科普:從物理機制到仿生運算,「電阻式記憶體」為何備受期待?

作者 | 發布日期 2022 年 04 月 25 日 9:00 | 分類 晶片 , 記憶體 , 零組件 line share follow us in feedly line share
科普:從物理機制到仿生運算,「電阻式記憶體」為何備受期待?


全球記憶體產業已進入一個必須尋求新興替代技術的時代。在多樣化的次世代記憶體技術中,為何電阻式記憶體,在類神經仿生運算的應用上值得期待?其更被業界認為是最有機會成為下世代通用記憶體的選擇,同時也是目前投入研發廠商最多之技術?本篇將帶您一探究竟。(本文出自國立成功大學微電子工程研究所王永和教授,於閎康科技「科技新航道 | 合作專欄」介紹「新興 3D RRAM 架構及其應用」文稿,經科技新報修編為上下兩篇,此篇為上篇。)

邁入尋求全新嵌入式非揮發性記憶體技術的時代

近年來由於物聯網、行動裝置、高速電腦和智慧汽車等產業的快速發展,大幅推升了人工智慧(AI)及邊緣計算(Edge Computing)等巨量運算架構的應用需求,也因此既有高容量存儲元件例如 DRAM 及 NAND Flash,其在耗電量及資料存取速度上已無法跟上需求的腳步。

並且,隨著半導體製程線寬縮微已超越 14nm、電晶體發展主流遷移到 FinFET 或 GAA 等先進結構,長期應用於 CMOS 晶片上存儲的嵌入式 NOR Flash 礙於「快閃記憶體縮放限制(Flash Memory Scaling Limit)」問題,也已無法跟上 SoC 晶片整合製程的發展要求,必須要有全新的嵌入式非揮發性記憶體技術,才能搭配下一世代以先進製程所製造的 ASIC 和 MCU。

電阻式記憶體為何備受期待?

過去數十年來在世界各國合力開發下,已初略成形的次世代非揮發性記憶體技術包括鐵電記憶體(FRAM)、相變化記憶體(PRAM)、磁阻式記憶體(MRAM)、以及電阻式記憶體(RRAM)等。這些候選的新興技術,不僅讀寫速度都比 NAND Flash 要快 1,000 倍以上,並且皆能夠在奈安培(nA)的極低電流下操作。同時,也都具有潛力可突破范紐曼(von Neumann)架構瓶頸,實現記憶體內運算(In-memory Computing)之能力。

在多樣化的次世代記憶體技術中,電阻式記憶體由於相對具有讀寫快速、低耗能、結構簡單、資料儲存時間長、重複操作可靠度佳與成本便宜等產品優勢,以及適合應用於類神經仿生運算的電導(電阻)漸變類比特性,被業界認為是最有機會成為下世代通用記憶體的選擇,同時也是目前投入研發廠商最多之技術,包含 Adesto(2020 年已被 Dialog 併購)、Crossbar、Samsung、Panasonic、Micron、Hynix 及 Intel 等公司,都各別擁有不同的電阻式記憶體技術。

電阻式記憶體由來

電阻式記憶體(Resistive Random Access Memory, RRAM)結構為簡單的金屬-絕緣層-金屬(Metal-Insulator-Metal, MIM),其原理為施予電壓或電流操作,利用物質電阻改變元件的高低電阻狀態,達成數位訊號儲存效果。

電阻式記憶體最早起源自 1960 年代,研究學者 Hickmott 發現氧化鋁(AlOx)材料經過電壓或電流操作後,其電阻狀態會因此改變 [1];近年來,研究發現氧化鎳(NiO)[2-5]、氧化鈦(TiOx)[6-9]、氧化鉿(HfOx)[10-13] 等絕緣體材料,亦可用於 RRAM 的中間絕緣層。RRAM 可利用特定的電壓來讀取不同狀態的電阻值(電流值),進而判讀元件「1」和「0」的邏輯狀態。此外,RRAM 具有良好的非揮發性記憶特性,其訊號儲存狀態可在不施加外在偏壓的情況下,保存至下一次訊號的寫入或抹除。

