文献阅读记录（忆阻器篇）

文献阅读（忆阻器篇）

忆阻器领域相关文献阅读

---

---

一、书籍

1.Memristor Based Logic Circuits

2019，Faculty of Sciences and Technology
Doutora Maria Helena Silva Fino

1.1 忆阻器简介

1971年Leon Chua根据磁通量和电荷量之间的关系，预测出第四种基本电路元件的存在，他将这种电路元件命名为忆阻器，M = dφ / dq，忆阻器具有与电阻相似的特性但不等同于电阻，其电阻值是由通过元件的电荷量及其流向所决定，也就是说，当忆阻器当中的电荷流动停止，忆阻器的阻值也会因此保存下来。

忆阻器的应用

• 非易失性存储
• 神经形态电路
• 可编程逻辑与信号处理

1.2 忆阻器模型

1.2.1 HP模型

结构：三明治结构，两端电极之间为TiO₂，其中一部分通过施加电场形成可移动的氧空位进行掺杂，电阻较低，剩余未掺杂部分电阻较高，具有绝缘性。两端加正向电压，形成的电场驱动氧空位进一步扩散，忆阻器电导增加，反之，两端加负向电压，电导减小。撤去电压，氧空位转移过程停止，这意味着忆阻器的电导随之固定下来，保持撤去电压前的状态。

数学模型





R_on << R_off

加入窗口函数，模拟边界处掺杂区域的变化


窗口函数

• Strokov: f (x) = x − x²
  存在终端状态问题，即x接近边界0或1，dx/dt趋近于0，x无法再发生变化，即使施加反向电压，由于f(x)为零，状态变量x仍旧不会再发生变化。
• Joglekar and Wolf: f (x) = 1 - (2x - 1)^2p
  引入非线性掺杂，p值足够大时类似于线性掺杂，但也存在终端状态问题
• Biolek：
  f (x) = 1 - (x - stp(-i))^2p
  stp(i) = i >= 0? 1; 0
  引入电流作为参数，解决了终端状态问题，当施加正向电流时，f(x) = 1 - x^2p，施加反向电流时，f(x) = 1 - (x - 1)^2p
• Prodomakis: f (x) = 1 - [(x - 0.5)² + 0.75]^p
  灵活性更大

1.2.2 Simmons Tunnel Barrier模型 / 西蒙斯隧穿势垒模型

结构：电极之间为与电子隧穿势垒串联的电阻，忆阻器开关行为由电离掺杂剂的指数相关性决定，状态变量x为隧穿势垒宽度，x对t的导数可解释为氧空位漂移速度

提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

二、忆阻器相关文献

1.Experimental Demonstration of a Second-Order Memristor and Its Ability to Biorealistically Implement Synaptic Plasticity

2015，Nano Letters
Wei D.Lu

1.1背景

传统一阶忆阻器作为突触，在不同的学习规则中需要实现不同的形状的脉冲，并且通过突触前后脉冲重叠来修改权重，这种方式并不具有生物可信度，并且在单元级别和系统级别错失许多重要的动态效应。

传统一阶忆阻器电导调制：dw / dt = f(w, V, t)，w为一阶状态变量，掺杂程度/导电细丝长度

研究发现，基于氧化物的忆阻器可以表现出Ca²⁺的生物学动态特性，将这种器件建模为二阶忆阻器，可以通过简单的方法来实现突触所具有的一些关键功能。可在忆阻器中加入二阶状态变量，表现出类似Ca²⁺的内部动力学，可以逼真模拟生物突触。

二阶忆阻器电导调制：dw / dt = f(w, T, V, t)，T为二阶状态变量，设备局部温度

1.2机制

忆阻器阻态转换时，由于焦耳加热局部温度升高影响到氧空位的扩散和导电细丝形成，进而影响点到变化。温度随脉冲激励持续时间增加，撤去激励后进行衰减，若下一次电压脉冲到来，温度还没有衰减到稳态值，则会对忆阻器电导改变造成影响。T本身并不是权重状态变量而是调节权重状态变量的改变。

现象

• 当在忆阻器两端施加持续时间足够长的电压脉冲序列，无论间隔时间大小，可观察到阻态突变
• 当在忆阻器两端施加间隔时间较短且持续时间较短的电压脉冲序列，可观察到阻态突变，这是由于每个脉冲引起的焦耳热积累导致器件温度显著增高，加快导电细丝形成，导致阻态突变
• 当在忆阻器两端施加间隔时间较长且持续时间较短的电压脉冲序列，可观察到阻态渐变，这可以解释为，当脉冲间隔时间较长，电导由于脉冲引起的焦耳热增加，并随着散热而减小，当间隔时间足够长，焦耳热可以完全耗散，每个脉冲都不足以完全set忆阻器

解释

• 忆阻器内部动态过程变化与加热脉冲的极性无关，其中，电荷俘获/释放以及离子积累过程都取决于电压极性，这就可以支撑局部温度T作为状态变量的想法，T与电压极性无关
• 通过时间热叠加效应可以解释两个不重叠电压脉冲调制器件电导现象：加热脉冲暂时增加器件温度，撤去脉冲温度衰减，在温度衰减为静息值之前施加第二个编程脉冲，可以极大增加器件温度，加速氧空位的漂移和扩散过程，引起器件电导变化。

验证

• 脉冲组成：一个幅值较大持续时间较短的编程脉冲、一个赋值较小持续时间较长的加热脉冲
• 脉冲间隔时间越短，即频率越高，电导变化幅度越大，且电导变化量随脉冲数增多而增大
• 脉冲间隔时间低于0.1MHz，无论脉冲数目多少，电导均不发生变化
  
