CN106462799B - 基于莫脱绝缘体的单部件人工神经元、人工神经元网络以及相应的制造方法 - Google Patents
基于莫脱绝缘体的单部件人工神经元、人工神经元网络以及相应的制造方法 Download PDFInfo
- Publication number
- CN106462799B CN106462799B CN201580023093.2A CN201580023093A CN106462799B CN 106462799 B CN106462799 B CN 106462799B CN 201580023093 A CN201580023093 A CN 201580023093A CN 106462799 B CN106462799 B CN 106462799B
- Authority
- CN
- China
- Prior art keywords
- artificial neuron
- artificial
- insulator
- neuron
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 184
- 239000012212 insulator Substances 0.000 title claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 title claims description 19
- 239000000463 material Substances 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims description 31
- 238000000151 deposition Methods 0.000 claims description 27
- 239000002070 nanowire Substances 0.000 claims description 24
- 239000000758 substrate Substances 0.000 claims description 24
- 230000010354 integration Effects 0.000 claims description 21
- 239000013078 crystal Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 239000004020 conductor Substances 0.000 claims description 13
- 239000002071 nanotube Substances 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 10
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims description 9
- 229910052750 molybdenum Inorganic materials 0.000 claims description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 229910052782 aluminium Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- WOCIAKWEIIZHES-UHFFFAOYSA-N ruthenium(iv) oxide Chemical compound O=[Ru]=O WOCIAKWEIIZHES-UHFFFAOYSA-N 0.000 claims description 6
- 229910052710 silicon Inorganic materials 0.000 claims description 6
- 239000010703 silicon Substances 0.000 claims description 6
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052758 niobium Inorganic materials 0.000 claims description 4
- 229910052715 tantalum Inorganic materials 0.000 claims description 4
- 229910052725 zinc Inorganic materials 0.000 claims description 4
- 229910001369 Brass Inorganic materials 0.000 claims description 3
- 229910000906 Bronze Inorganic materials 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims description 3
- 229910002353 SrRuO3 Inorganic materials 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 3
- 229910045601 alloy Inorganic materials 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 239000010951 brass Substances 0.000 claims description 3
- 239000010974 bronze Substances 0.000 claims description 3
- 229910052804 chromium Inorganic materials 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 229910052733 gallium Inorganic materials 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 229910002804 graphite Inorganic materials 0.000 claims description 3
- 239000010439 graphite Substances 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 239000011733 molybdenum Substances 0.000 claims description 3
- 229910052697 platinum Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 229910017518 Cu Zn Inorganic materials 0.000 claims description 2
- 229910017755 Cu-Sn Inorganic materials 0.000 claims description 2
- 229910017752 Cu-Zn Inorganic materials 0.000 claims description 2
- 229910017927 Cu—Sn Inorganic materials 0.000 claims description 2
- 229910017943 Cu—Zn Inorganic materials 0.000 claims description 2
- 229910017112 Fe—C Inorganic materials 0.000 claims description 2
- TVZPLCNGKSPOJA-UHFFFAOYSA-N copper zinc Chemical compound [Cu].[Zn] TVZPLCNGKSPOJA-UHFFFAOYSA-N 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 150000003623 transition metal compounds Chemical class 0.000 claims description 2
