CN113675334B - 一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 - Google Patents
一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 Download PDFInfo
- Publication number
- CN113675334B CN113675334B CN202010407524.8A CN202010407524A CN113675334B CN 113675334 B CN113675334 B CN 113675334B CN 202010407524 A CN202010407524 A CN 202010407524A CN 113675334 B CN113675334 B CN 113675334B
- Authority
- CN
- China
- Prior art keywords
- conductive
- electrode
- nano particles
- represented
- electrodes
- 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
- 239000011370 conductive nanoparticle Substances 0.000 title claims abstract description 101
- 239000000758 substrate Substances 0.000 claims abstract description 32
- 230000005684 electric field Effects 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 52
- 238000004891 communication Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 18
- 229910052751 metal Inorganic materials 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 17
- 229910052709 silver Inorganic materials 0.000 claims description 16
- 239000004332 silver Substances 0.000 claims description 16
- 229920003171 Poly (ethylene oxide) Polymers 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 9
- FOIXSVOLVBLSDH-UHFFFAOYSA-N Silver ion Chemical compound [Ag+] FOIXSVOLVBLSDH-UHFFFAOYSA-N 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 229910052710 silicon Inorganic materials 0.000 claims description 6
- 239000010703 silicon Substances 0.000 claims description 6
- 230000002269 spontaneous effect Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000003647 oxidation Effects 0.000 claims description 5
- 238000007254 oxidation reaction Methods 0.000 claims description 5
- 239000004065 semiconductor Substances 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 230000009024 positive feedback mechanism Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- YBMRDBCBODYGJE-UHFFFAOYSA-N germanium oxide Inorganic materials O=[Ge]=O YBMRDBCBODYGJE-UHFFFAOYSA-N 0.000 claims description 3
- -1 oxide Substances 0.000 claims description 3
- PVADDRMAFCOOPC-UHFFFAOYSA-N oxogermanium Chemical compound [Ge]=O PVADDRMAFCOOPC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000007667 floating Methods 0.000 claims description 2
- 229910052809 inorganic oxide Inorganic materials 0.000 claims description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims 1
- 239000002131 composite material Substances 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 15
- 238000002360 preparation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 239000010931 gold Substances 0.000 description 7
- 239000002105 nanoparticle Substances 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 6
- 238000005566 electron beam evaporation Methods 0.000 description 6
- 238000010894 electron beam technology Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 238000007747 plating Methods 0.000 description 5
