CN114497117A - 一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 - Google Patents
一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 Download PDFInfo
- Publication number
- CN114497117A CN114497117A CN202210057163.8A CN202210057163A CN114497117A CN 114497117 A CN114497117 A CN 114497117A CN 202210057163 A CN202210057163 A CN 202210057163A CN 114497117 A CN114497117 A CN 114497117A
- Authority
- CN
- China
- Prior art keywords
- memristor
- threshold
- analog
- resistance change
- resistive switching
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 48
- 238000002360 preparation method Methods 0.000 title claims abstract description 6
- QGLKJKCYBOYXKC-UHFFFAOYSA-N nonaoxidotritungsten Chemical compound O=[W]1(=O)O[W](=O)(=O)O[W](=O)(=O)O1 QGLKJKCYBOYXKC-UHFFFAOYSA-N 0.000 claims abstract description 24
- 229910001930 tungsten oxide Inorganic materials 0.000 claims abstract description 18
- 239000010409 thin film Substances 0.000 claims abstract description 14
- 239000003292 glue Substances 0.000 claims abstract description 12
- 239000010408 film Substances 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 17
- 229910052751 metal Inorganic materials 0.000 claims description 15
- 239000002184 metal Substances 0.000 claims description 15
- 238000001755 magnetron sputter deposition Methods 0.000 claims description 10
- 238000004528 spin coating Methods 0.000 claims description 9
- 239000000758 substrate Substances 0.000 claims description 6
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 6
- 229910052721 tungsten Inorganic materials 0.000 claims description 6
- 239000010937 tungsten Substances 0.000 claims description 6
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 4
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- XSTXAVWGXDQKEL-UHFFFAOYSA-N Trichloroethylene Chemical group ClC=C(Cl)Cl XSTXAVWGXDQKEL-UHFFFAOYSA-N 0.000 claims description 2
- 229910052786 argon Inorganic materials 0.000 claims description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 239000000679 carrageenan Substances 0.000 claims description 2
- 229940113118 carrageenan Drugs 0.000 claims description 2
- 235000010418 carrageenan Nutrition 0.000 claims description 2
- 229920001525 carrageenan Polymers 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims description 2
- 239000008367 deionised water Substances 0.000 claims description 2
- 229910021641 deionized water Inorganic materials 0.000 claims description 2
- 238000001035 drying Methods 0.000 claims description 2
