CN107909146B - 基于易失性阈值转变器件的神经元电路 - Google Patents

基于易失性阈值转变器件的神经元电路 Download PDF

Info

Publication number
CN107909146B
CN107909146B CN201711116379.2A CN201711116379A CN107909146B CN 107909146 B CN107909146 B CN 107909146B CN 201711116379 A CN201711116379 A CN 201711116379A CN 107909146 B CN107909146 B CN 107909146B
Authority
CN
China
Prior art keywords
capacitor
resistor
voltage
volatile
threshold
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
Application number
CN201711116379.2A
Other languages
English (en)
Other versions
CN107909146A (zh
Inventor
刘琦
张续猛
刘明
吕杭柄
龙世兵
赵晓龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Microelectronics of CAS
Original Assignee
Institute of Microelectronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Microelectronics of CAS filed Critical Institute of Microelectronics of CAS
Priority to CN201711116379.2A priority Critical patent/CN107909146B/zh
Publication of CN107909146A publication Critical patent/CN107909146A/zh
Application granted granted Critical
Publication of CN107909146B publication Critical patent/CN107909146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Semiconductor Memories (AREA)

Abstract

本公开提供了一种利用易失性阈值转变器件的神经元电路,包括:电容C、易失性阈值转变器件TSM及电阻R1、R2,其中:由电阻R1、电容C及激励输入构成充电回路,所述电阻R1与电容C的第一端串联构成RC串联电路,所述电容C的第二端接地并作为激励输入的一端,所述激励输入的另一端连接到电阻R1;由易失性阈值转变器件TSM、电阻R2及电容C构成放电回路,所述易失性阈值转变器件TSM与电阻R2构成串联电路,所述电容C的第一端与易失性阈值转变器件TSM相连,第二端与所述电阻R2的一端相连并接地,所述电阻R2的另一端作为神经信号动作电位输出。本公开可以实现生物神经元的积分发射特点,有利于类脑神经芯片的实现。

