面向人工神经网络应用的忆阻器器件及集成技术研究

发布时间：2020-11-05 00:16

　　 近年来,随着大数据、云计算、人工智能等信息技术的快速发展,全球数据量呈井喷式增长,信息处理逐渐从以计算为中心向以数据为中心过渡,然而现有的计算架构正遭受着“冯·诺依曼瓶颈”的挑战,难以满足大数据时代对信息处理的性能要求。想要从根本上解决“冯·诺依曼瓶颈”问题,就需要挣脱冯·诺依曼架构中存算分离体系的束缚,实现存算一体。在具有大规模并行、自适应、自学习能力且能耗极低的人脑中,信息的存储与运算并没有明确的界限。以人脑为灵感,构建存算一体的高效神经形态计算系统引起越来越多的关注。因此,人们开始研究新型的纳米器件,希望实现对人脑中突触及神经元的模拟。忆阻器,又称阻变存储器(RRAM),作为两端器件,其阻值在电激励下连续可调,又具有高速、低功耗的特性,被认为是理想的突触模拟器件。此外,由忆阻交叉阵列实现的人工神经网络将有望在硬件上实现高效的神经形态计算系统。然而,忆阻神经网络的研究在器件层面和集成层面都面临着严峻挑战,本文主要从器件线性度问题和阵列的漏电流问题展开讨论,从而为面向人工神经网络应用的忆阻器件的优化及阵列集成的实现提供思路。主要的研究工作如下:(1)在神经网络识别应用中,器件的I-V线性度和电导变化线性度都会对识别精度造成极大影响,对电导变化线性度的改善已被广泛研究。在这项工作中,本文研究了不同电极的TaOx基忆阻器的I-V线性度和电导变化线性度。为进一步探究线性度差异的根本原因,本文通过电导-温度依赖特性的测试对其阻变机制进行分析,结果表明成分调控机制相较间隙调控机制具有更好的I-V线性度和电导变化线性度。最后,本文根据线性度数据进行了 MNIST手写数字数据集上的神经网络仿真,从而进一步说明选择合适的电极使其具有良好的I-V线性度和电导变化线性度将有利于提高神经网络的识别精度。(2)在交叉阵列中存在漏电流所引起的串扰问题,将会造成器件信息的误读,影响阵列功耗,限制阵列规模的扩大。为了解决漏电流问题,需要串联一选通器件。在这项工作中,本文设计并制备出优异性能的TaOx基选通器件,其具有低漏电流、自限流、CMOS兼容等优点。为了验证该选通器件对漏电流的抑制作用,本文将其与合适的忆阻器件进行集成,选通器件加入后极大地降低了忆阻器件的漏电流。通过对读取窗口与阵列规模的计算,选通器件将能够使阵列存储容量得到极大提高。该工作实现了能够稳定操作的选通器件及其集成单元,在忆阻器交叉阵列的实现上具有一定意义。
【学位单位】：中国科学技术大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP183;TN60
【部分图文】：

＼?＼????ｇ?Ｐｅｒｆｏｒｍａｎｃｅ?Ｇａｐ??１?〇＜－?（Ｎｆ〇＾ｍ＇〇ｒ－ｏ〇ｏ〇ｔ－（Ｎｒｏ＾－ｉｒ＞〇ｐ＾ｃ〇￡＞ｏ??／?＼?ＯＯＯＯＣＯＣＯＯＯＣＯＣＯＣＯＣＯＯＯＯ＇ＯＯ＇Ｏ＇ＯＯ＇ａＯＯ＇ＯＱ??／?Ｓｔｏｒａｇｅ?（ＨＤＤ．?ＮＡＮＯ）?＼?（＞〇＊?ａ〇｛＞＜＞ａｏａｏ〇＇〇＊ｏ〇＇〇＇〇＇〇ａ＇〇￡＞ｏ??／?°?＊?＇?，?＼?ｒ－ｒ￣?ｒ—?ｒ—?ｒ￣ｒ—?？—?ｒ￣ｒ￣ｒ￣Ｔ￣ｒ—ｒ—?ｒ－?ｒ￣?？—?ｒ￣?ｒ－?ｒ－?ｒ－?ＯＮ??图１．?１?（ａ）存储器的层次结构（ｂ）处理器－内存性能差距ｍ??现在主流的存储结构是金字塔结构［３］，如图１．１?（ａ）所示。金字塔型存储器??结构采用易失性与非易失性存储器的层次结构来实现成本和性能之间的最佳均??衡。金字塔自上而下分别是ＣＰＵ内核（Ｃｏｒｅ），如寄存器和触发器、高速缓冲存??储器（Ｃａｃｈｅ?Ｍｅｍｏｒｙ），通常为静态随机存储器（ＳＲＡＭ）、主存储器（Ｍａｉｎ??Ｍｅｍｏｒｙ），通常为动态随机存储器（ＤＲＡＭ）以及用于数据存储的硬盘驱动器??（ＨＤＤ）和ＮＡＮＤ闪存（ＮＡＮＤＦｌａｓｈ）。越靠近金字塔顶端的存储器，越接近??处理器内核，访问速度越快，存储容量越小，成本也越高；越靠近底层，存储器??容量越大，而速度越慢，但成本较低。然而，为了提高存储性能，这种存储层次??１??