- 210000000225 synapse Anatomy 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008021 deposition Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 239000007769 metal material Substances 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000000946 synaptic effect Effects 0.000 description 7
- 230000008020 evaporation Effects 0.000 description 6
- 238000001704 evaporation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 5
- 238000000231 atomic layer deposition Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000000224 chemical solution deposition Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001755 magnetron sputter deposition Methods 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000005240 physical vapour deposition Methods 0.000 description 4
- 238000004549 pulsed laser deposition Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000003278 mimic effect Effects 0.000 description 3
- 230000003518 presynaptic effect Effects 0.000 description 3
- 230000005477 standard model Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003618 dip coating Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007650 screen-printing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012421 spiking Methods 0.000 description 2
- 238000004528 spin coating Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000025350 membrane depolarization involved in regulation of action potential Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910052723 transition metal Inorganic materials 0.000 description 1
- 150000003624 transition metals Chemical class 0.000 description 1
- 239000002966 varnish Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
- G11C11/54—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using elements simulating biological cells, e.g. neuron
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C13/00—Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00
- G11C13/0002—Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00 using resistive RAM [RRAM] elements
-
- H—ELECTRICITY
- H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N70/00—Solid-state devices having no potential barriers, and specially adapted for rectifying, amplifying, oscillating or switching
- H10N70/011—Manufacture or treatment of multistable switching devices
-
- H—ELECTRICITY
- H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N70/00—Solid-state devices having no potential barriers, and specially adapted for rectifying, amplifying, oscillating or switching
- H10N70/801—Constructional details of multistable switching devices
- H10N70/841—Electrodes
-
- H—ELECTRICITY
- H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N70/00—Solid-state devices having no potential barriers, and specially adapted for rectifying, amplifying, oscillating or switching
- H10N70/801—Constructional details of multistable switching devices
- H10N70/881—Switching materials
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Semiconductor Memories (AREA)
- Peptides Or Proteins (AREA)
- Non-Volatile Memory (AREA)
Abstract
本发明涉及一种由单部件电偶极子组成的人工神经元(30)，所述单部件电偶极子包含属于莫脱绝缘体类且连接到两个电极(32、33)的单一材料(31)。
Description
技术领域
本发明的领域为神经形态电子电路领域，且更具体地为人工神经元领域。
人工神经元网络从生物神经元网络得到启示，它们模仿生物神经元网络的运作。
更具体地说，本发明涉及人工神经元的新型设计。
本发明尤其但不仅仅可应用在人工智能领域中，且更具体地应用在相关存储器、图像和声音识别方法领域中，再或者应用在通过人工神经网络的网络实现的学习或自学习方法领域中。例如，这些学习方法使得能够根据以下原理提取基于真实数据或仿真数据组织的知识：将被认为类似的数据一起分组在相同的组中，而将被认为不同的数据分配在不同的组中。
背景技术
在过去半个世纪，信息技术的变革与计算机的发展密切相关。现在，所有计算机根据被称为冯诺依曼体系结构的体系结构而被建立。中央处理单元(CPU)和存储器根据所述体系结构构成单独的模块，所述体系结构对于某些任务(例如庞大数据流的超速处理)极其有效。