- 238000004528 spin coating Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000000059 patterning Methods 0.000 description 4
- 238000000151 deposition Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 239000007772 electrode material Substances 0.000 description 3
- 238000005328 electron beam physical vapour deposition Methods 0.000 description 3
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 3
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 3
- 239000004926 polymethyl methacrylate Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000009791 electrochemical migration reaction Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 229910000449 hafnium oxide Inorganic materials 0.000 description 2
- WIHZLLGSGQNAGK-UHFFFAOYSA-N hafnium(4+);oxygen(2-) Chemical compound [O-2].[O-2].[Hf+4] WIHZLLGSGQNAGK-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 229910052814 silicon oxide Inorganic materials 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000233 ultraviolet lithography Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000004697 Polyetherimide Substances 0.000 description 1
- 229920002873 Polyethylenimine Polymers 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000277 atomic layer chemical vapour deposition Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000004205 dimethyl polysiloxane Substances 0.000 description 1
- 235000013870 dimethyl polysiloxane Nutrition 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000002082 metal nanoparticle Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000476 molybdenum oxide Inorganic materials 0.000 description 1
- CXQXSVUQTKDNFP-UHFFFAOYSA-N octamethyltrisiloxane Chemical compound C[Si](C)(C)O[Si](C)(C)O[Si](C)(C)C CXQXSVUQTKDNFP-UHFFFAOYSA-N 0.000 description 1
- PQQKPALAQIIWST-UHFFFAOYSA-N oxomolybdenum Chemical compound [Mo]=O PQQKPALAQIIWST-UHFFFAOYSA-N 0.000 description 1
- BPUBBGLMJRNUCC-UHFFFAOYSA-N oxygen(2-);tantalum(5+) Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Ta+5].[Ta+5] BPUBBGLMJRNUCC-UHFFFAOYSA-N 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000005240 physical vapour deposition Methods 0.000 description 1
- 238000004987 plasma desorption mass spectroscopy Methods 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 description 1
- 229920001601 polyetherimide Polymers 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 229910001936 tantalum oxide Inorganic materials 0.000 description 1
- 229910052723 transition metal Inorganic materials 0.000 description 1
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
-
- 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
- H10N70/011—Manufacture or treatment of multistable switching devices
- H10N70/021—Formation of switching materials, e.g. deposition of layers
-
- 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
-
- 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)
- Manufacturing & Machinery (AREA)
- Micromachines (AREA)
Abstract