Description

基于易失性阈值转变器件的神经元电路
技术领域
本公开涉及类脑仿生领域,尤其涉及一种基于易失性阈值转变器件的神经元电路。
背景技术
在人的大脑中,有约百亿个神经元和百万亿个神经突触。这些数量庞大的神经元和神经突触组成复杂的神经网络,信号可以在这个复杂的网络中相互传递。大脑可并行处理任务,且功耗极低。神经科学与生物科学家们不断地实验探索出一些大脑的功能区、功能,然而在现实世界中却没办法完全复制,这是由于传统的固态器件(例如CMOS器件及集成电路)没有内在的自我学习能力,只能通过外加的控制电路和软件编程来实现,且功耗不能与生物神经网络比拟。忆阻器件的实验实现,为突破这样一个瓶颈提供了契机。忆阻器是一种新型信息器件,其电阻值连续可调,当前电阻值的大小与流经的电荷或者通量有关,也被称为除电阻、电容、电感之外的第四种基本的电子元器件,这种阻值连续可调的特性可以用来模拟神经突触权重的连续变化。
迄今为止,基于忆阻器的神经突触已实现了突触的长时程可塑性、短时程可塑性和峰时依赖可塑性等多种功能。并陆续有工作报道实现了基于忆阻器神经突触的图像识别、联想记忆、感知分类、面部识别等系统性功能。对于类脑仿生工作,突触模拟的实现是类脑模拟的一个跨越,为将来在进一步的工作优化中实现硬件上的神经网络开辟了曙光。除了神经突触,神经元是神经网络中另一个不可或缺的部分,但目前报道的基于忆阻器实现神经元的工作却是很好,且多是采用金属绝缘体转变类型的器件实现,该类型的制备条件较为苛刻,不利于普遍性使用。对于基于忆阻器件的神经网络走向应用而言,单元结构的神经元和神经突触器件的实现是复杂网络实现的基础。单元结构神经元的实现在类脑仿生工作中是非常重要的。
公开内容
(一)要解决的技术问题
本公开提供了一种基于易失性阈值转变器件的神经元电路,以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面,提供了一种利用易失性阈值转变器件的神经元电路,包括:电容C、易失性阈值转变器件TSM及电阻R1、R2,其中:由电阻R1、电容C及激励输入构成充电回路,所述电阻R1与电容C的第一端串联构成RC串联电路,所述电容C的第二端接地并作为激励输入的一端,所述激励输入的另一端连接到电阻R1;由易失性阈值转变器件TSM、电阻R2及电容C构成放电回路,所述易失性阈值转变器件TSM与电阻R2构成串联电路,所述电容C的第一端与易失性阈值转变器件TSM相连,第二端与所述电阻R2的一端相连并接地,所述电阻R2的另一端作为神经信号动作电位输出。
在本公开一些实施例中,所述易失性阈值转变器件在端电压从零开始增加到阈值电压Vth2过程中,处于高阻态;当超过该阈值后,处于低阻态;当电压回扫时且回扫电压小于阈值电压Vth1后,该器件自发回到高阻态,其中,所述阈值电压Vth2大于阈值电压Vth1
在本公开一些实施例中,所述易失性阈值转变器件包括:衬底;下电极,形成于衬底上,所述下电极采用惰性导电金属材料;功能层,形成于下电极上,所述功能层材料采用绝缘体或半导体材料;上电极,形成于功能层上,所述上电极采用活性金属材料;其中,所述功能层用于将上下电极电性隔离,使得器件的初始态为高阻态,并在器件端电压超过阈值电压时为导电通路的生长提供媒介。
在本公开一些实施例中,所述衬底材料为硅片、石英或有机柔性薄膜;所述下电极采用Pd、Au、Ru、Pt,TiN、TaN、ITO、W、Ta中至少一种;述功能层材料采用SiO2、HfO2、SiNx、TaOx、MgOx、a-Si中至少一种;所述上电极材料采用Ag或Cu中至少一种。
在本公开一些实施例中,所述上电极和下电极通过电子束蒸发、脉冲激光沉积或溅射方法中的一种制备完成;所述功能层通过电子束蒸发、化学气相沉积、脉冲激光沉积、原子层沉积或溅射方法中的一种制备完成。
在本公开一些实施例中,所述易失性阈值转变器件的制备包括在衬底上通过光刻制备下电极图形,沉积下电极薄膜;在下电极上通过光刻制备功能层图形,沉积功能层薄膜;在功能层上通过光刻制备上电极图形,沉积上电极薄膜。
在本公开一些实施例中,所述电阻R1代表与该神经元相连的前神经突触,该电阻值的大小为神经网络中与之相连的神经突触权重值W1的倒数,即R1=1/W1;所述电阻R2电阻值介于阈值转变器件的高阻态阻值和低阻态阻值之间,所述电阻R2的电阻值与调节神经元电路的放电速度相关联,放电时间常数τ=R2*C;所述电容C是固定电容或可变电容,所述电容值范围为1fF至1μF。
在本公开一些实施例中,所述神经元电路产生神经信号的过程中只有电容两端的电压在易失性阈值转变器件上的分压达到阈值电压Vth2,才会有神经信号的输出。
在本公开一些实施例中,所述神经元电路在充电过程中,易失性阈值转变器件的端电压小于阈值电压Vth2,该器件处于高阻态,此时充电回路的时间常数远小于放电回路的时间常数;当易失性阈值转变器件的端电压超过阈值电压Vth2时,该器件转变为低阻态,此时放电回路的时间常数远小于充电回路的时间常数,由电阻R2两端的电压作为动作电位,产生神经信号输出。
在本公开一些实施例中,所述激励输入是电流激励或电压激励;所述神经信号的输出是通过输入信号激励在时间上的累加产生的,输出神经信号的周期频率在预定范围内会随着输入刺激的增大而增大。
(三)有益效果
从上述技术方案可以看出,本公开基于易失性阈值转变器件的神经元电路至少具有以下有益效果其中之一:
