神经形态计算 -忆阻器

忆阻器是神经形态计算技术中重要的组成部分。这些存储器件以电阻的形式存储信息，通过改变内部离子的分布，例如氧阴离子或金属阳离子。这样，神经形态计算机能够将数据作为单个单元进行存储和处理。在本节中，我们将详细介绍忆阻器在神经形态计算机中的概述、工作原理和示例。

忆阻器如何工作？

忆阻器，即“记忆电阻”的简称，通过根据通过它的电流的大小和方向调整其电阻来工作。即使在电源关闭后，忆阻器也能记住之前流过它的电荷量。这种独特的特性使它们能够在神经形态系统中充当存储和处理单元。

想象一个需要学习新模式的神经网络。为了实现这一点，多个忆阻器被排列起来形成网络的突触连接。当检测到新模式时，会在相关的忆阻器上施加电压，导致它们的电阻根据传入的模式发生变化。这种变化使网络能够调整并“学习”新信息。以下是忆阻器在此过程中发生变化的逐步概述。

• 初始状态：每个忆阻器都以特定的电阻值开始，通常是高电阻状态 (HRS) 或低电阻状态 (LRS)。
• 离子迁移：当施加电压时，它会触发忆阻器材料内部离子的迁移（例如氧空位或金属阳离子）。这种迁移会改变忆阻器的电阻，根据电流的方向增加或减小。
• 电阻变化：忆阻器可以将电阻值的改变以实数的形式存储。因此，这将有助于更详细的数据存储，类似于模拟信号。电阻变化可以被微调以反映复杂的信息模式，这在使用二进制开/关状态的传统晶体管中是不可能的。
• 记忆保持：去除电压后，忆阻器会保持其调整后的电阻，使其成为非易失性存储器件。此功能在神经形态计算中至关重要，其中忆阻器的行为与人脑的突触学习过程非常相似，即使没有持续供电也能保持学习到的模式。

在神经形态系统中，忆阻器可以通过根据传入电信号的强度和时间调整其电阻来充当人工突触。这使它们能够参与学习过程，类似于生物突触如何通过经验调整其强度（突触可塑性）。

忆阻器的关键特性

以下是忆阻器的关键特性

• 非易失性存储器：即使在电源关闭后，忆阻器也能保持其电阻状态。这使得它们能够高效地存储神经形态系统中的数据，类似于大脑如何保留学习到的信息。
• 模拟数据存储：传统晶体管以二进制（0 和 1）存储数据，而忆阻器可以使用电阻的十进制值以模拟方式存储数据。
• 能源效率：忆阻器需要较低的功率才能运行，这使得它们具有很高的能源效率。这是神经形态系统的一个显著优势，在神经形态系统中，可能并行使用数千甚至数百万个忆阻器。
• 可扩展性：忆阻器尺寸极小，允许高密度集成。这种可扩展性使它们适合构建模仿人脑密集连接的大型神经形态网络。
• 突触可塑性：忆阻器表现出类似于生物系统中突触可塑性的行为。它们可以根据遇到的模式增强或削弱其连接，从而随着时间的推移进行学习和适应。

基于忆阻器的神经元的类型

研究人员已经发现了不同类型的忆阻器，例如扩散型忆阻器（例如 SiOxNy:Ag）和莫特忆阻器（例如 NbO2 或 VO2），它们已在神经形态应用中展现出其能力。然而，每种类型都有其自身的局限性

• 扩散型忆阻器：以其快速切换速度和高开/关比而闻名，但它们存在均匀性差的问题，这会影响性能可靠性。
• 莫特忆阻器：提供更好的均匀性和速度，但需要较高的工作电流（~mA）并且具有较低的开/关比，使其效率较低。