新型神经态器件阵列设计和优化

Memristors have been considered as the most effective synaptic device for neuromorphic computing applications. Many research groups have demonstrated excellent synaptic learning functions on memristors. Performances requirements of memristors based synaptic arrays for neuromorphic computing also have been calculated and simulated. For now, fabrication, test, analysis, and clarify the basic problems related to neuromorphic computing of the memristors based synaptic arrays are the most critical research projects needed to be fixed. . Fabrication and measurements of the synaptic arrays will be carried out based on the successful fabrication and test of the RRAM arrays in our research group. For the first step synaptic array design, RRAM devices will be changed to the developed analog resistive switching memristors. Based on the measured data, neuromorphic computing models will be developed to analyze the performances requirements of the memristors based synaptic arrays. Based on the calculation and analysis, new synaptic arrays and new operational methods will be developed to suppress the device performance variation, device cross-talk and the parasitic effects of the synaptic arrays. Finally, a neuromorphic array chip with synaptic learning functions will be demonstrated. 3D neuromorphic arrays will be designed, fabricated and measured to probe the possible methods for realization of the neuromorphic computing architecture of neurons : synapses > 1 : 1000 in human brain.

忆阻器公认为最有效的实现类脑计算中突触功能的电子器件。很多研究组已经在忆阻器上演示出了优异的突触学习特性，也从系统级出发对忆阻器作为突触器件的类脑计算体系进行了分析计算。当前基于忆阻器的突触阵列制备、测试和分析，并理清楚突触阵列中的基本问题成为了这种新型神经态器件进入类脑计算的必经门槛。. 项目的研究在课题组前期的阻变存储器阵列制备和测试上展开。将课题组已有的阵列上的阻变器件替换为新开发的具有模拟型电阻变化特性的忆阻器进行突触阵列的制备。通过测试提取相应的参数，建立类脑计算性能分析的理论模型。在理论计算的指导下通过阵列架构优化和操作算法的优化来抑制突触阵列中器件性能的涨落、器件串扰以及阵列寄生效应等对计算系统性能的影响。最后制备出能够实现突触学习功能的神经形态阵列演示芯片。项目将通过对三维神经形态器件阵列单元的设计、制备和测试探索人脑中神经元和突触比例1：1000的计算架构实现途。

计算速度的提升和功耗的降低成为了传统冯.诺依曼计算体系进一步发展的瓶颈。类脑计算体系在速度、功耗以及处理复杂任务方面被认为是最具有发展潜力的方向之一。人脑中神经元有1E11个突触有1E15个，是最主要计算功能单元。当前忆阻器已成为公认的最能够有效模拟生物大脑中突触功能的电子器件，人们已经在忆阻器上演示出了很好的长程记忆long-term-memory（LTM），短程记忆short-term-memory（STM）以及尖峰时间相关的可塑性spike-time-dependent- plasticity（STDP）等突触学习功能。基于金属氧化物的忆阻器还具有结构简单，集成度极高（4F2），其材料和加工工艺可以与CMOS平台兼容，而且性能稳定，速度快（sub-ns）、操作电压低（<3V）能耗低（<1pJ）等优点。可以说忆阻器的出现使得采用具有突触可塑性的硬件来实现真正人脑计算架构的设想成为可能。. 项目在所开发的忆阻器阵列制备工艺流程基础上，通过原位掺杂的原子层沉积技术在超薄HfOx阻变层中，进行Ti，Zr和Al元素掺杂。通过掺杂改变阻变功能材料层氧空位的能级分布，制备出了1K和4K的电阻状态双向连续可调的模拟型忆阻器阵列。项目在模拟型忆阻器阵列制备成功的基础上，对忆阻器阵列电阻状态写入的一致性，电阻状态的稳定性以及模拟擦写的耐久性等进行了深入的统计测试和分析。并将所测得的阵列参数带入所搭建的人工神经网络，分析了忆阻器阵列非理想因素对人工神经网络性能指标的影响。为了构建更加高效的人工神经网络，项目还制备出了能够模拟生物神经网络中树突计算功能的动态忆阻器和能够模拟生物神经元胞体脉冲发放功能的阈值开关型忆阻器。将所制备的能够实现生物神经网络关键计算功能的三种忆阻器进行集成，搭建了能够模拟生物神经元丰富动态过程的人工神经网络模块。为构建更加高效的人工神经网络提供了基础。项目的研究结果发表在了Nature Nanotechnology，Nanoscale,IEDM等国际顶级期刊和会议上。