CN111640865A - 一种适用于神经形态计算的人工突触器件 - Google Patents
一种适用于神经形态计算的人工突触器件 Download PDFInfo
- Publication number
- CN111640865A CN111640865A CN202010524942.5A CN202010524942A CN111640865A CN 111640865 A CN111640865 A CN 111640865A CN 202010524942 A CN202010524942 A CN 202010524942A CN 111640865 A CN111640865 A CN 111640865A
- Authority
- CN
- China
- Prior art keywords
- ferroelectric
- barrier layer
- artificial synapse
- synapse device
- electrode
- 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.)
- Granted
Links
- 210000000225 synapse Anatomy 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 title description 16
- 230000004888 barrier function Effects 0.000 claims abstract description 47
- 230000010287 polarization Effects 0.000 claims abstract description 27
- 239000004065 semiconductor Substances 0.000 claims abstract description 23
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 21
- 229910020696 PbZrxTi1−xO3 Inorganic materials 0.000 claims description 4
- 229910010252 TiO3 Inorganic materials 0.000 claims description 4
- 229910002902 BiFeO3 Inorganic materials 0.000 claims description 3
- 229910002075 lanthanum strontium manganite Inorganic materials 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 229910002370 SrTiO3 Inorganic materials 0.000 claims description 2
- 229910052802 copper Inorganic materials 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 229910052697 platinum Inorganic materials 0.000 claims 1
- 229910052709 silver Inorganic materials 0.000 claims 1
- 229910052721 tungsten Inorganic materials 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 230000033228 biological regulation Effects 0.000 abstract description 11
- 230000005684 electric field Effects 0.000 abstract description 7
- 238000000034 method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000009471 action Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 11
- 239000000463 material Substances 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 229910002367 SrTiO Inorganic materials 0.000 description 1
- 229910004416 SrxMnO3 Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005621 ferroelectricity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
- 238000004832 voltammetry Methods 0.000 description 1
Images
Classifications
-
- 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
- H10N70/20—Multistable switching devices, e.g. memristors
-
- 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
-
- 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
- H10N70/883—Oxides or nitrides
- H10N70/8836—Complex metal oxides, e.g. perovskites, spinels
