氧化锌/氧化钽双介质层忆阻器的突触特性分析
发布时间：2021-02-04 14:58
针对TaOx单介质层忆阻器在高低阻态突变切换和高运行功耗对突触可塑性模拟方面的不足,提出将氧化锌介质层引入Ti/TaOx/ITO忆阻器中的方案,拟改善其突触性能.研究发现,器件Ti/ZnO/TaOx/ITO在功耗和电导调制线性度方面皆有改善,并有着电阻渐变的行为,利于器件突触功能的实现及应用.为此对Ti/ZnO/TaOx/ITO双介质层器件进行电压脉冲训练,并成功模拟学习饱和、经验学习,以及短时程记忆向长时程记忆转变等生物突触行为.
【文章来源】：福州大学学报(自然科学版). 2020,48(05)北大核心
【文章页数】：6 页
【部分图文】：
器件的电流-电压曲线及器件结构示意
图1(a)～(b)分别为器件S1(单阻变介质层器件, 以下简称单层器件)和器件S2(双阻变介质层器件, 以下简称双层器件)的器件结构图及典型的I-U曲线图, 其中图1(b)为双层器件S2循环100次的I-U曲线图. 通过对比可知, 尽管两者的Set和Reset极性相反, 但两者都表现出双极性阻变行为. 与S1单层器件相比, S2双层器件的功耗有所下降(S1器件的Set和Reset功率大约为1和20 mW, 而S2对应的Set和Reset功率只有100和10 nW左右), 并且反复擦写更加稳定. S1单层器件在Set和Reset过程中, 表现出突变的电阻切换, 相比之下, S2双层器件表现出更连续的电阻切换行为. 逐渐变化的电阻调制行为与生物突触权重(神经元间的连接强度)的变化行为比较接近[1]. 因此, S2器件更适合用来模拟生物突触的可塑性.具有电导线性调制能力的忆阻器可用于模式识别并有助于提高模式识别的精度[18-19]. 为此, 分别对器件S1和S2的电导调制线性度进行测量. 在器件上电极施加20个相同的电压训练脉冲, 脉冲的幅度/脉宽为+3 V/10 ms, 脉冲之间间隔为100 ms, 每个刺激脉冲后附带一个幅度为+0.3 V的读脉冲来读取器件的电导值; 正向脉冲施加完毕后, 立即在上电极上施加20个-3 V/10 ms的负向电压脉冲, 脉冲间隔为100 ms. 重复以上操作, 在器件S1和器件S2上分别测得电导随脉冲变化的三组数据, 如图2(a)～(b)所示, 图2(c)为电压脉冲示意图. 可以看出图2(b)相对于图2(a)的电导调制线性度有一定的提高, 特别是施加正脉冲序列时(电导上升), 随着脉冲的不断施加, S2器件的电导变化近似呈一条直线, 而S1器件的电导会逐渐趋于饱和. 在基于氧化物的忆阻器中, 氧空位和氧离子的迁移和积累引起介质层的电阻变化是一种被广泛接受的阻变机制. 在器件S1中, 当在上电极上施加正偏压时, 器件内会产生氧离子和氧空位. 氧空位会向底电极迁移, 并在底电极发生积累, 逐渐形成导电通道; 氧离子会向上电极(Ti)迁移, 氧离子会逐渐与钛电极发生反应, 形成氧化钛层. 而文献[20]认为电极氧化层的形成会引起电导饱和效应的产生, 其主要原因为当氧化层逐渐增厚, 不仅会阻碍氧离子与钛电极进一步反应, 还会分走介质层上的部分电压, 导致氧离子和氧空位的迁移速度逐渐变慢, 最终使器件产生电导饱和效应. 而S2器件中引入了氧化锌层, 在制备过程中, 由于ZnO和TaOx的吉布斯自由能不同(ΔGf, ZnO=-318.2 kJ·mol-1; ΔGf, TaOx=-1 904 kJ·mol-1), ZnO的吉布斯自由能更高, ZnO中的氧离子会进入TaOx介质层中, 所以ZnO层的氧空位浓度较高, 当在正电极上施加正偏压时, 氧离子要先从TaOx层进入氧化锌层, 然后再迁移到钛电极附近进行反应, 氧化锌层会捕获一部分的氧离子, 阻碍电极氧化层(TiOx)的形成, 使氧空位和氧离子得以以较为均匀的速度进行迁移, 从而缓解电导饱和效应, 提升电导调制线性度. 所以, 相较S1单介质层器件, 加入ZnO层的S2器件, 在电导调制线性度方面有所改善.