然而，所述体系结构在许多环境中是无效的，并且在许多主要类型的问题中，计算机仍赶不上人脑，人脑根据一种基于神经元和生物突触相混合的网络的极不相同的体系结构而工作。
因此，使得可以超越冯诺依曼体系结构固有的这些限制的一种有前景的途径为开发模仿人脑体系结构的由神经元和人工突触构成的神经形态型电子体系结构。本质上，人脑由通过1015个突触连接在一起的1011个神经元的网络组成。数据以不同水平的突触电导(通常被称为突触权重)存储在人脑的记忆中。因此，制造人工脑需要制造模仿神经元通过突触进行互连的人工神经网络。
人工神经元网络主要由通过突触彼此连接的神经元形成。例如，图1显示了一种神经形态体系结构，其被称为多层感知器体系结构，由六个神经元(标记为10)和十八个突触(标记为20)形成。突触权重由字母w表示。
尽管针对电子部件的小型化，基于冯诺依曼体系结构的微电子装置已经达到了其物理极限，但是这些神经形态体系结构正在研究工作者和工业家中激起非常大的希望，尤其是关于能量效率。
已知在现有技术中存在不同类型的人工神经元网络。
在大多数情况下，这些神经网络是“虚拟的”，即它们使用具有传统体系结构的计算机由被称为软件神经网络的计算机程序实现，这降低了它们的效率，尤其是就能量消耗而言。
最近，基于硬件神经网络的硬件神经形态体系结构已作为有前景的可选方案出现，其中每个神经元和每个突触由典型的电子部件构成。现在目前，制造这些人工神经元和人工突触需要使用相对复杂且耗能多的电子电路。
例如，人工突触的典型实现方案需要使用大量的部件，包括十个以上的晶体管。最近，忆阻器(即偶极子，其电阻取决于通过它们的电信号的时序)的发现在人工突触领域中带来了重大的概念跳跃。
相比而言，在人工神经元领域取得的进展要少得多。图2中示出了根据现有技术的多部件人工神经元10的一个示例性实施例。所述神经元10需要在印刷电路上植入大量的电子部件(例如晶体管(例如使用CMOS技术)、放大器和电容器)，所述部件根据相对复杂的体系结构来布置。不同部件的布置是一项相对复杂的操作：由于小型化的需求，必须将大量的部件放置在越来越小的表面面积上。另外，尽管减小了电子部件的尺寸，但是整个单元仍然占用难以减小的一定量的表面面积。另外，就集成和能量效率而言，这种复杂性大大阻碍了电子电路的整体性能。
这种复杂性可以由这样一个事实来解释：人工神经元必须实现许多功能。首先，人工尖峰神经元必须对电脉冲序列的施加作出反应。事实上，其为这种形式的脉冲(“尖峰”)：信息在最有前景的人工神经网络中循环。
另外，人工神经元必须理想地再现与由LIF(“泄漏积分触发”)标准模型描述的行为类似的行为，即实现以下三种功能的行为：积分、泄漏和触发。
LIF模型的原理基于对中在通过突触前膜聚集的电荷上的生物神经元的简化描述。它通过并联连接的电容器C和泄漏电阻器R对所述膜进行建模。当人工神经元接收到输入电信号S(t)时，LIF模型规定：
(i)人工神经元临时对所述输入信号的函数进行积分；
(ii)与由人工神经元进行的所述积分的结果对应的量随着时间的过去而弛豫(变成泄漏)。由积分和泄漏两个现象导致的电信号v(t)等于可用于生物神经元的突触前膜；
(iii)当电信号v(t)达到给定阈值时，人工神经元触发输出信号(触发)。
所述模型可由以下等式从数学角度上加以概述：
其中：
v(t)表示由人工神经元进行积分之后的电信号；
RC表示积分后的信号的指数弛豫的特征时间；
w表示突触权重；
S(t)是表示达到由突触权重w进行加权的人工神经元的输入的信息(即电脉冲)的函数。
LIF模型假设v(t)的单阈值存在，且与输入信号的形状无关，则在超出所述单阈值时，人工神经元LIF触发“触发”功能。如果输入电信号S(t)为相同振幅的方波电脉冲序列，则LIF模型的数学推导用于建立以下理论关系：
其中NFire表示触发“触发”功能所需的电脉冲的数量；
ton是每个电脉冲施加的持续时间；toff是两个连续的电脉冲之间流逝的持续时间(参见图9)；tFire是触发“触发”功能所需的时间，如果输入电信号由持续时间大于tFire的单个恒定脉冲构成(参见图10)，则等式t＝RC，弛豫的特征时间(参见等式(1))。
在现有技术中，存在已知的美国专利申请2014/0035614(Matthew D.Pickett)，其提出了一种使用被命名为“类神经器件”的电子电路来实现“Hodgkin-Huxley”型人工神经元的实现方案。现在，这种电路使用一定数量的电子部件(例如电阻器、电容器和忆阻器)，并因此基于以上讨论的CMOS晶体管在与传统人工神经元相同的精神下被建立。因此，这种类型的神经元实现起来较复杂并且就积分而言其性能受到限制。另外，这种类型的神经元的焦点在于动作电位的产生并且无法实现LIF模型的三个主要功能，即泄漏、积分和触发。
在此环境下，简化人工神经元和人工神经网络的制造将特别值得去做。
发明内容
在至少一个实施例中本发明目的尤其在于克服现有技术的这些不同的缺点。
更具体地说，本发明的至少一个实施例的目的是提出一种制造简单的新型设计的人工神经元。本发明的至少一个实施例目的还在于提出一种具有集成到电子电路中的高可能性的人工神经元。
本发明的一个特定实施例提出了一种由单部件电偶极子构成的人工神经元，所述单部件电偶极子包含属于莫脱绝缘体族且连接到两个电极的单一材料。
因此，本发明提出了一种由单个单部件电偶极子构成的新型设计的人工神经元。术语“电偶极子”被理解为指具有两个终端的电子部件。
在显示由电脉冲引起的易失性电阻转变现象的莫脱绝缘体上执行的实验的环境下，发明人发现了所述材料族的新型特性，这使得可以以比现有技术简单的多的方式实现人工神经元。事实上，与需要实现复杂的电子电路的现有技术人工神经元不同，根据本发明的单部件人工神经元由单个电偶极子构成，所述单个电偶极子自身由包括在两个电极之间的绝缘莫脱材料构成。当所述偶极子经受电尖峰脉冲序列(表示来自突触的信息)时，它实现了如在LIF参考模型中描述的人工神经元的三个基本功能，即积分以及泄漏和触发。
所述方案仅实现了实现人工神经元的所有功能的一个基本部件，但是对于本领域技术人员来说更为令人惊奇的是，现有技术方案基于各种电子部件提出了复杂的电路。因此，现有技术提出的方案将使本领域技术人员把目光转向离开实现本发明的方法，其中实现本发明的方法与先前建立的方法相反。
此外，因为其仅实现了一个电偶极子，所以根据本发明的单部件人工神经元需要很少的能量，但是具有集成到电子电路中的高可能性。
根据本发明的一个特定方面，人工神经元包含输入和输出。人工神经元使得电偶极子的第一末端包含构成人工神经元的所述输入的第一电极以及电偶极子的第二末端包含构成人工神经元的所述输出的第二电极。
根据本发明的一个特定方面，第一电极和第二电极由属于包含以下各项的组的导电材料构成：
-以下元素中的至少一种：铂(Pt)、金(Au)、钼(Mo)、石墨(C)、铝(Al)、铜(Cu)、掺杂硅(Si)；
-以下合金中的至少一种：黄铜(Cu-Zn)、钢(Fe-C)、青铜(Cu-Sn)；
-以下过渡金属化合物中的至少一种：TiN、TaN、RuO2、SrRuO3、CuS2。
必须注意的是，所述列表不是详尽的。
根据本发明的一个特定方面，所述材料属于包含以下各项的组：
-通式AM4Q8的化合物，其中A包含以下元素中的至少一种：Ga、Ge、Zn；M包含以下元素中的至少一种：V、Nb、Ta、Mo，以及Q包含以下元素中的至少一种：S、Se，Te；
-通式(V1-xMx)2O3的化合物，其中0≤x≤1，M包含以下元素中的至少一种：Ti、Cr、Fe、Al或Ga；
-通式NiS2-xSex的化合物，其中0≤x≤1；
-通式VO2的化合物；
-有机莫脱绝缘体化合物。
必须注意的是，所述列表不是详尽的。
根据本发明的一个特别有利的特征，所述材料采取以下形式：
-基于莫脱绝缘体的晶体块；或者
-基于莫脱绝缘体的至少一个薄层；或者
-基于莫脱绝缘体的纳米管；或者
-基于莫脱绝缘体的纳米线。
因此，人工神经元的结构可以采用几个特定实施例。
因此，在第一种情况下(其中材料采取晶体块的形式)，人工神经元的结构可以等同于三维结构。
因此，在第二种情况下(其中材料采取薄层的形式)，人工神经元的结构可以等同于二维结构。
因此，在第三种和第四种情况下(其中材料采取纳米管或纳米线的形式)，人工神经元的结构可以等同于一维结构。
本发明的另一个实施例提出了一种包含通过人工突触互连的多个人工神经元的神经元网络，(在人工神经元不同的实施例中的任何一个中)所述网络使得至少一个人工神经元符合以上提及的装置。
