论文部分内容阅读
数字计算机是二十世纪最重要的时代标志，成为推动人类科技进步的主要力量。然而，随着信息时代的不断发展，人们对计算机性能的要求不再局限于高计算速度和大容量存储等方面，还要求其具有自主学习、模糊识别等智能化计算能力。神经网络计算机是一种仿照大脑工作模式的计算机，具有大规模并行处理、模糊识别、机器自学习等特点，成为未来计算机领域不可或缺的重要分支。神经网络计算的实现关键在于大量重复且具有一定运算功能的单元电路，以及相互之间可大规模集成的权重互联。忆阻器以其结构简单、面积小、阻值可变、易于大规模集成等特点，成为目前神经网络计算机权重互联的最好选择。本论文将以基于阻变存储器的忆阻器（以下简称阻变忆阻器）为出发点，针对其在神经网络电路中的应用，从器件特性、传统电路应用以及神经网络电路应用等几个方面进行实验研究与仿真分析。 器件方面，研究了基于氧化钽阻变忆阻器的阻变特性、阻变机理以及多值实现。首先测试了器件的基本阻变特性，观察编程中需要的电学参数及阻态分布，并电学表征其内部阻变时物理变化的异同。其次，基于阻变特性研究，提出了适用于数字电路的可以实现器件多值存储的脉宽调制编程方式，通过改变RESET过程中编程负脉冲的脉冲宽度实现多个高阻态;并经过测试数据对比分析，提出了阻变忆阻器脉冲编程中时间阈值的概念。最后，为得到通用性较强的多值编程方式，研究了增加外围反馈、控制电路和新型器件结构两种实现方式，进行了仿真验证和理论分析。 逻辑电路方面，研究了阻变忆阻器在可编程逻辑电路中的应用，设计电路主要包括连接模块电路和可编程门电路。连接模块电路(Connect Block)是传统可编程逻辑电路中的重要组成部分，改进后基于阻变忆阻器阵列的连接模块电路在实现相同连接资源情况下，大大缩小电路面积，且具有多次编程和非挥发性。基于阻变忆阻器的可编程门电路是一种阈值逻辑电路，可以定向改变部分器件阻值，并通过增加辅助位和阈值比较器，得到某种逻辑输出。在实例化的仿真测试电路中，成功实现了两变量输入的逻辑与和逻辑或功能。 神经网络电路方面，设计几种基于阻变忆阻器的神经网络单元电路模型，并进行实例化电路仿真验证。其中，时间关联学习模型源于人类最简单的学习认知模式，通过改变神经元间突触权重，使两个激励信号之间建立关联，并可以逆向复述。另一种神经元电路模型可以通过时序控制实现突触重构，基于该单元模型的神经网络将内部的神经元电路分级，信息从上一级传输到下一级，每个单元电路可以根据前一级的输入信号编程与后一级神经元连接的突触（即后突触）权重，以此实现某种计算功能。最后，为了验证我们的器件在实际电路中的应用能力，设计了基于模拟运算的情感学习系统，并进行了实际电路的设计与制作，测试结果表明我们的阻变忆阻器具备应用于实际的数模混合电路中的能力。