RRAM 物理機制與操作特性

RRAM 的物理機制目前較受到注目的是燈絲理論(Filament Theory)[14-16],普遍認為 RRAM 的操作方式是在一開始時給予元件一較大的外加偏壓,使氧化物絕緣層內部形成導通路徑,此時絕緣層會變為低阻態(Low Resistance State, LRS),此過程通常需要限制電流(Compliance Current),避免電流過大反應劇烈使元件永久崩潰,此步驟稱之為 Forming。

接著以元件偏壓控制氧離子與氧空缺複合,使導通路徑阻斷,進而從低電阻態(LRS)回到高電阻態(High Resistance State, HRS),此過程稱為 Reset;而再次給予小於 Forming 所需的電壓,即可將阻斷的導通路徑重新連接,從高阻態(HRS)再次回到低阻態(LRS),此步驟稱為 Set。

來回操作 Set 與 Reset process 就可以達成 RRAM 的寫入與抹除,RRAM 的操作流程如圖 1 所示,而在讀取方面主要是藉由一微小的讀取電壓來判讀不同的電阻值,以分辨數位訊號 0 和 1(圖 2)。RRAM 依阻值狀態變化的不同可區分為阻絲型與介面型,阻絲型 RRAM 即於上下兩電極間有一連續傳導路徑(圖 3),也是目前 RRAM 在傳導機制中較受到廣泛認同的類型;另一為介面型 RRAM(圖4),透過施加外部電壓,使絕緣體層中形成氧空缺或載子電荷進行電子傳遞使其阻態改變,當氧空缺或載子電荷變多,其電流增大,因此元件電極間的絕緣體層面積大小會影響阻態變化。

▲圖 1 RRAM 切換流程與電性輸出圖

▲圖 2 RRAM 用於數位記憶體判讀方式

▲圖 3 燈絲型 RRAM 操作過程 [14]

▲圖 4 介面型 RRAM 輸出特性曲線與操作原理 [14]

RRAM 操作方式分為兩種特性:

  • 單極性(Unipolar):如圖 5(a)所示,此種可藉由單一方向的電壓即可作 Set 與 Reset 操作,Reset 過程以焦耳熱(Joule Heating)造成電阻燈絲熔斷使得阻態變化。
  • 雙極性(Bipolar):指的操作電壓需相反才能進行 Set 與 Reset,而阻態能切換的原因則主要認為來自於氧離子移動,對電阻燈絲進行氧化還原作用,使其有高低阻態變化,如圖 5(b)所示。

▲圖 5 RRAM 操作方式(a)單極性操作(Unipolar)、(b)雙極性操作(Bipolar)[17]

理想的金屬/絕緣體/金屬結構中,中間的絕緣層在施加偏壓時並不會有電流通過,但實際上當元件受到過大電場或溫度時,載子能在絕緣層中移動傳導,而有漏電流的產生,進而讀出 HRS。其中電流的移動機制可利用電流-電壓進行電流機制擬合(Current-Fitting)評估在絕緣層間電流主要透過何種機制進行移動,其傳輸機制主要可分為以下幾種:

  1. 歐姆傳導機制(Ohmic Conduction)

    主要以位於導電帶(Conduction Band)的自由電子(Free Electron)與價電帶(Valence Band)的電洞當作載子傳輸的機制,在一小電壓下電阻為常數,與電流呈線性關係。圖 6 為 RRAM 結構的歐姆傳導能帶示意圖,材料中的載子受到外加電場的作用移動,進而產生電流 [18]。

    ▲圖 6 歐姆傳導之能帶圖

  2. 蕭基發射(Schottky Emission):

    一般金屬與絕緣體的接面會存在著能障高度(Barrier Height),此能障高度指的是絕緣體電子親和力與金屬功函數之間差值。圖 7 所示為一RRAM 之能帶圖,施加外加電場情形下與電子通過金屬表面時產生的鏡像電荷,使能障高度下降,電子透過熱激發影響越過能障高度,電子能在絕緣體的傳導帶上傳遞,而產生電流稱為蕭基發射(Schottky Emission)[19]。

