Academic literature on the topic 'Memristance'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Memristance.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Memristance"
Yang, Le, and Zhixia Ding. "A Memristor-Based High-Resolution A/D Converter." Electronics 11, no. 9 (May 3, 2022): 1470. http://dx.doi.org/10.3390/electronics11091470.
Full textUkil, Abhisek. "Memristance View of Piezoelectricity." IEEE Sensors Journal 11, no. 10 (October 2011): 2514–17. http://dx.doi.org/10.1109/jsen.2011.2114878.
Full textMartinsen, Ø. G., S. Grimnes, C. A. Lütken, and G. K. Johnsen. "Memristance in human skin." Journal of Physics: Conference Series 224 (April 1, 2010): 012071. http://dx.doi.org/10.1088/1742-6596/224/1/012071.
Full textCam, Zehra Gulru, and Herman Sedef. "A New Floating Memristance Simulator Circuit Based on Second Generation Current Conveyor." Journal of Circuits, Systems and Computers 26, no. 02 (November 3, 2016): 1750029. http://dx.doi.org/10.1142/s0218126617500293.
Full textYu, Bo, Yifei Pu, Qiuyan He, and Xiao Yuan. "Principle and Application of Frequency-Domain Characteristic Analysis of Fractional-Order Memristor." Micromachines 13, no. 9 (September 12, 2022): 1512. http://dx.doi.org/10.3390/mi13091512.
Full textMUTLU, Reşat, and Ertuğrul KARAKULAK. "A methodology for memristance calculation." TURKISH JOURNAL OF ELECTRICAL ENGINEERING & COMPUTER SCIENCES 22 (2014): 121–31. http://dx.doi.org/10.3906/elk-1205-16.
Full textBanchuin, Rawid. "On the Memristances, Parameters, and Analysis of the Fractional Order Memristor." Active and Passive Electronic Components 2018 (November 1, 2018): 1–14. http://dx.doi.org/10.1155/2018/3408480.
Full textLe, Minh, Thi Kim Hang Pham, and Son Ngoc Truong. "Noise and Memristance Variation Tolerance of Single Crossbar Architectures for Neuromorphic Image Recognition." Micromachines 12, no. 6 (June 13, 2021): 690. http://dx.doi.org/10.3390/mi12060690.
Full textLiu, Xiaoxin, Lanqing Zou, Chenyang Huang, Na Bai, Kanhao Xue, Huajun Sun, and Xiangshui Miao. "Analog Memristor-Based Dynamic Programmable Analog Filter." Journal of Physics: Conference Series 2356, no. 1 (October 1, 2022): 012008. http://dx.doi.org/10.1088/1742-6596/2356/1/012008.
Full textBunnam, Thanasin, Ahmed Soltan, Danil Sokolov, Oleg Maevsky, and Alex Yakovlev. "Toward Designing Thermally-Aware Memristance Decoder." IEEE Transactions on Circuits and Systems I: Regular Papers 66, no. 11 (November 2019): 4337–47. http://dx.doi.org/10.1109/tcsi.2019.2925021.
Full textDissertations / Theses on the topic "Memristance"
Du, Nan. "Beyond "More than Moore": Novel applications of BiFeO3 (BFO)-based nonvolatile resistive switches." Doctoral thesis, Universitätsbibliothek Chemnitz, 2016. http://nbn-resolving.de/urn:nbn:de:bsz:ch1-qucosa-202508.