综上所述, S2器件有着更低的功耗、 更连续的电阻变化和更好的电导线性调制能力, 这表明S2器件具备作为电子突触应用的可能[2]. 因此, 对S2器件的突触性能进行了一系列的研究. 生物中的突触的连接强度会随着前后神经元的活动而发生改变, 与刺激信号的时序、 频率以及强度等相关. 为了进一步分析电子突触的学习行为, 分别研究了电压脉冲的幅值大小、 脉宽和间隔对器件电导调制的影响. 根据控制变量法, 分别改变训练脉冲的幅值(2、 4和5 V)、 脉宽(5、 50和100 ms)和脉冲间隔(60、 200 和400 ms), 测得器件电导随脉冲的变化趋势图, 分别如图3(a)～(c)所示(训练脉冲示意图如图3(d)所示).图3 训练脉冲参数对突触饱和效应的影响
【参考文献】：
期刊论文
[1]基于忆阻器模拟的突触可塑性的研究进展[J]. 张晨曦,陈艳,仪明东,朱颖,李腾飞,刘露涛,王来源,解令海,黄维. 中国科学:信息科学. 2018(02)
[2]Synaptic electronics and neuromorphic computing[J]. Navnidhi K.UPADHYAY,Saumil JOSHI,J.Joshua YANG. Science China（Information Sciences）. 2016(06)
本文编号：3018500
【文章来源】：福州大学学报(自然科学版). 2020,48(05)北大核心
【文章页数】：6 页
【部分图文】：
器件的电流-电压曲线及器件结构示意
图1(a)～(b)分别为器件S1(单阻变介质层器件, 以下简称单层器件)和器件S2(双阻变介质层器件, 以下简称双层器件)的器件结构图及典型的I-U曲线图, 其中图1(b)为双层器件S2循环100次的I-U曲线图. 通过对比可知, 尽管两者的Set和Reset极性相反, 但两者都表现出双极性阻变行为. 与S1单层器件相比, S2双层器件的功耗有所下降(S1器件的Set和Reset功率大约为1和20 mW, 而S2对应的Set和Reset功率只有100和10 nW左右), 并且反复擦写更加稳定. S1单层器件在Set和Reset过程中, 表现出突变的电阻切换, 相比之下, S2双层器件表现出更连续的电阻切换行为. 逐渐变化的电阻调制行为与生物突触权重(神经元间的连接强度)的变化行为比较接近[1]. 因此, S2器件更适合用来模拟生物突触的可塑性.具有电导线性调制能力的忆阻器可用于模式识别并有助于提高模式识别的精度[18-19]. 为此, 分别对器件S1和S2的电导调制线性度进行测量. 在器件上电极施加20个相同的电压训练脉冲, 脉冲的幅度/脉宽为+3 V/10 ms, 脉冲之间间隔为100 ms, 每个刺激脉冲后附带一个幅度为+0.3 V的读脉冲来读取器件的电导值; 正向脉冲施加完毕后, 立即在上电极上施加20个-3 V/10 ms的负向电压脉冲, 脉冲间隔为100 ms. 重复以上操作, 在器件S1和器件S2上分别测得电导随脉冲变化的三组数据, 如图2(a)～(b)所示, 图2(c)为电压脉冲示意图. 可以看出图2(b)相对于图2(a)的电导调制线性度有一定的提高, 特别是施加正脉冲序列时(电导上升), 随着脉冲的不断施加, S2器件的电导变化近似呈一条直线, 而S1器件的电导会逐渐趋于饱和. 在基于氧化物的忆阻器中, 氧空位和氧离子的迁移和积累引起介质层的电阻变化是一种被广泛接受的阻变机制. 在器件S1中, 当在上电极上施加正偏压时, 器件内会产生氧离子和氧空位. 氧空位会向底电极迁移, 并在底电极发生积累, 逐渐形成导电通道; 氧离子会向上电极(Ti)迁移, 氧离子会逐渐与钛电极发生反应, 形成氧化钛层. 而文献[20]认为电极氧化层的形成会引起电导饱和效应的产生, 其主要原因为当氧化层逐渐增厚, 不仅会阻碍氧离子与钛电极进一步反应, 还会分走介质层上的部分电压, 导致氧离子和氧空位的迁移速度逐渐变慢, 最终使器件产生电导饱和效应. 而S2器件中引入了氧化锌层, 在制备过程中, 由于ZnO和TaOx的吉布斯自由能不同(ΔGf, ZnO=-318.2 kJ·mol-1; ΔGf, TaOx=-1 904 kJ·mol-1), ZnO的吉布斯自由能更高, ZnO中的氧离子会进入TaOx介质层中, 所以ZnO层的氧空位浓度较高, 当在正电极上施加正偏压时, 氧离子要先从TaOx层进入氧化锌层, 然后再迁移到钛电极附近进行反应, 氧化锌层会捕获一部分的氧离子, 阻碍电极氧化层(TiOx)的形成, 使氧空位和氧离子得以以较为均匀的速度进行迁移, 从而缓解电导饱和效应, 提升电导调制线性度. 所以, 相较S1单介质层器件, 加入ZnO层的S2器件, 在电导调制线性度方面有所改善.
综上所述, S2器件有着更低的功耗、 更连续的电阻变化和更好的电导线性调制能力, 这表明S2器件具备作为电子突触应用的可能[2]. 因此, 对S2器件的突触性能进行了一系列的研究. 生物中的突触的连接强度会随着前后神经元的活动而发生改变, 与刺激信号的时序、 频率以及强度等相关. 为了进一步分析电子突触的学习行为, 分别研究了电压脉冲的幅值大小、 脉宽和间隔对器件电导调制的影响. 根据控制变量法, 分别改变训练脉冲的幅值(2、 4和5 V)、 脉宽(5、 50和100 ms)和脉冲间隔(60、 200 和400 ms), 测得器件电导随脉冲的变化趋势图, 分别如图3(a)～(c)所示(训练脉冲示意图如图3(d)所示).图3 训练脉冲参数对突触饱和效应的影响
【参考文献】：
期刊论文
[1]基于忆阻器模拟的突触可塑性的研究进展[J]. 张晨曦,陈艳,仪明东,朱颖,李腾飞,刘露涛,王来源,解令海,黄维. 中国科学:信息科学. 2018(02)
[2]Synaptic electronics and neuromorphic computing[J]. Navnidhi K.UPADHYAY,Saumil JOSHI,J.Joshua YANG. Science China（Information Sciences）. 2016(06)
本文编号：3018500
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3018500.html