(1)利用基于易失性阈值转变器件的设计,可以实现生物神经元的积分发射特点,有利于类脑神经芯片的实现;
(2)通过改变并联电阻R2的电阻值,可以调节神经元电路的放电速度;并且通过改变并联电容的电容值,可以调节神经元电路的充电速度,有益于不同类型神经元的实现;
(3)由于电阻R1代表与该神经元相连的前神经突触,该电阻值的大小代表神经网络中的权重值,有利于构建复杂连接的人工神经网络;
(4)利用上述该发明实现的神经电路结构简单,有利于电路实现和集成;并且利用阈值转变器件的易失性特性,相比于传统CMOS电路减少了重置操作,能耗大大降低。
附图说明
图1是本公开实施例基于易失性阈值转变器件的神经元电路原理示意图。
图2是本公开实施例易失性阈值转变器件的I-V曲线测量结果图。
图3是本公开实施例神经元电路产生的动作电位测试图。
图4是本公开实施例神经元电路在不同强度的输入下电容两端的积分电压测试图。
图5是本公开实施例基于易失性阈值转变器件的神经元电路实现方法流程图。
图6为本公开实施例易失性阈值转变器件的制备下电极过程示意图。
图7为本公开实施例易失性阈值转变器件的制备功能层过程示意图。
图8为本公开实施例易失性阈值转变器件的制备上电极过程示意图。
具体实施方式
本公开提供了一种基于易失性阈值转变器件的神经元电路实现方法,制备的阈值转变器件具有工艺简单,可大规模集成的优点。基于该阈值转变器件实现的神经元电路具有神经元的累积功能和阈值效应且能根据输入刺激强度的不同输出不同频率的神经元信号。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开的第一个示例性实施例中,提供了一种利用易失性阈值转变器件的神经元电路。图1是本公开实施例基于易失性阈值转变器件的神经元电路原理示意图。如图1所示,所述神经元电路包括:
充电回路,包括电阻R1、电容C及激励输入端;所述电阻R1与电容C的第一端串联构成RC串联电路,所述激励输入一端连接到电阻R1,另一端接地并连接到电容C的第二端;
放电回路,包括易失性阈值转变器件TSM、电阻R2及所述充电回路中的电容C,所述易失性阈值转变器件TSM与电阻R2构成串联电路,所述电容C的第一端与易失性阈值转变器件TSM相连,第二端与所述电阻R2的一端相连并接地,所述电阻R2的另一端作为神经信号动作电位输出。
其中,所述易失性阈值转变器件包括:
衬底,优选地,所述衬底为硅片、石英或有机柔性薄膜;
下电极,形成于衬底上;采用惰性导电金属材料,用于与电阻R0的输出端口相连;所述下电极材料可以采用Pd、Au、Ru、Pt、W、Ta,导电金属化合物TiN、TaN、ITO中至少一种;
功能层,形成于下电极上,所述功能层材料采用绝缘体或半导体材料;所述功能层材料可以采用SiO2、HfO2、SiNx、TaOx、MgOx、a-Si中至少一种;
上电极,形成于功能层上;所述上电极可以采用Ag或Cu中至少一种构成,用于提供导电通路生长的源材料。
其中,所述功能层用于将上下电极电性隔离,使得器件的初始态为高阻态,并在器件端电压超过阈值电压时为导电通路的生长提供媒介。
由于该器件具有简单的三层结构,上电极/功能层/下电极,所述器件的初始状态为高阻态,当在上电极施加高电压(>Vth2)时,会在功能层中形成上电极金属性质的导电通道,从而连接上下电极器件变为低阻态。该导电通道不稳定,当施加电压撤去或者降低(<Vth1)时,由于界面能的原因,导电通路会自发断裂,器件再次回到高阻态。
图2是本公开实施例易失性阈值转变器件的I-V曲线测量结果图。如图2所示:在所述易失性阈值转变器件端电压从零开始增加到Vth2过程中,该器件一直处于高阻态;继续增大电压(>Vth2),则电流突然急剧增大达到限流100μA,该器件处于低阻态;当电压回扫时(>Vth1),该器件保持低阻态,继续减小回扫电压(<Vth1),电流突然减小,该器件自发回到高阻态,表现出低阻态易失特性。
所述神经元电路产生神经信号的过程中具有阈值效应,只有电容两端的电压在阈值器件上的分压达到阈值器件的阈值电压,才会有神经信号的输出。
进一步的,所述神经元电路在充电过程中,易失性阈值转变器件的端电压小于阈值电压Vth2,该器件处于高阻态,此时充电回路的时间常数远小于放电回路的时间常数。
当易失性阈值转变器件的端电压超过阈值电压Vth2时,该器件转变为低阻态,此时放电回路的时间常数远小于充电回路的时间常数,由电阻R2两端的电压作为动作电位,产生神经信号输出。
所述电阻R1代表与该神经元相连的前神经突触,有利于构建复杂连接的人工神经网络。该电阻值的大小为神经网络中与之相连的神经突触权重值W1的倒数,即R1=1/W1。
所述电阻R2阻值介于阈值转变器件的高阻态阻值和低阻态阻值之间(RL<R2<RH),以便实现合适的分压。所述电阻R2的电阻值与调节神经元电路的放电速度相关联,放电时间常数τ=R2*C,通过设置电阻R2不同的电阻值,可以调节神经元电路的放电速度。
并联电容的电容值达到可以fF量级,有利于在片上进行集成。并联电容的电容值可以是固定值也可以为可变值,所述电容值范围为1fF至1μF,在此范围内该电路均可正常工作。优选地,所述电容值范围为1nF至100nF。
所述激励输入是电流激励或电压激励。所述神经信号的输出是通过输入信号激励在时间上的累加产生的。输出神经信号的周期频率在预定范围内会随着输入刺激的增大而增大。