本发明公开了一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用。该忆阻网络包括衬底、多个导电电极、介质层和可动导电纳米颗粒，其中导电电极位于衬底之上，为忆阻网络的信号输入及输出端；介质层填充在导电电极之间，可动导电纳米颗粒分散在介质层表面和/或内部，在电场作用下可动导电纳米颗粒能够在介质层中发生迁移，能够高度映射自演化网络涌现行为，在求解传统计算机难以求解的一些经典复杂运算问题时具备天然的优势。本发明还提供了基于可动导电纳米颗粒的忆阻网络在求解经典优化问题方面的应用实例，包括最短路径问题、迷宫问题的求解，可以大大降低运算的时间复杂度和空间复杂度。
Description
技术领域
本发明属于新型计算技术领域，具体涉及一种基于可动导电纳米颗粒的忆阻网络结构及自组织演化运算应用。
背景技术
当前，大数据时代背景下人工智能、物联网、区块链的浪潮正在席卷全球。数据量的爆发式增长对计算机性能提出了更高的要求。然而，受到传统CMOS器件尺寸接近物理极限以及传统计算架构存算分离的限制，当前计算机处理数据时在速度、功耗、面积等方面都难以满足未来的需求，特别是在求解一些经典复杂运算问题时往往需要花费巨大的时间和空间开销。事实上，现实世界中各种网络的运转都可以看作是一种带有信息处理的复杂运算。其中，很多网络都可以通过遵循一定规则进行智能的自组织演化，从而使原本复杂的运算朝着更加简单、高效、节能的方向不断优化。这给我们解决一些经典复杂运算问题时提供了一个新的思路，即寻找能够高度映射现实世界自演化网络行为的新型硬件结构，通过借鉴自演化网络处理信息的运算方式来高效求解一些复杂运算问题。
例如，一些简单生物个体在人类面前虽然显得微不足道，它们所构成的自演化网络却能够自发高效地求解一些经典优化问题：鸟群能够通过简单的聚集、对齐、分离规则自组织形成各种形状的队列进行迁徙等活动；蚂蚁构成的蚁群在搬运食物时能够寻找到一条最短路径来提高效率，节省能量；单细胞无脑生物体阿米巴虫在遇到食物短缺等紧急情况时会聚集在一起形成黏菌，这一超级生物体在寻找食物时所形成的路径竟然和人类花费众多脑力设计出的交通网络路线如出一辙，甚至效率更高。在这些自演化网络中，每个弱小个体的力量得以放大，即微观层次上基本组成单元之间通过非线性相互作用可以在宏观层次上表现出基本组成单元所不具备的新的结构和功能，系统科学使用“涌现”一词来描述这种整体大于部分之和的性质。从生物群体构成的自演化网络中获得启示，寻找能够高度映射自演化网络涌现行为的新型器件结构有望能够以极低的开销解决传统计算机难以解决的经典优化问题，为未来发展高效非冯计算架构提供一种全新的思路。
发明内容
从生物群体自演化网络的涌现行为中获得启示，本发明提供一种基于可动导电纳米颗粒的忆阻网络结构，并提供利用该硬件实现自组织演化运算的应用实例，能够以极低的时间和空间开销求解传统计算机难以解决的经典优化问题。
本发明的一个目的在于提出一种能够高度映射自演化网络涌现行为的基于可动导电纳米颗粒的忆阻网络结构。
通过研究生物体自演化网络的行为，可以总结出涌现行为的产生条件。第一，自演化网络中必须包含大量的个体，这些多主体能够在简单规则驱动下发生自组织演化行为；第二，多主体之间通过一定的反馈机制进行信息交互，发生相互作用。因此，在构建能够高度映射涌现行为的硬件结构时同样需要满足上述条件。这里，本发明基于可动导电纳米颗粒构建可物理演化忆阻网络系统，在该系统中，可动导电纳米颗粒充当多主体的角色在电场驱动下发生自发、动态、实时的电化学反应和迁移行为，通过焦耳热作用下熔融银自发聚集的正反馈机制，能够遵循能量最低原则择优形成导电细丝通路。因此，可动导电纳米颗粒忆阻网络系统满足自演化网络的结构和性质，能够像上述生物群体一样基于涌现行为高效求解一些经典的优化问题。另外，由于忆阻器本身是一种具有记忆效应的阻变元件，在电学激励撤去后其电阻状态可以稳定地保持，相当于计算结果直接原位地存储在器件内部。因此，本发明提出的可动导电纳米颗粒平面结构忆阻网络在执行运算任务后，可以很方便地通过扫描电子显微镜技术或电学测量来获取结果，这种存算一体的方式能够有效节省数据搬运所产生的巨大开销。
本发明提出的基于可动导电纳米颗粒的忆阻网络基本结构包括：衬底、多个导电电极、介质层和可动导电纳米颗粒，其中：所述导电电极位于衬底之上，为忆阻网络的信号输入及输出端，可通过其实现外界信号对自演化体系的有效控制以及对内部可动导电纳米颗粒演化结果的读取；所述介质层填充在导电电极之间，起到辅助可动导电纳米颗粒漂移、扩散的作用，在实际操作中，可通过介质层材料的选择以及对自演化体系工作状态的控制，影响可动导电纳米颗粒在介质层中的迁移率，从而控制自演化体系的演化速度、进程和结果；可动导电纳米颗粒分散在介质层表面和/或内部，能够在电场作用下在介质层中发生迁移，是实现自演化过程的主要媒介。
作为上述技术方案的一个较好的选择，所述衬底可以是经过热氧化处理的硅基片，也可以是III-V族材料基片(如：GaN、AlN、InGaAs等)、氧化铝(蓝宝石)基片、热氧化锗基片、带表面绝缘层的金属基片等其它可以实现物理支撑和电学隔离的基片体系。
作为上述技术方案的一个较好的选择，所述导电电极可以由具有导电性的惰性金属(如：Pd、Au、Pt等)构成，通过紫外光刻或电子束光刻的方式进行定义。电极厚度可为5-1000nm。其他具有导电性的氧化物体系(如：ITO、IGO、IGZO等)，导电性良好的半导体材料(如：重掺杂硅、重掺杂锗、重掺杂III-V材料、石墨烯、1T相金属性过渡金属硫族化合物等)均可作为电极材料。电极材料也可以是活性金属、惰性金属的组合(如：Ti/Au等)。其中活性金属用作粘附层，厚度小于5nm，防止其参与器件自演化过程，电极总厚度可为5-1000nm。
作为上述技术方案的一个较好的选择，所述介质层可以是聚氧化乙烯(PEO)或其他可以促进导电纳米颗粒在其上或者其中运动的绝缘性介质层，如无机氧化物体系(如：氧化硅、氧化锗、氧化钽、氧化铪、氧化铝等)、有机物体系(如：PEO、PEI、PDMS、PMMA、MMA、PS等)、宽禁带半导体(如：GaN、AlN等)等。
作为上述技术方案的一个较好的选择，可动导电纳米颗粒是粒径为纳米到百纳米范围之间的可动导电颗粒，如银纳米颗粒，也可以是其他具有电化学活性的金属纳米颗粒(如：铜、铝、金、铂等)，或者可以是具有电化学活性和导电性的半导体纳米颗粒(如：氧化钼、IZO、ITO等)，或者具有电化学活性和导电性的有机物纳米颗粒等。
所述基于可动导电纳米颗粒的忆阻网络的制备流程参见图1，具体可描述为：
第一步，制备导电电极。在上述可选衬底材料上利用图形化技术(如：光刻、电子束曝光等)定义导电电极区域后，利用镀膜技术(如：电子束蒸发、物理气相沉积等)生长导电电极材料，最后通过剥离技术去除片子上胶。