本发明彻底简化了人工神经网络的制造。在一个特定实施例中，可以构想出一种人工神经元网络，所述人工神经元中的一些为根据本发明的神经元，而另一些为现有技术的神经元。在另一个实施例(在所述情况下，其为优选实施例)中，所述网络的每个人工神经元为根据本发明的单部件人工神经元。
本发明的另一个实施例提出了一种包含通过人工突触或一组电子部件彼此互连的多个人工神经元的神经形态电子电路，(在人工神经元不同的实施例中的任何一个中)所述电路使得至少一个人工神经元符合以上提及的装置。
本发明的另一个实施例提出了一种用于制造人工神经元的方法，所述方法包含以下步骤：
-获取属于莫脱绝缘体族的材料；
-沉积导电材料层：
*在所述莫脱绝缘体材料的第一末端处形成第一电极，
*在所述莫脱绝缘体材料的第二末端处形成第二电极。
因此，根据本发明获得的单部件人工神经元制造非常简单。必须注意的是，用于沉积电极的步骤可以在沉积莫脱绝缘体之前或之后完成。
根据一个特定实施例，所述获取材料的步骤包含切割出属于莫脱绝缘体族的晶体块的步骤，并且所述沉积导电材料层的步骤根据所述切割出的晶体块而完成。
根据一个可选实施例，所述获取材料的步骤包含基于属于莫脱绝缘体族的材料在衬底晶片上沉积薄层的步骤，所述在第一末端和第二末端处沉积导电材料层的步骤根据所述沉积的薄层而完成。
根据另一个可选实施例，所述获取材料的步骤包含基于属于莫脱绝缘体族的材料在衬底晶片上沉积纳米管或纳米线的步骤，所述在第一末端和第二末端处沉积导电材料层的步骤根据所述沉积的纳米管或纳米线而完成。
附图说明
通过以示意性和非穷举性实例方式给出的以下描述，且通过附图，本发明的其他特征和优点将显现，其中：
-已经参照现有技术描述的图1显示了由通过人工突触(由矩形示出)彼此连接的人工神经元(由圆形示出)组成的神经形态体系结构的实例；
-已经参照现有技术描述的图2显示了现有技术的人工神经元的电子线路图；
-图3显示了根据本发明的第一特定实施例的单部件人工神经元(3D神经元)的结构；
-图4A、图4B各自显示了根据本发明的第二特定实施例的单部件人工神经元(2D神经元)的结构的实例；
-图5A、图5B、图5C各自显示了根据本发明的第三特定实施例的单部件人工神经元(1D神经元)的结构的实例；
-图6显示了根据本发明的一个特定实施例的三个单部件人工神经元的网络的结构；
-图7A、图7B、图7C是显示说明了泄漏积分触发(LIF)型的人工神经元的工作原理的电信号的演化的时序图；
-图8示出了用于施加电脉冲并显示根据本发明的单部件人工神经元的泄漏积分触发(LIF)行为的实验组装图；
-图9是可被施加到参照图8描述的实验装置上的一系列电脉冲的示意图；
-图10是示出了在图8中描述的实验装置中由电脉冲引起的易失性电阻转变现象的一组实验曲线；
-图11显示了一方面用于显示电阻转变的易失性特征且另一方面用于确定与根据本发明的单部件人工神经元的泄漏现象相关的弛豫时间的两个实验曲线；
-图12A、图12B、图12C显示了针对图8中描述的实验装置获得的一组实验曲线，其示出了根据本发明的单部件人工神经元的泄漏积分触发(LIF)功能；
-图13A、图13B显示了针对图8中描述的实验装置获得的实验数据与LIF模型的理论值之间的相关性。
具体实施方式
在本文件的所有图中，相同的元件由相同的附图标记表示。
本发明提出了一种符合泄漏积分触发(LIF)参考模型的新型设计的单部件人工神经元。
图3显示了根据本发明的第一特定实施例的单部件人工神经元30的结构的实例(三维结构)。
在所述图中示出的单部件人工神经元30由单个电偶极子组成，所述单个电偶极子包含属于莫脱绝缘体族的材料(例如通式GaTa4Se8的化合物)的晶体块31，所述晶体块31由两个电极32和33连接。这两个电极32和33各自由导电材料构成。
如下文参照图8至图13更加详细描述的，根据本发明而获得的单部件人工神经元30为泄漏积分触发型，即它实现了根据LIF参考模型的人工神经元的三个功能。
在所述实例中，莫脱绝缘材料31为厚20μm、长300μm和宽200μm的切割晶体块。每个电极通常采取厚0.1μm、长300μm和宽200μm的薄层形式。必须注意的是，这些尺寸完全是作为示例给出的，并且当然可以不同。
在所述特定实施例中，由于晶体块31为3D结构，所以根据本发明的神经元30等同于3D人工神经元。
通常，可以优化莫脱绝缘体晶体块31的尺寸、电极32、33及其相对于所述晶体块的布置以及材料的选择，从而使得由此获得的单部件人工神经元30可以享有最佳性能(就电偶极子相对于人工神经元的LIF模型下预期的性能的响应的质量、结构集成等而言)。
在下文，给出了用于制造图3中示出的单部件人工神经元30的方法的主要步骤的描述。
首先，切割出由GaTa4Se8制成的晶体块。由GaTa4Se8制成的所述晶体块构成单部件人工神经元30的功能材料。然后，在晶体块31的相对面上沉积构成人工神经元的输入电极32(在图中表示为INPUT)和输出电极33(在图中表示为OUTPUT)的导电材料。
通常可通过直接施加到导电涂料的晶体的表面或者通过使用沉积技术(例如焦耳效应蒸发或磁控管溅射(PVD或物理气相沉积))完成所述沉积。
图4A和4B显示了根据本发明的第二特定实施例的单部件人工神经元30的结构的两个实例(二维结构)。
在图4A中示出的单部件人工神经元40A由包含材料层41A的单个电偶极子构成，所述材料层41A属于莫脱绝缘体族(例如通式GaV4S8的化合物)，其通过两个导电电极42A和43A连接。
电偶极子由绝缘体衬底44A支撑。因此，电偶极子40A，作为单个基本电子部件，表现类似于人工神经元，并且绝缘体衬底44A仅扮演本发明的装置的支撑件的角色。如下文更加详细描述的，参照图9至图13，根据本发明而获得的单部件人工神经元40A为泄漏积分触发型，即它实现了符合参考模型LIF的人工神经元的三个功能。
在这里示出的示例性实施例中，第一电极42A具有L形形状并且部分地设置在莫脱绝缘体层41A的第一末端上，其他部分在绝缘体衬底44A上延伸。所述电极形成单部件人工神经元40A的输入(在图中被表示为INPUT)。第二电极43A具有L形形状并且部分地设置在莫脱绝缘体层41A的第二末端上，其他部分在绝缘体衬底44A上延伸。所述电极形成单部件人工神经元40A的输出(在图中被表示为OUTPUT)。
这里可以观察到，这组电极42A、43A被设置在莫脱绝缘体层41A上，换句话说，一旦将莫脱绝缘体层41A沉积在衬底44A上，将这组电极放置在那里。当然这是一个特定结构的实例。清楚的是，可以构想出许多其他单部件人工神经元机构，而不脱离本发明的框架。尤其可以例如规划一种这样的神经元结构：根据所述神经元结构，将电极布置在莫脱绝缘体层41A上(在图6所示的特定实施例中就是这种情况)。还可以例如规划出将莫脱绝缘体层夹在电极之间，如图4B所示。类似地，电极的形状和尺寸还可以根据所需的神经形态体系结构改变。
在图4B中示出的单部件人工神经元40B由包含材料层41B的单个电偶极子构成，所述材料层41B通式为GaV4S8，其被夹在电极42B与43B之间。所述整个单元被设置在衬底晶片44B上。
在这两个实例中，莫脱绝缘体材料层为厚0.1μm、长20μm和宽1μm的薄层。每个电极具有0.1μm的厚度。
下面在所述文件中，术语“薄层”被理解为是指材料层，所述材料层的厚度通常小于10μm，与之相反的是“厚层”，所述厚层的厚度通常大于10μm。
必须注意的是，这些尺寸完全是作为示例给出的，并且当然可以不同。
在所述特定实施例中，莫脱绝缘体材料薄层被认为具有二维(2D)结构。因此，根据本发明的神经元40A或40B可以等同于二维(2D)人工神经元。
通常，可以优化莫脱绝缘体层的尺寸、金属电极及其相对于所述层的布置，以及材料的选择，从而使得因此获得的单部件人工神经元可以受益于更佳的性能(就电偶极子相对于人工神经元的LIF模型下预期的性能的质量响应、结构集成等而言)。
下文提供了用于制造图4A中所示的单部件人工神经元40A的方法的主要步骤的描述。
首先，在衬底晶片(例如氧化的硅的晶片)上沉积GaV4S8层。所述GaV4S8层构成单部件人工神经元40A的功能材料。所述沉积通常可以通过沉积技术(例如焦耳效应蒸发、磁控管溅射(PVD)、脉冲激光沉积(PLD)、原子层沉积(ALD)、化学溶液沉积(CSD)、丝网印刷沉积、旋涂/浸涂沉积)来完成。然后，如以上参照图3所解释的，沉积构成神经元的输入电极42A和输出电极43A的金属材料。