- 238000001704 evaporation Methods 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- UBOXGVDOUJQMTN-UHFFFAOYSA-N trichloroethylene Natural products ClCC(Cl)Cl UBOXGVDOUJQMTN-UHFFFAOYSA-N 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- UHVMMEOXYDMDKI-JKYCWFKZSA-L zinc;1-(5-cyanopyridin-2-yl)-3-[(1s,2s)-2-(6-fluoro-2-hydroxy-3-propanoylphenyl)cyclopropyl]urea;diacetate Chemical compound [Zn+2].CC([O-])=O.CC([O-])=O.CCC(=O)C1=CC=C(F)C([C@H]2[C@H](C2)NC(=O)NC=2N=CC(=CC=2)C#N)=C1O UHVMMEOXYDMDKI-JKYCWFKZSA-L 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 abstract description 37
- 229910052709 silver Inorganic materials 0.000 abstract description 6
- 239000004332 silver Substances 0.000 abstract description 6
- 230000036279 refractory period Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 230000010354 integration Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 229910052681 coesite Inorganic materials 0.000 description 2
- 229910052906 cristobalite Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 229910052682 stishovite Inorganic materials 0.000 description 2
- 229910052905 tridymite Inorganic materials 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- -1 oxygen ion Chemical class 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10B—ELECTRONIC MEMORY DEVICES
- H10B63/00—Resistance change memory devices, e.g. resistive RAM [ReRAM] devices
-
- 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
- G06N3/065—Analogue 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
- H10N70/011—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
- H10N70/20—Multistable switching devices, e.g. memristors
- H10N70/24—Multistable switching devices, e.g. memristors based on migration or redistribution of ionic species, e.g. anions, vacancies
-
- 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
- H10N70/8833—Binary metal oxides, e.g. TaOx
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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Manufacturing & Machinery (AREA)
- Semiconductor Memories (AREA)
Abstract
本发明公开了一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法,该堆叠忆阻器包括模拟型忆阻器和阈值型忆阻器,模拟型忆阻器包括顶电极Au、阻变层氧化钨(WOX)薄膜及底电极W;阈值型忆阻器包括顶电级W、阻变层银掺杂卡胶(Ag:ι‑car)薄膜及底电极Pt。该在堆叠忆阻器单个Au/氧化钨/W/银掺杂卡胶(Ag:ι‑car)/Pt/Ti/SiO2/Si忆阻器件中演示了人工神经元的LIF行为,通过调整施加脉冲的间隔和幅值,实现了人工神经元的全无尖峰、阈值驱动、不应期和频率强度调制。同时,该人工神经元电路设计简单,功耗低。
Description
技术领域
本发明属于微电子技术领域,涉及一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法。
背景技术
