XiaoMi-AI文件搜索系统
World File Search Systememr
基于 2D MoS2 的阈值开关忆阻器用于...
在所有神经网络中，PIKING 神经网络 (SNN) 最忠实地模拟了人脑，并且被认为是处理时间数据最节能的网络。人工神经元和突触是 SNN 的组成部分。最初，SNN 的硬件采用复杂的互补金属氧化物半导体 (CMOS) 电路实现，其中单个神经元或突触由多个晶体管实现，这在面积和能耗方面非常密集 [1]。2008 年忆阻器的发现促进了使用单个双端器件实现人工突触的发展 [2]，[3]。然而，尽管人工神经元同样重要，但使用单个器件实现人工神经元的研究还不够深入。最近，阈值开关忆阻器 (TSM) 器件 [4]、非挥发性忆阻器 [5]、相变材料 (PCM) [6]、基于铁电材料的场效应晶体管 (FET) [7]、[8] 和浮体晶体管 [9] 已被用于演示用于 SNN 的漏电积分激发 (LIF) 神经元。二维材料的忆阻特性为利用这些原子级薄系统实现人工神经元提供了机会，这将实现神经网络硬件的最终垂直扩展 [10]-[12]。H Kalita 等人演示了一种基于 MoS 2 /石墨烯 TSM 的人工神经元，但阈值电压高、开关比低、导通时间短。
MoS2 原子片中单缺陷忆阻器的观察
非挥发性电阻开关，也称为忆阻器 1 效应，即电场改变双端器件的电阻状态，已成为高密度信息存储、计算和可重构系统 2 – 9 开发中的一个重要概念。过去十年，非挥发性电阻开关材料（如金属氧化物和固体电解质）取得了实质性进展。长期以来，人们认为漏电流会阻止在纳米薄绝缘层中观察到这种现象。然而，最近在过渡金属二硫属化物 10, 11 和六方氮化硼 12 夹层结构（也称为原子阻断器）的二维单分子层中发现的非挥发性电阻开关推翻了这种观点，并由于尺寸缩放的好处增加了一个新的材料维度 10, 13。我们在此以单层 MoS 2 为模型系统，阐明了原子片中切换机制的起源。原子成像和光谱表明，金属取代硫空位会导致电阻发生非挥发性变化，这得到了缺陷结构和电子状态计算研究的证实。这些发现提供了对非挥发性切换的原子理解，并开辟了精确缺陷工程的新方向，精确到单个缺陷，朝着实现最小的忆阻器的方向发展，以应用于超密集存储器、神经形态计算和射频通信系统 2、3、11。通过结合扫描隧道显微镜/扫描隧道光谱 (STM/STS) 和局部传输研究，我们观察到硫空位（MoS 2 单层中的主要缺陷）在其天然形式下不起低电阻路径的作用，这与金属氧化物存储器中氧空位的影响形成鲜明对比。 然而，从底部或顶部电极迁移的金属离子（例如金离子）可以取代硫空位，产生导电的局部态密度 (LDOS)，从而驱动原子片进入低阻状态。 在反向电场下去除金原子后，缺陷恢复其初始空位结构，系统返回到高阻状态。 这种导电点切换机制类似于在原子级上形成导电桥存储器 14。然而，它本质上是不同的，也是独一无二的，因为单个金属离子填充了晶格中的单个空位，而不是通过高度无序的材料形成金属桥。我们发现硫空位在 2 纳米间距处稳定，导致忆阻器密度约为每 1 个单位
对称共存的吸引子在一个新型的备忘录中 -
非线性电子电路提供了产生混乱行为的有效方法[1] [2] [3]。Chuas电路是由Cai Shaotang教授在1983年[4] [5] [6] [7]制造的简单非线性混沌电路。chua的电路包含四个基本元素和非线性抗性，但有数百个研究论文。已经深入研究了Chua电路的细节，包括拓扑，数值模拟，动力学特征和物理现象[8] [9] [10] [11] [12]。由于Chua的电路系统具有极端的初始价值敏感性和良好的伪随机性的特征，该特征已在科学和工程中广泛使用，[13]，机器人[14]，随机发生器实现[15]，安全连接，安全连接甚至图像加密[16]，以及同步的加密[17]。在许多非线性系统和电子电路中都发现了多个吸引子的共存[18] [19] [20] [21]。通常，共存吸引子的外观与系统对称性有关，并紧密取决于系统初始条件。与多个吸引子的混乱系统能够在基于混乱的工程技术（例如神经网络[22]，图像加密[23]，控制系统[24]和随机数[25] [25]中提供更多复杂性。因此，与共存的混乱系统目前已成为相当大的兴趣。在1971年，根据Ciruit理论的完整性原理，Chua预测了第四个电子组合和名为Memristor，该原理具有记住过去电荷的独特表现[26] [27]。备忘录是由惠普（Hewlett Packard）实验室创建的，
忆阻器——从内存计算、深度学习加速和脉冲神经网络到神经形态和生物启发计算的未来
基于深度学习和 GPU 实现的解决方案已导致许多 AI 任务得到大规模改进，但也导致对计算能力的需求呈指数级增长。最近的分析表明，自 2012 年以来，对计算能力的需求增加了 30 万倍，估计每 3.4 个月这一需求就会翻一番 — — 这一速度远远快于历史上通过摩尔定律实现的改进（在同一时期内提高了七倍）。[1] 与此同时，摩尔定律在过去几年里显著放缓，[2] 因为有强烈迹象表明，我们将无法继续缩小互补金属氧化物半导体 (CMOS) 晶体管的尺寸。这要求探索替代技术路线图，以开发可扩展且高效的 AI 解决方案。
无需形成柔性的多状态忆阻器...