Full textIn den letzten Jahrzehnten war die Größenreduktion von Transistoren einer der Hauptgründe für die Leistungssteigerung von integrierten Halbleiterschaltungen. Aufgrund des physikalisch beschränkten Skalierungspotentials, werden alternative Technologien für Halbleiterschaltungen entwickelt. Dazu zählen neuartige Widerstandsschalter, sogenannte Memristoren, welche wegen ihrer schnellen Schaltgeschwindigkeit, langen Speicherzeit und stabilen Haltbarkeit in den Fokus der Forschung gerückt sind. Das nichtflüchtige analoge bipolare Schalten des Widerstandwertes mit einem On/Off Verhältnis größer als 100 wurde in BiFeO 3 (BFO)-basierten Widerstands-schaltern beobachtet. Bisher wurden Widerstandsschalter hauptsächlich als Speicher oder in rekonfigurierbaren Logikschaltungen verwendet. Aufgrund der ausgezeichneten Eigenschaften von BFO-basierten Memristoren, ist die Untersuchung weiterer neuer Funktionalitäten vielversprechend. Als neuer Ansatz für ein Hardware-basiertes Kryptosystem wird in der vorliegenden Arbeit die Ausnutzung des Leistungsübertragungskoeffizienten in BFO Memristoren vorgeschlagen. Mit Hilfe der unterschiedlichen Oberschwingungen, welche von einem BFO Memristor im ON und OFF Zustand generiert werden, wurde ein Kryptosystem zum Kodieren binärer Daten entwickelt. Ein Test des Hardware-basierten Kryptosystems an Biodaten ergab, dass die kodierten Biodaten keine vorhersagbare Korrelation mehr enthielten. In der vorliegenden Arbeit wurden darüberhinaus BFO-basierte künstliche Synapsen mit einer Aktionspotentials-Intervall abhängigen Plastizität (STDP) für Einzelpulse entwickelt. Diese Einzelpuls-STDP legt den Grundstein für energieffiziente und schnelle neuromorphe Netzwerke mit künstlichen Synapsen. Im Vergleich zu biologischen Synapsen mit einer 60-80-Puls-STDP und einem Lernfenster auf der ms-Zeitskale, konnte das Lernfenster von BFO-basierten künstlichen Synapsen von 25 ms auf 125 μs reduziert werden. Solch ein schnelles Lernen ermöglicht auch die extreme Reduzierung des Leistungsverbrauchs in neuromorphen Netzwerken
Wu, Jiaming. "A modular dynamic Neuro-Synaptic platform for Spiking Neural Networks." Electronic Thesis or Diss., université Paris-Saclay, 2024. http://www.theses.fr/2024UPASP145.
Full textBiological and artificial neural networks share a fundamental computational unit: the neuron. These neurons are coupled by synapses, forming complex networks that enable various functions. Similarly, neuromorphic hardware, or more generally neuro-computers, also require two hardware elements: neurons and synapses. In this work, we introduce a bio-inspired spiking Neuro-Synaptic hardware unit, fully implemented with conventional electronic components. Our hardware is based on a textbook theoretical model of the spiking neuron, and its synaptic and membrane currents. The spiking neuron is fully analog and the various models that we introduced are defined by their hardware implementation. The neuron excitability is achieved through a memristive device made from off-the-shelf electronic components. Both synaptic and membrane currents feature tunable intensities and bio-mimetic dynamics, including excitatory and inhibitory currents. All model parameters are adjustable, allowing the system to be tuned to bio-compatible timescales, which is crucial in applications such as brain-machine interfaces. Building on these two modular units, we demonstrate various basic neural network motifs (or neuro-computing primitives) and show how to combine these fundamental motifs to implement more complex network functionalities, such as dynamical memories and central pattern generators. Our hardware design also carries potential extensions for integrating oxide-based memristors (which are widely studied in material science),or porting the design to very large-scale integration (VLSI) to implement large-scale networks. The Neuro-Synaptic unit can be considered as a building block for implementing spiking neural networks of arbitrary geometry. Its compact and modular design, as well as the wide availability of ordinary electronic components, makes our approach an attractive platform for building neural interfaces in medical devices, robotics, and artificial intelligence systems such as reservoir computing
Maier, Patrick [Verfasser], Lukas [Gutachter] Worschech, Vladimir [Gutachter] Dyakonov, and Ronny [Gutachter] Thomale. "Memristanz und Memkapazität von Quantenpunkt-Speichertransistoren: Realisierung neuromorpher und arithmetischer Operationen / Patrick Maier ; Gutachter: Lukas Worschech, Vladimir Dyakonov, Ronny Thomale." Würzburg : Universität Würzburg, 2018. http://d-nb.info/1163201863/34.
