目前随着人工智能领域的兴起以及人们对数据存储和计算的强烈需求，迫切需要存储器的改进和类似于人脑的高效存储运算效率。所以，相变存储器及其用于神经形态计算的研究是极具价值的。相变存储材料(PCMs)受到激发时所产生的电阻值变化可以用来建立尖峰神经网络从而实现模拟神经形态计算系统。本文介绍了相变存储器物理机制，其中包括相变材料的相变原理及主要性能特征，重点叙述了相变存储器在优化存储与计算方向的研究进展和应用，进而为该领域未来的发展方向提供参考。

脉冲神经网络是目前最具有生物解释性的人工神经网络,是类脑智能领域的核心组成部分.首先介绍各类常用的脉冲神经元模型以及前馈和循环型脉冲神经网络结构;然后介绍脉冲神经网络的时间编码方式,在此基础上,系统地介绍脉冲神经网络的学习算法,包括无监督学习和监督学习算法,其中监督学习算法按照梯度下降算法、结合STDP规则的算法和基于脉冲序列卷积核的算法3大类别分别展开详细介绍和总结;接着列举脉冲神经网络在控制领域、模式识别领域和类脑智能研究领域的应用,并在此基础上介绍各国脑计划中,脉冲神经网络与神经形态处理器相结合的案例;最后分析脉冲神经网络目前所存在的困难和挑战.

长短期记忆LSTM神经形态芯片设计的两步映射方法.pdf

Neuromorphic-Caltech101（N-Caltech101）数据集是原始基于帧的Caltech101数据集的加标版本。原始数据集包含“Faces”和“Faces Easy”两个类，每个类都由相同图像的不同版本组成。为了避免混淆，“Faces”类已经从N-Caltech101中删除，只剩下100个对象类和一个后台类。N-Caltech101数据集是通过将ATIS传感器安装在电动云台上，并在LCD监视器上查看Caltech101示例时移动传感器来捕获的，如下面的视频所示。关于数据集的完整描述:https://www.garrickorchard.com/datasets/n-caltech101

脉冲神经网络、神经形态芯片

神经形态认知