第二步，在衬底上形成介质层。如采用PEO材料作为介质层，则将PEO粉末和乙腈溶液混合获取PEO溶液，通过旋涂的方式在片上成膜形成介质层；如介质层选用氧化物或其他材料，则可采用原子层沉积、物理气相沉积、化学气相沉积等技术形成连续绝缘薄膜。介质层形成后，为方便后续电学测试，可通过图形化技术(如：紫外光刻、激光光刻等)利用刻蚀工艺打开电极通孔。
第三步，生长可动导电纳米颗粒。采用镀膜技术(电子束蒸发、物理气相沉积等)在片子上生长可动导电颗粒，制备厚度为0.1nm-15nm。当淀积厚度不满足成膜条件时，可在介质层表面直接获得非连续的可动导电纳米颗粒层；在淀积厚度大于5nm、直接淀积会形成连续薄膜时，可以通过高温退火等操作形成非连续的导电颗粒层。
当在制备器件的导电电极上施加相应的电学激励时，每一个可动导电纳米颗粒原子都可以看作是一个双极性电极，在电场作用下发生自组织演化。其中，一个双极性电极的阳极被氧化成阳离子后沿电场方向发生迁移，在另一个双极性电极的阴极被还原，重复该过程使可动导电纳米颗粒不断堆积即可形成在相应的导电电极之间形成导电细丝。相关文献报道，在介质层中，由于可动导电离子可以在电场作用下实现漂移，且在较强电场下，漂移占主导作用，使得导电细丝生长动力学受到近似于纯局域电场的调控，从而保证能量最低原理的适用，使导电细丝形成的难易程度遵循一定的物理原则。因此，基于可动导电纳米颗粒的忆阻网络通过自组织演化呈现的涌现行为背后蕴含着深刻的物理含义和规律。
在基于可动导电纳米颗粒的忆阻网络系统中，利用可动离子极大的数量和较快的移动速度能够完成相当大规模传统电路所能完成的运算量，因此可有效节省时间和空间资源；在多路输入信号情况下，信号之间的耦合与竞争将使得可动导电纳米颗粒的演化行为更加复杂，有望实现对一些更加复杂运算问题的求解；由于可物理演化网络本质上是能量最低原理的直观应用，符合最优化问题的求解原则，在解决相关问题时具备天然的优势。
本发明的另一个目的在于提出利用基于可动导电纳米颗粒的忆阻网络通过自组织演化运算高效求解一些经典优化问题的应用实例。
本发明提出利用基于可动导电纳米颗粒的忆阻网络高效求解最短路径问题的方法。
最短路径问题是图论研究中最优化求解的一个经典问题，在网络布线布局、城市交通规划等领域有着十分广泛的应用。自然界中，蚁群这一自演化网络可以在寻找食物时通过信息素的交互找到一条最短路径以提高效率，节省能量。同样，在本发明提出的基于可动导电纳米颗粒的忆阻网络中，可动导电纳米颗粒在电场作用下发生自组织演化行为会在电极间等效距离最短的路径上优先形成导电细丝。
这里，用电极之间的距离长短表示权重大小，利用基于可动导电纳米颗粒的忆阻网络求解最短路径问题的物理机制可以描述为：当在电极之间施加电学信号时，理论上所有路径都会有电流流过。由于电极间等效距离最短的路径上等效电阻最小，因此流经的电流最大，这将会提高局域温度，从而提高可动离子的迁移率，同时焦耳热效应会造成可动导电纳米颗粒的自发聚集使导电细丝生长，导致该路径上等效电阻更小，流经的电流更大，这种正反馈机制保证了导电细丝最终在电极间等效距离最短的路径上优先形成，因此基于可动导电纳米颗粒的忆阻网络能够实现对最短路径问题的高效求解。图2给出了一个包含四端导电电极的可动导电纳米颗粒忆阻网络通过上述物理机制求解最短路径问题的示意图，这里将四个导电电极分别编号为A、B、C、D，如图2(a)所示。在导电电极A施加一个合适的驱动电压V，导电电极B、C、D全部接地，可动导电纳米颗粒在电场作用下发生氧化还原反应和迁移行为，使导电细丝不断生长直至连通电极。由于电极A和电极B之间的等效距离最短，按照上述分析，导电细丝会优先在电极A和电极B之间形成，如图2(b)所示。一旦导电细丝连通电极A和电极B后，会在一定程度上抑制其它路径上导电细丝的形成。本发明提出的基于可动导电纳米颗粒的忆阻网络基于大量可动导电纳米颗粒并行、快速迁移的特点实现高效的自组织演化运算，可将穷举运算的时间复杂度降为O(1)。
进一步扩大问题求解的规模和难度，本发明提出利用基于可动导电纳米颗粒的忆阻网络高效求解迷宫问题的方法。
迷宫问题的求解可以抽象为连通图的遍历，这样可以将迷宫问题转换为对图问题的求解从而利用本发明提出的基于可动导电纳米颗粒的忆阻网络来实现。其中，迷宫中每个格子的决策只能沿上、下、左、右四个方向移动，因此每个格子的决策都可以用一个五端导电电极的基于可动导电纳米颗粒的忆阻网络来表示。左侧一端表示当前格子，右侧四端表示与当前格子上、下、左、右相邻的四个格子，在右侧相应端施加电压形成导电细丝可实现选择性导通，因此可以用导电细丝形成的路径来表示决策。通过上述方法，迷宫中每个格子的决策都可以被表示出来，将这些决策连接起来，相当于用硬件搭建出了一个广度优先搜索的拓扑结构，与邻接表和邻接矩阵相比，这种直接描述图结构的表示方法更加节省空间资源，同时还具有拓扑结构上的相似性和可扩展性。
本发明提出三种将迷宫连通情况直接映射到器件结构中的方法，从而可以利用器件结构本身的性质通过自组织演化来求解问题，如图3所示。第一种方法是利用上述求解最短路径问题时所采用过的距离调制，用导电电极之间的距离表示连通情况，当在导电电极之间施加电压激励时，距离短的电极之间电场更强，更倾向于最先形成导电通路，如图3(a)所示，在导电电极A施加一个合适的驱动电压VD，导电电极B、C、D、E全部接地，由于电极A和电极C之间的等效距离最短，表示电极A代表的格子与电极C代表的格子之间连通性最强，导电细丝会优先在电极A和电极C之间形成，即电极A代表的格子做决策时会优先向电极C代表的格子移动。第二种方法是采用局部图形化导电纳米颗粒区域的方式，用导电电极之间可动导电纳米颗粒数量的多少来反映连通情况，当在导电电极之间施加电压激励时，可动导电纳米颗粒数量多的两电极之间更容易形成导电通路，如图3(b)所示，在导电电极A施加一个合适的驱动电压VD，导电电极B、C、D、E全部接地，由于电极A和电极C之间的可动导电纳米颗粒数目最多，表示电极A代表的格子与电极C代表的格子之间连通性最强，导电细丝会优先在电极A和电极C之间形成，即电极A代表的格子做决策时会优先向电极C代表的格子移动。第三种方法是在表示决策的每对电极间引入控制端，通过在控制端和表示格子的五个驱动端之间引入氧化物介质层形成电学隔离。用控制端施加的信号表示迷宫的连通情况，利用电场的叠加与耦合作用来调控导电细丝形成的难易程度，如图3(c)所示，在导电电极A施加一个合适的驱动电压VD，导电电极B、C、D、E全部接地，只对导电电极A和C之间的控制端c施加控制信号VC，其它控制端b、d、e保持浮置，由于控制信号VC起到了增强电极A和电极C之间电场强度的作用，表示电极A代表的格子与电极C代表的格子之间连通性最强，导电细丝会优先在电极A和电极C之间形成，即电极A代表的格子做决策时会优先向电极C代表的格子移动。带有控制端的可动导电纳米颗粒忆阻网络的硬件制备需要在图1所示的基础结构制备方法上增加一些前序工艺，方法如图4所示。