Advanced Functional Materials:The Future of Memristors: Materials Engineering and Neural Networks

河北大学闫小兵教授课题组系统性地回顾了忆阻器的现有材料和结构、基于忆阻器的神经生理模拟和神经网络应用的最新进展,并讨论了与这一新兴领域相关的各种材料、器件、建模和系统问题,总结了我们在这方面必须取得重大进展的挑战。同时,这篇综述也对这一领域的未来发展提出了新颖的看法。相关文章发表于Advanced Functional Materials上(文章信息附后)。

图1 忆阻器现在与未来发展的应用方向

众所周知,随着人工智能和神经网络的发展,人工智能、云计算、大数据等新兴技术的迅速崛起,对芯片的算力和能效提出了越来越高的要求,迫切需要一个合适的电子平台来弥补硅CMOS的缺点。在这种背景下,忆阻器脱颖而出,有可能成为下一代计算系统的执行者,基于忆阻器的类脑计算被普遍认为是一种可以实现高算力、低功耗的全新计算范式,有望突破传统“冯·诺伊曼”架构瓶颈。

该文章从忆阻器的现有材料和结构,到忆阻器的电阻切换机制,再到基于忆阻器的神经形态模拟,最后到基于忆阻器的神经网络的应用进行了系统性的综述。在此基础上,我们回顾了近年来发展起来的光电忆阻器的人工突触,并对仿生忆阻器的应用进行了探讨。该文章还展望了基于忆阻器的下一代神经网络(SNN)的发展前景,细致探讨了突触可塑性(synaptic plasticity),深入阐述了生物神经系统里经典的学习规则和记忆理论,包括广泛应用于人工神经网络训练的赫布学习(Hebbian learning)与脉冲时间相关的可塑性(spike-timing-dependent plasticity)等人工神经元模型。

·Course grain cores·Device-level grains
·Von Neumann bottleneck·In-memory computing

图2 CPU与存储单元分离的冯·诺依曼(在左侧)和用于内存计算的忆阻器处理单元(MPU)(在右侧)

文章的最后,通过忆阻器性能优化和神经网络构建两个方面系统地总结了基于忆阻器的未来计算系统的发展前景和面临的挑战,文中指出,这一领域的进展在很大程度上取决于强有力的跨学科互动。同时,这篇综述也描绘这一领域的未来发展的美好愿景。

河北大学闫小兵教授课题组长期致力于忆阻器和类脑计算与器件方面的研究,前期相关工作分别在Top期刊上发表数篇高水平文章,为该篇文章奠定了坚实的基础。硕士生孙凯旋为论文的第一作者,闫小兵教授为论文的通讯作者,我校电子信息工程学院联合新加坡国立大学Chen Jingsheng课题组共同完成此项研究工作。论文得到了国家自然科学基金面上项目、国家高层次人才特殊支持经费的支持。

文章信息:

The Future of Memristors: Materials Engineering and Neural Networks

Kaixuan Sun, Jingsheng Chen, Xiaobing Yan

Advanced Functional Materials

DOI:10.1002/adfm.202006773