[论文解读] Memristor nanodevice for unconventional computing:review and applications

Mahyar Shahsavari, Pierre Boulet|arXiv (Cornell University)|Mar 1, 2017

Advanced Memory and Neural Computing参考文献 44被引用 4

一句话总结

本文综述了忆阻器纳米器件作为非传统计算基础构建模块的作用，强调其在非易失性存储、类脑计算系统以及模拟/数字计算中的角色。文章基于材料对忆阻器类型进行了全面分析——包括阻变型、自旋型、有机型和铁电型——突出其独特特性、应用潜力，以及克服存储墙瓶颈、实现类脑计算的潜力。

ABSTRACT

A memristor is a two-terminal nanodevice that its properties attract a wide community of researchers from various domains such as physics, chemistry, electronics, computer and neuroscience.The simple structure for manufacturing, small scalability, nonvolatility and potential of using inlow power platforms are outstanding characteristics of this emerging nanodevice. In this report,we review a brief literature of memristor from mathematic model to the physical realization. Wediscuss different classes of memristors based on the material used for its manufacturing. Thepotential applications of memristor are presented and a wide domain of applications are explainedand classified.

研究动机与目标

• 系统性综述忆阻器纳米器件的理论基础至实际计算应用。
• 基于材料组成分析不同忆阻器类型的性能、优势与局限性。
• 对忆阻器在非易失性存储、数字逻辑和模拟/类脑计算等领域的潜在应用进行分类与评估。
• 识别忆阻器系统的关键研究方向，特别是在类脑计算与低功耗计算中的未来路径。

提出的方法

• 回顾忆阻器的数学与物理基础，包括蔡少棠的理论框架以及磁通与电荷之间的忆阻关系。
• 根据材料与开关机制，将忆阻器分为四类：阻变型（RRAM）、自旋型（MRAM）、有机型（聚合物型）和铁电型（FeRAM）。
• 分析不同材料类型在开关速度、耐久性、功耗和与CMOS工艺兼容性等方面的器件级特性。
• 调研在非易失性存储（如RRAM、PCM）、通过交叉阵列实现逻辑计算，以及模拟功能（如振荡器与滤波器）中的应用。
• 评估忆阻器在类脑计算中的应用，将其用作脉冲神经网络（SNNs）中的人工突触，并支持基于STDP的学习机制。
• 提出一个研究分类框架（图10），以指导未来系统级集成与混合电路设计。

实验结果

研究问题

• RQ1 不同忆阻器材料（阻变型、自旋型、有机型、铁电型）如何影响器件性能及其在特定应用中的适用性？
• RQ2 忆阻器在多大程度上可克服传统计算架构中的存储墙问题？
• RQ3 基于忆阻器的系统能否有效模拟突触可塑性，并在类脑计算中支持在线学习？
• RQ4 在忆阻器器件制造中，可扩展性、耐久性、功耗效率与CMOS兼容性之间存在哪些关键权衡？
• RQ5 如何将忆阻器集成到混合电路中，以实现新型模拟、数字及神经形态计算范式？

主要发现

• 阻变型忆阻器（如RRAM）研究与应用最广泛，尤其在非易失性存储和类脑系统中，因其高可扩展性与低功耗而备受青睐。
• 自旋型与铁电型忆阻器在下一代非易失性存储中展现出巨大潜力，具备高耐久性与快速开关速度。
• 有机（聚合物）型忆阻器因其可调谐且非线性的电阻行为，特别适合用作脉冲神经网络中的人工突触。
• 忆阻器可实现内存内计算架构，减少数据移动，从而潜在地突破高性能计算中的存储墙瓶颈。
• 采用忆阻器的类脑系统可实现复杂的学乤断言，如脉冲时间依赖可塑性（STDP），从而在深度置信网络等平台中实现高效的在线学习。
• 基于忆阻器的交叉阵列可将电路面积减少近10倍，并在能效比方面优于传统晶体管架构。