首先，在可选衬底上通过图形化技术(如：电子束曝光、光刻等)和镀膜工艺(如：电子束蒸发、物理气相沉积等)获得控制端电极a、b、c、d后(图4①)，利用氧化物薄膜生长技术(如：原子层沉积、化学气相沉积等)生长一层较为绝缘的氧化物(如：氧化铪、氧化铝等)介质层(图4②)，厚度为10-30nm，该范围仅供参考，具体厚度需要根据设备条件和靶材决定，遵循的原则是该介质层不能发生阻变，仅起到调控电场的作用。接下来采用套刻技术按照可动导电纳米颗粒忆阻网络基础结构制备方法依次制备五端导电电极、介质层和可动导电纳米颗粒(图4③)，至此即可完成带有控制端的可动导电纳米颗粒忆阻网络的制备。需要指出的是，上述工艺过程中每次电极被非导电层(如：氧化物层、介质层)覆盖后，都需要利用光刻和刻蚀技术打开电极通孔。图4给出了在氧化硅衬底上以Ti/Au作为控制电极和导电电极、PEO作为介质层、银作为可动导电纳米颗粒构建的忆阻网络在扫描电子显微镜下得到的表征图像。对于上述三种迷宫连通情况的描述方法，前两种方法都受限于图的具体形式(迷宫的连通情况)，因此不同迷宫需要使用不同的器件结构，不具有普适性。而在引入控制端的方法中，迷宫连通情况是用控制端信号来表示的，只要通过在控制端上施加不同的电信号，即可实现对不同连通情况迷宫问题的求解。因此器件不局限于特定的图结构，在解决问题时更具普适性。
在对迷宫结构和连通情况进行描述后，就可以利用本发明提出的基于可动导电纳米颗粒的忆阻网络实现对迷宫问题的高效求解。由于采用更加紧凑的图结构直接描述法，运算的空间复杂度约为O(N)。后续器件尺寸可进一步缩小，从而更加节省空间资源。另外，得益于器件中大量可动导电纳米颗粒并行、快速迁移的特点可实现高效的自组织演化运算，使运算的时间复杂度仅为O(1)。与其它经典算法，如Floyd、Dijkstra、Bellman-Ford、SPFA等方法相比，本发明求解单源最短路径问题时在时间和空间复杂度上都具备显著的优势。
本发明从自然界自演化网络基于涌现行为高效实现运算中获得启示，提出一种基于可动导电纳米颗粒的忆阻网络结构及自组织演化运算应用实例。本发明提出的基于可动导电纳米颗粒的忆阻网络可高度映射自演化网络的结构，制备过程简单可靠，具备很好的可重复性。在该硬件中，基于可动导电纳米颗粒在电场作用下自发、动态、实时的电化学反应和迁移行为，通过焦耳热作用下熔融银自发聚集的正反馈机制可遵循能量最低原则择优形成导电细丝通路，因此在求解传统计算机难以求解的一些经典复杂运算问题时具备天然的优势。因此，本发明进一步提出了基于可动导电纳米颗粒忆阻网络的自组织演化运算在求解经典优化问题方面的应用实例，包括最短路径问题、迷宫问题的求解，在近似于纯局域电场的控制下，基于可动导电纳米颗粒忆阻网络中大量可动导电纳米颗粒在电场作用下快速、并行迁移的优势可以大大降低运算的时间复杂度和空间复杂度。
附图说明
图1为本发明提出的可动导电纳米颗粒忆阻网络基本结构的制备流程示意图。器件在可以实现物理支撑和电学隔离的基片体系上制备，大致流程可分为三步：第一步为制备导电电极；第二步为获取介质层；第三步为生长可动导电纳米颗粒。
图2为本发明提出的可动导电纳米颗粒忆阻网络求解最短路径问题的示意图。其中：(a)显示器件共包含四个导电电极，分别编号为A、B、C、D；(b)显示了当进行运算时，在导电电极A施加一个合适的驱动电压V，导电电极B、C、D全部接地，利用分析得出的“导电细丝优先在电极等效距离最短的路径上形成”的结论，导电细丝会优先在电极A和电极B之间形成。
图3为本发明提出的在可动导电纳米颗粒忆阻网络中迷宫连通情况的三种表示方法及实现原理。其中，(a)采用距离调制的方法，利用电极之间的距离长短反映格子之间的连通情况；(b)采用局部镀银的方法，利用电极之间可动导电纳米颗粒的多少反映格子之间的连通情况；(c)采用引入控制端的方法，利用控制端施加的电学信号反映格子之间的连通情况。
图4为本发明提出的带有控制端的可动导电纳米颗粒忆阻网络的硬件制备示意图及扫描电子显微镜实测图。制备含有控制端的可动导电纳米颗粒忆阻网络需要在图1所示基础结构制备方法上增加一些前序工艺，包括控制端电极(①)以及绝缘氧化物介质层(②)的制备，接下来采用套刻技术按照图1所示基础结构制备方法依次获取驱动导电电极、介质层和可动导电纳米颗粒(③)即可。
图5为本发明实施例一中基于银纳米颗粒的忆阻网络的制备流程示意图。第一步为在经过热氧化处理的硅基片上生长导电电极Ti/Au；第二步为利用旋涂方法获取PEO介质层；第三步为在介质层上生长活性金属银颗粒。
图6为本发明实施例一在扫描电子显微镜下观察到的利用电子束蒸发技术生长的银纳米颗粒图像。
图7为本发明实施例二利用制备的银纳米颗粒忆阻网络求解最短路径问题得到的一些扫描电子显微镜结果图。图中，圆形结构为排布在导电电极之间的金属岛，V指合适的电压信号，具体值可根据图结构和功能做出调整；(a)表明在资源充足的情况下，基于可动导电纳米颗粒的忆阻网络不仅可以得到最优解，还可以得到更加丰富的遍历结果；(b)表明基于可动导电纳米颗粒的忆阻网络具备求解问题所有最优解的能力。
图8为本发明实施例三求解迷宫问题时迷宫中每个格子决策的表示方法。这里以一个规模为3×3的迷宫为例进行描述，(a)给出了一个该迷宫的结构示意图，每个格子用数字1～9进行编号，迷宫的连通情况用颜色表示，白色代表连通，黑色代表不连通；(b)以迷宫中1号格子为例，给出了用制备的五端银纳米颗粒忆阻网络实现决策得到的扫描电子显微镜结果图。
图9为本发明实施例四基于可动导电纳米颗粒的忆阻网络求解迷宫问题时将每个格子的决策连接起来后的直接描述图结构表示方法。这里，仍以图8(a)中规模为3×3的迷宫为例。
具体实施方式
下面结合附图，通过具体实施例，进一步阐述本发明。
实施例一
此处选取具体材料和工艺阐述基于可动导电纳米颗粒的忆阻网络的制备流程，如图5所示。其中，衬底材料选用经过热氧化处理的硅基片，导电电极选用活性金属、惰性金属的组合Ti/Au，介质层选用PEO材料并通过旋涂方法获得，可动导电纳米颗粒选用活性金属银颗粒。这里以一种具体工艺对银纳米颗粒忆阻网络的主要制备流程进行说明：
第一步，生长金属Ti/Au电极。以经过热氧化处理的硅基片作为衬底旋涂PMMA电子束胶，通过电子束曝光和显影定影工艺定义金属电极区域后，利用电子束蒸发技术依次生长Ti、Au金属材料，最后通过剥离技术去除片子上的PMMA电子束胶。
第二步，旋涂PEO介质。将PEO粉末和乙腈溶液混合获取PEO溶液，通过旋涂的方式在片上成膜作为后续银离子迁移的介质层。
第三步，生长银颗粒。通过电子束蒸发技术在片子上蒸镀2nm厚的金属银，该厚度不满足成膜条件，因此在旋涂的PEO介质层表面最终获得大量分离的银纳米颗粒。
利用上述方法制备的银纳米颗粒忆阻网络在扫描电子显微镜下观察到的银纳米颗粒如图6所示。
实施例二