?第１章???结构仍有三个关键问题亟待解决：（１）不同层次之间的速度差距（Ｓｐｅｅｄ?Ｇａｐ）；??（２）由于存储密度增加而迅速增大的功耗（ＬａｒｇｅＰｏｗｅｒ）；?（３）内存瓶颈：处理??器和内存之间在容量和速度上呈指数性增长的差距（如图Ｕ?（ｂ）所示）。??此外，由于冯？诺依曼结构中计算单元与存储单元是分离的，如图１．２?（ａ）??所示，数据在二者之间的持续通信将会造成额外的延迟与能耗，这会极大地影响??计算性能的进一步提升，通常称为“冯？诺依曼瓶颈”。“冯？诺依曼瓶颈”的存??在大大降低了计算机处理信息的效率。因此，为了提高计算的能力与效率以满足??“大数据”时代的需求，最有效的方法就是打破将存储与运算分离的冯？诺依曼??体系架构的限制，实现存算一体（如图１．２?（ｂ）所示）。在存算一体架构中，内??存不仅仅用作存储，也进行计算，数据不需要在计算单元与存储单元之间来回穿??梭，从而从根本上解决“冯？诺依曼瓶颈”问题。??（ａ）?Ｐｒｏｃｅｓｓｉｎｇ?ｕｎｉｔ?Ｃｏｎｖｅｎｔｉｏｎａｌ?ｍｅｍｏｒｙ??ｊｎ＾?ｎ?ＴＴｉｔｔ?，?ｐａｔａｏ??Ｍ?〇ｎ，ｆ〇?Ｕｎ?ｌ?ｔ?０１０００１０１０１０１０１１０００１０１０１０??／?歲Ｗ民择Ｖ－」??Ｒｅｓｕｌｔ?１（Ｄ＼??Ｃｏｍｐｕｔａｔｉｏｎ?ｉｎ??、、?ｐｒｏｃｅｓｓｏｒ??（ｂ）?Ｐｒｏｃｅｓｓｉｎｇ?ｕｎｔｔ?、、？？?Ｃｏｍｐｕｔａｔｉｏｎａｌ?ｍｅｍｏｒｙ??＃?Ｃｏｍｒｏｌｕｎｉ．—７１ｆ?ＣｃｍＰ？？＾ｉｎ?＼，ＢＨＳＳＳＨｋ??ｍ?置■?ｍｅｍｏｒｙ?．?ｐ：ｒ?－－Ｗ??Ｍｉ＿１＿丨＿酬＿咖晒ｕｍＪｊｌｔｍ?