对于单部件人工神经元40B，首先根据例如焦耳效应蒸发或磁控管溅射技术，在衬底晶片(例如氧化的硅的晶片)上沉积构成输出电极43B的金属材料层。然后，使用以上参照图4A描述的沉积技术中的一种在所述金属材料层43B上沉积单部件人工神经元40B的功能材料41B。最后，沉积构成神经元的输入电极42B的另一金属材料层。
图5A和5B显示了根据本发明的第三特定实施例的单部件人工神经元的结构的两个实例(一维结构)。
图5A中示出的单部件人工神经元50A由单个电偶极子构成，所述单个电偶极子包含通式为(V1-xCrx)2O3、由两个电极52A和53A连接的莫脱绝缘体纳米线51A。
电偶极子由绝缘体衬底54A支撑。因此，电偶极子50A，作为单个基本电子部件，表现类似于人工神经元，绝缘体衬底54A仅履行了用于本发明的装置的支撑件的角色。如下文参照图8至图13更加详细描述的，根据本发明而获得的单部件人工神经元50A为泄漏积分触发型，即它实现了根据LIF参考模型的人工神经元的三个功能。
这里示出的示例性实施例中，第一电极53A部分地设置在莫脱绝缘体纳米线51A的第一末端的下面，其他部分在绝缘体衬底54A上延伸。所述电极形成单部件人工神经元50A的输入(在图中被表示为INPUT)。第二电极53A部分地设置在莫脱绝缘体纳米线51A的第二末端的下面，其他部分在绝缘体衬底54A上延伸。所述电极形成单部件人工神经元50A的输出(在图中被表示为OUTPUT)。
这里观察到，这组电极52A、53A被设置在莫脱绝缘体纳米线51A的下面，换句话说，莫脱绝缘体纳米线51A没有被设置在衬底54A上。当然，这是特定结构的一个实例。清楚的是，可以构想出许多其他结构的单部件人工神经元，而不脱离本发明的框架。
在下文，对用于制造图5A中所示的单部件人工神经元50A的方法的主要步骤进行了描述。
方法首先开始于在衬底晶片(例如硅的晶片)上沉积构成神经元的两个电极(即输入电极和输出电极)的金属材料层。所述沉积通常可以通过以下技术中的一种来完成：焦耳效应蒸发、磁控管溅射(PVD)、脉冲激光沉积(PLD)、原子层沉积(ALD)、化学溶液沉积(CSD)、丝网印刷沉积、旋涂/浸涂沉积。然后，将纳米线以同时接触电极52A和53A的方式定位，所述纳米线已通过例如汽液固(VLS)方法或模板初步合成。
图5B的实例与图5A的实例的不同在于人工神经元不是由莫脱绝缘体纳米线构成，而是由莫脱绝缘体纳米管51B构成。所述人工神经元50B的结构的其余部分与人工神经元50A相同。导电输入电极52B被布置在纳米管51B下面其一个末端处，且导电输出电极53B被布置在纳米管51B下面其另一个末端处，整个单元被设置在绝缘体衬底54B上。
在图5C中示出的人工神经元50C由包含莫脱绝缘体纳米线51C的电偶极子构成，所述莫脱绝缘体纳米线51C通式为V2-xCrxO3，其通过两个电极52C和53C连接。
在所述第三实例中，电偶极子被支撑在通常为L形的绝缘体衬底54C上，所述绝缘体衬底54C具有两个明显平行的表面56和57，形成人工神经元的输入电极52C和输出电极53C的材料层被分别布置在表面56和57上。这两个表面56和57通过第三表面58连接，纳米线51C被布置在第三表面58上，从而使得所述纳米线的末端部分连接到神经元的输入电极52C和输出电极53C。
首先，例如通过焦耳效应蒸发在L形衬底上在表面57处沉积构成神经元的输出电极53C的金属材料层。然后，布置纳米线51C，使得其末端中的一个与输出电极53C接触，使得纳米线的圆周表面的一部分沿着表面58朝向表面56延伸，所述纳米线已通过例如汽液固(VLS)方法或模板初步合成。最后，例如通过焦耳效应蒸发在纳米线或表面56的自由末端处沉积另一金属材料层以构成神经元的输入电极52C。
在所述特定实施例中，莫脱绝缘体纳米线或纳米管被认为具有一维(1D)结构。因此，根据本发明的神经元50A、50B或50C可以等同于一维(1D)人工神经元。
在如上所述的人工神经元中，在其不同的实施例(1D、2D、3D)的任何一个中，输入电极和输出电极可以由以下材料中的一种制成：单一元素，例如铂(Pt)、金(Au)、银(Ag)、钼(Mo)、石墨(C)、铝(Al)、铜(Cu)、掺杂硅(Si)；或者合金，例如黄铜、钢、青铜；再或者过渡金属的化合物，例如TiN、TaN、RuO2、SrRuO3、CuS2。
鉴于人工神经元网络的集成，如以上在其不同的实施例(1D、2D、3D)中的任何一个中描述的单部件人工神经元的每个电极被构造成连接到一个或多个人工突触(在图中未示出)，例如根据图1中示出的神经形态体系结构的人工突触w(其中每个人工神经元被构造成在输入处连接到一组三个突触以及在输出处连接到一组三个突触)。
根据本发明的神经元网络包含通过人工突触互连的多个人工神经元。在一个特定实施例(“降级”模式)中，可以构想出一种人工神经元网络，所述人工神经元中的一些为根据本发明的单部件人工神经元，而另一些为现有技术的神经元。在另一个实施例(优选实施例)中，人工神经元网络的每个人工神经元为根据本发明定义的单部件人工神经元。
图6显示了根据本发明的一个特定实施例的三个单部件人工神经元601、602、603的网络。
单部件人工神经元601由包含由GaV4S8材料制成的薄层611的电偶极子形成，薄层611的末端被放置成与扮演神经元的输入/输出角色的一组金属电极接触：所述GaV4S8层的第一末端与输入电极621接触以及所述GaV4S8层的第二末端与输出电极631接触。
单部件人工神经元603由包含GaV4S8材料薄层613的电偶极子形成，薄层613的末端被放置成与扮演神经元的输入/输出角色的一组金属电极接触：所述GaV4S8层的第一末端与输入电极623接触以及所述GaV4S8层的第二末端与输出电极633接触。
每个单部件人工神经元通过以上参照附图3描述的制造方法在绝缘体衬底晶片64上获得，除此之外，本文的输入/输出电极具有直的细长形状并且被放置在GaV4S8薄层下面。
可以构想出这样一种情况：这些单部件人工神经元可以在每个神经元的输入(INPUT)和输出(OUTPUT)处连接到人工突触(在图中未示出)，从而集成为人工神经网络(例如图1中所示的神经形态体系结构，其中每个神经元在输入处连接到一组三个突触以及在输出处连接到一组三个突触。
还可以构想出一方面具有大于三个的多个人工神经元且另一方面包含基于莫脱绝缘体晶体块或者基于莫脱绝缘体薄层或者基于莫脱绝缘体纳米线或纳米管的人工神经元的人工神经网络的制造。
图7A、图7B、图7C是示出说明了泄漏积分触发(LIF)型的人工神经元的工作原理的电信号的演化的时序图。
LIF型人工神经元接收由突触权重w进行加权的一组脉冲S(t)(图7A)。然后，人工神经元临时对所述输入信号的函数进行积分；与由人工神经元进行的所述积分的结果对应的量最后是弛豫的(它是泄漏的)，从而得到信号v(t)(图7B)。信号v(t)是可用于生物神经元的突触前膜的当量。当信号v(t)达到给定阈值时，人工神经元触发输出信号(触发)。所述输出信号Sout(t)(图7C)为脉冲，其形状在LIF模型中没有明确定义。
因此，根据LIF模型的人工神经元实现了以下三个功能：积分以及泄漏和触发。以下描述的实验部分表明，莫脱绝缘体具有表现类似于根据LIF模型的人工神经元所需的特性。
图8是用于施加电脉冲以及用于突出显示根据本发明的单部件人工神经元的泄漏积分触发(LIF)行为的实验组装图。
它包含与实验装置串联安装的电脉冲发生器83，所述实验装置由扮演人工突触角色的“w”表示的电导84构成，所述电导84自身与布置在两个金属电极81与82之间的由功能材料80制成的晶体块串联安装。
目的是测试功能材料80对发生器83发出的不同系列电脉冲的施加的响应。在此，功能材料80为已被初步合成且然后被剪切的GaTa4Se8晶体块。这是属于莫脱绝缘体族AM4Q8的化合物中的一种，其中A包含以下元素中的至少一种：Ga、Ge、Zn；M包含以下元素中的至少一种：V、Nb、Ta、Mo；且Q包含以下元素中的至少一种：S、Se、Te。
功能材料80通常具有以下尺寸：长300μm、宽200μm和厚20μm。两个金属电极81和82例如通过碳漆形成。
电导“w”84两端的电压(表示为Vw)和功能材料80两端的电压(表示为V)通过示波器测量。根据关系Vtotal＝V+Vw定义脉冲的电压，且根据欧姆定律R＝V/I计算功能材料的电阻(表示为R)，其中I＝w Vw。