    ▲圖 7 蕭基發射之能帶圖

  3. 法蘭克普爾發射(Frenkel- Poole Emission)

    此傳導機制與蕭基發射類似,同樣受到外加電場影響,電子因熱激發獲得能量,且載子跳至價電帶或導電帶的能障高度降低,使載子能越過能障高度跳至價電帶或導電帶,進而由導帶傳遞產生電流。此時的能障高度指的是在沉積絕緣體或半導體薄膜時,薄膜所產生的懸浮鍵或是缺陷,這些缺陷會在靠近價電帶或導電帶的邊緣形成缺陷能階,而缺陷能階到價電帶或導電帶之間的差值,即為法蘭克-普爾發射(Frenkel-Poole Emission)所需越過之能障高度 [20],如圖 8 所示其能帶圖。

    ▲圖 8 法蘭克-普爾發射之能帶圖

  4. 跳躍傳導(Hopping Conduction)

    若薄膜之中含有許多連續缺陷存在時,這些連續缺陷會在絕緣體中產生連續缺陷能階,此時不需將電子激發至導電帶,而是藉由彼此相近的缺陷能階進行跳躍傳遞,進而產生電流。當缺陷彼此間距離越小時,其電子跳越能階所需之活化能越小,稱為跳躍傳導(Hopping Conduction),其能帶圖如圖 9 所示 [21]。

    ▲圖 9 跳躍傳導之能帶圖

  5. 穿隧傳導(Tunneling)

    主要是當外加電場過大時,能帶圖 Ec、E更傾斜(兩側電壓差更大),使得絕緣體能帶變薄,電子可直接穿隧過絕緣層至另一側產生電流,其能帶圖如圖 10 所示 [22]。

    ▲圖 10 穿隧傳導之能帶圖

  6. 空間限制電流傳導(Space Charge Limited Current):

    當絕緣體單邊或雙邊形成歐姆接觸時,電極能不間斷地提供載子,當接觸電極將電子注入至絕緣體或半導體的傳導帶時,由於載子注入速率大於複合速率,電荷會在絕緣體內慢慢累積,進而影響電流流動,此為空間限制電流傳導(Space Charge Limited Current),能帶圖如圖 11 所示 [23]。

    ▲圖 11 空間限制電流之能帶圖

提高密度的交叉陣列結構,以及解決潛行電流的 1T1R 架構

記憶體為提高積體電路上的密度,發展出一種排列結構方式,稱為交叉陣列(Crossbar Array)[24-26],這種方式雖擁有較高的組成密度,但採用交叉陣列結構會產生一個很大的問題,即潛行電流(Sneak Path Current)的產生(如圖 12 所示),造成在讀取特定元件狀態時,受鄰近元件影響導致狀態誤判。

為了解決潛行電流的問題,現今 RRAM 元件已發展出多種架構以解決潛行電流的問題(圖13),包括將 RRAM 與電晶體(Transistor)組成的 1T1R 架構 [26-27],或是 RRAM 與選擇器(Selector)組成的 1S1R [28-29] 架構等方式。其中 1T1R 架構因結構簡單且相容於現今 CMOS 製程受到廣泛重視,目前多用於強調操作速度與低成本的嵌入式記憶體(Embedded Memory)上,並與微控制器(Microcontroller Unit)相互結合,進一步提升其效能。

▲圖 12 RRAM 形成陣列因潛行電流造成元件讀取誤判

▲圖 13 RRAM 搭配一開關可解決潛行電流問題

然而在電晶體尺寸持續微縮的狀況下,其能承受的電壓將越來越小,這將使 RRAM 可能面臨到操作電壓不足的問題,為解決此問題勢必需從結構與材料著手。而除了製程上的發展外,由於 RRAM 於 1T1R 架構元件特性,近年來也衍生出相關仿生與邏輯運算等重要的新穎應用 [30-32]。