?第１章???１．２人工神经网络概述??人类大脑提供了一种很有趣的计算模型，这个模型是由大量计算单元（神经??元）与存储单元（突触）组成的高密度网络，并且所有单元均以极低功耗（？２０??０）工作Ｗ。人脑大约有１０１１个神经元和Ｉ０１５个突触，单个神经元可通过突触为??其他神经元提供约１００００个输入／输出［６］。神经元由许多部分组成，其结构示意图??如图１．３?（ａ）所示。胞体是神经元的主体，并通过轴突和树突与其它神经元相连??从而构成网络。树突负责接收来自其它神经元的信息（输入）而轴突及其末端负??责将信息传送出去（输出）。突触是前一个神经元的轴突末梢及后一个神经元的??树突之间的小间隙（２０－４０?ｎｍ）。突触权重，即神经元之间的连接强度会随着大??脑对新信息的适应而增强或减弱，这一现象称为“突触可塑性”。由于突触可塑??性将影响大脑学习与记忆的行为，模拟突触的权值变化成为了神经形态计算的核??心。??当神经元兴奋时，它会释放一个信号（脉冲），该信号沿着轴突向下传播，??并通过突触进入下一个神经元的树突。信号能否传递至下一个神经元取决于神经??元之间连接的强度，即突触权重。如果一个神经元有足够多的输入信号，使其触??发，信号将被顺利传递并在神经网络中传播。??人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，ＡＮＮ）是以人脑神经元网络为参??考所建立的一种神经形态计算模型。如图１．３?（ｂ）所示是人工神经网络具体实现??的示意图，为了实现可拓展的ＡＮＮ，通常采用突触交叉阵列结构。每条输入线??通过可编程电阻与输出线相连，因此，每个输入信号都将影响每条输出线的输出??信号，而中间的连接电阻
【相似文献】

相关期刊论文 前10条

1 裴淳;;一种国产器件替代验证项目的确定方法[J];环境技术;2020年01期

2 吴朱华;;虚拟器件——虚拟化技术的新利刃[J];程序员;2010年04期

3 ;“MEMS器件与技术”专辑出版预告暨征稿启事[J];微纳电子技术;2010年04期

4 ;“MEMS器件与技术”专辑出版预告[J];微纳电子技术;2010年07期

5 ;“MEMS器件与技术”专辑出版预告[J];微纳电子技术;2010年09期

6 孙再吉;;2012年RF GaN器件市场达2.14亿美元[J];半导体信息;2009年02期

7 孙再吉;;印度MEMS器件的开发[J];半导体信息;2008年04期

8 孙再吉;;2010年GaAs器件市场超过42亿美元[J];半导体信息;2007年05期

9 ;Altera推出新款MAX II CPLD器件系列[J];电信科学;2004年04期

10 张宝春;隔离器件在工业现场的应用[J];计算机测量与控制;2003年03期

相关博士学位论文 前10条

1 宋萌萌;智能器件的垂直可控运动及在能量转换方面的研究[D];北京化工大学;2017年

2 杨传森;氧化钼基阻变器件类神经突触特性的研究[D];中国科学院大学(中国科学院物理研究所);2017年

3 赵建辉;用于视觉系统的忆阻器特性研究[D];河北大学;2020年

4 王秀如;多色OLED器件及设备研究[D];上海大学;2006年

5 章文通;超结功率器件等效衬底模型与非全耗尽工作模式研究[D];电子科技大学;2016年

6 魏琳琳;过渡族金属氧化物基阻变器件电阻转变特性及其机理研究[D];武汉理工大学;2013年

7 郭鹏;有机电双稳材料与器件的研究[D];复旦大学;2007年

8 殷乔楠;氧化钛阻变器件开关特性对尺寸和环境湿度依赖性的研究[D];南京大学;2016年

9 彭其明;有机电致发光器件的磁致亮度变化及其在器件物理中的应用研究[D];吉林大学;2015年

10 马晓华;90nm CMOS器件强场可靠性研究[D];西安电子科技大学;2006年

相关硕士学位论文 前10条

1 方伊琳;面向人工神经网络应用的忆阻器器件及集成技术研究[D];中国科学技术大学;2020年

2 贾旺旺;忆阻器件及其应用[D];电子科技大学;2016年

3 董华;基于忆阻器件的模数转换器的设计[D];电子科技大学;2014年

4 包晗;FPGA器件的应用研究[D];大连海事大学;2006年

5 雷国伟;超二维有机材料的器件优化及界面研究[D];华中科技大学;2015年

6 程祖华;场发射阴极OLED器件的结构及性能研究[D];郑州大学;2014年

7 赵俊;器件的热阻和温度的分析[D];西安电子科技大学;2012年

8 曹蕾;碳化硅功率MOSFET器件短路特性研究[D];浙江大学;2020年

9 杨坤隆;有机半导体器件的磁效应研究[D];复旦大学;2014年

10 顾野;忆阻器件的特性与电路应用研究[D];电子科技大学;2015年

本文编号：2870821