用于通用存储和神经形态计算的相变存储器的研究进展

存算一体技术目前被认为是一种可以消除冯·诺依曼计算架构瓶颈的可行性技术。在众多的存算一体器件中,相变存储器(PCM)因其具有非易失性、可微缩性、高开关速度、低操作电压、循环寿命长以及与现有半导体工艺相兼容等优点,被认为是未来通用存储和神经形态计算器件中最具竞争力的候选者之一。首先介绍了PCM的工作原理和器件材料结构,并详细讨论了PCM在通用存储和神经形态计算领域的应用。PCM具有高集成度和低功耗的共性需求,但这两个应用领域对材料性能有不同的侧重点。详细分析了PCM目前存在的优缺点,如高编程电流导致的功耗问题,以及商业化应用面临的主要挑战。最后,针对PCM的研究现状提出了一系列改进措施,包括材料选择、器件结构设计、预操作、热损耗降低、3D架构,以及解决阻态漂移等问题,以推动其进一步发展和应用。

二维TMC忆阻器在神经形态计算中的研究进展

忆阻器和突触器件作为一种有潜力的神经形态器件,近年来得到了广泛的研究。二维过渡金属硫族化合物(2D TMC)由于其独特的性能,使基于其的电子器件制造工艺具有高集成度、高兼容性和高扩展性等优势。对基于2D TMC的高性能忆阻器在神经形态计算中的应用进行了全面的综述。首先介绍了2D TMC及其异质结在忆阻器中的应用潜力,然后基于该类材料的基本结构和物理性能,对近年来报道的器件进行了分类介绍,接着讨论了这些新兴材料和器件在神经形态计算中的应用,最后基于目前存在的问题,提出了解决方案,并对该类器件在其他场景的应用进行了展望。

忆阻器基神经形态计算器件与系统研究进展

忆阻器作为新原理器件,与现有互补金属氧化物半导体(CMOS)器件相比,具有结构简单、集成密度高、微缩性好、操作能耗低、易于三维集成等优点,是实现神经形态计算技术的理想存储器件之一。对近年来忆阻器基神经形态计算技术的研究进展进行综述,包括忆阻器基神经突触和神经元功能实现以及忆阻器基神经形态计算系统研究进展,并对当前忆阻器基神经形态计算技术仍然面临的挑战进行总结,对其前景做了展望。

校准方法和存内训练相结合的忆阻器神经形态计算方法

基于忆阻器的神经形态计算架构在图像分类、语音识别等领域取得了较好的效果,但当忆阻器阵列存在低良率问题时,其性能会出现明显下降。提出一种基于忆阻器神经形态计算的校准方法和原位训练相结合的算法,利用校准方法提高乘累加计算的准确率,并利用原位训练方法降低训练误差。为了验证所提方法的性能,采用多层感知器架构进行仿真。从仿真结果来看,神经网络的精度有明显的提高(近40%)。实验结果表明,与单纯的校准方法相比,采用所提方法训练的网络精度提高了约30%,与其他主流的方法相比,所提方法训练的网络精度提高了0.29%。

光神经形态计算研究进展与展望(特邀)

脑科学与类脑研究是国际必争战略性前沿。人工智能与深度学习的飞速发展对算力提出了迫切需求。而传统的冯诺依曼架构,由于存算分离导致功耗墙和内存墙,摩尔定律也逐渐放缓。光神经拟态计算充分融合高速光通信、光互连、光集成、硅基光电子与神经拟态计算的特点,具有超高速、大带宽、多维度等优势,在高性能计算、人工智能领域有广阔的应用前景,是突破后摩尔时代传统微电子计算极限极具竞争力的方案。本文回顾了国内外主要研究团队在光神经元、光突触、光神经网络的理论、算法及器件方面的工作,并提出了展望。

