XiaoMi-AI文件搜索系统
World File Search System忆阻器
忆阻器原理与相关应用进展综述
本文综述了忆阻器的基本结构原理和材料，讨论了二元金属氧化物和钙钛矿忆阻器现有的研究，并在现有研究的基础上描述了它们的应用现状。最后对忆阻器的发展进行了全面的总结和展望，未来，忆阻器有望突破硅基集成电路摩尔速率的限制，为电路优化和计算机体系结构的发展做出贡献。
电压忆阻器
脑机接口（BCI）可以建立大脑与外部设备之间的信息交互，从而实现对活体生物组织行为的有效控制和协调，最终实现生物智能与人工智能的完美融合。[1,2]大脑作为神经系统中最高级的部分，在多维信息处理、智能计算与决策方面具有极高的效率和极低的功耗，这主要归功于神经元之间复杂的连接。[3–7]作为大脑计算引擎的神经元通过突触紧密连接（图1 a）。在生物突触中，传递到突触前神经元的神经电刺激（动作电位）导致电压门控Ca 2 +通道的开放，导致Ca 2 +离子内流，进而诱导胞吐的发生，促进神经递质的释放到突触间隙。来自突触间隙的神经递质在突触后质膜被NMDA和AMPA受体/离子通道接收，导致离子通道的开放或关闭，最终离子内流进入突触后神经元并建立突触后电位，这表明该过程在调节突触后细胞膜电导和膜电位的快速变化中起着重要作用（图1b）。[2,7–9]在此过程中，产生动作电位时膜电位的变化可分为静息、去极化、复极化和超极化四个阶段，如图1c和表1所示。如我们所见，生物系统的实际工作电压要求约为50–120 mV（生物电压）。 [10,11] 另一方面，基于与生物神经系统高度相似的忆阻器的类脑神经形态器件研究取得了重要进展，从根本上突破了冯·诺依曼瓶颈，真正实现了存储与计算的一体化。值得注意的是，受到生物大脑高效计算、低功耗的启发，忆阻器的工作电压与生物系统所需的生物电压相匹配，可以高效地处理复杂信息并进行进一步决策，为与生命体的连接和通信奠定基础。
基于忆阻器的内存计算
摘要 随着基于忆阻技术的内存计算系统的迅速兴起，将此类内存设备集成到大规模架构中是需要解决的主要问题之一。在本文中，我们研究了基于 HfO 2 的忆阻设备在大规模 CMOS 系统（即 200 毫米晶圆）中的集成。分析了单金属-绝缘体-金属设备的直流特性，同时考虑了设备间的差异和开关特性。此外，还分析了样品原始状态下漏电流水平的分布，并将其与被测设备中未成形的忆阻器数量相关联。最后，将得到的结果拟合到基于物理的紧凑模型中，从而可以将其集成到更大规模的模拟环境中。
基于忆阻器的边缘计算信号处理
赵晗就职于清华大学北京国家信息科学技术研究中心集成电路学院，北京 100084，中国，同时也就职于哈尔滨工业大学微电子科学与技术系，哈尔滨 150001。电子邮件：1172100403@stu.hit.edu.cn。刘正武就职于清华大学北京国家信息科学技术研究中心集成电路学院，北京 100084，中国。电子邮件：liuzw18@mails.tsinghua.edu.cn。唐建石、高斌、钱赫和吴华强就职于清华大学北京国家信息科学技术研究中心集成电路学院，北京 100084，中国，同时也就职于清华大学北京未来芯片创新中心，北京 100084。电子邮件：f jtang, gaob1, qianh, wuhq g @tsinghua.edu.cn。张玉峰就职于哈尔滨工业大学微电子科学与技术系，哈尔滨 150001，中国。电子邮件：yufeng zhang@hit.edu.cn。Ž 赵涵和刘正武对本文贡献相同。通讯作者。稿件收到日期：2021-02-27；修订日期：2021-06-15；接受日期：2021-06-27。
集成光忆阻器 1. 简介
电子器件中的忆阻器已显示出从电路元件到神经形态计算等一系列应用的潜力。这种改变电子器件中通道电导率的能力近年来使内存计算成为可能，从而吸引了人们对忆阻器的极大兴趣。光学模拟需要以半连续和非易失性的方式调制光的传输。随着光子计算的普及，人们正在使用一系列功能材料来实现这种光学模拟，即调制集成电路中的光学响应，同时保持调制状态。在这里，我们回顾了光子集成电路这一重要且新兴领域的最新进展，并概述了当前的最新技术。光学忆阻器在高带宽神经形态计算、机器学习硬件和人工智能中的应用尤其令人感兴趣，因此这些忆阻器的光学类似物允许将超快、高带宽光学通信与本地信息处理相结合的技术。
基于忆阻器的脉冲神经网络 - ePrints Soton
新兴的非易失性存储设备，即忆阻器，在神经形态硬件设计中展现出了非凡的前景，特别是在脉冲神经网络 (SNN) 硬件实现中。基于忆阻器的 SNN 已经应用于解决传统人工神经网络 (ANN) 解决的任务（例如图像分类和模式识别），并且不同学科仍在进行更多尝试以挖掘这一新研究课题的潜力。要将忆阻器应用于神经形态应用（本文中严格定义为使用 SNN 的应用），可以遵循两种途径。一种方法是首先利用硬件基础设施来表征和控制忆阻器设备，然后将其映射到应用程序的更高级函数（例如矩阵乘法）。另一种方法是将数据驱动的忆阻器模型嵌入软件模拟器中，以使用从真实设备中提取的参数来模拟应用程序。
利用...开发基于 HfO2-X 的神经忆阻器
在本研究中，我们制造了一种 Ta/HfO 2-x /Mo 基单细胞忆阻器，这是一种全球独一无二的配置。研究了基于 HfOx 的忆阻器器件上钽和钼电极的突触行为。使用脉冲激光沉积 (PLD) 方法生长 HfO 2-x (15 nm)，并使用溅射系统和光刻法制造电极。通过 X 射线光电子能谱 (XPS) 确定金属氧化物化学计量。成功获得了长期增强 (LTP) 和成对脉冲促进 (PPF) 特性，它们在人工神经网络的学习过程中发挥着重要作用。进行了电流-电压测量和保持测试，以确定器件在适当范围内的 SET 和 RESET 状态。结果表明，该忆阻器器件是人工神经网络 (ANN) 应用的有力候选者。
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
基于忆阻器的轻量级、高鲁棒性的混合神经网络
基于忆阻器的神经形态计算在高速、高吞吐量信号处理应用（如脑电图 (EEG) 信号处理）中显示出巨大潜力。尽管如此，单晶体管单电阻 (1T1R) 忆阻器阵列的大小受到器件非理想性的限制，这阻碍了大型复杂网络的硬件实现。在本文中，我们提出了深度可分离卷积和双向门循环单元 (DSC-BiGRU) 网络，这是一种基于 1T1R 阵列的轻量级且高度稳健的混合神经网络，通过混合 DSC 和 BiGRU 块，能够在时间、频率和空间域中有效处理 EEG 信号。在确保网络分类准确性的同时，网络规模减小了，网络稳健性提高了。在模拟中，通过统计分析将测得的 1T1R 阵列的非理想性带入网络中。与传统卷积网络相比，在阵列成品率95%、容错率5%的条件下，网络参数减少了95%，网络分类准确率提高了21%。该工作表明，基于忆阻器阵列的轻量级、高鲁棒网络对于依赖低消耗和高效率的应用具有巨大的前景。