一种新型接口型忆阻器：用于为下一波神经形态计算构建人工突触

汽车高速总线及三电系统、新一代高速串行、芯片全产链方案解析、第三代半导体等

该器件是由金/铌掺杂的钛酸锶制成的接口型忆阻器，全部采用肖特基结构(Au/Nb:STO)。器件的模拟电阻可以通过忆阻器接口进行控制，使用这些材料，可以修改电压极性和振幅等肖特基势垒参数，从而改变器件的电导。

忆阻器是神经形态计算中一项很有前途的技术，因为即使在断电时它们也可以被编程和“记住”。这模仿了“突触可塑性”，这是大脑记忆和学习的重要基础。它允许突触根据其活动增强或减弱，并由突触上的神经递质受体控制。

除了突触可塑性，研究人员的原型还可以模拟其他突触功能，例如成对脉冲促进、短期增强和抑制、长期增强和抑制以及尖峰时间依赖性可塑性。洛斯阿拉莫斯团队认为，他们的新设备可能会避开冯诺依曼瓶颈的传统挑战。

解决冯诺依曼瓶颈

冯诺依曼瓶颈描述了经典计算机体系结构中的一个问题，其中处理和内存是分开的。要将信息传输到计算机的中央处理器 (CPU) 或图形处理单元 (GPU)，必须从内存中读取数据，然后通过数据总线传输。

瓶颈出现在这个数据传输过程中。多年来，研究人员付出了巨大的努力来最大限度地减少这一瓶颈，使用预取、预测执行或缓存等策略。然而，数据速率在一定程度上仍然受到限制，当需要传输和处理图像或视频等数据集时，这可能是一个挑战。

这种数据传输会消耗大量能量；在数据中心用于机器学习等应用的世界中，能源使用也越来越受到成本和环境影响的关注。

像 CINT 设计的忆阻器设备有可能在同一个物理设备上同时执行处理和数据存储，这不仅可以克服数据传输的瓶颈，还可以降低能耗。

MNIST结果的意义

修改后的国家标准和技术 (MNSIT)手写数字数据集通常用作机器学习和图像分类性能的基准。该数据集包含一组 28 x 28 的灰度手写数字，从 0 到 9。

CINT 团队使用Crossbar 模拟器构建了一个三层神经网络，并使用长时程增强和长时程抑制突触功能通过 25 个时期的反向传播对其进行了训练。仿真达到了 94.72% 的预测精度。研究人员表示，这优于其他候选忆阻器架构，例如导电丝型忆阻器。

现今的基准测试准确度已达~99.8% 范围之内。然而，考虑到该设备处于早期研究阶段，94.72% 的 CINT 结果仍然值得注意。

EETOP编译自allaboutcircuits