Full textDu, Nan. "Beyond "More than Moore": Novel applications of BiFeO3 (BFO)-based nonvolatile resistive switches." Doctoral thesis, 2015. https://monarch.qucosa.de/id/qucosa%3A20443.
Full textIn den letzten Jahrzehnten war die Größenreduktion von Transistoren einer der Hauptgründe für die Leistungssteigerung von integrierten Halbleiterschaltungen. Aufgrund des physikalisch beschränkten Skalierungspotentials, werden alternative Technologien für Halbleiterschaltungen entwickelt. Dazu zählen neuartige Widerstandsschalter, sogenannte Memristoren, welche wegen ihrer schnellen Schaltgeschwindigkeit, langen Speicherzeit und stabilen Haltbarkeit in den Fokus der Forschung gerückt sind. Das nichtflüchtige analoge bipolare Schalten des Widerstandwertes mit einem On/Off Verhältnis größer als 100 wurde in BiFeO 3 (BFO)-basierten Widerstands-schaltern beobachtet. Bisher wurden Widerstandsschalter hauptsächlich als Speicher oder in rekonfigurierbaren Logikschaltungen verwendet. Aufgrund der ausgezeichneten Eigenschaften von BFO-basierten Memristoren, ist die Untersuchung weiterer neuer Funktionalitäten vielversprechend. Als neuer Ansatz für ein Hardware-basiertes Kryptosystem wird in der vorliegenden Arbeit die Ausnutzung des Leistungsübertragungskoeffizienten in BFO Memristoren vorgeschlagen. Mit Hilfe der unterschiedlichen Oberschwingungen, welche von einem BFO Memristor im ON und OFF Zustand generiert werden, wurde ein Kryptosystem zum Kodieren binärer Daten entwickelt. Ein Test des Hardware-basierten Kryptosystems an Biodaten ergab, dass die kodierten Biodaten keine vorhersagbare Korrelation mehr enthielten. In der vorliegenden Arbeit wurden darüberhinaus BFO-basierte künstliche Synapsen mit einer Aktionspotentials-Intervall abhängigen Plastizität (STDP) für Einzelpulse entwickelt. Diese Einzelpuls-STDP legt den Grundstein für energieffiziente und schnelle neuromorphe Netzwerke mit künstlichen Synapsen. Im Vergleich zu biologischen Synapsen mit einer 60-80-Puls-STDP und einem Lernfenster auf der ms-Zeitskale, konnte das Lernfenster von BFO-basierten künstlichen Synapsen von 25 ms auf 125 μs reduziert werden. Solch ein schnelles Lernen ermöglicht auch die extreme Reduzierung des Leistungsverbrauchs in neuromorphen Netzwerken.
Maier, Patrick. "Memristanz und Memkapazität von Quantenpunkt-Speichertransistoren: Realisierung neuromorpher und arithmetischer Operationen." Doctoral thesis, 2018. https://nbn-resolving.org/urn:nbn:de:bvb:20-opus-164234.
Full textIn this thesis, state-dependent resistances and capacitances in quantum dot floating gate transistors based on modulation doped GaAs/AlGaAs heterostructures with site-controlled InAs quantum dots are presented. The accumulation of electrons in the quantum dots simultaneously increases the resistance and decreases the capacitance, which leads to characteristic pinched hysteresis loops in the current-voltage- and the charge-voltage-characteristics when applying periodic input signals. The concurrent resistance and capacitance switching enables the realization of neuromorphic operations via mimicking of synaptic functionalities and arithmetic operations via the integration of voltage and light pulses
Books on the topic "Memristance"
System Design with Memristor Technologies. Institution of Engineering & Technology, 2018.
Find full textBook chapters on the topic "Memristance"
Huang, Lixing, Jietao Diao, Shuhua Teng, Zhiwei Li, Wei Wang, Sen Liu, Minghou Li, and Haijun Liu. "A Method for Obtaining Highly Robust Memristor Based Binarized Convolutional Neural Network." In Proceeding of 2021 International Conference on Wireless Communications, Networking and Applications, 813–22. Singapore: Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-2456-9_82.