实际上为了简化组装，功能材料80仅从一个脉冲发生器83接收电信号。然而，将所述功能材料连接到几个不同的脉冲源，以便模拟人工神经网络中可能存在的大量突触连接不存在阻碍。
图9示意性地示出了由发生器发出的一系列电脉冲的主要特征：电脉冲的持续时间tON、两个连续脉冲之间流逝的持续时间tOFF、每个脉冲的电压Vtotal以及连续发出的脉冲的数量N。
图10示出了当图8的电路经受具有较长持续时间(大于100μs)和大约60V的振幅的单个电脉冲时功能材料80的响应。在此，所述响应以在功能材料80的两端上获得的电压V、流经其的电流I及其电阻R为特征。
在电脉冲开始之后等于大约70μs(tFire＝70μs)的持续时间结束时，观察到在功能材料80的终端处电压V突然下降，伴随的是通过功能材料80的电流I的大幅增加(参见图10中所示的特征I(t)和V(t))，以及因此导致的电阻的大幅下降。这些实验曲线突出显示了从电场阈值开始的电阻转变的物理现象。对于化合物GaTa4Se8，阈值电场的值为大约等于2.5kV/cm，在所述实例中其对应于等于10V的阈值电压(Vthreshold)。电场的阈值根据莫脱绝缘体化合物的缝隙的能量的幂次定律而改变，并因此可根据所述关系进行确定。因此，通过选择所使用的莫脱绝缘体，可以根据所需特征优化所述阈场的值。
图11示出了针对图8的实验组装的功能材料获得的两个实验曲线，其用于说明功能材料的电阻在脉冲之后回到其初始状态的事实以及因此电阻转变是易失性的事实。
这些实验曲线在与图10、图12A-12C中描述的那些条件相同的条件下获得。第一曲线图示出了施加到功能材料80的电压Vtotal的进展以及第二曲线图示出了其电阻随着时间的过去的进展。
可以看出，在进行电阻转变之后(即在由于电脉冲导致电阻大幅下降之后)，功能材料80的电阻R变得弛豫，直到它根据下降的指数关系达到其平衡状态。提炼图11的插入标记A中所示的数据使得可以确定特征弛豫时间：τ≈610μs。
因此，电脉冲的施加使得所述材料的电阻被制成以易失性方式在至少两种不同的电阻状态之间进行改变。基于所述观察，发明人发现，可以利用莫脱绝缘体的这种特性实现泄漏积分触发(LIF)型的单部件人工神经元。
现在参照图12A、图12B、图12C，其显示了针对功能材料80获得的一组实验曲线，它们说明了根据本发明的单部件人工神经元的泄漏积分触发(LIF)功能的可行性。
图12A示出了当图8的电路经受持续时间为tON＝15μs的一系列六个电脉冲时功能材料80的响应(输出信号为电流I的强度)，其中一系列六个电脉冲彼此隔开持续时间tOFF＝30μs，并且振幅为大约60V(输入电压Vtotal)。
在将一系列六个电脉冲施加到功能材料80之后，观察到流经功能材料80的电流I突然增加。当施加第六个电脉冲时电流I的这种大幅增加的突然出现表明信号(“尖峰”)已被功能材料80触发。
这个结果是非常重要的，因为它证明了功能材料首先执行“触发”功能且其次执行输入信号Vtotal的函数的积分功能。事实上，每个电脉冲自身并不具有任何显著的作用，因为其持续时间小于tfire＝70μs(参见图10)，而几个连续的电脉冲具有引起“触发”现象的作用。因此，这个结果显示了“触发”和“积分”功能(即LIF模型的三个功能中的两个功能)的性能。
积分现象同样由一系列实验证实，通过将两个连续脉冲之间的持续时间tOFF保持为恒定值且通过使电脉冲的持续时间tON改变而执行所述一系列实验。
图12B示出了当图8的电路经受持续时间为tON＝20μs的一系列四个电脉冲时功能材料80的响应(输出信号I)，其中一系列四个电脉冲彼此隔开持续时间tOFF＝30μs，并且其振幅为大约60V(输入信号Vtotal)。因此，图12B显示了与针对图12A描述的实验相同的实验，但是具有增加的施加到功能材料的电脉冲的持续时间tON(持续时间tON为15至20μs)。
这里可以看出，当电脉冲的持续时间tON增加时，功能材料80触发输出信号(“尖峰”)所需的脉冲的数量减少(所需的脉冲数量为6至4)。在此同样，这使得可以表明实验装置能够实现“积分”和“触发”功能，即LIF标准模型的三个功能中的两个功能。
图12C显示了与图12A中描述的实验相同的实验，但是具有更高的两个连续脉冲之间的持续时间tOFF(170μs，之前例子中为30μs)。结果非常清楚：功能材料80触发输出信号(“尖峰”)所需的电脉冲的数量增加，为六至八个脉冲。这证明，由功能材料积分的信号随着时间过去而弛豫，导致泄漏形式。这表明功能材料不仅能够实现LIF标准模型的积分和触发功能还能够实现泄漏功能。
图13显示了触发(NFire)所需的脉冲的数量与在与图12A-图12C中描述的那些类似的实验期间获得的持续时间ton(图13A)和持续时间toff(图13B)的实验相关性。
可以看出，实验点和理论关系之间存在非常紧密的匹配：
在方波电脉冲(上文参照现有技术已描述了其原理)的情况下，其由LIF模型的数学推导获得。
这种非常紧密的匹配是最值得注意的，因为由于持续时间tFire和弛豫时间τ已被设置为实验值(tFire＝70μs以及τ＝610μs)，所以理论相关性不包含可调参数。这表明LIF模型的数学预测(等式(2))可被应用于本发明的基于莫脱绝缘体的单部件人工神经元。这种非常高的匹配证明，存在单积分阈值，而与时间ton和toff无关，超过所述单积分阈值时，根据本发明的人工神经元触发触发功能。
因此，所有这些实验结果证明基于莫脱绝缘体GaTa4Se8的实验装置80实现了通过LIF模型(“泄漏积分触发”)描述的三个基本功能，即超过阈值的积分以及泄漏和触发。另外，这些结果表明，针对根据本发明的人工神经元，可以预测产生“触发”功能所需的电脉冲。
以上在单部件人工神经元的不同实施例(1D、2D、3D)中的任何一个中描述的单部件人工神经元是基于具有通式GaTa4Se8或者GaV4S8的莫脱绝缘体的使用。清楚的是，可以将属于莫脱绝缘体族的任何其他材料构想为单部件人工神经元的功能材料，而不脱离本发明的框架，例如：
-通式AM4Q8的化合物，其中A包含以下元素中的至少一种：Ga、Ge、Zn；M包含以下元素中的至少一种：V、Nb、Ta、Mo；以及Q包含以下元素中的至少一种：S、Se、Te；
-通式(V1-xMx)2O3的化合物，其中0≤x≤1，M包含以下元素中的至少一种：Ti、Cr、Fe、Al或Ga；
-通式NiS2-xSex的化合物，其中0≤x≤1；
-通式VO2的化合物；
-有机莫脱绝缘体化合物。
Claims (11)
1.一种实现积分、泄漏和触发功能的人工神经元(30)，其特征在于，它由单部件电偶极子构成，所述单部件电偶极子包含连接到两个电极(32、33)的属于莫脱绝缘体族的材料(31)。
2.根据权利要求1所述的人工神经元，其中，所述莫脱绝缘体材料包含：
通式AM4Q8的化合物，其中A包含以下元素中的至少一种：Ga、Ge、Zn；M包含以下元素中的至少一种：V、Nb、Ta、Mo；并且Q包含以下元素中的至少一种：S、Se；或者
通式(V1-xMx)2O3的无机化合物，其中0≤x≤1，M包含以下元素中的至少一种：Ti、Cr、Fe、Al或Ga；或者
NiS2-xSex的无机化合物，其中0≤x≤1；或者
通式VO2的化合物；或者
有机莫脱绝缘体化合物。
3.根据权利要求1和2中任一项所述的人工神经元，其中，所述两个电极(32、33)各自由导电材料构成，所述导电材料包含：
以下元素中的一种：铂(Pt)、金(Au)、钼(Mo)、石墨(C)、铝(Al)、铜(Cu)、掺杂硅(Si)；或者
以下合金中的一种：黄铜(Cu-Zn)、钢(Fe-C)、青铜(Cu-Sn)；或者
以下过渡金属化合物中的一种：TiN、TaN、RuO2、SrRuO3、CuS2。
4.根据权利要求1至2中任一项所述的人工神经元，其中，所述莫脱绝缘体材料采取以下形式：
薄层；或者
晶体块；或者
纳米管；或者
纳米线。
5.一种包含多个人工神经元的神经元网络，其特征在于，至少一个人工神经元为根据权利要求1至4中任一项所述的人工神经元。
6.一种包含多个人工神经元的神经形态电子电路，其特征在于，至少一个人工神经元为根据权利要求1至4中任一项所述的人工神经元。
7.一种用于制造实现积分、泄漏和触发功能的人工神经元的制造方法，其特征在于，它包含以下步骤：
获取属于莫脱绝缘体族的材料；
通过沉积导电材料层获取单部件电偶极子：
在所述莫脱绝缘体材料的第一末端处形成第一电极，
在所述莫脱绝缘体材料的第二末端处形成第二电极。