这里举例展示利用本发明基于可动导电纳米颗粒的忆阻网络求解最短路径问题的结果。在利用基于可动导电纳米颗粒的忆阻网络求解最短路径问题时，可在基本结构基础上根据具体问题在导电电极之间设计排布一些导电岛，用于实现对不同图结构的描述和求解。其中，导电岛可与图1中第一步所示的导电电极一起通过图形化技术(如：光刻、电子束曝光等)制备。这里，以实施例一描述方法制备的银纳米颗粒忆阻网络为例进行说明，相应的扫描电子显微镜结果如图7所示。图7(a)为在施加一个比较大的电压激励时得到的计算结果，可以看出，两导电电极之间形成了一条最短导电通路和一条次短导电通路，这表明在资源充足(电学激励足够强、持续时间足够长)的情况下，可动导电纳米颗粒忆阻网络不仅可以得到最优解，还可以得到更加丰富的遍历结果。这种现象在自然界的蚁群网络中同样存在，当食物和巢穴之间的最短路径遭到破坏时，次短路径可以作为当前的最优解，蚂蚁会很快做出调整最终收敛到这条路径上，因此这种次短路径的保留对于维持整个系统的稳定性发挥着十分重要的作用。图7(b)中的两个可动导电纳米颗粒忆阻网络存在两条等权重的最短路径，测试表明，在这两条等权重的最短路径上都可以形成导电细丝，因此可动导电纳米颗粒忆阻网络基于自组织演化行为具备求解问题所有最优解的能力。
实施例三
此处以一个3×3规模的迷宫为例来说明如何用五端可动导电纳米颗粒忆阻网络表示一个格子的决策。该3×3迷宫的结构如图8(a)所示，为了方便描述，这里对每个格子用数字1～9进行编号。迷宫的连通情况用颜色表示，白色代表连通，黑色代表不连通。迷宫的连通情况决定了每个格子决策的可选方向。例如，对于该迷宫中的5号格子来说，其与2号格子、8号格子保持连通，与4号格子、6号格子有“墙”阻隔而无法连通，表明5号格子在做决策时可以向上(2号格子)或向下(8号格子)方向移动，而不能向左(4号格子)和向右(6号格子)方向移动。由于迷宫中每个格子的决策只有上、下、左、右四种可能性，因此可以用一个五端可动导电纳米颗粒忆阻网络来表示。左侧一端表示当前格子，右侧四端从上至下依次表示位于当前格子上、右、下、左侧的四个格子，在右侧相应端加电压形成导电细丝可实现选择性导通，因此可以用导电细丝形成的路径来表示决策。图8(b)给出了用实施例一描述方法制备的五端银纳米颗粒忆阻网络表示1号格子决策的扫描电子显微镜图。该器件左侧一端代表1号格子，右侧四端从上至下依次表示位于1号格子上(无)、右(2号格子)、下(4号格子)、左(无)侧的四个格子，如图8(b)左图所示。对于该例子中的迷宫1号格子来说，从图8(a)可以看出，它只与右侧的2号格子连通，因此我们这里通过在1号电极和2号电极之间施加电压，可以在1号电极和2号电极之间形成导电通路，表示在当前1号格子做出的决策是向右移动，如图8(b)右图所示。当然这里只是初步说明用导电通路表示决策的方案是可行的，迷宫的连通情况并没有反映在器件结构中，决策是通过人为选择性施加电压来实现的，在实际应用时迷宫连通情况可以按照上述距离调制、局部镀银和引入控制端三种方法在器件结构中进行表示。
实施例四
此处以3×3规模的迷宫具体说明求解迷宫问题时将每个格子的决策连接起来后的直接描述图结构表示方法。迷宫结构与实施例三保持一致，如图8(a)所示。利用五端可动导电纳米颗粒忆阻网络表示决策的方法，可以按照实施例三的具体描述将迷宫中每个格子的决策都表示出来，利用直接描述图结构的表示方法将这些决策连接起来，相当于用硬件搭建出一个广度优先搜索的拓扑结构，如图9所示。对于每个代表格子决策的五端可动导电纳米颗粒忆阻器件内部，迷宫连通情况可以利用距离调制、局部镀银和引入控制端三种方法进行表示。例如，对于1号格子来说，其只和右侧的2号格子连通：如果采用距离调制表示连通情况，反映在表示1号格子决策的五端可动导电纳米颗粒器件中即为1号电极和2号电极之间的等效距离最短；如果采用局部镀银表示连通情况，反映在表示1号格子决策的五端可动导电纳米颗粒器件中即为1号电极和2号电极之间的可动导电纳米颗粒数目最多；如果采用引入控制端表示连通情况，由于连通情况由施加在控制端的电学信号表示，因此对于表示每个格子决策的五端可动导电纳米颗粒器件结构都是一样的，只需根据连通情况改变施加在控制端上的电学信号即可，因此采用这种方法时可以利用相同的硬件结构来求解同一规模的迷宫问题，而不局限于特定的连通情况，因此具备更好的普适性。
本发明提出的可动导电纳米颗粒忆阻网络可以基于大量可动导电纳米颗粒在电场作用下并行、快速的自组织演化行为实现高效的大规模穷举，能够以极低的开销求解传统计算机难以解决的一些经典优化问题，从而有效节省时间和空间资源。本发明借鉴了自然界自演化网络高效处理信息的计算方式，为大数据时代背景下新型非冯计算架构的构建提供了一条全新的技术路线。
最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，本领域的技术人员应当理解：在不脱离本发明的原理和精神范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (11)
1.一种基于可动导电纳米颗粒的忆阻网络，为平面结构忆阻网络，包括衬底、至少4个导电电极、介质层和可动导电纳米颗粒，其中：所述至少4个导电电极位于衬底之上同一平面，为忆阻网络的信号输入及输出端；所述介质层填充在同一平面导电电极之间，为绝缘性介质层；所述可动导电纳米颗粒为银纳米颗粒，分散在介质层表面和/或内部，能够在电场作用下在介质层中发生迁移；其中，所述可动导电纳米颗粒充当多主体的角色在电场驱动下发生自发、动态、实时的迁移行为，通过焦耳热作用下熔融银自发聚集的正反馈机制，能够遵循能量最低原则择优形成导电细丝通路；所述导电电极不参与忆阻网络的自演化过程，通过导电电极实现外界信号对自演化体系的有效控制以及对内部可动导电纳米颗粒演化结果的读取；所述介质层不发生阻变，仅起到调控电场的作用，通过介质层材料的选择以及对自演化体系工作状态的控制，影响可动导电纳米颗粒在介质层中的迁移率，从而控制自演化体系的演化速度、进程和结果。
2.如权利要求1所述的忆阻网络，其特征在于，所述衬底是经过热氧化处理的硅基片，或者是III-V族材料基片、氧化铝基片、热氧化锗基片或带表面绝缘层的金属基片。
3.如权利要求1所述的忆阻网络，其特征在于，所述导电电极的材料为具有导电性的惰性金属、氧化物或半导体材料，或者，所述导电电极为活性金属和惰性金属的复合电极。
4.如权利要求1所述的忆阻网络，其特征在于，所述介质层的材料为具有绝缘性的无机氧化物、有机物或宽禁带半导体。
5.如权利要求1所述的忆阻网络，其特征在于，所述介质层为聚氧化乙烯。
6.权利要求1～5任一所述忆阻网络的制备方法，包括以下步骤：
1)在衬底上制备多个位于同一平面的导电电极；
2)在衬底上形成连续的介质层薄膜；
3)在介质层薄膜上生长可动导电纳米颗粒，形成非连续的可动导电纳米颗粒层。
7.权利要求1～5任一所述的忆阻网络在自组织演化运算中的应用。
8.如权利要求7所述的应用，其特征在于，利用所述忆阻网络通过可动导电纳米颗粒的自组织演化行为求解优化问题。
9.如权利要求8所述的应用，其特征在于，利用所述忆阻网络求解最短路径问题，在所述忆阻网络的导电电极之间施加电学信号，可动导电纳米颗粒在电场作用下发生迁移，在导电电极间等效距离最短的路径上优先形成导电细丝。
