[论文解读] Challenges in materials and devices for Resistive-Switching-based Neuromorphic Computing

Javier del Valle, Juan Gabriel Ramírez+2 more|arXiv (Cornell University)|Oct 31, 2018

Advanced Memory and Neural Computing被引用 11

一句话总结

本文综述了基于过渡金属氧化物的阻变式神经形态计算系统在开发过程中面临的挑战与机遇。文章概述了基于电荷的器件设计，以模拟类脑功能，重点强调了材料选择、阻变机制以及可扩展、能效高的神经形态硬件在集成方面的障碍。

ABSTRACT

This tutorial describes challenges and possible avenues for the implementation of the components of a solid-state system, which emulates a biological brain. The tutorial is devoted mostly to a charge-based (i.e. electric controlled) implementation using transition metal oxides materials, which exhibit unique properties that emulate key functionalities needed for this application. In the Introduction, we compare the main differences between a conventional computational machine, based on the Turing-von Neumann paradigm, to a Neuromorphic machine, which tries to emulate important functionalities of a biological brain. We also describe the main electrical properties of biological systems, which would be useful to implement in a charge-based system. In Chapter II, we describe the main components of a possible solid-state implementation. In Chapter III, we describe a variety of Resistive Switching phenomena, which may serve as the functional basis for the implementation of key devices for Neuromorphic computing. In Chapter IV we describe why transition metal oxides, are promising materials for future Neuromorphic machines. Theoretical models describing different resistive switching mechanisms are discussed in Chapter V while existing implementations are described in Chapter VI. Chapter VII presents applications to practical problems. We list in Chapter VIII important basic research challenges and open issues. We discuss issues related to specific implementations, novel materials, devices and phenomena. The development of reliable, fault tolerant, energy efficient devices, their scaling and integration into a Neuromorphic computer may bring us closer to the development of a machine that rivals the brain.

研究动机与目标

• 识别并分析开发类固态神经形态系统以模拟生物大脑功能的关键挑战。
• 将传统的图灵-冯·诺依曼计算与基于生物神经原理的神经形态架构进行比较。
• 评估过渡金属氧化物作为阻变器件功能材料的适用性。
• 概述在器件可靠性、容错性、能效和可扩展性方面存在的开放研究问题。
• 通过材料创新与器件工程，为推进基于阻变技术的神经形态计算提供全面路线图。

提出的方法

• 系统比较传统计算范式与基于生物神经网络的神经形态计算。
• 回顾阻变现象作为实现固态器件中突触模拟的核心物理机制。
• 分析过渡金属氧化物中阻变机制的理论模型，如丝状物形成与离子迁移。
• 考察现有阻变随机存取存储器（ReRAM）器件在神经形态应用中的实验实现。
• 评估器件性能指标，包括开关速度、耐久性、保持时间与能效。
• 讨论在扩展神经形态硬件过程中面临的集成挑战与系统级考量。

实验结果

研究问题

• RQ1 在架构与信息处理方面，传统计算与神经形态计算的根本差异是什么？
• RQ2 生物神经元与突触的电学特性如何指导阻变器件的设计？
• RQ3 过渡金属氧化物中的主导阻变机制是什么？它们如何实现突触功能？
• RQ4 哪些材料与器件架构最有可能实现可靠、可扩展且能效高的神经形态系统？
• RQ5 在器件可靠性、容错性与系统集成方面，仍存在哪些关键研究挑战，以实现实际的神经形态计算？

主要发现

• 过渡金属氧化物由于氧空位迁移与丝状物形成，表现出可调谐的阻变行为，使其成为人工突触的理想候选材料。
• 这些材料中的阻变行为可实现非易失性、低功耗及多级电阻状态，这对于模拟突触可塑性至关重要。
• 如电化学金属化与价态变化机制等阻变理论模型，能够解释关键器件行为。
• 现有ReRAM器件的开关速度可达纳秒量级，耐久性超过10^6次循环，保持时间超过10^4秒。
• 器件间差异性、长期稳定性以及在大规模神经形态系统中可扩展集成方面仍存在关键挑战。
• 本文识别出在材料发现、器件工程与系统级设计方面存在的开放问题，必须加以解决，才能实现类脑计算性能。