8.根据权利要求7所述的制造方法，其中，所述获取材料的步骤是通过切割出莫脱绝缘体晶体块而完成，
且其中所述沉积导电材料层的步骤是根据所述切割出的晶体块而完成。
9.根据权利要求7所述的制造方法，其中，所述获取材料的步骤是通过在衬底晶片上沉积莫脱绝缘体材料薄层而完成，
且其中所述沉积导电材料层的步骤是根据所述沉积的薄层而完成。
10.根据权利要求7所述的制造方法，其中，所述获取材料的步骤是通过基于莫脱绝缘体材料在衬底晶片上沉积纳米管而完成，
且其中所述沉积导电材料层的步骤是根据所述沉积的纳米管而完成。
11.根据权利要求7所述的制造方法，其中，所述获取材料的步骤是通过基于莫脱绝缘体材料在衬底晶片上沉积纳米线而完成，
且其中所述沉积导电材料层的步骤是根据所述沉积的纳米线而完成。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1453834A FR3020487B1 (fr) | 2014-04-28 | 2014-04-28 | Neurone artificiel mono-composant a base d'isolants de mott, reseau de neurones artificiels et procede de fabrication correspondants |
| FR1453834 | 2014-04-28 | ||
| PCT/EP2015/058873 WO2015165809A2 (fr) | 2014-04-28 | 2015-04-24 | Neurone artificiel mono-composant à base d'isolants de mott, réseau de neurones artificiels et procédé de fabrication correspondants |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106462799A CN106462799A (zh) | 2017-02-22 |
| CN106462799B true CN106462799B (zh) | 2019-12-31 |
Family
ID=51352586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201580023093.2A Active CN106462799B (zh) | 2014-04-28 | 2015-04-24 | 基于莫脱绝缘体的单部件人工神经元、人工神经元网络以及相应的制造方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US10867237B2 (zh) |
| EP (1) | EP3138050B1 (zh) |
| CN (1) | CN106462799B (zh) |
| FR (1) | FR3020487B1 (zh) |
| WO (1) | WO2015165809A2 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11741352B2 (en) | 2016-08-22 | 2023-08-29 | International Business Machines Corporation | Area and power efficient implementation of resistive processing units using complementary metal oxide semiconductor technology |
| RU2627125C1 (ru) * | 2016-10-24 | 2017-08-03 | федеральное государственное автономное образовательное учреждение высшего образования "Московский физико-технический институт (государственный университет)" | Наноразмерный искусственный нейрон "интегрировать-и-сработать" |
| TWI625681B (zh) * | 2017-05-11 | 2018-06-01 | 國立交通大學 | 神經網路處理系統 |
| CN107563505A (zh) * | 2017-09-24 | 2018-01-09 | 胡明建 | 一种外控植入反馈人工神经元的设计方法 |
| US20190378878A1 (en) * | 2018-06-11 | 2019-12-12 | Cyberswarm, Inc. | Synapse array |
| CN109754070B (zh) * | 2018-12-28 | 2022-10-21 | 东莞钜威软件科技有限公司 | 基于神经网络的绝缘阻值计算方法及电子设备 |
| CN110411850B (zh) * | 2019-07-22 | 2020-10-09 | 北京科技大学 | 一种高温合金涡轮叶片服役条件的评估方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1338120A (zh) * | 1998-12-30 | 2002-02-27 | 亚历山大·米哈伊洛维奇·伊尔雅诺克 | 量子规模电子器件及其工作条件 |
| CN101364594A (zh) * | 2007-08-09 | 2009-02-11 | 中国科学院半导体研究所 | 硅基单电子神经元量子电路 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7303971B2 (en) * | 2005-07-18 | 2007-12-04 | Sharp Laboratories Of America, Inc. | MSM binary switch memory device |
| FR2989212B1 (fr) * | 2012-04-10 | 2014-05-02 | Centre Nat Rech Scient | Utilisation d'isolants de mott centrosymetriques dans une memoire de stockage de donnees a commutation resistive |
| US8669785B2 (en) | 2012-07-31 | 2014-03-11 | Hewlett-Packard Development Company, L.P. | Logic circuits using neuristors |
| US9165246B2 (en) * | 2013-01-29 | 2015-10-20 | Hewlett-Packard Development Company, L.P. | Neuristor-based reservoir computing devices |
-
2014
- 2014-04-28 FR FR1453834A patent/FR3020487B1/fr active Active
-
2015
- 2015-04-24 EP EP15718863.2A patent/EP3138050B1/fr active Active
- 2015-04-24 WO PCT/EP2015/058873 patent/WO2015165809A2/fr active Application Filing
- 2015-04-24 US US15/307,269 patent/US10867237B2/en active Active
- 2015-04-24 CN CN201580023093.2A patent/CN106462799B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1338120A (zh) * | 1998-12-30 | 2002-02-27 | 亚历山大·米哈伊洛维奇·伊尔雅诺克 | 量子规模电子器件及其工作条件 |