人工神经网络(ANN)是一个非编程的自适应、自组织和自学习的系统,按不同的连接方式组成不同的网络,实现监督学习和无监督学习。通过ANN的计算处理信息能力,对人脑组织结构和运行机制的某种抽象、简化和模拟。为了在硬件中构建ANN,开发人工神经元也是必要的。人工神经元由两个主要部分组成:整合部分和激发过程。一个阈值开关TS装置可以被用来完成激发动作,而整合功能(或积累过程)通常是通过带有一些电容和电阻的外围电路实现的,这将导致整合过程电路较为复杂,功耗比较高。开发一种具有阈值型(TS)型阻变和模拟型(ARS)阻变行为整体的忆阻设备能有效解决这个问题。同时,基于模拟型和阈值型阻变的堆叠忆阻器对神经元的激发频率作为调节,实现的强度频率调制,可以为构建更复杂的神经形态网络硬件做基础,进而发展高密度的神经形态计算系统。
针对上述问题,我们构建了基于模拟型(ARS)阻变和阈值型(TS)阻变的堆叠忆阻器,在单个Au/氧化钨/W/银掺杂卡胶(Ag:ι-car)/Pt/Ti/SiO2/Si忆阻器件中演示了人工神经元的LIF行为,通过调整施加脉冲的间隔和幅值,实现了人工神经元的全无尖峰、阈值驱动、不应期和频率强度调制。
发明内容
本发明的目的是提供一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法,该的堆叠忆阻器在单个Au/氧化钨(WOX)/W/银掺杂卡胶(Ag:ι-car)/Pt/Ti/SiO2/Si忆阻器件上成功实现了人工神经元的模拟,该人工神经元电路设计简单,功耗低。
本发明——一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,包括模拟型忆阻器和阈值型忆阻器,模拟型忆阻器包括顶电极Au、阻变层氧化钨(WOX)薄膜及底电极W;阈值型忆阻器包括顶电级W、阻变层银掺杂卡胶(Ag:ι-car)薄膜及底电极Pt。
上述模拟型忆阻器底电极W及阈值型忆阻器顶电极W为共同电极,该电极为惰性金属电极。
上述模拟型忆阻器顶电极Au为惰性金属电极,为Au点电极,金属掩膜版孔径约为100~200μm,沉积电极厚度约为50~80nm。
上述阈值型忆阻器底电极Pt为惰性金属电极,为Pt层,沉积电极厚度约为90~100nm。
上述模拟型忆阻器阻变层氧化钨(WOX)薄膜由磁控溅射生长,其厚度为80nm~100nm。
上述阈值型忆阻器阻变层银掺杂卡胶(Ag:ι-car)薄膜由匀胶机旋涂方法制备,旋涂层数为5层,其厚度为80nm~100nm。
本发明的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器的制备方法,包括如下步骤:
①利用磁控溅射的方法生长Pt,生长条件是1Pa压强,调节功率为100W,生长时间为20-25分钟,将Pt衬底依次用三氯乙烯、丙酮、乙醇、去离子水超声清洗8~15分钟,用氮气吹干;
②利用匀胶机旋涂制备卡拉胶掺银溶液(Ag:ι-car≈1:8),旋涂条件是低速500转/分,10s;高速3000转/分,20s;
③磁控在旋涂后的器件上生长钨薄膜,生长气氛条件是1Pa的压强下,调节功率为100W溅射钨靶10min;
④磁控在钨薄膜的基底上生长氧化钨薄膜,生长条件是2Pa的压强下,通入比例为1:3的氩气和氧气,衬底温度为200℃,用100W的功率溅射氧化钨靶15-20分钟;
⑤在第④步制作的氧化钨薄膜蒸镀顶电极Au惰性金属电极,金属掩膜版孔径约为100~200μm,沉积电极厚度约为50~80nm。
本发明所述的基于模拟型(ARS)阻变和阈值型(TS)阻变的堆叠忆阻器构建人工神经元,首先验证模拟型忆阻器和阈值型忆阻器的阻变行为,再实现人工神经元的测量,过程包括以下步骤:
①在W电极上施加正向偏压并且Pt底电极接地,施加正向直流扫描电压0→1.5V→0多次,设置限制电流为50μA,在一次循环过程中,器件由高阻变到低阻再变到高阻,器件呈现阈值型阻变行为;
②在Au电极上施加偏压并且W电极接地,施加0→1V直流扫描电压,电流-电压扫描过程循环五次,发现器件电流在逐渐积累,电导不断上升;
③在Au顶电极上施加偏压并且Pt底电极接地,施加1.2V的电压脉冲,监测堆叠忆阻器的电流变化,有规律的出现电流突然变大的过程。
本发明的堆叠忆阻设备出现神经元的关键特性原理如下:
在我们的设备中,Au顶电极与WOx薄膜之间存在肖特基势垒,模拟阻变的界面调制与外部场的氧离子迁移和Au/WOx界面的最终累积有关。而阈值型阻变是因为较小电压和较小的限制电流使得Ag+形成导电细丝不稳定,从而因为细丝的界面能最小化易断裂恢复到高阻。本发明实现生物神经元LIF行为过程通过结合模拟型(ARS)阻变和阈值型(TS)阻变来模拟的。初始状态时,ARS忆阻器的电阻值高于节点“2-3”的总电阻R总值,初始状态电压主要落在节点“1-2”上,即模拟忆阻器上。随着施加的电压脉冲依次不断施加,ARS忆阻器电流-电压的循环扫描,电导值逐渐增加,导致ARS忆阻器的电压逐渐下降。相对应地,TS忆阻器两端的电压将逐渐增加。一旦阈值忆阻器分压逐渐增加到它的阈值电压(Vth),TS忆阻器将在一瞬间从高阻切换到低阻,TS忆阻器的初始状态会比较高,所以漏电流会很小。因此,电路中总电流,也就是“1-3”节点的整体输出电流突然增加,然后这个模拟神经元的测试结果将产生一个输出尖峰。短时间内,TS忆阻器会因波动而自发回归高阻。然而,电路中总体电流值不会立刻回到零状态,而是在短时间内缓慢下降。这个电流持续时间称为不应期。不应期过后,神经元将再次重复上述的行为进行整合操作,等待下一个输出尖峰脉冲,这样电路不断的循环,实现神经元的不断整合与激发。泄漏、整合和激发是神经元一个的重要特征,通过这个神经元特征,我们可以利用上述忆阻设备实现神经元的几个关键特性。为此,我们调节施加脉冲的幅值和脉冲间隔实现脉冲频率调制。通过增加脉冲的幅值,神经元输出脉冲的频率增加;通过增加脉冲的间隔,神经元输出脉冲的频率减少。同时,该神经元电路设计简单,功耗低。