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Materials Engineering (AREA)
- Semiconductor Memories (AREA)
Abstract
本发明申请公开一种适用于神经形态计算的人工突触器件,该人工突触器件包括:半导体底电极、铁电势垒层和导电顶电极;其中,所述半导体底电极上面设有铁电势垒层,所述铁电势垒层的面外生长方向与铁电自发极化方向不共线;所述铁电势垒层上面设有导电顶电极。通过使铁电势垒层的面外生长方向与铁电自发极化方向不共线,在外加电场的作用下,铁电畴的极化翻转过程更加多样,铁电矫顽场分布更加弥散,从而利于获得更多数目的非易失的电导态,实现更加线性、准确可调的非易失电导态调控,同时器件在读取电压范围内的伏安特性曲线仍能保持良好的线性特征。因而,由上述人工突触器件构建的人工神经网络具有很好的神经形态计算能力。
Description
技术领域
本发明涉及存储器以及神经形态计算领域,尤其涉及一种适用于神经形态计算的人工突触器件。
背景技术
人工智能在图像识别、语音翻译等方面有重要应用。随着人工智能的发展,算法越来越复杂,运算量越来越庞大,对计算机硬件的要求越来越高,而GPU多核并行计算等基于当前计算机架构的运算方式表现出功耗高、效率低等瓶颈问题。为了克服这些问题,人们提出利用忆阻器作为人工突触器件构建人工神经网络。一方面,单个突触器件即可以独立地完成乘法运算,因此,人工神经网络可以直接通过欧姆定律和基尔霍夫定律,将图像等转化成的电压输入信号,处理为特定输出端的电流作为输出结果。另外,人工突触器件集存储和计算功能于一体,减少了数据在处理器和存储器间来回传输耗费的时间和功耗。因此,人工突触器件的构建对提高人工智能运算效率和降低功耗十分关键。
为实现精确的神经形态计算,人工突触器件需要满足几个重要性能指标:阻态数目大于100个,电导调控范围大于两个量级,电导调控非线性度小于4、周期随机性小于3%。目前,常用于神经形态计算的人工突触器件主要有基于材料晶态相变机制的相变忆阻器和基于传导丝机制的阻变忆阻器。其中,相变忆阻器由于操作电流密度大而功耗较大,并且阻变过程依赖于材料在结晶态与非晶态之间的转变,电导变化比较剧烈,难以满足神经形态计算对人工突触器件多电导状态数目以及高线性电导变化的要求。而阻变忆阻器的电导态变换依赖于缺陷(例如氧空位等)的移动,具有较大的随机性,不利于实现对电导的精准调控。
基于铁电隧道结忆阻器的人工突触器件,其阻变效应来自于受铁电畴连续翻转所调控的界面势垒,具有良好的稳定性,而且铁电还具有低功耗、快速度的原理优势。然而,目前铁电隧道结忆阻器还无法在电导状态数目、电导调控范围、线性度等指标上都满足实现精确的神经形态计算的人工突触器件的要求。
发明内容
由于现有技术存在上述问题,本发明的目的是提供一种适用于神经形态计算的人工突触器件,能解决现有铁电隧道结忆阻器还无法在电导状态数目、电导调控范围、线性度等指标上都满足构建高性能人工神经网络的人工突触器件的要求的问题。
本发明的目的是通过以下技术方案实现的:
本发明提供一种适用于神经形态计算的人工突触器件,包括:
半导体底电极、铁电势垒层和导电顶电极;其中,
所述半导体底电极上面设有铁电势垒层,所述铁电势垒层的面外生长方向与铁电自发极化方向不共线;
所述铁电势垒层上面设有导电顶电极。
由上述本发明提供的技术方案可以看出,本发明实施例提供的适用于神经形态计算的人工突触器件,其有益效果为:
通过在半导体底电极与导电顶电极之间设置铁电势垒层,并使铁电势垒层的面外生长方向与铁电自发极化方向不共线,外加电场方向垂直于半导体底电极和导电顶电极的表面,与铁电势垒层面外生长方向共线,但与铁电自发极化方向不共线,这样在外加电场的作用下,铁电畴的极化翻转过程会更加多样,铁电矫顽场分布更加弥散,从而利于获得更多数目的非易失的电导态,实现更加线性、准确的非易失电导态调控。同时,该人工突触器件在读取电压范围内的伏安特性曲线仍能保持良好的线性特征。因而,由上述人工突触器件构建的人工神经网络具有很好的神经形态计算能力。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所使用的附图作简单地介绍。显而易见,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的适用于神经形态计算的人工突触器件的结构示意图;
图2为本发明实施例提供的人工突触器件电阻随10ns脉宽的电压序列的回线变化图;
图3为本发明实施例提供的人工突触器件的电导随10ns脉宽的脉冲电压序列的变化图;
图4为本发明实施例提供的人工突触器件对应图3中每个电导状态的伏安特性图;
图5为基于本发明实施例提供的人工突触器件真实性能和理想器件性能模拟构建的人工神经网络,识别手写体数字的正确率随训练次数的变化图;
图中各标记对应部件为:1-半导体底电极;2-铁电势垒层;3-导电顶电极;A-铁电自发极化方向;B-外加电场方向。
具体实施方式
下面结合本发明的具体内容,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
如图1所示,本发明实施例提供一种适用于神经形态计算的人工突触器件,包括:
半导体底电极、铁电势垒层和导电顶电极;其中,
所述半导体底电极上面设有铁电势垒层,铁电势垒层厚度为1~5nm,所述铁电势垒层的面外生长方向与铁电自发极化方向不共线;
由于铁电势垒层厚度为1~5nm,具有较好的量子隧穿效应且不易漏电,若铁电势垒层太薄,则会有较大的漏电,而如果太厚,则难以发生量子隧穿效应。
所述铁电势垒层上面设有导电顶电极。
具体的,上述人工突触器件中,底电极是半导体材料,势垒层是在底电极上面外生长方向与自发电极化方向不共线的铁电材料,铁电势垒层的面外生长方向与自发极化方向的夹角可以为35°、45°、54°;顶电极是在势垒层上生长的导电材料。