| CN101364594A (zh) * | 2007-08-09 | 2009-02-11 | 中国科学院半导体研究所 | 硅基单电子神经元量子电路 |
Non-Patent Citations (2)
| Title |
|---|
| A scalable neuristor built with Mott memristors;Matthew D.Pickett et al.;《Nature Materials》;20121116;第114-117页 * |
| Universal dielectric breakdown and synaptic behavior in Mott insulators;Marcelo J.Rozenberg;《Abstracts of the Conference on Ultrafast Dynamics of Correlated Materials》;20131014;第1页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3020487A1 (fr) | 2015-10-30 |
| EP3138050B1 (fr) | 2021-05-05 |
| US20170124449A1 (en) | 2017-05-04 |
| EP3138050A2 (fr) | 2017-03-08 |
| WO2015165809A3 (fr) | 2015-12-30 |
| CN106462799A (zh) | 2017-02-22 |
| WO2015165809A2 (fr) | 2015-11-05 |
| FR3020487B1 (fr) | 2017-10-06 |
| US10867237B2 (en) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106462799B (zh) | 基于莫脱绝缘体的单部件人工神经元、人工神经元网络以及相应的制造方法 | |
| Park et al. | Experimental demonstration of highly reliable dynamic memristor for artificial neuron and neuromorphic computing | |
| Stieg et al. | Emergent criticality in complex turing B‐type atomic switch networks | |
| Pantazi et al. | All-memristive neuromorphic computing with level-tuned neurons | |
| Wang et al. | Fully memristive neural networks for pattern classification with unsupervised learning | |
| Serrano-Gotarredona et al. | A proposal for hybrid memristor-CMOS spiking neuromorphic learning systems | |
| Ielmini et al. | Brain-inspired computing via memory device physics | |
| Park et al. | Electronic system with memristive synapses for pattern recognition | |
| US10275706B2 (en) | Neuristor-based reservoir computing devices | |
| US10740672B2 (en) | Capacitative artificial neural networks | |
| Indiveri et al. | Integration of nanoscale memristor synapses in neuromorphic computing architectures | |
| Kuzum et al. | Synaptic electronics: materials, devices and applications | |
| Serrano-Gotarredona et al. | STDP and STDP variations with memristors for spiking neuromorphic learning systems | |
| Hansen et al. | Double-barrier memristive devices for unsupervised learning and pattern recognition | |
| CN109416760A (zh) | 人工神经网络 | |
| Moon et al. | Hardware implementation of associative memory characteristics with analogue-type resistive-switching device | |
| CN107909146A (zh) | 基于易失性阈值转变器件的神经元电路 | |
| Lee et al. | Simple artificial neuron using an ovonic threshold switch featuring spike-frequency adaptation and chaotic activity | |
| CN107122828B (zh) | 电路结构及其驱动方法、神经网络 | |
| Sung et al. | Bio-plausible memristive neural components towards hardware implementation of brain-like intelligence | |
| Ananthakrishnan et al. | Water-based resistive switches for neuromorphic long-range connections | |
| Martini et al. | The Receptron: A device for the implementation of information processing systems based on complex nanostructured systems | |
| US10664747B2 (en) | Self-organized solid-state synthetic neuronal structure | |
| Merrikh-Bayat et al. | Memristor crossbar-based hardware implementation of fuzzy membership functions | |
| US11625590B2 (en) | Memristive multi-terminal spiking neuron |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220922 Address after: Paris France Patentee after: CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE Patentee after: UNIVERSITE DE NANTES Patentee after: University of Thackeray, Paris Address before: Paris France Patentee before: CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE Patentee before: UNIVERSITE DE NANTES Patentee before: UNIVERSITE PARIS-SUD 11 |
|
| TR01 | Transfer of patent right |