附图说明
图1为本发明构建的模拟型(ARS)阻变行为的I-V图;
图2为本发明构建的模拟型(ARS)阻变的多脉冲响应图;
图3为本发明构建的阈值型(TS)阻变行为的I-V图;
图4为本发明构建的阈值型(TS)阻变示波器测试图;
图5为本发明构建的模拟型(ARS)阻变和阈值型(TS)阻变的堆叠忆阻器结构示意图,其中:101-Au惰性金属电极,102-磁控溅射生长氧化钨(WOX)薄膜,103-磁控溅射生长W薄膜,104-旋涂制备银掺杂卡胶(Ag:ι-car)薄膜,105-Pt薄膜;
图6为依照本发明构建的模拟型(ARS)阻变和阈值型(TS)阻变的堆叠忆阻器实现的LIF型人工神经元的电路图;
图7为依照本发明构建人工神经元的调制电压脉冲幅值和电压脉冲间隔的测试图。
具体实施方式
本发明的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,包括模拟型(ARS)忆阻器和阈值型(TS)忆阻器,模拟型忆阻器包括顶电极Au、阻变层氧化钨(WOX)薄膜及底电极W;阈值型忆阻器包括顶电级W、阻变层银掺杂卡胶(Ag:ι-car)薄膜及底电极Pt。所述氧化钨(WOX)薄膜在小电压刺激下器件呈现稳定的模拟型阻变。所述银掺杂卡胶(Ag:ι-car)薄膜阈值现象稳定,开关比大,阈值电压波动小。
如图5所示,本发明堆叠忆阻器为堆层结构,中间为磁控溅射生长W薄膜103,其为公共电极,即分别为模拟型忆阻器的底层电极W及阈值型忆阻器的顶层电极W。在该磁控溅射生长W薄膜103上部设有顶电极Au惰性金属电极101,在它们之间设有磁控溅射生长的阻变层氧化钨(Wox)薄膜102,从而构成模拟型忆阻器。在该磁控溅射生长W薄膜103下部设有底电极Pt薄膜105,在它们之间设有旋涂制备的阻变层银掺杂卡胶(Ag:ι-car)薄膜104,从而构成阈值型忆阻器。
如图1所示,在1.2v电压下连续循环5次,电阻呈现缓慢变化,电导逐渐上升。
如图2所示,在不同的脉冲频率施加下,器件电流响应不同,说明器件对频率有依赖性。
如图3所示,施加1.5v电压,器件在0.8-1.0v电阻有一个突然变化(高阻状态到低阻状态),设置限制电流为50μA,在电压逐渐减小时候,电阻会自发从低阻变到高阻,在这过程不需要施加负向电压。
如图4所示,设置读取电压-零电压-开启电压-零电压-读取电压的脉冲,器件在读取前后都为高阻,所述的器件是阈值型阻变。
如图6所示,LIF型人工神经元包括模拟型忆阻器(Au/WOx/W)、阈值型忆阻器(W/Ag:ι-car/Pt/SiO2/Si)和定值电阻(resistor)。人工神经元的整合和激发行为分别使用模拟型(ARS)忆阻器和阈值型(TS)忆阻器来实现。模拟神经元行为时,ARS忆阻器与TS忆阻器串联,定值电阻与TS忆阻器并联。用设计信号中不同幅值(间隔)正向脉冲降低忆阻器电阻,增加定值电阻的分压,改变神经元输出尖峰的频率,同时实现了生物神经元的几个关键特性,如全无尖峰、阈值电压驱动峰、不应期和强度依赖的频率响应。本发明提供的LIF人工神经元模型既能模拟神经元的整合和激发过程,又能模拟神经元的关键特性。基于所有忆阻器的人工神经元神经元具有构建高密度人工神经网络的潜力,可用于神经形态计算。
如图7所示,激发脉冲数量随施加电压脉冲幅值增加而增加,随施加电压脉冲间隔变大而减小。
本发明旨在保护一种设计实现人工神经元的电路方法,神经元器件包括:模拟型忆阻器器件(101、102、103),其用于模拟神经元的整合过程;阈值型忆阻器器件(103、104、105)其用于模拟神经元的激发过程。本发明的人工神经元器件可以在惰性电极Au施加正电压,Pt惰性金属电极接地,施加电脉冲在模拟型忆阻器上实现电导的逐渐积累(整合),利用阈值忆阻器上实现电阻突然变化。该人工神经元器件为两端结构,结构简单,器件尺寸可降至纳米量级,功耗小,借助于电脉冲的间隔和幅度调节,为实现人工神经网络系统提供了器件基础。由于氧化钨材料对光有着调节作用,在未来的新型光子神经元领域有着良好应用前景。
Claims (8)
1.一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:该堆叠忆阻器包括模拟型忆阻器和阈值型忆阻器,模拟型忆阻器包括顶电极Au、阻变层氧化钨(WOX)薄膜及底电极W;阈值型忆阻器包括顶电级W、阻变层银掺杂卡胶(Ag:ι-car)薄膜及底电极Pt。
2.根据权利要求1所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述模拟型忆阻器底电极W及阈值型忆阻器顶电极W为共同电极,该电极为惰性金属电极。
3.根据权利要求2所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述模拟型忆阻器顶电极Au为惰性金属电极,为Au点电极,金属掩膜版孔径约为100~200μm,沉积电极厚度约为50~80nm。
4.根据权利要求2或3所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述阈值型忆阻器底电极Pt为惰性金属电极,为Pt层,沉积电极厚度约为90~100nm。
5.根据权利要求4所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述模拟型忆阻器阻变层氧化钨(WOX)薄膜由磁控溅射生长,其厚度为80nm~100nm。
6.根据权利要求4所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述阈值型忆阻器阻变层银掺杂卡胶(Ag:ι-car)薄膜由匀胶机旋涂方法制备,旋涂层数为5层,其厚度为80nm~100nm。
7.根据权利要求2或5所述的一种基于模拟型阻变和阈值型阻变的堆叠忆阻器,其特征是:所述阈值型忆阻器阻变层银掺杂卡胶(Ag:ι-car)薄膜由匀胶机旋涂方法制备,旋涂层数为5层,其厚度为80nm~100nm。