相变存储器及其用于神经形态计算的研究综述

目前随着人工智能领域的兴起以及人们对数据存储和计算的强烈需求,迫切需要存储器的改进和类似于人脑的高效存储运算效率。所以,相变存储器及其用于神经形态计算的研究是极具价值的。相变存储材料(PCMs)受到激发时所产生的电阻值变化可以用来建立尖峰神经网络从而实现模拟神经形态计算系统。本文介绍了相变存储器物理机制,其中包括相变材料的相变原理及主要性能特征,重点叙述了相变存储器在优化存储与计算方向的研究进展和应用,进而为该领域未来的发展方向提供参考。

基于ZYNQ集群的神经形态计算加速研究与实现

基于脉冲神经网络(SNN)的神经形态计算由于工作机理更接近于生物大脑,被认为有望克服深度学习的不足而成为解决人工智能问题的更佳途径。但是如何满足高性能、低功耗和适应规模伸缩需求是神经形态计算系统需要解决的挑战性问题。基于FPGA异构计算平台ZYNQ集群,在NEST类脑仿真器上,重点解决了具有脉冲时间依赖可塑性(STDP)突触计算复杂度高、并行度低、硬件资源占用大的问题。实验结果表明,设计的方法在8节点ZYNQ 7030集群上,性能是Xeon E5-2620 CPU的14.7倍。能效比方面,是Xeon E5-2620 CPU的51.6倍,是8节点ARM Cortex-A9的20.6倍。

神经形态计算发展现状与展望

神经形态计算是一个包含硬件开发、软件支持、生物模型,三者不可以缺一的研究。其终极目标之一是模仿生物结构来实现电子脑以期达到人工智能。这种仿生学方法创造了高度连接的合成神经元和突触,它们可用于神经科学理论建模,并解决具有挑战性的机器学习问题。

高均一性二维碲化钼忆阻器阵列及其神经形态计算应用

二维过渡金属硫化合物是构建纳米电子器件的理想材料,基于该材料体系开发用于信息存储和神经形态计算的忆阻器,受到了学术界的广泛关注。受制于低成品率和低均一性问题,二维过渡金属硫化合物忆阻器阵列鲜见报道。本研究采用化学气相沉积得到厘米级二维碲化钼薄膜,并通过湿法转移和剥离工艺制备得到碲化钼忆阻器件。该碲化钼器件表现出优异的保持性(保持时间>500 s)、快速的阻变(SET时间~60 ns,RESET时间~280 ns)和较好的循环寿命(阻变2000圈后仍可正常工作)。该器件具有高成品率(96%)、低阻变循环间差异性(SET过程为6.6%,RESET过程为5.2%)和低器件间差异性(SET过程为19.9%,RESET过程为15.6%)。本工作成功制备出基于MoTe_(2)的3×3忆阻器阵列。在此基础上,将研制的MoTe_(2)器件用于手写体识别,实现了91.3%的识别率。最后,通过对MoTe_(2)器件高低阻态的电子输运机制进行拟合分析,揭示了该器件阻变源于类金属导电细丝的通断过程。本项工作表明大尺寸二维过渡金属硫化合物在未来神经形态计算中具有巨大的应用潜力。

基于3D-NAND的神经形态计算

神经形态芯片是一种新兴的AI芯片.神经形态芯片基于非冯·诺依曼架构,模拟人脑的结构和工作方式,相比冯·诺依曼架构的AI芯片,神经形态芯片在效率和能耗上有显著的优势.3D-NAND闪存工艺成熟并且存储密度极高,基于3D-NAND的神经形态芯片受到许多研究者的关注.然而由于该技术的专利性质,少有基于3D-NAND神经形态计算的硬件实现.本文综述了用3D-NAND实现神经形态计算的工作,介绍了其中前向传播和反向传播的机制,并提出了目前3D NAND在器件、结构和架构上需要的改进以适用于未来的神经形态计算.

