泛亚电竞杨建华教授最新Nature：攻克忆阻器商业化的应用瓶颈！

2023-04-05 21:38:13

　　芯片技术在现代科技中扮演着至关重要的角色。芯片是集成电路的核心组成部分，它们可以被用来控制和处理电子信号。由于芯片的微小尺寸和高度集成化的特点，它们可以在极小的空间内完成大量的计算和数据存储。这使得芯片成为了现代电子设备如手机、电脑、平板等的基础组件。

　　在大多数应用中，存储设备中的多个不同的存储级别是非常可取的。忆阻器是一种有记忆功能的非线性电阻。基于氧化物的忆阻器在其电导状态下对此信息进行编码，可以通过施加各种电压来“切换”其有源区域（称为传导通道）中的氧空位数量。虽然基于氧化物的忆阻器通常具有较大的可能电导范围，但该范围无法转换为许多易于区分的电导等级，这是因为每个等级的电导会随着时间的推移而发生波动（噪音）。噪声限制了以前报告的忆阻器可区分的电导等级的数量（约为200）。泛亚电竞在人工神经网络中，不同设备之间发生的电导等级的空间变化可以通过自适应学习算法来补偿，而噪声是时间性的，无法补偿，会导致此类网络的计算精度大幅下降。要找出这种噪声的来源并有效地抑制它，需要在微观尺度上从根本上了解忆阻器切换其电导等级的机制，这是忆阻器领域长期以来的研究目标。

　　基于以上挑战，马萨诸塞大学杨建华教授课题组设计了一个消除单个忆阻器噪声的工艺泛亚电竞。在此过程中，电压脉冲通过与普通电阻开关所用相同的电路施加到忆阻器。作者使用导电原子力显微镜来观测传导通道如何因去噪过程而变化。这种方法表明，在去噪之前，忆阻器表现出“不完整”的传导通道 -含有相对较少氧空位的区域的通道。在去噪过程之后，这些不完整的通道消失了。不完整的通道可以通过使用不同极性的电压脉冲来完成（增强）或消除。作者进行了理论仿真来研究不完整通道的电子和微观结构，并将非去噪器件中的电导波动归因于这些通道的不完整部分。去噪过程消除了不完整的通道，并大大抑制了噪声，使2048个电导等级变得可区分。这是所有类型的报告存储设备中的最高记录。

　　本研究中使用的忆阻器是由商业半导体制造商在八英寸晶圆上制造的（图1b）。忆阻器的横截面图图1c所示，图1d中放大了关键的电阻开关层。当底部电极接地时，可以通过向顶部电极施加足够的正电压或负电压来切换器件。作者发现，通过施加特定的电压脉冲，可以大大降低波动等级。图1e中给出了一个例子，其中具有相当大的波动的编程状态（蓝色）通过降噪脉冲稳定为低波动状态（红色）。如图1g所示，所有的状态都被从0到0.2V的电压扫过而读取。图1g的底部插图显示了电流-电压曲线的放大，它显示了可区分的状态和每个状态的明显线f显示了去噪后的三个近邻状态，其中0.2V的恒定电压读取每个状态1000秒。结果表明，去噪步骤是训练忆阻神经网络的一个重要、潜在必不可少的过程。

　　作者使用 C-AFM 精确定位活动传导通道并扫描所有周围区域。为 C-AFM 测量制造的设备如图 2a 所示。为了使用涂有 Pt 的 C-AFM 尖端作为顶部电极，该装置的设计与标准器件相比具有相反的结构。通过将底部电极接地并向顶部电极施加电压，该设备可以作为具有相反电压极性的标准设备运行。C-AFM 也成功地执行了去噪操作。与图2b读数结果对应的电导扫描结果显示在去噪之前（图2d）和之后（图2e），图2c读数结果的电导扫描结果如图2f，g所示。比较图 2d 和 e 中的电导图可以看出，传导通道的主要部分（“完整”通道）几乎保持不变，而正去噪电压消除了岛状通道（“不完整”通道）。相比之下泛亚电竞，负去噪电压（图 2f，g）通过消除图 2c 中的电流骤降来降低噪声。这些结果表明，富含 RTN 的状态的电导可分为两部分：完整通道提供的基础电导和不完整通道提供的RTN。

　　不完全通道阻塞过程的模型如图 3 所示。在 C-AFM 实验的基础上，作者将器件区域分为三个阶段：非导电阶段（阶段 I）、导电阶段（阶段 II）和它们之间的区域具有中间电导（相界）。在编程或去噪操作期间，这些相边界区域形成或消失，伴随着 RTN 的观察及其去除，表明一些 RTN 诱导的不完整通道位于这些相边界区域。与之前使用经典载流子漂移-扩散方程的模型相比，作者使用量子输运形式来模拟带电缺陷对通道电导率的影响，证实了库仑阻塞机制适用于纳米级通道。此外，作者推断两个或多个（N）电荷捕获缺陷会导致复杂的RTN模式，最多 2N 级，这与之前的报告一致。

　　由于 RTN 起源于不完整的传导通道，因此去噪过程与孤岛和主通道模糊边界的消失有关。由于相场弛豫，远小于置位或复位电压的亚阈值电压会降低 RTN，如图 4 所示。尽管对于不同的氧化物体系，所涉及的特定相可能不同，但作者的方法和结论通常适用。

　　小结：作者在忆阻器中实现了2048个电导等级，比以前文献中的高出一个数量级以上。值得注意的是，这些是在商业工厂制造的完全集成芯片的忆阻器中获得的。作者通过实验和理论研究揭示了忆阻器电导波动的根本原因，并设计了一种电气操作协议来对忆阻器进行去噪以实现高精度操作。降噪过程已成功应用于整个256×256横杆，使用片上驱动电路，而无需任何额外硬件即可进行常规读取和编程。这些结果不仅为忆阻开关过程的显微镜图像提供了重要的见解，而且还代表了忆阻器技术作为机器学习和边缘应用的人工智能硬件加速器的商业化向前迈出的一步。此外，这种模拟忆阻器还可以使电子电路能够为最近提出的凡人计算而增长。

　　杨建华教授(J. Joshua Yang) 于2020年秋季加入南加州大学电气与计算机工程系。他曾在2015年至2020年期间担任马萨诸塞大学阿默斯特分校ECE系的教授，并在此之前在惠普实验室工作了8年，领导了一个新兴的内存和计算材料和设备团队。目前，他的研究兴趣主要集中在后CMOS硬件方面，包括内存计算、近传感器计算、神经形态计算、机器学习和人工智能等领域。他已拥有118项已授权专利和约60项正在申请的美国专利，其中包括MRAM的两项专利已被世界领先的半导体公司授权，RRAM的专利则已被转让给存储器制造商和国家实验室进行产品开发。此外，他最近的神经形态计算专利也促成了一家快速增长的初创公司。

　　声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！