8.一种基于模拟型阻变和阈值型阻变的堆叠忆阻器的制备方法,包括如下步骤:
①利用磁控溅射的方法生长Pt,生长条件是1Pa压强,调节功率为100W,生长时间为20-25分钟,将Pt衬底依次用三氯乙烯、丙酮、乙醇、去离子水超声清洗8~15分钟,用氮气吹干;
②利用匀胶机旋涂制备卡拉胶掺银溶液(Ag:ι-car≈1:8),旋涂条件是低速500转/分,10s;高速3000转/分,20s;
③磁控在旋涂后的器件上生长钨薄膜,生长气氛条件是1Pa的压强下,调节功率为100W溅射钨靶10min;
④磁控在钨薄膜的基底上生长氧化钨薄膜,生长条件是2Pa的压强下,通入比例为1:3的氩气和氧气,衬底温度为200℃,用100W的功率溅射氧化钨靶15-20分钟;
⑤在第④步制作的氧化钨薄膜蒸镀顶电极Au惰性金属电极,金属掩膜版孔径约为100~200μm,沉积电极厚度约为50~80nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057163.8A CN114497117A (zh) | 2022-01-19 | 2022-01-19 | 一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057163.8A CN114497117A (zh) | 2022-01-19 | 2022-01-19 | 一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114497117A true CN114497117A (zh) | 2022-05-13 |
Family
ID=81471982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210057163.8A Pending CN114497117A (zh) | 2022-01-19 | 2022-01-19 | 一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114497117A (zh) |
-
2022
- 2022-01-19 CN CN202210057163.8A patent/CN114497117A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102456157B (zh) | 神经元器件和神经网络 | |
CN109802035B (zh) | 一种基于忆阻器的神经突触仿生器件及制备方法 | |
CN106098932A (zh) | 一种线性缓变忆阻器及其制备方法 | |
CN111461312B (zh) | 一种基于忆阻器随机丢弃神经元 | |
CN114497117A (zh) | 一种基于模拟型阻变和阈值型阻变的堆叠忆阻器及其制备方法 | |
CN105322091B (zh) | 一种光写入阻变存储单元及其制备、操作方法和应用 | |
GB2532086A (en) | An associative memory learning device | |
CN111244270B (zh) | 一种模拟生物神经元功能的电子器件及方法 | |
CN111192957A (zh) | 一种易失性与非易失性共存的忆阻器件及制备方法及备选制备方法 | |
CN112420922B (zh) | 一种基于钛银合金的低功耗cbram器件及其制备方法和应用 | |
CN109978019B (zh) | 图像模式识别模拟与数字混合忆阻设备及制备,实现stdp学习规则和图像模式识别方法 | |
CN112018236A (zh) | 一种基于pzt的忆阻器件、其制备方法及其应用 | |
CN112563414B (zh) | 一种模拟型全碳基忆阻突触器件及其制备方法 | |
CN110289350B (zh) | 一种基于金属卟啉异质结忆阻器及其制备方法和应用 | |
Huang et al. | Transition from synaptic simulation to nonvolatile resistive switching behavior based on an Ag/Ag: ZnO/Pt memristor | |
CN116209344A (zh) | 基于铟铝锌氧化物的神经形态忆阻器、制备方法及设备 | |
CN112909168B (zh) | 一种基于锂掺杂氧化铌的多功能存储器件及其制备方法 | |
Katagiri et al. | Double-layer ReRAM with In-Ga-Zn-O thin film for neuromorphic | |
Wang et al. | Realization of Artificial Neuron with Firing Saturation Based on Single Memristive Device | |
CN113161481A (zh) | 一种柔性人工突触器件及其制备方法 | |
KR102322131B1 (ko) | 확률 가변 멤리스티브 인공 시냅스 소자 및 그 제조 방법 | |
CN113191492B (zh) | 一种突触训练装置 | |
CN115329945A (zh) | 频率自适应lif神经元及控制方法、模拟生物自适应的方法 | |
KR102159922B1 (ko) | 저항 스위치 소자 및 그 제조 방법 | |
CN114094010A (zh) | 一种基于NiO/CuO异质结的人工突触器件及其制备方法和应用 |
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 |