图3为本公开实施例神经元电路产生动作电位的测试图。两个动作电位之间的输出动作电位电压为零,对应动作电位产生过程的累积过程,在此时间段内,电容通过充电回路(电阻R1-电容)累积电量,从而抬高其两端的电压。当电容两端的电压达到阈值转变器件TSM的阈值电压Vth2时,TSM器件转变为低阻态,电容通过放电回路(电容-TSM-电阻R2进行放电),产生动作电位。该动作电位是通过测量电阻R2两端的电压值获得。
图4为本公开实施例神经元电路在不同强度的输入下电容两端电压积分过程的测试图,其从侧面反映了不同输入强度下动作电位不同的输出频率。输入脉冲保持频率100Hz,70%的占空比,改变脉冲幅度分别为1.2V,1.4V,1.8V,2.0V。随着,脉冲幅的增加,相同时间两端更快的达到阈值电压Vth2,从而增加动作电位的产生频率。这与生物神经元的不同强度刺激下的频率响应是一致的。
至此,本公开第一实施例基于易失性阈值转变器件的神经元电路介绍完毕。
在本公开的第二个示例性实施例中,提供了一种利用易失性阈值转变器件的神经元电路的实现方法。图5为本公开实施例利用易失性阈值转变器件的神经元电路实现方法的流程图。同时,通过图6至图8示意了该阈值转变器件各部分的制备过程,以下首先结合图5至图8详细说明该阈值转变器件的制备方法,本公开利用易失性阈值转变器件的神经元电路实现方法包括:
步骤S1,在衬底上制备易失性阈值转变器件;进一步包括:
子步骤S11:在衬底上形成下电极。
图6为本公开实施例易失性阈值转变器件的制备下电极过程示意图,如图6所示,该步骤具体包括:通过光刻制备下电极图形,在衬底上沉积下电极薄膜。所述下电极可以采用Pd、Au、Ru、Pt,导电金属化合物TiN、TaN、ITO中至少一种构成。所述下电极材料可以通过电子束蒸发、脉冲激光沉积或溅射方法中的一种制备完成。优选地,所述衬底为硅片。
子步骤S12:在下电极上表面形成功能层。
图7为本公开实施例易失性阈值转变器件的制备功能层过程示意图,如图7所示,在该步骤中,通过光刻制备功能层图形,在下电极上沉积功能层薄膜,其中功能层材料可以采用SiO2、HfO2、SiNx、TaOx或a-Si等。可以通过化学气相沉积、磁控溅射、电子束蒸发、脉冲激光沉积、原子层沉积等方法制备功能层。优选地,通过光刻、剥离在下电极上沉积功能层。
子步骤S13:在功能层上形成上电极。
图8为本公开实施例易失性阈值转变器件的制备上电极过程示意图,如图8所示,该步骤具体包括:通过光刻制备上电极图形,在功能层上沉积上电极薄膜。所述上电极可以采用Ag或Cu中至少一种构成。所述上电极材料可以通过电子束蒸发、化学气相沉积、脉冲激光沉积、原子层沉积、溅射方法中的一种制备完成。
在所述S1步骤制备的易失性阈值转变器件,制备工艺简单,具有可微缩性,可大规模集成。
步骤S2:将制备好的阈值转变器件与电阻R2相连;
所述步骤S2中串联的电阻R2阻值介于阈值转变器件的高阻态阻值和低阻态阻值之间,以便实现合适的分压。
步骤S3:将阈值器件连同电阻R2一起与电容并联;
并联电容的电容值可达到fF量级,有利于在片上进行集成。并联电容的电容值可以是固定值也可以为可变值,具有电容积累电荷性质的器件均可在此使用。
步骤S4:通过R1施加激励产生动作电位信号。
所述施加的激励可以是电流激励,也可以是电压激励。
在图中,为了清楚放大了器件示意图中层和区域的厚度,但作为示意图不应该被认为严格反映了几何尺寸的比例关系。
在此参考图中,其中器件参考图是本公开的理想化实施例的原理示意图,本公开所示的实施例不应该被认为仅限于图中所示的器件区域的特定形状,而是包括所得到的形状,比如制造引起的偏差。
为了达到简要说明的目的,上述实施例1中任何可作相同应用的技术特征叙述皆并于此,无需再重复相同叙述。
至此,本公开第二实施例利用易失性阈值转变器件的神经元电路的实现方法介绍完毕。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
还需要说明的是,实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向,并非用来限制本公开的保护范围。贯穿附图,相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时,将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本公开实施例的内容。另外,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。
再者,单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词,以修饰相应的元件,其本身并不意味着该元件有任何的序数,也不代表某一元件与另一元件的顺序、或是制造方法上的顺序,该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且,在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地,应当理解,为了精简本公开并帮助理解各个公开方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,公开方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。

