01 题目及来源

image-20210108114540487

02 这篇文章讲了什么

在回顾用于神经网络计算的忆阻器之后,作者介绍了基于氧化还原晶体管(Redox Transistors)三端电化学存储器。该存储器使用门来调节通道的氧化还原状态。使用第三端子将“读取”和“写入”操作解耦,并将信息作为电荷补偿的氧化还原反应存储在晶体管的大部分中,可以实现高密度信息存储。

03 论文笔记及感想

1、导致冯·洛伊曼架构的计算机在神经网络模型问题中低效的原因在于:数据必须在内存和处理单元之间来回移动,会导致延迟和过多的能量耗费。

一种解决方法是开发专门用于处神经网络模型的计算机,使其在内存位置处理数据以避免数据传输对于资源的浪费。

2、双端子忆阻器。尽管材料具有高密度、高持久性、快速读写速度、高的ON/OFF电压比,但仍具有重大挑战——在当前技术下无法满足大规模并行矢量矩阵乘法或外部权重更新的要求。

3、三端子忆阻器。解决双端子忆阻器缺点的一种方法是使用第三端子解耦“写入”和“读取”功能。

不能使用FET的原因在于它的记忆性较差,且会收外部影响较严重。铁电通道虽然克服了易失性的问题,但它必须在了解每个突触节点的状态下才能编程,故限制了它在实际机器学习算法中的应用。

此外,最近有学者提出可以使用电容器来作为“积分”操作的元件,核心思路是将电容器连接到FET的栅极,以实现突触状态的的记忆和读出。但缺陷在于存储单元中电路元件数量大且外部电路复杂等。

4、如下图所示,即氧还原晶体管(RT)的电路示意图和在执行写入操作时电导的变化情况:

image-20210108180406944

RT包含一个沟道电极(由源电极和漏电极共同构成),该沟道电极由同时传导电子和离子的氧化还原活性材料(即这些材料是混合导体)制成,如PEDOT:PSS;

固态电解质(如Nafion)允许离子在两个电极之间流动,同时防止电子流动。因此,为了促进离子的插入/提取,电子通过外部电路在栅极和沟道之间被驱动,并且系统保持总体电荷中性。

当沟道电极的离子发生变化时,沟道的电导也会发生相应的变化,不通电导即可作为不同情况下记忆效应的记录位点。

5、基于RT的离子浮栅存储器(Floating Gate Memories):即将MIM结构与RT集成在一起,构成一个整体结构,从而使器件在不同电压下有不同的反应。详情参考忆阻器学习笔记02

04 总结

读这篇并非来自老师的论文,是因为在读Fuller所写的IFM的文献时,对于氧化还原晶体管非常不熟悉,对其本质机理未搞清楚,遂顺着参考文献下载了这篇文献。读完之后,对于RT的工作机理和功能都有了比较深刻的了解。

但问题在于对于IFM中的MIM结构和RT的关系还是不甚清楚,对于忆阻器如何实现机器学习中权重的确定也是一头雾水,还需要继续努力深入研究。