用于超高速神经形态计算的光子突触

基于非冯·诺依曼体系结构的神经形态计算是有望实现高效人工智能的一种方式。神经态计算系统主要由突触和神经元组成。目前已有不同的技术路线开发出多种电子神经形态设备的研究。神经形态光子技术结合了神经网络的高效率和光子的高速度来构建计算系统,通过光学手段进行计算,具有超快的操作速度,大的带宽和无电互连功率损耗等潜在固有优势,因而受到越来越多的关注。本文回顾了光子突触研究的最新进展。

神经形态计算芯片产业化发展前景分析

基于人工智能、大数据场景下对芯片计算速度和能耗效率的需求,梳理影响神经形态计算芯片产业化发展的关键技术评价指标,简要分析产业化应用现状及国内外典型机构和产品,并对神经形态计算芯片的产业化发展前景做出研判。

迄今最高并行度的神经形态计算方案

[本刊讯]南京大学物理学院缪峰团队与合作者利用连续时间的信息加载方式和频分复用技术,首次提出并验证迄今最高并行度的神经形态计算方案。相关研究成果于2021年7月8日发表在《自然—纳米技术》(Nature Nanotechnology)上。2021年4月,《科学》(Science)周刊提出125个最具挑战性的前沿科学问题,其中信息科学领域的首个问题是:计算机处理速度是否有上限?

用于神经形态计算的CsPbBr_(3)钙钛矿忆阻器性能研究

忆阻器可以模拟生物突触行为而实现低功耗、并行计算、集成度高的神经形态计算,因此已经引起广泛关注.本文报道了一种基于溶液法制备的铯铅溴(CsPbBr_(3))钙钛矿忆阻器,以包裹在聚乙烯吡咯烷酮(PVP)中的CsPbBr_(3)为功能层的忆阻器表现出优异的空气稳定性,同时成功模拟了生物突触行为,包括突触可塑性(synaptic plasticity)、长时程增强(long-term potentiation, LTP)和短时程增强(short-term potentiation, STP)、幅度依赖可塑性、双脉冲易化(paired-pulse facilitation, PPF)、短期记忆和长期记忆以及两者的转变.本研究展示的制备简单、成本低、稳定性好的钙钛矿人工突触,为未来神经形态计算的应用提供了新的可能性.

基于相变材料的光子神经形态计算技术综述

当前物联网、云计算等产生的海量非结构化数据,极大提高了对数据处理算力和能效的需求。神经形态计算借鉴生物大脑的信息处理方式,以神经元与神经突触为基本单元,从互联架构与信息处理模式等方面模拟生物神经系统,能够实现实时、超低功耗信息处理,成为大数据时代计算技术发展的前沿热点。其中,光子神经形态计算技术是在光域上进行神经形态计算数据处理的技术,既能够充分发挥光子高速传输、低功耗、高并行度的优势,又能够避免光电和电光转换带来的额外时间功耗开销,具有很大的研究和应用价值。近年来,相变材料作为一种具有高折射率对比度和非易失特性的光学材料,可在光、电、热等激励作用下进行折射率的连续调节,为非易失光子神经形态计算提供了一种可行的解决方案,成为当前的研究热点。本文首先介绍了光子神经形态计算的基本原理和实现方法,在此基础上讨论了相变材料用于光子神经形态计算的原理。其次,针对不同类型的实现途径,研究了不同相变材料的特点和选型办法,综合分析了当前应用较多的两类相变材料以及各类光突触器件和阵列集成应用。最后对基于相变材料的光子神经形态计算技术的发展进行了展望。

面向神经形态感知和计算的柔性忆阻器基脉冲神经元

受人脑工作模式的启发,脉冲神经元作为人工感知系统和神经形态计算体系的基本计算单元发挥着重要作用.然而,基于传统互补金属氧化物半导体技术的神经元电路结构复杂,功耗高,且缺乏柔韧性,不利于大规模集成和与人体兼容的柔性感知系统的应用.本文制备的柔性忆阻器展示出了稳定的阈值转变特性和优异的机械弯折特性,其弯折半径可达1.5 mm,弯折次数可达10^(4)次.基于此器件构建的神经元电路实现了神经元的关键积分放电特性,且其频率-输入电压关系具有整流线性单元相似性,可实现基于转换法的脉冲神经网络中神经元的非线性处理功能.此外,基于电子传输机制和构建的核壳模型,对柔性忆阻器的工作机制进行分析,提出了电场和热激发主导的阈值转变机制;进一步对忆阻器和神经元的电学特性进行电路仿真模拟,验证了柔性忆阻器和神经元电路工作机制的合理性.本文对柔性神经元的研究可为神经形态感知和计算系统的构建提供硬件基础和理论指导.

