以下文章来源于Artificial Synapse ，作者作者团队
研究背景
在大数据时代，为了解决数据运算问题，信息系统对数据处理效率的要求逐渐升高，但是目前仍没有器件可以将闪存的非易失性和静态随机存储器的高速度、低能耗的性能集于一体。研究人员希望能设计出类似人脑神经元的器件和架构，从而实现和人脑一样可并行计算的特性。忆阻器由于其非易失性、高擦写速度、低能耗和高密度集成的特点备受关注，为解决上述挑战提供了的一个有前途的解决方案。但是交叉阵列中的漏电路径问题成为阻碍大容量忆阻阵列的一大难题。
研究成果
北京理工大学孙林锋教授和香港大学王中锐教授合作，综述了关于存储和计算应用的忆阻交叉阵列以及漏电路径的解决方案。这篇文章首先从Crossbar的体系结构，分析了漏电流产生的原因。然后从材料和电路的角度讨论了减小漏电流影响的几种器件结构。最后总结了忆阻交叉阵列在机器学习和神经形态计算方面的应用，并对忆阻交叉阵列应用和发展现状作了展望。相关报道以“Memristive Crossbar Arrays for Storage and Computing Applications” 为题发表在Advanced Intelligent Systems期刊上。
图文导读
Figure 1. Crossbar architecture and the potential issues on sneak-path current, as well as the potential solutions.
Figure 2. Three typical types of bias voltage (V) schemes.
Figure 3. Electrical performance and typical features of 1S1R memory cell.
Figure 4. Nonvolatile memory based on one-transistor-one-resistor structure.
Figure 5. 1D1R crossbar array based on low-temperature-processed SiOx.
Figure 6. 3D vertical BJT RRAM cell.
Figure 7. Nanocrossbar memory array with CRS structures to avoid the sneak current.
Figure 8. 3D crossbar array integrated with self-rectifying Si/SiO2/Si memristors.
Figure 9. Self-selective crossbar memory array based on van der Waals heterostructures.
Figure 10. The equivalent circuit of a memristor crossbar array with parasitic wire resistance.
Figure 11. Illustration of 1R and 1T1R cells for being used as synapses in both SNNs and artificial neural networks (ANNs).
Figure 12. Different topologies of neural network layers that have been implemented by 1R and 1T1R crossbars.
Figure 13. Different types of learnings that have been implemented on 1R or 1T1R crossbars.
总结与展望
这篇综述基于忆阻器件的简单器件结构、优异的可扩展性、快速的编程、高耐久性、长的保持性以及与CMOS工艺的良好兼容性，总结了对忆阻交叉阵列应用的发展现状和展望，使忆阻器在信息存储、逻辑运算以及类脑神经形态计算领域的应用都极具潜力，这也使得这篇对存储和计算应用的忆阻交叉阵列的综述工作变得尤为必要。为了解决漏电流问题，本文中也系统综述了包括 1S1R、1T1R、1D1R、1BJT1R、CRS、SRC 和 SSC 在内的不同的器件阵列结构设计，为下一代高密度存储级忆阻阵列设计和仿生计算打下了良好的基础。
文献链接
Memristive Crossbar Arrays for Storage and Computing Applications
https://doi.org/10.1002/aisy.202100017
转自：“i学术i科研”微信公众号
如有侵权，请联系本站删除！