• 突触前脉冲在突触后脉冲之前时，由于突出前脉冲的加热脉冲，突触后脉冲到来时会导致器件温度进一步突增，另外由于突触后脉冲的负编程电压，器件电导增加，且电导增加幅度要大于突触前脉冲中的正编程电压引起的电导减小幅度，整体效果主要第二次脉冲为主，且器件电导总体呈增加
• 经验证，二阶忆阻器电导变化可在脉冲激励之后持续数小时甚至数天之久，这与生物学中观察到的LTP现象相同
  
• 一阶状态变量：导电细丝CF半径r及耗尽间隙长度g，直接控制器件电导
• 二阶状态变量：一阶状态变量受到二阶状态变量调制，包括到导电细丝温度T及外部设备温度T_bulk
• reset期间：形成耗尽间隙，器件电导下降
• set期间：导电细丝半径增加，由于焦耳加热温度T增加，T_bulk保持不变，接近室温

三、存内计算相关文献

1.Brain-Inspired Computing Accelerated by Memristor Technology

2017 NANOCOMPUTING
Chenchen Liu，Hai (Helen) Li

综述性文章，回顾了忆阻器crossbar相关的器件、电路、系统以及算法的发展现状，并讨论该方向的挑战与未来发展。

1.1脉冲神经形态系统设计

三个组成部分：忆阻器crossbar突触电路，模拟/数字输入/输出神经元
ADC/DAC的引入会增加设计难度以及能耗。
两篇基于rram的脉冲神经网络文献：

1.M. Chu et al., “Neuromorphic Hardware System for Visual
Pattern Recognition with Memristor Array and CMOS
Neuron,” Industrial Electronics, no. 99, 2014.
2.C. Liu et al., “A Spiking Neuromorphic Design with
Resistive Crossbar,” in DAC, pp. 1–6, July 2015.

2.Neuromorphic Hardware System for Visual Pattern Recognition With Memristor Array and CMOS Neuron

2015 IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS
Myonglae Chu， Byung-Geun Lee

2.1系统架构

组成部分：CMOS图像感知器（CIS）、信号处理单元（SPU）、忆阻器阵列、CMOS神经元

网络规模30x10的单层全连接网络，输出采用LIF神经元，识别0-9数字图像

人工感光器

组成：480x330像素阵列，ADC，控制逻辑，行/列移位寄存器
每个像素由一个光电二极管和四个晶体管组成来产生模拟信号，其信号幅值正比于光强，并通过ADC转换为10bit的数字信号。
信号处理单元通过将96x55像素数字信号输出平均值与整体像素的全局平均值比较，大于则置为1，小于置为0，将CIS输出的480x330像素图像转为5x6像素二进制图像，进而转为脉冲序列输出

忆阻器突触阵列

这篇文章中STDP的实现方式与常规采用时间差修改突触权重的方式不同，忆阻器根据脉冲速率来修改阻值状态。
当一个正脉冲在神经元发射之后特定的一段时间内，持续加载到忆阻器上，忆阻器的阻态便会由HRS转换为LRS。
另外这篇文章由于忆阻器的非对称性为特性，仅采用从HRS到LRS的单向变化，并为了适应这种非对称特性，提出一种新的学习规则。

输出神经元

训练模式下断开泄漏路径保持C_F浮空，确保每幅图像训练过程中只有一个神经元发射脉冲。
测试模式下，神经元发射脉冲之后进入不应期，由RC时间常数决定，确保C_F完全放电，以开始下一张图像测试。

2.2系统运行方式以及仿真结果

训练测试

训练过程：
累积阶段：若有神经元发射脉冲，即断开与忆阻器连接，停止所有神经元的膜电位累积，并保持其膜电位。
重置阶段：发射脉冲的神经元累积放大器输入接地，输出置为3.3V。其他神经元通过接入C_S膜电位上移0.5V。
测试过程：
累积阶段：第一个发射脉冲的神经元发射抑制信号，冻结其他神经元的操作。
重置阶段：断开与忆阻器的连接，通过泄露路径将C_F电压提升至2V，准备下一幅图像测试。

学习规则

两个操作阶段：累积+重置
（1）通过-3V脉冲将所有忆阻器重置为高阻态，所有神经元膜电位重置为3.3V。由于存在工艺变量影响，忆阻器即使在重置之后阻值也互不相同。
该阶段S1均断开，S2均闭合。
（2）图像脉冲序列输入，开始无监督学习。S1均闭合，S2均断开。
（3）当有神经元发射脉冲，停止累积阶段，断开所有S1，将对应忆阻器置为低阻态，对应的S2闭合，其余没发射脉冲的神经元对应的S2均断开。
（4）完成权重更新，发射脉冲的神经元膜电位置为3.3V，其余神经元膜电位均上提0.5V，然后闭合所有S1，断开所有S2。需在仿真过程中给没发射脉冲的神经元选择一个合适的膜电位增加值，以保证训练过程中所有神经元仅发射一次脉冲。

功能验证仿真结果

数字图像识别仿真结果
训练过程：

测试过程：

分析
由于网络规模较小，且采用忆阻器阻态从HRS到LRS的单边转换，加之数据集图像类内差异较小，噪声影响极大，测试过程中很容易出现对输入的错误响应。

3. A Spiking Neuromorphic Design with Resistive Crossbar

2015 52nd ACM/EDAC/IEEE Design Automation Conference (DAC)
Chenchen Liu，Hai (Helen) Li

4. A Reconfigurable Mixed Signal CMOS Design for Multiple STDP Learning Rules

2020 IEEE 3rd International Conference on Electronics Technology
Chongyang Huan，Xing Zhang

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。