所述的人工突触器件中,半导体底电极采用能在上面外延生长铁电层的半导体电极;优选的,半导体底电极使用掺Nb的SrTiO3电极。
所述铁电势垒层采用以下中的任一项:
A)(111)取向生长的PbZrxTi1-xO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为54°,或(101)取向生长的PbZrxTi1-xO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为45°,其中x取0~0.52,包括端点值;
B)(111)取向生长的Ba1-xSrxTiO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为54°,或(101)取向生长的Ba1-xSrxTiO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为45°,其中x取0~0.4,包括端点值;
C)(100)取向生长的BiFeO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为54°,或(101)取向生长的BiFeO3层,该铁电势垒层的面外生长方向与自发极化方向的夹角为35°。
所述的人工突触器件中,导电顶电极采用Au电极、Pt电极、W电极、Cu电极、Ag电极、ITO电极、La1-xSrxMnO3电极中的任一种;所述La1-xSrxMnO3电极中x取0.2~0.5,不包括端点值。
所述半导体底电极与导电顶电极施加的操作脉冲电压在10V以内时,脉宽范围≥1ns。
本发明人工突触器件是一种基于铁电隧道结的人工突触器件,其铁电势垒层的面外生长方向与其铁电自发极化方向不共线。因此,在半导体底电极与导电顶电极之间施加脉冲电压时,外加电场方向垂直于半导体底电极和导电顶电极的表面,与铁电势垒层的面外生长方向共线,而与铁电自发极化方向不共线,导致外加电场作用下铁电翻转过程更加多样,铁电矫顽场分布更弥散。利用这种具有更加弥散的矫顽场分布的铁电极化翻转行为,能更为精细地调控界面势垒,可获得更多可精准调控的非易失电导状态。从而可以通过适当地调节外加脉冲电压的振幅和脉宽,在较大的电导范围内获得非常线性的电导随脉冲序列的变化关系,并且电导状态数目多、随机性小。该忆阻器是一种具有更多的可调的非易失电导态以及更为线性精准的电导态操作的人工突触器件,适用于构建高性能人工神经网络,实现在神经形态计算中的应用。
在本发明提供的实施例中,半导体底电极优选采样(111)取向的掺Nb的SrTiO3电极,铁电势垒层为外延生长的(111)取向的PbZr0.52Ti0.48O3层(自发铁电极化方向为(100)),厚度约为1.5nm,导电顶电极为Ag电极。
下面对结合发明实施例具体性能作进一步地详细描述。
图2为本实施例提供的人工突触器件的电阻随脉冲电压的连续变化图,施加的脉冲电压序列为-6V到5V再到-6V,脉宽为10ns,读取电压为50mV。可以看出,在施加上述脉冲电压序列下,电阻表现出回形曲线。即通过施加正向电压,铁电畴极化被逐渐连续翻转向下,人工突触器件的电阻逐渐降低;通过负向电压将铁电畴极化逐步连续翻转向上,人工突触器件的电阻逐渐升高。人工突触器件的阻态连续可调,表现出忆阻的特性。
图3为本实施例提供的人工突触器件的电导随脉冲电压序列连续变化的曲线,模拟了神经网络中突触的长时程抑制特性。通过调节所施加的脉冲电压序列(此处,从-0.7V至-1.99V,间隔10mV依次增加;-2V至-2.8V,间隔40mV依次增加,读取电压50mV),一共可以获得150个不同的电导状态。通过重复测量20次可以发现,电导状态随脉冲电压序列的变化关系具有线性度高(非线性度1.2)、重复性好(周期随机性约为1.98%)、电导的调控范围大(约为两个量级)的优点,满足人工突触器件在阻态数目(>100个),电导调控范围(>100),线性度(非线性度<4),周期随机性(<3%)方面的全部要求。而其他铁电层面外生长方向与铁电自发极化方向共线的铁电隧道结忆阻器,则不能满足上述所有要求。
图4为本实施例提供的图3中每个电导态的伏安特性曲线。在神经形态计算中,可构建基于人工突触器件的人工神经网络,并将图像、语音等信息转换为基于电压幅值的模拟信号直接输入到人工神经网络阵列中人工突触器件的顶电极中,依据欧姆定律(即每个电导状态下的伏安特性曲线)和基尔霍夫定律,得到输出电流作为运算结果。因此,神经形态计算要求人工突触器件的伏安特性曲线有良好的线性特征。而从图4的结果中可以看出,在读取电压小于50mV的范围内,本实施例的伏安特性曲线表现出良好的线性特征,满足神经形态计算的要求。
图5为基于本实施例提供的人工突触器件的真实性能表现(图3中的电导随脉冲序列变化、周期随机误差,及图4中的伏安特性),利用MATLAB程序编写基于反向传播算法的深度学习网络(含有2×(784×100+100×10)=158800个人工突触器件),模拟执行手写体数字(MNIST数据库)识别,其识别正确率随训练次数逐步上升。经过3000次训练(每次训练从MNIST中随机选取128张图片),正确率能够达到94.4%,接近基于理想人工突触器件的识别正确率97%。表明了本发明实施例提供的基于新型设计的铁电隧道结的人工突触器件在神经形态计算应用方面有较大潜能,其可满足神经形态计算对人工突触器件在电导状态数目、电导调控范围、电导变化线性特征、伏安特性线性特征方面的高要求,对未来神经形态计算的硬件发展有重要意义。
综上,本申请的基于铁电隧道结的人工突触器件,其铁电势垒层的面外生长方向和铁电自发极化的方向不共线,使得外加电场作用下铁电翻转过程更加多样,铁电矫顽场分布更弥散,利用这种具有更加弥散的矫顽场分布的铁电极化翻转,能更为精细地调控界面势垒,使得该人工突触器件能够满足两个量级范围内电导的线性调控、100个以上的电导态数目、小于3%的随机噪声,线性的伏安特性线要求,因而构建的人工神经网络可以具有较好表现,识别手写体数字能达到大于94%的正确率。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明中所定义的一般原理可以在不脱离本发明的知识原理或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种适用于神经形态计算的人工突触器件,其特征在于,包括:
半导体底电极、铁电势垒层和导电顶电极;其中,
所述半导体底电极上面设有铁电势垒层,所述铁电势垒层的厚度为1~5nm,所述铁电势垒层的面外生长方向与铁电自发极化方向不共线;
所述铁电势垒层上面设有导电顶电极。
2.根据权利要求1所述的适用于神经形态计算的人工突触器件,其特征在于,所述半导体底电极采用能在上面外延生长铁电势垒层的半导体电极;
所述铁电势垒层采用以下中的任一项:
A)(111)取向生长的PbZrxTi1-xO3层或(110)取向生长的PbZrxTi1-xO3层,其中x取0~0.52,包括端点值;
B)(111)取向生长的Ba1-xSrxTiO3层或(110)取向生长的Ba1-xSrxTiO3层,其中x取0~0.4,包括端点值;
C)(100)取向生长的BiFeO3层或(110)取向生长的BiFeO3层。
3.根据权利要求2所述的适用于神经形态计算的人工突触器件,其特征在于,所述半导体底电极采用掺Nb的SrTiO3电极。
4.根据权利要求1至3任一项所述的适用于神经形态计算的人工突触器件,其特征在于,所述导电顶电极采用Au电极、Pt电极、W电极、Cu电极、Ag电极、ITO电极、La1-xSrxMnO3电极中的任一种;所述La1-xSrxMnO3电极中x取0.2~0.5,不包括端点值。
5.根据权利要求1至3任一项所述的适用于神经形态计算的人工突触器件,其特征在于,所述半导体底电极与导电顶电极能施加的操作脉冲电压小于等于10V时,脉宽范围大于等于1ns。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524942.5A CN111640865B (zh) | 2020-06-10 | 2020-06-10 | 一种适用于神经形态计算的人工突触器件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524942.5A CN111640865B (zh) | 2020-06-10 | 2020-06-10 | 一种适用于神经形态计算的人工突触器件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640865A true CN111640865A (zh) | 2020-09-08 |
CN111640865B CN111640865B (zh) | 2023-06-20 |
Family
ID=72333103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524942.5A Active CN111640865B (zh) | 2020-06-10 | 2020-06-10 | 一种适用于神经形态计算的人工突触器件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640865B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113675294A (zh) * | 2021-08-20 | 2021-11-19 | 电子科技大学 | 一种双层三元氧化物的光电突触器件及其制备和工作方法 |
CN113707806A (zh) * | 2021-08-26 | 2021-11-26 | 山东大学 | 一种长程可塑性具有高对称性、高线性度的铁电隧道结神经突触器件及其制备方法和应用 |
EP4303875A1 (en) * | 2022-07-07 | 2024-01-10 | TechIFab GmbH | Memristive structure and memristive device |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990072763A (ko) * | 1998-02-20 | 1999-09-27 | 니시무로 타이죠 | 회전의존전도장치 |
CN101864592A (zh) * | 2010-05-14 | 2010-10-20 | 南京大学 | 基于铁电金属异质结的忆阻器及其制备方法 |
CN103346255A (zh) * | 2013-06-26 | 2013-10-09 | 济南大学 | 一种异质结、铁电隧道结及其制备方法和应用 |
CN103346256A (zh) * | 2013-07-03 | 2013-10-09 | 南京大学 | 一种基于铁电隧道结的忆阻器 |
US20180019011A1 (en) * | 2016-07-01 | 2018-01-18 | Konkuk University Industrial Cooperation Corp | Selectively activated synaptic device with ultrasmall dimension and low power consumption |
CN109346599A (zh) * | 2018-09-26 | 2019-02-15 | 中国科学技术大学 | 多铁隧道结忆阻器及其制作方法 |
CN109599486A (zh) * | 2018-11-30 | 2019-04-09 | 中国科学技术大学 | 一种基于多铁异质结构的阻变存储器 |
US20190131383A1 (en) * | 2017-10-30 | 2019-05-02 | International Business Machines Corporation | Artificial Synapse with Hafnium Oxide-Based Ferroelectric Layer in CMOS Back-End |