光电神经形态器件及其应用

传统冯·诺依曼计算机在并行性计算和自适应学习方面效率较低,无法满足当前飞速发展的信息技术对高效、高速计算的迫切需求.受脑启发的神经形态计算具有高度并行性、超低功耗等优势,被认为是打破传统计算机局限性,实现新一代人工智能的理想途径.神经形态器件是实施神经形态计算的硬件载体,是构建神经形态芯片的关键.与此同时,人类视觉系统与光遗传学的发展为神经形态器件的研究提供了新的思路.新兴的光电神经形态器件结合了光子学与电子学各自的优势,在神经形态计算领域展露出巨大潜力,受到了国内外研究人员广泛关注.本文对光电神经形态器件及其应用的最新研究进行了总结.首先综述了人工光电突触与人工光电神经元,内容包括器件结构、工作机制以及神经形态功能模拟等方面.然后,对光电神经形态器件在人工视觉系统、人工感知系统、神经形态计算等领域中的潜在应用作了阐述.最后,总结了当前光电神经形态器件所面临的挑战,并对其未来的发展方向进行了展望.

神经元计算机操作系统的资源分配方法

神经形态计算硬件是专为运行脉冲神经网络(spiking neural network,SNN)应用而设计的专用计算机系统.随着硬件资源规模的增大,神经元计算机能够支持更多数量的SNN应用并发运行,如何有效地为SNN应用分配神经形态计算硬件资源变得极具挑战性.首先提出一种神经元计算机操作系统的资源分配框架,在加载SNN应用到神经形态计算硬件时分配硬件资源以及建立对应的输入输出路由,实现了资源分配过程与编译器间的解耦.其次,创新性地引入了最大空矩形(maximum empty rectangle,MER)算法来处理神经形态计算硬件资源的动态分配问题;针对SNN应用的脉冲输入输出特性,提出了一种最小化脉冲输入输出通信代价的资源分配算法,旨在降低脉冲输入输出能耗、延迟和资源碎片.实验结果显示,所提算法比现有算法表现出较好的性能,其中脉冲输入输出平均延迟最高降低了81%,碎片率降低了92%.

氧化物神经元器件及其神经网络应用

目前,人工智能在人类社会发挥着越来越重要的作用,以深度学习为代表的人工智能算法对硬件算力的要求也越来越高。然而随着摩尔定律逼近极限,传统冯·诺依曼计算架构越来越难以满足硬件算力提升的迫切需求。受人脑启发的新型神经形态计算采用数据处理与存储一体架构,有望为开发低能耗、高算力的新型人工智能技术提供重要的硬件基础。人工神经元和人工突触作为神经形态计算系统的核心组成部分,是当前研究的前沿和热点。本文聚焦氧化物人工神经元,从神经元数学模型出发,重点介绍了基于氧化物电子器件的霍奇金–赫胥黎神经元、泄漏–累积–发射神经元和振荡神经元的最新研究进展,系统分析了器件结构、工作机制对神经元功能模拟的影响规律。进一步,根据不同尖峰发射动态行为,阐述了基于氧化物神经元硬件的脉冲神经网络和振荡神经网络的研究进展。最后,讨论了氧化物神经元在器件、阵列、神经网络等层面面临的挑战,并展望了其在神经形态计算等领域的发展前景。

神经形态芯片测试方法研究

介绍了神经形态芯片的发展现状和测试难点,重点研究了神经形态芯片关键指标的测试原理和测试方法,包含集成规模、功能和性能等,通过所研究的测试前置条件和测试方法,为制定通用的基准测试套件提供参考。