본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

Title Page

Contents

Abstract 13

Ⅰ. Introduction 15

1. Necessity of research on sensory-neuromorphic systems 15

2. Necessity of research on real-time recognition 19

References 21

Ⅱ. Real-time data processing for integrating sensory-neuromorphic system 26

1. Introduction 26

2. Parts of sensory-neuromorphic systems 1: Sensory receptor 27

A. Device configuration and triboelectrification mechanism 27

B. Analysis of electrical response to finger tapping 31

C. Summary 34

3. Design procedure for tactile patterns 35

A. Data collection and visualization 35

B. Creating a Dataset for training and inference 39

C. Summary 42

Reference 43

Ⅲ. Implementation of sensory-neuromorphic system 46

1. Introduction 46

2. Tactile neuromorphic system 47

3. Parts of sensory-neuromorphic systems 2: Synaptic device 49

A. Device schematic and ferroelectric mechanism 49

B. Analysis of synaptic characteristics 55

C. Analysis of controllability for dynamic characteristics 59

D. Summary 64

4. Artificial neural networks (ANNs) with tactile-neuromorphic system 65

A. Single-layer perceptron (SLP)-based ANNs 65

B. Multi-layer perceptron (MLP)-based ANNs 69

C. Summary 74

Reference 75

Ⅳ. Conclusion 79

1. Dissertation summary 79

2. Future research direction 82

논문요약 84

List of Tables

Table 3.1. Extracted synaptic parameters (Gmax, Gmin, nonlinearity) with respect to various spike conditions (0.1V to 2V, 5 ms to 50 ms, and 1 Hz and... 62

Table 3.2. Comparison of our ferroelectric synaptic device and other devices with respect to dynamic range (on/off ratio), non-linearity... 73

List of Figures

Figure 1.1. Conventional von Neumann architecture and conceptual parallel computing based on neuromorphic devices. 16

Figure 1.2. Schematic illustration of flexible sensory-neuromorphic system with stretchable resistive sensor and flexible artificial synapse array. 18

Figure 1.3. Acoustic pattern recognition task for training and inference. 20

Figure 2.1. Sensory receptor based on Cu/PDMS/Cu triboelectric sensor. (a) Schematic illustration (left panel) and photograph (right panel) of the... 28

Figure 2.2. Two-capacitor structure of Cu-PDMS-Cu triboelectric sensor. 29

Figure 2.3. (a) Real-time output voltage signals generated by "press" (upper panel) and "release" (bottom panel) stimuli. (b) Schematic illustrations and... 32

Figure 2.4. Real-time output voltage signals with consecutive press/release for two time-intervals, (a) ~0.06 s and (b) ~1 s. 33

Figure 2.5. (a) Procedure employed in the tactile neuromorphic system consisting of a triboelectric sensor, a microcontroller unit, and a simulation... 37

Figure 2.6. Method for capturing external stimuli using triboelectric sensors and microcontroller units (MCU). 38

Figure 2.7. Process of generating a training/test dataset with a randomization method; (a) The original and randomized electrical signal and (b) Visualized... 40

Figure 2.8. Representative input dataset (20 × 20 pixels) for Morse-code alphabet pattern recognition. 41

Figure 3.1. Tactile neuromorphic system for processing external stimuli in real-time. (a) Schematic illustration of the tactile neuromorphic system. This... 48

Figure 3.2. Synaptic plasticity of MoS₂/P(VDF-TrFE) heterostructure-based synaptic device. (a) Schematic illustration of a three-terminal synaptic device... 50

Figure 3.3. (a) Cross-sectional transmission electron microscopy (TEM) images of MoS₂/P(VDF-TrFE) heterostructures and (b) electron energy loss... 51

Figure 3.4. Polarization switching analysis of P(VDF-TrFE) layer using piezoresponse force microscopy (PFM). (a) Schematic illustration of PFM... 53

Figure 3.5. (a) Postsynaptic current characteristics of the synaptic device in response to the excitatory (red) and inhibitory (blue) single pulse spikes (±1... 54

Figure 3.6. (a) Variations in conductance for four consecutive positive/negative voltage pulses (±1 V, 20 ms). (b) Conductance state... 56

Figure 3.7. (a) Representative pulse scheme and LTP/LTD characteristics under 128 successive positive/negative weight update pulses. (b) Operational... 58

Figure 3.8. (a) LTP/LTD characteristic curves according to pulse and (b) The extracted Gmax/Gmin and symmetricity with respect to various pulse spike...[이미지참조] 61