Claims (9)

1.一种利用易失性阈值转变器件的神经元电路,包括:电容C、易失性阈值转变器件TSM及电阻R1、R2,其中:
由电阻R1、电容C及激励输入构成充电回路,所述电阻R1与电容C的第一端串联构成RC串联电路,所述电容C的第二端接地并作为激励输入的一端,所述激励输入的另一端连接到电阻R1;
由易失性阈值转变器件TSM、电阻R2及电容C构成放电回路,所述易失性阈值转变器件TSM与电阻R2构成串联电路,所述电容C的第一端与易失性阈值转变器件TSM相连,第二端与所述电阻R2的一端相连并接地,所述电阻R2的另一端作为神经信号动作电位输出;
其中,所述神经元电路在充电过程中,易失性阈值转变器件的端电压小于阈值电压Vth2,该器件处于高阻态,此时充电回路的时间常数远小于放电回路的时间常数;
当易失性阈值转变器件的端电压超过阈值电压Vth2时,该器件转变为低阻态,此时放电回路的时间常数远小于充电回路的时间常数,由电阻R2两端的电压作为动作电位,产生神经信号输出。
2.根据权利要求1所述的神经元电路,所述易失性阈值转变器件在端电压从零开始增加到阈值电压Vth2过程中,处于高阻态;当超过该阈值后,处于低阻态;当电压回归时且回归电压小于阈值电压Vthl后,该器件自发回到高阻态,其中,所述阈值电压Vth2大于阈值电压Vth1
3.根据权利要求1所述的神经元电路,所述易失性阈值转变器件包括:
衬底;
下电极,形成于衬底上,所述下电极采用惰性导电金属材料;
功能层,形成于下电极上,所述功能层材料采用绝缘体或半导体材料;
上电极,形成于功能层上,所述上电极采用活性金属材料;
其中,所述功能层用于将上下电极电性隔离,使得器件的初始态为高阻态,并在器件端电压超过阈值电压时为导电通路的生长提供媒介。
4.根据权利要求3所述的神经元电路,其中,
所述衬底材料为硅片、石英或有机柔性薄膜;
所述下电极采用Pd、Au、Ru、Pt,TiN、TaN、ITO、W、Ta中至少一种;
所述功能层材料采用SiO2、HfO2、SiNx、TaOx、MgOx、a-Si中至少一种;
所述上电极材料采用Ag或Cu中至少一种。
5.根据权利要求4所述的神经元电路,其中,
所述上电极和下电极通过电子束蒸发、脉冲激光沉积或溅射方法中的一种制备完成;
所述功能层通过电子束蒸发、化学气相沉积、脉冲激光沉积、原子层沉积或溅射方法中的一种制备完成。
6.根据权利要求4所述的神经元电路,其中,所述易失性阈值转变器件的制备包括在衬底上通过光刻制备下电极图形,沉积下电极薄膜;在下电极上通过光刻制备功能层图形,沉积功能层薄膜;在功能层上通过光刻制备上电极图形,沉积上电极薄膜。
7.根据权利要求4所述的神经元电路,其中,
所述电阻R1代表与该神经元相连的前神经突触,所述电阻R1的电阻值的大小为神经网络中与之相连的神经突触权重值W1的倒数,即R1=1/W1;
所述电阻R2电阻值介于易失性阈值转变器件的高阻态阻值和低阻态阻值之间,所述电阻R2的电阻值与调节神经元电路的放电速度相关联,放电时间常数τ=R2*C;
所述电容C是固定电容或可变电容,所述电容C的电容值范围为1fF至1μF。
8.根据权利要求7所述的神经元电路,所述神经元电路产生神经信号的过程中只有电容两端的电压在易失性阈值转变器件上的分压达到阈值电压Vth2,才会有神经信号的输出。
9.根据权利要求1所述的神经元电路,所述激励输入是电流激励或电压激励;所述神经信号的输出是通过输入信号激励在时间上的累加产生的,输出神经信号的周期频率在预定范围内会随着输入刺激的增大而增大。
CN201711116379.2A 2017-11-13 2017-11-13 基于易失性阈值转变器件的神经元电路 Active CN107909146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711116379.2A CN107909146B (zh) 2017-11-13 2017-11-13 基于易失性阈值转变器件的神经元电路