US20190131384A1 (en) * | 2017-10-27 | 2019-05-02 | National University Of Singapore | Ferroelectric tunnel junction structure and method of fabricating the same |
WO2019140729A1 (zh) * | 2018-01-19 | 2019-07-25 | 华中科技大学 | 一种基于铁磁材料的忆阻器件 |
-
2020
- 2020-06-10 CN CN202010524942.5A patent/CN111640865B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990072763A (ko) * | 1998-02-20 | 1999-09-27 | 니시무로 타이죠 | 회전의존전도장치 |
CN101864592A (zh) * | 2010-05-14 | 2010-10-20 | 南京大学 | 基于铁电金属异质结的忆阻器及其制备方法 |
CN103346255A (zh) * | 2013-06-26 | 2013-10-09 | 济南大学 | 一种异质结、铁电隧道结及其制备方法和应用 |
CN103346256A (zh) * | 2013-07-03 | 2013-10-09 | 南京大学 | 一种基于铁电隧道结的忆阻器 |
US20180019011A1 (en) * | 2016-07-01 | 2018-01-18 | Konkuk University Industrial Cooperation Corp | Selectively activated synaptic device with ultrasmall dimension and low power consumption |
US20190131384A1 (en) * | 2017-10-27 | 2019-05-02 | National University Of Singapore | Ferroelectric tunnel junction structure and method of fabricating the same |
US20190131383A1 (en) * | 2017-10-30 | 2019-05-02 | International Business Machines Corporation | Artificial Synapse with Hafnium Oxide-Based Ferroelectric Layer in CMOS Back-End |
WO2019140729A1 (zh) * | 2018-01-19 | 2019-07-25 | 华中科技大学 | 一种基于铁磁材料的忆阻器件 |
CN109346599A (zh) * | 2018-09-26 | 2019-02-15 | 中国科学技术大学 | 多铁隧道结忆阻器及其制作方法 |
CN109599486A (zh) * | 2018-11-30 | 2019-04-09 | 中国科学技术大学 | 一种基于多铁异质结构的阻变存储器 |
Non-Patent Citations (2)
Title |
---|
CHAO MA等: ""Sub-nanosecond memristor based on ferroelectric tunnel junction\"" * |
HAOYANG SUN等: "\"BiFeO3-based flexible ferroelectric memristors for neuromorphic pattern recongnition\"" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113675294A (zh) * | 2021-08-20 | 2021-11-19 | 电子科技大学 | 一种双层三元氧化物的光电突触器件及其制备和工作方法 |
CN113675294B (zh) * | 2021-08-20 | 2023-03-31 | 电子科技大学 | 一种双层三元氧化物的光电突触器件及其制备和工作方法 |
CN113707806A (zh) * | 2021-08-26 | 2021-11-26 | 山东大学 | 一种长程可塑性具有高对称性、高线性度的铁电隧道结神经突触器件及其制备方法和应用 |
EP4303875A1 (en) * | 2022-07-07 | 2024-01-10 | TechIFab GmbH | Memristive structure and memristive device |
Also Published As
Publication number | Publication date |
---|---|
CN111640865B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Synaptic devices based neuromorphic computing applications in artificial intelligence | |
Cui et al. | Ferroelectric photosensor network: an advanced hardware solution to real-time machine vision | |
CN111640865A (zh) | 一种适用于神经形态计算的人工突触器件 | |
Bian et al. | Neuromorphic computing: Devices, hardware, and system application facilitated by two-dimensional materials | |