RRAM 元件近年衍生的新穎應用

由於人工智慧(Artificial Intelligence, AI)的快速發展,其相關應用包括影像辨識、語音辨識、智能監控、智慧駕駛等均受到廣泛矚目,而深度學習等技術亦具備龐大發展潛能。在 AI 相關技術中,最被廣為應用的即是機器學習,機器學習乃是利用多層次人工神經網路(Artificial Neural Networks, ANN)進行數據學習,RRAM 元件因具備非揮發性(Non-Volatility)與多位元存儲(Multi-Bit Storage)之特性,加上低耗能、高操作速度等優點,近年來產生許多新穎應用,包括類神經型態(Neuromorphic)與非范紐曼(Non-Von-Neumann)架構的智慧運算。

因此基於先前研究成果,在薄膜電晶體結合 RRAM 元件所成為的 1T1R 架構下,透過元件陣列運用於智慧運算的主要架構,其中欲探討並解決的問題有三項:

  1. 結合元件特性與製程,實現仿生 RRAM 陣列結構。
  2. 利用 RRAM 元件陣列結構進一步實現邏輯運算。
  3. 最終於 RRAM 元件陣列實現人工神經網路的智慧運算。

何謂仿生技術?

仿效生物能力以提升科學技術稱之為仿生(Bionic)。生物世界歷經數十億年不斷演化,為了適應多變生態系環境,生物往往發展出十分精緻且節能的功能,電子元件利用仿效大腦神經的仿生技術,將為未來電子科技帶來突破性發展。

人類的大腦即是相當好的例子,大腦是一個高效率且低功耗的系統,不只能夠傳遞訊息,且具有學習與記憶的能力。人腦神經元間的連結稱為突觸(ynapse)(圖 14),突觸間的傳導行為在訊息傳遞的過程中扮演相當重要的角色。

突觸間的連接強度具有可調性,稱為脈衝時序依賴可塑性(Spike-timing-dependent plasticity, STDP),藉由調節進行增益(Potentiation)或抑制(Depression)[33],進行整合後再依體內電位變化,決定是否藉由突觸輸出神經傳導物質至下個神經元中,STDP 同時也是神經生物學中被認為是構成記憶和學習的重要基礎。

▲圖 14 人腦神經元及突觸示意圖

來利用電子元件仿效大腦神經訊息傳遞與學習記憶方式,將使電子科技與應用產生突破性發展。現代電腦儲存記憶係以 0 和 1 的數位訊號來進行運算與記憶,而人腦不同於電腦是以類比訊號來進行傳遞訊息與儲存記憶,藉由對人類中樞神經系統的觀察進而啟發 ANN 概念。

如同大腦中神經元(Neurons)構成人類的神經網路,ANN 是由許多節點運算單元(Nodes)互相連結(圖 15),通常可區分成三個部分,即輸入層、隱藏層(通常可為多層)與輸出層。每一層的所有節點皆與前、後層的節點連結 [34],彼此連接形成類神經網路結構,藉數學計算模型對函式進行估算近似而得輸出結果,使 ANN 在人腦所擅長如圖像語音辨識、分類、預測、記憶等領域具備高度發展潛力。

▲圖 15 人工神經網路架構示意圖 [34]

RRAM 元件於仿生技術的應用

要了解 RRAM 元件如何於此領域的應用,則需了解 RRAM 元件的多重組態特性(Multi-level Resistance Characteristics),其相關研究與控制方法近年已受到廣泛重視 [35-37],對於單顆元件的多重阻態操作方式為:當元件在 Set 過程時,設定不同的限制電流使元件 LRS 阻值可分為多重阻態;而 Reset 過程則利用不同截止電壓範圍,使得 HRS 可得不同階層變化的阻值,如此即可在單一記憶體元件上擁有多位元存取的能力。