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711116379.2A CN107909146B (zh) 2017-11-13 2017-11-13 基于易失性阈值转变器件的神经元电路

Publications (2)

Publication Number Publication Date
CN107909146A CN107909146A (zh) 2018-04-13
CN107909146B true CN107909146B (zh) 2021-09-17

Family

ID=61845116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711116379.2A Active CN107909146B (zh) 2017-11-13 2017-11-13 基于易失性阈值转变器件的神经元电路

Country Status (1)

Country Link
CN (1) CN107909146B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102071B (zh) * 2018-08-07 2020-12-11 中国科学院微电子研究所 一种神经元电路以及神经网络电路
CN112819146A (zh) * 2019-11-18 2021-05-18 中国科学院微电子研究所 一种传入神经元电路及机械感受系统
CN110991610B (zh) * 2019-11-28 2022-08-05 华中科技大学 一种非确定性问题的概率确定方法
CN111680792A (zh) * 2020-06-18 2020-09-18 中国人民解放军国防科技大学 激活函数电路、忆阻神经网络及忆阻神经网络的控制方法
CN112906880B (zh) * 2021-04-08 2022-04-26 华中科技大学 一种基于忆阻器的自适应神经元电路
CN113532489A (zh) * 2021-06-25 2021-10-22 西安交通大学 一种基于莫特绝缘体忆阻器的电容型传感架构
CN113990368B (zh) * 2021-10-29 2023-03-14 华中科技大学 一种基于奥氏阈值开关器件的动态存储结构及其操作方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9104975B2 (en) * 2002-03-12 2015-08-11 Knowmtech, Llc Memristor apparatus
CN102456157B (zh) * 2010-10-20 2015-08-26 北京大学 神经元器件和神经网络
DE102011076105A1 (de) * 2011-05-19 2012-11-22 Robert Bosch Gmbh Sensorelement mit piezoelektrischem Wandler
CN202404157U (zh) * 2011-10-27 2012-08-29 苏州路之遥科技股份有限公司 一种基于i/o端口检测可变电阻值电路
CN102543172B (zh) * 2012-02-27 2014-09-24 北京大学 一种适用于神经元电路的阻变忆阻器的控制方法
CN103078054B (zh) * 2013-01-04 2015-06-03 华中科技大学 一种模拟生物神经元和神经突触的单元、装置及方法
US9165246B2 (en) * 2013-01-29 2015-10-20 Hewlett-Packard Development Company, L.P. Neuristor-based reservoir computing devices
CN103731123B (zh) * 2013-12-24 2016-05-25 华中科技大学 一种基于忆阻器的超宽带脉冲信号产生装置
CN104518088A (zh) * 2014-11-25 2015-04-15 中国科学院宁波材料技术与工程研究所 一种生物神经突触仿生电子器件的制备方法及其产品
CN104579253B (zh) * 2015-01-30 2017-09-29 中国人民解放军军械工程学院 一种具有抗扰特性的仿生时钟电路及其实现方法
CN104821179B (zh) * 2015-04-16 2017-09-26 江苏时代全芯存储科技有限公司 记忆体驱动电路
CN106470023A (zh) * 2015-08-18 2017-03-01 华为技术有限公司 神经模拟电路
CN105160401B (zh) * 2015-08-27 2017-08-11 电子科技大学 一种基于忆阻器阵列的wta神经网络及其应用
CN105739944B (zh) * 2016-03-21 2019-01-04 华中科技大学 一种基于忆阻器的多进制加法运算电路
CN108388419A (zh) * 2016-05-24 2018-08-10 杜玮嘉 基于忆阻器的对数器运算电路
CN206147705U (zh) * 2016-10-13 2017-05-03 中国科学院深圳先进技术研究院 神经元突触电路及神经元电路
CN106654007A (zh) * 2016-12-05 2017-05-10 华中科技大学 一种基于量子电导效应的忆阻器及其制备调制方法及应用
CN106845634B (zh) * 2016-12-28 2018-12-14 华中科技大学 一种基于忆阻器件的神经元电路
CN106815636B (zh) * 2016-12-30 2019-03-05 华中科技大学 一种基于忆阻器的神经元电路
CN106981567B (zh) * 2017-03-20 2019-11-05 华中科技大学 一种基于光电耦合忆阻器的人工突触器件及其调制方法
CN107194463B (zh) * 2017-04-20 2019-11-22 北京大学 神经元电路和神经形态电路
CN107123735A (zh) * 2017-05-05 2017-09-01 福州大学 一种低功耗柔性透明电子突触器件及其制备方法
CN107122828B (zh) * 2017-05-09 2020-05-05 清华大学 电路结构及其驱动方法、神经网络