本文档是已发表作品的已接受手稿版本，该作品最终以 ACS Applied Electronic Materials 的形式发表，版权归美国化学学会所有，由出版商进行同行评审和技术编辑。要访问最终编辑和出版的作品，请参阅 https://doi.org/10.1021/acsaelm.0c00002
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
除非计算领域出现范式转变，否则数字计算机不断增长的处理能力需求不可能无限期地得到满足。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备是为了复制神经元、突触和简单脉冲网络的选定功能而开发的。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。
用于神经形态计算的互补金属氧化物半导体和忆阻硬件
数字计算机不断增长的处理能力需求不可能无限期地得到满足，除非计算领域出现范式转变。神经形态计算从大脑的高度并行、低功耗、高速和抗噪声计算能力中汲取灵感，可能带来这样的转变。来自学术界和工业界的许多研究人员一直在研究材料、设备、电路和系统，以实现神经元和突触网络的一些功能，从而开发神经形态计算平台。这些平台采用各种硬件技术设计，包括成熟的互补金属氧化物半导体 (CMOS) 和新兴的忆阻技术，如基于 SiO x 的忆阻器。本文重点介绍了用于神经形态系统的 CMOS、基于 SiO x 的忆阻器和混合 CMOS-忆阻硬件的最新进展。本文提供了各种设备的新成果和已发表成果，这些设备旨在复制神经元、突触和简单脉冲网络的选定功能。结果表明，CMOS 和忆阻设备组装在不同的神经形态学习平台中，以执行简单的认知任务，例如对基于脉冲速率的模式或手写数字进行分类。本文设想，所展示的内容将对非常规计算研究界有用，因为它可以深入了解神经形态硬件技术的进步。
CMOS和用于神经形态计算的回忆硬件
这是被接受出版的作者手稿，并且已经进行了完整的同行评审，但尚未通过复制，排版，分页和校对过程，这可能会导致此版本和记录版本之间的差异。请引用本文为doi：10.1002/aisy.201900189。本文受版权保护。保留所有权利
基于离散和连续吸引子网络的神经形态系统基于忆阻器的生物可信记忆
正是对建立一整套新的数学工具以分析和评估未来神经形态计算系统的启发。忆阻器于1971年被提出[4]，并于2008年通过实验建立[5]，它是一种电阻性器件，是针对这种非冯·诺依曼计算优化的未来神经形态器件。忆阻器可以根据内部状态和外部刺激（如电压脉冲）改变其电阻。先前的研究表明，基于忆阻器的交叉结构可以依靠欧姆定律和基尔霍夫定律，将计算最密集的组件矢量矩阵乘法（VMM）直接映射到电参数，从而加速各种人工神经网络（ANN）。[6,7]在此原理下，VMM计算过程直接在原位进行，从而避免了因从内存中获取数据而导致的内存墙（冯·诺依曼瓶颈）。尤其是在监督学习中，它可以降低前馈过程和从 NP 到 P 的反向传播的计算复杂度。[8] 因此，当前的研究主要集中在分类和回归任务上，以利用这种新的计算机制作为互补金属氧化物半导体 (CMOS) 电路的补充。然而，忆阻器的不同物理机制，如导电丝的形成/溶解和相变，决定了器件存在需要进一步优化的缺陷。[9,10]