自兼容忆阻器装置可实现多级操作和交叉阵列以形成神经网络
近年来，人工智能 (AI) 和物联网发展迅速，推动了语音识别、自动驾驶汽车图像分类以及 ChatGPT 等大型语言模型等领域的进步。深度学习是人工智能的一个关键要素，它需要并行处理大量数据，而传统计算机在这方面的效率仍然很低。神经形态或类脑计算系统由人工神经元和突触组成，具有低功耗和高效的数据处理能力。最有前途的神经形态计算半导体技术之一是电阻式随机存取存储器 (RRAM)，这是一种忆阻器件。忆阻器件具有“记住”过去电气状态的独特能力。在 RRAM 中，这种记忆效应源于其金属-绝缘体-金属结构的绝缘层中导电细丝 (CF) 的形成和溶解。金属氧化物绝缘体在此过程中起着至关重要的作用。
然而，尽管氧化钛基 RRAM 具有多种优势，但它们也存在器件间差异，这是由 CF 形成过程中的过冲电流引起的。这可能会导致故障或意外擦除内存。目前缓解过冲电流的方法需要增加晶体管或外部电流顺应 (CC) 设置，这增加了复杂性。
韩国东国大学电子电气工程系金成俊教授领导的研究小组取得了突破，开发出一种自柔顺 (SC) 忆阻器装置，克服了这些问题。
Kim 教授表示：“在这项研究中，我们在高密度双端忆阻器上实现了 SC，并在 32 x 32 忆阻器阵列上实现了 AI 半导体计算的核心矢量矩阵乘法 (VMM)。这项研究发表在ACS Nano上。
创新的忆阻器器件在绝缘层顶部有一层氧化铝/氧化钛 (AlO x /TiO y ) 层。该层充当内部电阻器，通过控制切换过程中形成的 CF 厚度来防止过冲电流，从而实现 SC。研究人员将 TiO y层微调至 10 纳米，从而提高了器件的性能。
通过一系列实验，研究人员展示了该器件无需外部CC的一致开关特性和低功耗的可靠多级操作。他们还研究了该器件的长期增强（LTP）和长期抑制（LTD）特性，这些特性代表了神经形态计算系统中神经元之间突触连接的强度。
利用这些特性，他们基于该设备模拟了神经网络，对来自著名 MNIST 数据库的图像进行分类。结果显示，在线学习准确率达到 92.36%。此外，利用该设备的 SC 多级模式的离线学习神经网络的准确率达到 96.89%。
最终，研究人员使用 32 x 32 纵横阵列的忆阻器构建了一个神经网络，以演示基于脉冲神经网络 (SNN) 的 VMM 操作。SNN 模仿大脑的计算过程，以低功耗而闻名。基于纵横阵列的神经网络在 MNIST 数据集上实现了 94.6% 的分类准确率，与模拟结果相比准确率仅下降了 1.2%，这表明其能力非凡。
Kim 教授表示：“由于其速度、效率和可扩展性，忆阻器阵列将成为下一代计算架构的关键。除了神经形态计算之外，它们还有广泛的潜在应用，包括非易失性存储器、物联网、机器学习和加密技术。此外，专门用于 AI 操作的神经处理单元需要为 VMM 操作量身定制的内存芯片，例如本研究中开发的高产量忆阻器阵列。”
总之，这种创新设备为高性能、节能的神经形态计算系统的开发开辟了道路，解锁了先进的新型人工智能应用。
页:
[1]