圖 16 為一 Pt/LiSiOx/TiN 元件,具有良好多位元儲存功能,我們操作在不同的 Reset 截止電壓與 Set 限制電流條件下,可以使元件阻值變化狀態成為連續態形式,此電阻變化形式又稱為類比式(Analog)電阻轉換特性。

▲圖 16 Pt/LiSiOx/TiN 元件直流特性、Reset 與 Set 過程之漸進變化情形

由於上述的操作方式在電路設計與運用上相當複雜,故將 RRAM 元件產生類式的連續態形式尚有另一種操作方法,即利用固定截止電壓對元件進行連續掃描(Consecutive Voltage Sweeping),藉由電壓掃描方式漸進式地操作改變元件電阻狀態。

如圖 17 所示,當 Pt/LiSiOx/TiN 元件以 DC 操作時,若輸入一個小於 Reset 電壓並連續操作狀態下,其電流會緩慢下降而阻態會漸漸上升;反之,若輸入一個小於 Set 電壓並連續操作,其電流會緩慢上升阻態會漸漸下降。若將操作電壓與電流對時間軸作圖,即可發現元件的阻值狀態亦呈現漸進方式轉換。上述除利用電阻值或電流參數呈現元件切換特性外,一般研究則多以電導(Conductance)變化呈現元件阻值變換特性。

▲圖 17 Pt/LiSiOx/TiN 元件已連續定電壓掃描下,阻值呈漸進方式變

RRAM 元件如欲仿效突觸的行為,則需利用元件電導(電阻)的漸變特性模擬突觸權重的連續調節,進而模擬突觸的可塑性,因此相關 RRAM 元件的突觸特性關鍵參數相當重要,包括:

  • Linearity:電導調節線性度
  • Precision:權重(電導值)調節精度
  • ON/OFF Ratio:在脈衝操作下元件可調節的最大與最小電導值範圍
  • Variation:元件的 Cycle-to-Cycle & Device-to-Device 變化度
  • Defective Rate:元件陣列良率(Yield)與阻態保持(Retention)特性 

圖 18 係將 Pt/LiSiOx/TiN 元件利用連續脈波操作,以驗證元件模擬神經元突觸的仿生特性,藉由調整脈波電壓大小、脈衝時間、脈波次數,即可改變元件阻態與導電性,使元件組態由 LRS 連續緩升至 HRS,再從 HRS 緩降至 LRS,以連續正負電壓脈波操作模擬電阻增益(Potentiation)及抑制(Depression)行為。

▲圖 18 Pt/LiSiOx/TiN元件以連續脈波操作下阻值逐漸變化與 STDP 測試結果

由 STDP 實驗結果顯示,此元件仿效大腦突觸行為將有助於類神經網路的發展。RRAM 欲作為仿生元件使用,則其阻值變化狀態須具備連續態形式,藉以反覆設定多種突觸權重數值應用於類神經運算。理想的 RRAM 元件運用於突觸操作的需求包括 [38](圖19、圖20):

  • 穩定多階的電導狀態數
  • 在脈衝操作下,擁有線性且對稱的元件電導值變化
  • 良好的元件均勻度,減小 Cycle-to-Cycle、Device-to-Device 的變化
  • 足夠的元件電導變化範圍(ON/OFF Ratio)

▲圖 19 RRAM 元件有效電導狀態

 

▲圖 20 RRAM 元件的突觸特性關鍵參數 [38]

通常介面型 RRAM 元件的阻態變化雖較為線性,但是因其記憶窗口、持久性(Retention)與耐讀寫度(Endurance)的可靠度較差,實際運用上有相當難度,故尋求阻值變化具高度線性的 RRAM 元件對於仿生元件操作相當重要。

先前研究結果顯示,RRAM 元件中間絕緣層若含有高氧空缺密度,容易形成導電路徑,其電阻轉換多為突升或突降,意謂著電阻切換行為如同數位訊號的 0 與 1,無法表現出類比式的電阻漸變切換行為;而絕緣層中含氧空缺密度的 RRAM 元件,可能較有機會表現出類比式電阻切換特性,同時能兼具較佳的可靠度 [38-39]。除了 LiSiOx 材料外,先前實驗結果亦發現基於 HfOx 材料結合不同電極或疊層組合,也可具備類比式電阻轉換特性(圖21)。