Di Ventra et al. | Memory materials: a unifying description | |
Zhao et al. | Flexible artificial synapse based on single-crystalline BiFeO 3 thin film | |
Park et al. | Implementation of convolutional neural network and 8-bit reservoir computing in CMOS compatible VRRAM | |
WO2022121603A1 (en) | Non-volatile analog resistive memory cells implementing ferroelectric select transistors | |
Ji et al. | A flexible memristor model with electronic resistive switching memory behavior and its application in spiking neural network | |
Haensch et al. | Compute in‐Memory with Non‐Volatile Elements for Neural Networks: A Review from a Co‐Design Perspective | |
Yun et al. | Artificial synapse characteristics of a ZnO-based memristor with a short-term memory effect | |
Yang et al. | Nonvolatile negative optoelectronic memory based on ferroelectric thin films | |
Lähteenlahti et al. | Transport properties of resistive switching in Ag/Pr0. 6Ca0. 4MnO3/Al thin film structures | |
Hu et al. | Enhanced resistance switching in ultrathin Ag/SrTiO3/(La, Sr) MnO3 memristors and their long-term plasticity for neuromorphic computing | |
Byun et al. | Recent advances in synaptic nonvolatile memory devices and compensating architectural and algorithmic methods toward fully integrated neuromorphic chips | |
Ajayan et al. | Advances in neuromorphic devices for the hardware implementation of neuromorphic computing systems for future artificial intelligence applications: A critical review | |
Zhao et al. | Bio-synapse behavior controlled by interface engineering in ferroelectric tunnel memristors | |
Niu et al. | Multilevel state ferroelectric La: HfO2-based memristors and their implementations in associative learning circuit and face recognition | |
Majumdar | An efficient deep neural network accelerator using controlled ferroelectric domain dynamics | |
Hadiyal et al. | Bio-inspired artificial synapse for neuromorphic computing based on NiO nanoparticle thin film | |
Chen et al. | Perspective on oxide-based three-terminal artificial synapses in physical neural networks | |
Tian et al. | Hf0. 5Zr0. 5O2‐based ferroelectric bionic electronic synapse device with highly symmetrical and linearity weight modification | |
Zhou et al. | Recent Advances in In-Memory Computing: Exploring Memristor and Memtransistor Arrays with 2D Materials | |
Cheng et al. | Emulation of synaptic behavior by organic ferroelectric tunnel junctions | |
Bamao et al. | Realization of memristor and synaptic simulation behaviors based on LiNbOx |
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 |