در قسمت اول يك نمونه مدار در زمينه تشخيص الگو را به شما معرفي كرديم. روش کار در اين مدار به‌اين ترتيب است که الگوي خود را در کل آرايه ايجاد مي‌کنيم. سپس، داده‌‌هاي ورودي را به آن اعمال کرده و جريان خروجي را اندازه مي‌گيريم. سپس، ميزان جريان خروجي نشاني از Hamming Distance در تئوري اطلاعات خواهد بود که جريان خروجي بيشتر، معرف Hamming Distance کمتر خواهد بود. فرآيند نوشتن الگوي مورد نظر در مدار بالا در شکل‌هاي 5 تا 8 نشان داده شده‌است. در هر حالت، با استفاده از ترانزيستور انتهايي، هر سطر را انتخاب کرده و با ولتاژ ورودي Vin داده‌‌ها را در آرايه چپي و نقيض آن‌ها را در آرايه راستي مي‌نويسيم (توجه کنيد که دايره توپر به معناي مقاومت کم يا اتصال کوتاه و صليب خالي به معناي مقاومت بالا يا مدار باز است).

شكل 5
 

شكل 6
 

شكل 7
 

شكل 8
 

در حالت مقايسه، که در شکل 9 نشان داده شده است، مقدار 0111 به مدار اعمال شده و جريان خروجي از ترانزيستور‌ها به مدار تشخيص مي‌رود. در آنجا ميزان شباهت الگوي ورودي و الگوي ذخيره‌شده، اندازه‌گيري شده و اعلام مي‌شود. اين مدار، با ارائه نتيجه نسبي، مناسب کاربرد‌هايي نظير تشخيص صدا و تشخيص تصاوير است که در آن‌ها، شباهت حدودي (و نه عيني) براي تشخيص کافي است. در صنعت روباتيک، با اتصال خروجي هر سطر از مدار بالا به يک محرک يا موتور الکتريکي، مي‌توان جزئي ازيک روبات را پس از تشخيص الگو به تحرک واداشت. همچنين، با ذخيره الگو‌ها بر حسب زمان در آرايه‌‌هاي بزرگ‌تر، همچون دنباله‌اي از کلمات، مي‌توان به پيشرفت چشم‌گيري در هوش مصنوعي دست يافت.

شكل 9
 

هوش مصنوعي
 

در مقاله‌هاي بسياري به شباهت عملياتي ممريستور به سيناپس اشاره شده است. اين قابليت، شايد روزي به پياده‌سازي سخت افزاري شبکه‌‌هاي عصبي با استفاده از ممريستور منجر شود. هم اکنون، مدلي از اين شبکه‌‌هاي عصبي با استفاده از آرايه ترکيب صليبي ممريستور‌ها توسط گِرگ‌اسنايدرمطرح شده و مورد مطالعه قرار دارد. با اين‌که شبکه عصبي مفهوم جديدي نيست، اما حجم بزرگ داده‌هاي مورد نياز براي ذخيره‌سازي و پردازش و انتقال دائمي‌آن‌ها بين حافظه و پردازنده از مهم‌ترين مشکلات پيش روي مدل‌‌هاي نرم‌افزاري آن است. به همين دليل، يک شبکه عصبي فيزيکي، مي‌تواند بر اين مشکل فائق آمده و با يکپارچه‌سازي واحد‌هاي ذخيره‌سازي و محاسبات در يک واحد، سرعت و بازده هوش مصنوعي را به شدت بهبود بخشد. در اين صورت راه براي رسيدن به قدرت ذهن انسان و شبيه‌سازي مغز هموار خواهد شد.
يکي ديگر از کاربرد‌هاي ممريستور‌ها، استفاده در Morph ware ‌ها و افزايش بازده آن‌ها است. مورف‌ور‌ها، چيزي بين سخت افزار (مدارات غير قابل تغيير) و نرم افزار (برنامه‌‌هاي منعطف) هستند و امکان تغيير پيکربندي سخت‌افزاري را با استفاده از نرم‌افزار فراهم مي‌آورند. سيستم‌‌هاي FPGA نمونه‌اي از اين فناوري هستند که آرايه‌‌هاي ممريستور مي‌توانند بازده و انعطاف آن‌ها را به ميزان قابل توجهي بهبود بخشند. شکل 10 نمونه‌اي از يک Morph ware را با استفاده از ممريستور نشان مي‌دهد.

شكل 10
 

آينده
 

ممريستور اختراع بزرگي است که تأثيري شگرف بر زندگي انسان خواهد گذاشت. به‌علاوه، معتقدم پيشرفتي که ممريستور در دنياي الکترونيک ايجاد خواهد کرد، شگرف‌تر از آن چيزي خواهد بود که روزي ترانزيستور انجام داده است. هم اکنون در زماني به سر مي‌بريم که در‌هاي جديدي براي توسعه علم باز شده‌اند و راه رسيدن به آينده از اين در عبور مي‌کند. روزي خواهد آمد که درباره ممريستور، همانند ترانزيستور، در دل به سازندگان آن خواهيم گفت: «ساخت ممريستور که کاري ندارد.» و همواره در آزمون‌‌ها و تمرين‌‌هاي کلاسي مهندسي برق يا کامپيوتر، مدارات ممريستوري حل کرده و به استاد تحويل دهيم.
منبع:http://www.shabakeh-mag.com
ارسال توسط کاربر محترم سايت : hasantaleb