Full textAmirsoleimani, Amirali, Tony Liu, Fabien Alibart, Serge Eccofey, Yao-Feng Chang, Dominique Drouin, and Roman Genov. "Mitigating State-Drift in Memristor Crossbar Arrays for Vector Matrix Multiplication." In Memristor - An Emerging Device for Post-Moore’s Computing and Applications. IntechOpen, 2021. http://dx.doi.org/10.5772/intechopen.100246.
Full textConference papers on the topic "Memristance"
Ntinas, Vasileios, Antonio Rubio, Georgios Ch Sirakoulis, Rosana Rodriguez, and Montserrat Nafria. "Experimental Investigation of Memristance Enhancement." In 2019 IEEE/ACM International Symposium on Nanoscale Architectures (NANOARCH). IEEE, 2019. http://dx.doi.org/10.1109/nanoarch47378.2019.181299.
Full textBunnam, Thanasin, Ahmed Soltan, Danil Sokolov, Alex Yakovlev, and Oleg Maevsky. "Toward Designing Thermally-Aware Memristance Decoder." In 2020 IEEE International Symposium on Circuits and Systems (ISCAS). IEEE, 2020. http://dx.doi.org/10.1109/iscas45731.2020.9181044.
Full textGale, Ella. "The Memory-Conservation Theory of Memristance." In 2014 UKSim-AMSS 16th International Conference on Modelling and Simulation (UKSim). IEEE, 2014. http://dx.doi.org/10.1109/uksim.2014.57.
Full textRose, Garrett S., Robinson Pino, and Qing Wu. "Exploiting memristance for low-energy neuromorphic computing hardware." In 2011 IEEE International Symposium on Circuits and Systems (ISCAS). IEEE, 2011. http://dx.doi.org/10.1109/iscas.2011.5938208.
Full textBudhathoki, Ram Kaji, Maheshwar Pd Sah, Shyam Prasad Adhikari, and Hyongsuk Kim. "Composite memristance of parallel and serial memristor circuits." In 2013 IEEE International Symposium on Circuits and Systems (ISCAS). IEEE, 2013. http://dx.doi.org/10.1109/iscas.2013.6571819.
Full textKarafyllidis, Ioannis, Georgios Ch Sirakoulis, and Panagiotis Dimitrakis. "Representation of Qubit States using 3D Memristance Spaces." In NANOARCH '18: IEEE/ACM International Symposium on Nanoscale Architectures. New York, NY, USA: ACM, 2018. http://dx.doi.org/10.1145/3232195.3232197.
Full textCam Taskiran, Zehra Gulru, and Murat Taskiran. "A New Fractional Order Memristance Simulator Circuit Design." In 2019 IEEE International Symposium on INnovations in Intelligent SysTems and Applications (INISTA). IEEE, 2019. http://dx.doi.org/10.1109/inista.2019.8778386.
Full textKim, YoungSu, SangHak Shin, and Kyeong-Sik Min. "Shared memristance restoring circuit for memristor-based Cellular Neural Networks." In 2014 14th International Workshop on Cellular Nanoscale Networks and their Applications (CNNA). IEEE, 2014. http://dx.doi.org/10.1109/cnna.2014.6888625.
Full textBunnam, Thanasin, Ahmed Soltan, Danil Sokolov, and Alex Yakovlev. "An Excitation Time Model for General-purpose Memristance Tuning Circuit." In 2018 IEEE International Symposium on Circuits and Systems (ISCAS). IEEE, 2018. http://dx.doi.org/10.1109/iscas.2018.8351151.
Full textNtinas, Vasileios, Antonio Rubio, Georgios Ch Sirakoulis, and Sorin D. Cotofana. "A Pragmatic Gaze on Stochastic Resonance Based Variability Tolerant Memristance Enhancement." In 2019 IEEE International Symposium on Circuits and Systems (ISCAS). IEEE, 2019. http://dx.doi.org/10.1109/iscas.2019.8702792.
Full text