Figure 3.9. (a) Cycle-to-cycle variation in LTP/LTD characteristics for 15 cycles. (b)-(c) Extracted synaptic factors (NLP, NLD, symmetricity, and...[이미지참조] 63

Figure 3.10. Process flow of the training and recognition simulation task for the Morse code alphabet "A" to "Z". Recognition rate as a function of the... 66

Figure 3.11. Recognition rate as a function of the number of epochs for the single-layer perceptron (SLP)-based NN using Morse code alphabets. 68

Figure 3.12. Schematic of multi-layer perceptron neural network (400×100×10). 69

Figure 3.13. MLP simulation with 100 hidden layers for Morse code patterns. 70

Figure 3.14. Recognition rate as a function of the number of epochs for the multilayer perceptron based NN using MNIST handwritten digits. 71

Figure 3.15. MLP simulations for MNIST handwritten digit dataset in terms of (a) pulse frequency (2, 4, and 8 Hz), (b) amplitude (0.5, 1, and 2 V), and (c)... 72

초록보기

 최근 인간의 오감으로부터 얻은 신호들을 처리하는 생체 말초 신경 시스템을 모방하고자 하는 감각-뉴로모픽 시스템 구현은 유망한 연구로 관심을 받고 있음. 감각 수용체, 신경 경로 그리고 뇌로 이어지는 인간의 말초 신경계는 외부 변화들을 감지하여 반응할 수 있는 시스템임. 이를 모사하기위해, 인공 감각 수용체와 뉴로모픽 소자들 (뉴런 및 시냅스)로 구성된 감각-뉴로모픽 시스템은 외부로부터 받은 실시간 신호 처리를 가능하게 함. 특히, 저전력 소모, 결함 감내성, 통신 보안 등에서 장점을 보일 수 있는 시스템임. 최근 몇 년간 발표된 연구들에 따르면 시냅스와 감각 수용체의 유연성을 이용한 스트레쳐블 감각-뉴로모픽 시스템을 보여주었고, 시뮬레이션을 통해 적용 가능성도 확인하였음. 그러나, 실시간으로 넘겨받은 정보들을 수집하는 방법과 처리하는 방법에 대한 연구가 부족해 하드웨어 신경망 플랫폼 연결 및 구현 가능성이 힘들어 보임. 따라서, 하드웨어 신경망 플랫폼에서의 감각-뉴로모픽 시스템 구현을 위한 보다 심화된 연구가 필요함.

이 논문에서는 하드웨어 신경망을 구성하기 위한 중요 파트인 인공 감각 수용체와 인공 시냅스 어레이를 성공적으로 제작 및 분석하였고, 더 나아가 실시간 정보가 담긴 패턴을 제작하여 감각-뉴로모픽 시스템 구현에 대한 실현 가능성을 평가했음. 2장에서는, 고분자 화합물과 메탈 간 발생하는 마찰 전기 특성을 이용하여 압력에 따라 반응하는 인공 감각 수용체를 제작했음. 감각 수용체를 누르거나 떼어냈을 때 발생하는 전기 신호들을 분석하였고 마이크로 컨트롤러 장치와 결합해 시간과 관계된 정보들을 수집할 수 있었음. 앞서 수집한 정보들을 이용하여 시각화 된 촉각 패턴으로 변환했음. 실시간 정보가 담긴 촉각 패턴들을 학습 시뮬레이션에 활용해 신호 처리 방법을 개선하고자 하였음. 3장에서는 인공 감각 수용체, 마이크로 컨트롤러 장치 그리고 인공 시냅스로 구성된 감각-뉴로모픽 시스템 구현에 대해서 제안했음. 제안한 시스템을 구현하고자 고분자 화합물 및 2차원 물질 기반 반도체의 이종 접합 구조를 통한 인공 시냅스 소자 어레이를 성공적으로 제작하였음. 고분자 물질 내 분극 전환 특성을 이용해 시냅스 가중치를 조절했고 다양한 가중치 업데이트 펄스 조건들을 입력하여 뛰어난 시냅스 특성들을 확인하였음. 마지막으로, 앞서 설계한 촉각 패턴을 사용한 학습 및 인지 시뮬레이션을 진행하여 실시간 인식을 위한 감각-뉴로모픽 구현 가능성에 대해서 평가했음. 이 논문이 향후 진행될 연구에 있어 감각-뉴로모픽 시스템을 효율적으로 구성할 수 있는 핵심적인 기초가 되길 바람.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차