V. Mayega, R. Katz , O. Friedman, O. Eliezer, E. de Obaldia, and P. Balsara, IEEE J. Solid-State Circuits 39, 2278–2291 (2004)۔

24C Gallicchio اور A. Micheli، Neural. نیٹ ورکس 24، 440–456 (2011)۔

25L ایف ایبٹ اور پی ڈیان، تھیوریٹیکل نیورو سائنس (ایم آئی ٹی پریس، 2005)۔

26W Gerstner اور WM Kistler، Spiking Neuron Models: Single Neurons, Populations (Cambridge University Press, 2012)۔

27 ٹی۔ یاجیما، سائنس Rep. 12, 1150 (2022)۔

28B رضوی، ڈیٹا کنورژن سسٹم ڈیزائن کا اصول (ویلی-آئی ای ای ای پریس، 1995)۔

29T. ونڈرلچ، اے ایف کنگل، ای. مولر، اے ہارٹیل، وائی اسٹریڈمین، ایس اے عامر، اے گربل، اے ہیمبریچٹ، کے شریبر، ڈی سینٹوکل، سی. پہلے، ایس بلاؤڈیل، G. Kiene, C. Mauch, J. Schemmel, K. Meier, اور MA Petrovici, Front. نیوروسکی 13، 1–15 (2019)۔

30D سوسیلو اور ایل ایبٹ، "افراتفری کے اعصابی نیٹ ورکس سے سرگرمی کے مربوط نمونے پیدا کرنا،" نیوران 63، 544–557 (2009)۔