论文总字数：19781字

摘 要

在生物神经科学中，神经元主要通过生物突触进行信号的传递，因此，研制具有突触功能的电子器件成为构建类脑神经形态电路的核心技术之一。

本文主要对新型Non-Volatile Memory（简称NVM）仿生突触器件工作原理及其神经形态计算技术进行研究：（1）对新型NVM的结构及工作原理进行了概述。（2）对生物突触及神经形态计算技术进行研究。（3）对新型NVM仿生突触器件进行了综述和研究，结果表明制作新型NVM仿生突触器件主要是通过氧等离子体的转移对正、处理等方法，通过这个方法制作出来的新型NVM器件在即使在高达60％的应变下也可以贴合在弯曲物体表面，具有很好地运作并保持突触功能。（4）综述了人工神经网络和脉冲神经网络的架构以及它们的学习算法。

关键词：新型NVM仿生突触器件；突触；神经形态；人工神经网络；脉冲神经网络

Abstract

In biological neuroscience, neurons mainly transmit signals through biological synapses. Therefore, the development of electronic devices with synaptic functions has become an important step in constructing neuromorphic circuits like brains.

This paper focuses on the working principle of the novel Non-Volatile Memory (NVM) bionic synaptic device and its neuromorphic computational techniques: (1) An overview of the structure and working principle of the novel NVM is presented. (2) The biosynaptic and neuromorphic computing techniques are investigated. (3) The novel NVM bionic synaptic devices are reviewed and studied. The results show that the novel NVM bionic synaptic devices are fabricated mainly by transfer alignment and treatment of oxygen plasma, and the novel NVM devices fabricated by this method can fit on the surface of curved objects even at up to 60% strain, and have good operation and maintain synaptic functions. (4) The architectures of artificial and impulsive neural networks and their learning algorithms are reviewed.

Keywords: NVM; Synapse; Neuromorphology; Artificial Neural Networks; Impulse Neural Network

目 录

摘 要 I

Abstract II

引 言 IV

第一章 新型NVM的结构及工作原理 1

1.1 新型NVM结构 1

1.2 新型NVM工作的基本原理 2

1.2.1 金属电化学机制 2

1.2.2 空位机制 3

1.2.3 热化学机制 3

第二章 生物突触 5

2.1 突触的结构 5

2.1.1 突触的分类 5

2.1.2 突触的响应 6

第三章 新型NVM仿生突触器件制作方法与仿生特性介绍 8

3.1 制作过程 8

3.2 机械性能 8

3.3 仿生模拟 9

3.3.1 STP/LTP 9

3.3.2 学习记忆功能 11

3.3.3 STDP/SADP 11

第四章 神经形态计算技术 13

4.1 人工神经网络 13

4.1.1 定义及内涵 13

4.1.2 基本算法 13

4.2 脉冲神经网络 14

4.2.1 定义及内涵 14

4.2.2 基本算法 15

第五章 结 论 16

参考文献（References） 17

引 言

随着信息化时代的发展，数据处理以爆发式方式快速增长，大数据、物联网、云计算、5G通信、人工智能等技术的应用对计算速度和计算能效提出了更高的要求。传统的冯•诺依曼计算架构因存算分离引发“存储墙”和“功耗墙”问题而不再满足智能大数据应用场景快、准、智的响应需求，尤其在速度、功耗、面积等方面难以满足未来庞大数据量的处理需求，其计算体系与架构的短板愈显突出。人工智能的三大要素是算力、数据与算法，目前，传统计算架构的带宽、算力和功耗问题已经成为人工智能发展的瓶颈。因此，类脑神经网络计算技术是现阶段实现高带宽、低功耗、计算需求的必由之路，其中，人工神经形态器件是解决“存储墙”和“功耗墙”问题的有效途径，发展以新材料或新器件为支撑的新型非冯计算架构成为解决问题的关键点。

同时，针对无人机、水下潜水器、工业机器人等军民应用领域对目标识别功能存在迫切需求，而目前采用深度学习难以解决存在的功耗、延迟问题。类脑计算通过拟神经网络架构实现局域存算融合，有望成为后摩尔时代关键技术，解决深度学习面临的问题。因此，从基础器件、电路、架构、系统、软件等多个层面协同创新，突破新型计算系统的自主神经形态芯片关键技术非常必要，其为打破国外高端技术垄断、构建自主可控神经形态芯片的产业链、服务国家重大战略实施、提升产业核心竞争力具有重要的意义。

经过科研人员不断努力的探索，铁电存储器（Ferrorlectric Random Access Memory），相变存储器（Phase Change Random Access Memory），磁阻存储器（Megneto-Resistive Random Access Memory）及忆阻器等新型存储器件被发现。其中铁电存储器的使用时间最长，但铁电材料与COMS工艺的兼容性不好，相变存储器具有大电流、高功耗的缺点，磁阻存储器在器件小型化之后存在着严重的磁干扰问题，因此忆阻器以其优异的性能脱颖而出，其不但能在存储领域展现出卓越的性能，用其制备的存储器件具有快速读写，集成度高等特点；此外其还能在人工电子神经突触仿生领域有着重要的应用^[1]。然而实现这一切的基础都需要一个性能稳定的忆阻器，有关忆阻器性能的改进方面相关研究人员作出了大量的工作，诸如对器件电极的改进，介质层材料的优化以及结构的创新方面做出了很多努力，本论文主要进行了新型NVM仿生突触器件工作原理及其神经形态计算技术研究。

第一章 新型NVM的结构及工作原理

剩余内容已隐藏，请支付后下载全文，论文总字数：19781字