麻省大学姚军AM：利用忆阻器瞬态编程解决类脑计算中的潜行路径问题

【引言】

潜行路径（Sneak path）问题是基于忆阻器数组结构产生的内在问题。潜行路径的存在将极大程度的损耗类脑计算的精度，从而无法将神经网络算法有效植入进硬件设备。因此，解决潜行路径问题是目前领域内的关键问题。一些方法使用晶体管，二级管，阈值转换开关作为数组选择器来解决潜行路径问题。但是，三端结构的晶体管丧失了两端忆阻器优良的两端交叉结构，不利于高密度集成；二级管只适用于单向编程的忆阻器，然而目前主流的高性能忆阻器则为双向编程；阈值转换开关的激活电压通常接近或大于忆阻器中的编程电压，缩小了读取窗口或模拟输入范围，并降低计算的矢量分辨率。

【成果简介】

近日，麻省大学（UMass Amherst）的姚军教授团队在Advanced Materials上发表了题为“An Effective Sneak-Path Solution Based on Transient-Relaxation Device”的文章。文章的第一作者为Tianda Fu。该文章提出利用动态编程器件来解决潜行路径的问题，解决了上述的诸多困境。团队采用超低电压蛋白质忆阻器作为动态编程的示例对其战略进行介绍。该工作为使用两端器件解决潜行路径提供了新的思路。

【图文导读】

图1 动态编程概念示范

a.目标路径与潜行路径示意图

b.动态编程器件特点描述

c.利用动态编程来解决潜行路径的策略描述

图2 蛋白质纳米线忆阻器性能

a.使用基于蛋白质纳米线的忆阻器作为动态编程器件
b.蛋白质纳米线结构图
c.忆阻器整流特性
d.忆阻器i-v曲线展示了优良的整流特性
e.忆阻器500次i-v循环测试
f.忆阻器松弛特性
g.忆阻器松弛性能示例
h.忆阻器松弛时间统计

图3 动态编程器件整合策略

a.蛋白质忆阻器与其他非易失性忆阻器整合策略
b.整合器件的实物图
c.整合器件的Set过程
d.整合器件的Reset过程
e.整合器件可以编程到不一样的电阻值
f.整合器件中限流与电导的关系
g.利用整合器件将电阻逐渐减小并增加

图4 潜行路径分析

a.潜行路径测试分析电路与实物
b.潜行路径电流与目标路径电流对比
c.动态编程方法只会改变目标忆阻器的权值
d.读裕度（read margin）分析

图5 可编程性示范

a.8×8忆阻器数组及支持电路
b.8×8数组初始权值
c.利用8×8数组进行编程的目标图案
d.每一次编程的结果
e.最终的编程图案
f.每一次编程的结果与目标结果分布图
g.编程误差统计

原文链接：

https://doi.org/10.1002/adma.202207133

【课题组简介】

姚军教授为美国麻省大学阿莫斯特分校（UMass Amherst）电子计算机工程系助理教授，长期致力于生物传感器，湿度能源设备，低功耗忆阻器，可穿戴设备等诸多领域的研究。以第一或通讯作者身份在Nature, Nature Nanotechnology, Advanced Materials, Nature Communications, Science Advances, JACS, PNAS 等诸多著名期刊上发表超过40余篇学术论文。