上述 RRAM 元件仿生特性均基於單一元件,未來如何結合相關材料特性與元件製程,開發兼具類比式電阻切換特性及高可靠度的 RRAM 陣列仿生電子元件(圖 22),值得相關研究人員後續深入探討並解決相關問題。

▲圖 21 HfO材料結合不同電極或疊層組合實現類比式電阻切換特性

▲圖 22 類比式 RRAM 元件由單一元件進而形成陣列元件,對於仿生電子元件發展有相當重要性 [35]

應用潛力巨大,仍不是最終答案?

本篇針對電阻式記憶體的技術架構及其應用提供了全面性介紹,同時也清楚闡述了該元件運作時電阻非線性變化的物理機制,以利讀者快速了解此最具市場潛力的前瞻技術。

儘管電阻式記憶體應用潛力巨大,至今大多數仍然處於開發階段,目前為止有對外供貨的公司僅 Crossbar、Panasonic 與 Adesto 三家而已。然而,為何業界普遍認為,電阻式記憶體將在未來 3 至 4 年內迎來快速成長?其為何又被視為第四種被動元件?而電阻式記憶體在邏輯運算與智慧運算上又有哪些發展?將在下篇探討。

參考資料:

[1] Hickmott, T. W. “Low‐frequency negative resistance in thin anodic oxide films." Journal of Applied Physics 33.9 (1962): 2669-2682.
[2] Yun, Jung‐Bin, et al. “Random and localized resistive switching observation in Pt/NiO/Pt." physica status solidi (RRL)–Rapid Research Letters 1.6 (2007): 280-282.
[3] Akoh, N., et al. “A ReRAM-based analog synaptic device having spike-timing-dependent plasticity." IEICE Tech Rep 110.246 (2010): 23-28.
[4] Hu, S. G., et al. “Emulating the paired-pulse facilitation of a biological synapse with a NiOx-based memristor." Applied Physics Letters 102.18 (2013): 183510.
[5] Hu, S. G., et al. “Synaptic long-term potentiation realized in Pavlov’s dog model based on a NiOx-based memristor." Journal of Applied Physics 116.21 (2014): 214502.
[6] Ho, Patrick WC, et al. “Comparison between Pt/TiO2/Pt and Pt/TaOx/TaOy/Pt based bipolar resistive switching devices." Journal of Semiconductors 37.6 (2016): 064001.
[7] Bousoulas, P., et al. “Engineering amorphous-crystalline interfaces in TiO2−x/TiO2−y-based bilayer structures for enhanced resistive switching and synaptic properties." Journal of Applied Physics 120.15 (2016): 154501.
[8] Mostafa, Hesham, et al. “Implementation of a spike-based perceptron learning rule using TiO2−x memristors." Frontiers in neuroscience 9 (2015): 357.
[9] Park, Jaesung, et al. “TiOx-based RRAM synapse with 64-levels of conductance and symmetric conductance change by adopting a hybrid pulse scheme for neuromorphic computing." IEEE Electron Device Letters 37.12 (2016): 1559-1562.
[10] Kim, Seonghyun, et al. “Defect engineering: reduction effect of hydrogen atom impurities in HfO2-based resistive-switching memory devices." Nanotechnology 23.32 (2012): 325702.
[11] Nardi, Federico, et al. “Complementary switching in oxide-based bipolar resistive-switching random memory." IEEE transactions on electron devices 60.1 (2012): 70-77.
[12] Padovani, Andrea, et al. “Microscopic modeling of HfOx RRAM operations: From forming to switching." IEEE Transactions on electron devices 62.6 (2015): 1998-2006.
[13] Shang, Jie, et al. “Highly flexible resistive switching memory based on amorphous-nanocrystalline hafnium oxide films." Nanoscale 9.21 (2017): 7037-7046.
[14] Sawa, Akihito. “Resistive switching in transition metal oxides." Materials today 11.6 (2008): 28-36.
[15] Chang, Ting-Chang, et al. “Resistance random access memory." Materials Today 19.5 (2016): 254-264.
[16] Waser, Rainer, et al. “Redox‐based resistive switching memories–nanoionic mechanisms, prospects, and challenges." Advanced materials 21.25-26 (2009): 2632-2663.