10.如权利要求8所述的应用，其特征在于，利用所述忆阻网络求解迷宫问题，迷宫中的每个格子用一个导电电极代表，对于导电电极A代表的格子，与其上、下、左、右相邻的四个格子分别用导电电极B、C、D、E代表，通过在导电电极A与B、C、D、E之间优先形成的导电细丝路径来表示A代表的格子的决策，通过这种方法将迷宫中每个格子的决策都表示出来，并将这些决策连接起来，实现迷宫问题的求解。
11.如权利要求10所述的应用，其特征在于，采用下述三种方法之一获得导电电极A代表的格子的决策：第一种方法是用导电电极之间的距离表示连通情况，对导电电极A施加驱动电压VD，导电电极B、C、D、E全部接地，如果导电电极A和C之间距离最短，表示导电电极A与C代表的格子之间连通性最强，导电细丝会优先在导电电极A和C之间形成，即导电电极A代表的格子做决策时会优先向导电电极C代表的格子移动；第二种方法是用导电电极之间可动导电纳米颗粒数量的多少来反映连通情况，对导电电极A施加驱动电压VD，导电电极B、C、D、E全部接地，如果导电电极A和C之间的可动导电纳米颗粒数目最多，表示导电电极A与C代表的格子之间连通性最强，导电细丝会优先在导电电极A和C之间形成，即导电电极A代表的格子做决策时会优先向导电电极C代表的格子移动；第三种方法是在表示决策的每对导电电极之间引入控制端，并通过在控制端和代表格子的导电电极之间引入氧化物介质层形成电学隔离，用控制端施加的信号表示迷宫的连通情况，对导电电极A施加驱动电压VD，导电电极B、C、D、E全部接地，如果只对导电电极A和C之间的控制端c施加增强电场强度的控制信号VC，其它控制端b、d、e保持浮置，表示导电电极A与C代表的格子之间连通性最强，导电细丝会优先在导电电极A和C之间形成，即导电电极A代表的格子做决策时会优先向导电电极C代表的格子移动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407524.8A CN113675334B (zh) | 2020-05-14 | 2020-05-14 | 一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407524.8A CN113675334B (zh) | 2020-05-14 | 2020-05-14 | 一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113675334A CN113675334A (zh) | 2021-11-19 |
| CN113675334B true CN113675334B (zh) | 2024-05-24 |
Family
ID=78537274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010407524.8A Active CN113675334B (zh) | 2020-05-14 | 2020-05-14 | 一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113675334B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004343B (zh) * | 2021-12-31 | 2022-10-14 | 之江实验室 | 基于忆阻器脉冲耦合神经网络的最短路径获取方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101681912A (zh) * | 2008-02-19 | 2010-03-24 | 松下电器产业株式会社 | 电阻变化型非易失性存储元件及其制作方法 |
| US7768366B1 (en) * | 2007-10-29 | 2010-08-03 | The United States Of America As Represented By The Secretary Of The Air Force | Nanoparticles and corona enhanced MEMS switch apparatus |
| CN102227014A (zh) * | 2011-03-28 | 2011-10-26 | 复旦大学 | 一种具有金属纳米晶电极的阻变存储器及其制备方法 |
| CN103489754A (zh) * | 2013-09-29 | 2014-01-01 | 中国科学院微电子研究所 | 一种小尺寸银纳米颗粒的制备方法 |
| KR20150108641A (ko) * | 2014-03-18 | 2015-09-30 | 고려대학교 산학협력단 | 리간드 첨가-유도 층상 자기조립법을 이용한 나노복합체 필름의 제조방법 및 이로부터 제조된 나노복합체 필름 |
| WO2019220776A1 (ja) * | 2018-05-16 | 2019-11-21 | ソニー株式会社 | 生体電位計測用電極及び生体電位計測器 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080246076A1 (en) * | 2007-01-03 | 2008-10-09 | Nanosys, Inc. | Methods for nanopatterning and production of nanostructures |
| US8835805B2 (en) * | 2011-09-30 | 2014-09-16 | Uchicago Argonne, Llc | Method for patterning nano particles |
| WO2017018933A1 (en) * | 2015-07-24 | 2017-02-02 | Nanyang Technological University | Sensor element, image sensor, methods of forming and operating the same |
-
2020
- 2020-05-14 CN CN202010407524.8A patent/CN113675334B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7768366B1 (en) * | 2007-10-29 | 2010-08-03 | The United States Of America As Represented By The Secretary Of The Air Force | Nanoparticles and corona enhanced MEMS switch apparatus |
| CN101681912A (zh) * | 2008-02-19 | 2010-03-24 | 松下电器产业株式会社 | 电阻变化型非易失性存储元件及其制作方法 |