Also Published As

Publication number Publication date
CN107909146A (zh) 2018-04-13

Similar Documents

Publication Publication Date Title
CN107909146B (zh) 基于易失性阈值转变器件的神经元电路
Lu et al. Low-power artificial neurons based on Ag/TiN/HfAlOx/Pt threshold switching memristor for neuromorphic computing
Yu et al. An electronic synapse device based on metal oxide resistive switching memory for neuromorphic computation
CN109102071B (zh) 一种神经元电路以及神经网络电路
CN110036443B (zh) 神经元电路、信号传输系统以及开关电路
CN103580668B (zh) 一种基于忆阻器的联想记忆电路
Liu et al. Optimization of non-linear conductance modulation based on metal oxide memristors
CN110647982B (zh) 人工感受神经电路及其制备方法
Zeng et al. Learning processes modulated by the interface effects in a Ti/conducting polymer/Ti resistive switching cell
CN110739393B (zh) 一种仿生突触器件及其制作方法及其应用
KR101811108B1 (ko) 부도체-도체 전이현상을 이용한 뉴런 소자를 포함한 고집적 뉴로모픽 시스템 및 고집적 뉴로모픽 회로
US10970625B2 (en) Device with multiple resistance switches with different switching characteristics
Lee et al. Simple artificial neuron using an ovonic threshold switch featuring spike-frequency adaptation and chaotic activity
Tu et al. A wide-range operating synaptic device based on organic ferroelectricity with low energy consumption
KR102002212B1 (ko) 뉴로모픽 시스템 응용을 위한 시냅스 장치의 강화 동작 방법
Wang et al. A configurable artificial neuron based on a threshold-tunable TiN/NbOₓ/Pt Memristor
KR20210022869A (ko) 뉴런 하나당 다수의 시냅스들을 갖는 3차원 뉴로모픽 소자
KR102009569B1 (ko) 3차원 구조의 시냅스 소자 및 이의 제조 방법
Tiotto et al. Learning to approximate functions using Nb-doped SrTiO3 memristors
CN112906880B (zh) 一种基于忆阻器的自适应神经元电路
CN111244270A (zh) 一种模拟生物神经元功能的电子器件及方法
Zhou et al. Driving Strategy Based on Artificial Neuron Device for Array Circuits
CN112018236A (zh) 一种基于pzt的忆阻器件、其制备方法及其应用
Li et al. Bidirectional Transition between Threshold and Bipolar Switching in Ag/SiO 2/ITO Memristors
Zhong et al. ‘Stateful’threshold switching for neuromorphic learning

Legal Events

Date Code Title Description
PB01 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