[论文解读] Graphene-based RRAM devices for neural computing

Rajalekshmi TR, Rinku Rani Das+2 more|arXiv (Cornell University)|Aug 5, 2023

Advanced Memory and Neural Computing被引用 5

一句话总结

本文提出基于石墨烯的阻变随机存取存储器（RRAM）器件，作为高性能、可扩展的神经计算解决方案，利用石墨烯卓越的电学、热学和机械性能，提升开关速度、耐久性、数据保持能力及柔韧性。主要贡献在于证明了石墨烯增强的RRAM可支持多级单元存储（最高达16个状态），并实现高效、低功耗的类脑计算，且具备与CMOS工艺兼容的特性。

ABSTRACT

Resistive random access memory (RRAM) is very well known for its potential application in in-memory and neural computing. However, they often have different types of device-to-device and cycle-to-cycle variability. This makes it harder to build highly accurate crossbar arrays.Traditional RRAM designs make use of various filament-based oxide materials for creating a channel which is sandwiched between two electrodes to form a two-terminal structure. They are often subjected to mechanical and electrical stress over repeated read-and-write cycles. The behavior of these devices often varies in practice across wafer arrays over these stress when fabricated. The use of emerging 2D materials is explored to improve electrical endurance, long retention In review time, high switching speed, and fewer power losses. This study provides an in-depth exploration of neuro-memristive computing and its potential applications, focusing specifically on the utilization of graphene and 2D materials in resistive random-access memory (RRAM) for neural computing. The paper presents a comprehensive analysis of the structural and design aspects of graphene-based RRAM, along with a thorough examination of commercially available RRAM models and their fabrication techniques. Furthermore, the study investigates the diverse range of applications that can benefit from graphene-based RRAM devices.

研究动机与目标

• 为解决传统RRAM中器件间及循环间的变异性问题，通过将石墨烯作为开关介质或电极材料进行集成。
• 提升RRAM的关键性能指标，包括耐久性（>10⁸次循环）、保持时间（>10年）、开关速度（<10 ns）以及功耗效率（10 pJ）。
• 实现在RRAM中支持多级单元（MLC）操作，以实现类脑计算中模拟突触的模拟。
• 评估基于石墨烯的RRAM与现有CMOS技术的兼容性及其可扩展性，以实现集成到现有半导体架构中。

提出的方法

• 在双端子RRAM结构中利用石墨烯作为界面层或活性开关介质，以降低接触电阻并优化表面效应。
• 结合石墨烯与多种电极材料（如Ti、Ag、Ta）及金属氧化物（如HfO₂、SiO₂），以实现阻变特性。
• 设计交叉条栅阵列与三维堆叠架构（如416×224×8），采用石墨烯-RRAM实现高密度神经计算。
• 采用可扩展工艺（包括转移技术与低温集成）制造石墨烯-RRAM器件，以实现与CMOS工艺兼容。
• 实施频域复用技术，并将石墨烯场效应晶体管（FET）与Si-CMOS电路进行混合集成，以增强电路功能。
• 采用1TNR（OneTransistor-N-RRAM）架构，以减少漏电流并提升RRAM阵列的可扩展性。

实验结果

研究问题

• RQ1 如何通过石墨烯集成缓解RRAM器件在神经计算应用中所面临的器件间及循环间变异性问题？
• RQ2 基于石墨烯的RRAM中可实现的稳定电阻状态最大数量是多少？该特性如何支持多级单元存储？
• RQ3 基于石墨烯的RRAM在多高程度上可实现开关速度、功耗低和保持时间长的同步优化？
• RQ4 基于石墨烯的RRAM器件与现有CMOS技术的兼容性如何，以支持可扩展类脑系统集成？
• RQ5 在不造成性能退化的情况下，将石墨烯转移并集成到RRAM结构中的主要挑战是什么？

主要发现

• 基于石墨烯的RRAM器件实现开关速度低于10 ns，每次操作的功耗损耗约为10 pJ。
• 器件表现出超过10⁸次写/擦除循环的电学耐久性，且保持时间超过10年。
• 在基于石墨烯的忆阻系统中已报告最多16个不同的电阻状态，有效支持多级单元（MLC）存储，适用于模拟类脑计算。
• 石墨烯集成显著改善了热管理性能，提升了机械鲁棒性（最高达500次弯曲循环），并增强了对温度变化的耐受能力。
• 三维石墨烯-RRAM阵列（如416×224×8）在MNIST数据集上成功展示了识别性能，验证了其在神经计算中的实用性。
• 与CMOS兼容的制造工艺，包括石墨烯FET与Si-CMOS电路的混合集成以及1TNR架构，显示出在可扩展、低漏电RRAM系统中的广阔前景。