| CN102227014A (zh) * | 2011-03-28 | 2011-10-26 | 复旦大学 | 一种具有金属纳米晶电极的阻变存储器及其制备方法 |
| CN103489754A (zh) * | 2013-09-29 | 2014-01-01 | 中国科学院微电子研究所 | 一种小尺寸银纳米颗粒的制备方法 |
| KR20150108641A (ko) * | 2014-03-18 | 2015-09-30 | 고려대학교 산학협력단 | 리간드 첨가-유도 층상 자기조립법을 이용한 나노복합체 필름의 제조방법 및 이로부터 제조된 나노복합체 필름 |
| WO2019220776A1 (ja) * | 2018-05-16 | 2019-11-21 | ソニー株式会社 | 生体電位計測用電極及び生体電位計測器 |
Non-Patent Citations (1)
| Title |
|---|
| 基于忆阻器的非易失逻辑研究前沿;徐丽莹，杨玉超，黄如;中国基础科学;第21卷(第128期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113675334A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110518117B (zh) | 一种二维材料异质结的忆阻器及其制备方法 | |
| Sangwan et al. | Neuromorphic nanoelectronic materials | |
| Yang et al. | Vertical‐organic‐nanocrystal‐arrays for crossbar memristors with tuning switching dynamics toward neuromorphic computing | |
| CN106992249B (zh) | 一种具有量子电导效应的离子型忆阻器 | |
| Wang et al. | Fully memristive neural networks for pattern classification with unsupervised learning | |
| Chen et al. | A CMOS-compatible electronic synapse device based on Cu/SiO2/W programmable metallization cells | |
| Kuncic et al. | Neuromorphic nanowire networks: principles, progress and future prospects for neuro-inspired information processing | |
| Pei et al. | A carbon-based memristor design for associative learning activities and neuromorphic computing | |
| CN110739393B (zh) | 一种仿生突触器件及其制作方法及其应用 | |
| CN107068708A (zh) | 一种浮栅忆阻器 | |
| CN110911560B (zh) | 一种平面型忆阻器及其制备方法 | |
| CN113675334B (zh) | 一种基于可动导电纳米颗粒的忆阻网络及自组织演化运算应用 | |
| CN104051545A (zh) | 基于pn 异质结构的忆阻器及其制备方法 | |
| Zhao et al. | Recent progress on neuromorphic synapse electronics: from emerging materials, devices, to neural networks | |
| Pisarev et al. | Fabrication technology and electrophysical properties of a composite memristor-diode crossbar used as a basis for hardware implementation of a biomorphic neuroprocessor | |
| Fang et al. | In-materio reservoir computing based on nanowire networks: fundamental, progress, and perspective | |
| CN110379920A (zh) | 一种基于熔洞状分级多孔氧化物忆阻器 | |
| Tong et al. | Recent progress of layered memristors based on two-dimensional MoS2 | |
| CN105161615A (zh) | 一种基于纤维衬底的忆阻器及其制备方法 | |
| Choi et al. | 3D-integrated multilayered physical reservoir array for learning and forecasting time-series information | |
| Chen et al. | Synaptic plasticity of a microfluidic memristor with a temporary memory function based on an ionic liquid in a capillary tube | |
| Qin et al. | Advances in two-dimensional heterojunction for sophisticated memristors | |
| Attri et al. | Neuromorphic devices realised using self-forming hierarchical Al and Ag nanostructures: towards energy-efficient and wide ranging synaptic plasticity | |
| Yang et al. | Probing switching mechanism of memristor for neuromorphic computing | |
| Chopin et al. | Memristive and tunneling effects in 3D interconnected silver nanowires |
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 |