[17] Rainer Waser, et al. “Nanoionics-based resistive switching memories." Nature Materials 6 (2007): 833-840.
[18] Y.-S. Lai, et al. “Charge-transport characteristics in bistable resistive poly (N-vinylcarbazole) films." IEEE Electron Device Letters 27 (2006): 451-453.
[19] K.-C. Chang, et al. “Reducing operation current of Ni-doped silicon oxide resistance random access memory by supercritical CO2 fluid treatment." Applied Physics Letters 99 (2011): 263501-1-4.
[20] S. Yu, et al. “Conduction mechanism of TiN/HfOx/Pt resistive switching memory: A trap-assisted-tunneling model." Applied Physics Letters 99 (2011): 063507-1-3.
[21] C. Kuan-Chang, et al. “Hopping effect of hydrogen-doped silicon oxide insert RRAM by supercritical CO2 fluid treatment." IEEE Electron Device Letters 34 (2013): 617-619.
[22] S. M. Sze, et al. “Physics of semiconductor devices." John Wiley & Sons, New York (2006): 227-228.
[23] Y.-E. Syu, et al. “Asymmetric Carrier Conduction Mechanism by Tip Electric Field in Resistance Switching Device." IEEE Electron Device Letters 33 (2012): 342-344.
[24] Luo, Qing, et al. “Super non-linear RRAM with ultra-low power for 3D vertical nano-crossbar arrays." Nanoscale 8.34 (2016): 15629-15636.
[25] Tsai, Cheng-Lin, et al. “Resistive random access memory enabled by carbon nanotube crossbar electrodes." Acs Nano 7.6 (2013): 5360-5366.
[26] Lee, Daeseok, et al. “Oxide based nanoscale analog synapse device for neural signal recognition system." Electron Devices Meeting (IEDM), 2015 IEEE International. IEEE, 2015.
[27] Niu, Gang, et al. “Material insights of HfO2-based integrated 1-transistor-1-resistor resistive random access memory devices processed by batch atomic layer deposition." Scientific reports 6 (2016): 28155.
[28] Chen, Pai-Yu, and Shimeng Yu. “Compact modeling of RRAM devices and its applications in 1T1R and 1S1R array design." IEEE Transactions on Electron Devices 62.12 (2015): 4022-4028.
[29] Kim, Sungho, Jiantao Zhou, and Wei D. Lu. “Crossbar RRAM arrays: Selector device requirements during write operation." IEEE Transactions on Electron Devices 61.8 (2014): 2820-2826.
[30] Tosson, Amr MS, et al. “A study of the effect of RRAM reliability soft errors on the performance of RRAM-based neuromorphic systems." IEEE Transactions on Very Large Scale Integration (VLSI) Systems 25.11 (2017): 3125-3137.
[31] Zangeneh, Mahmoud, and Ajay Joshi. “Design and optimization of nonvolatile multibit 1T1R resistive RAM." IEEE Transactions on Very Large Scale Integration (VLSI) Systems 22.8 (2013): 1815-1828.
[32] Wang, Zhuo-Rui, et al. “Functionally complete Boolean logic in 1T1R resistive random access memory." IEEE Electron Device Letters 38.2 (2016): 179-182.
[33] Bi, Guo-qiang, and Mu-ming Poo. “Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type." Journal of neuroscience 18.24 (1998): 10464-10472.
[34] https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_neural_networks.htm
[35] Park, Sangsu, et al. “Nanoscale RRAM-based synaptic electronics: toward a neuromorphic computing device." Nanotechnology 24.38 (2013): 384009

(首圖來源:Shutterstock)