基于忆阻器件变异性的非耦合忆阻细胞非线性网络影响研究

《Advanced Electronic Materials》：Investigation on the Impact of Memristive Device Variability on Uncoupled Memristive Cellular Nonlinear Networks

　　

摘要专业翻译 传统的冯·诺依曼架构由于存储单元与处理单元的物理分离而存在固有的瓶颈，这促使研究人员探索替代性的生物启发式计算范式。细胞非线性网络（CellNN）提供了这样一种替代方案，但依赖于冯·诺依曼式处理器的实现继承了内存瓶颈。将忆阻器件集成到CellNN实现中可以缓解这一瓶颈，从而实现具有易失性和非易失性存储能力的存内计算，并增强单元动力学特性。在本工作中，研究人员物理实现了一个非耦合忆阻CellNN（M-CellNN）面包板单元，并对五个标称相同的Pt/HfO2/TiOx/Ti/Pt (HOTO) VCM器件的器件间（D2D）变异性进行了实验表征。这些测量校准了16×16 M-CellNN阵列实现边缘（EDGE）检测的变异性感知SPICE级仿真。在从实验数据校准的D2D变异性条件下，针对五幅输入图像实现了100%的像素级边缘检测精度，所有真实边缘像素均被正确识别且无虚假检测。由于单元独立运行，错误在空间上保持隔离，不会在整个阵列中级联。此外，在全局无源元件偏差±20%和实际局部元件失配±2%的条件下，仍保持了100%的精度，对于最具挑战性的图像，最差情况下的鲁棒性边界位于±4%的失配处，这证实了其适用于单片硬件集成。

论文解读文章

研究背景与问题

传统冯·诺依曼计算架构因存储与处理的物理分离面临严重的内存瓶颈，制约了高性能计算的发展。细胞非线性网络（CellNN）作为一种生物启发的模拟计算范式，理论上可解决任意计算任务，但其传统实现仍依赖数字处理器或常规互补金属氧化物半导体（CMOS）硬件，导致高功耗和大面积开销。忆阻器件的引入有望突破这一困境——忆阻器件通过电压调控在不同电阻态间切换，其内在非线性行为与生物突触工作原理相似，且与先进CMOS工艺兼容，能够实现存内计算，从而缓解数据搬运瓶颈。然而，基于价态变化机制（VCM）的忆阻器件虽接近工业量产水平，但其固有的开关变异性对网络可靠性构成重大挑战。已有研究虽考察了器件间（D2D）变异性对M-CellNN性能的影响，但所考虑的变异性水平低于本工作中的实验观测值，限制了其结论对物理实现的实用价值；同时，现有分析完全停留在仿真层面，缺乏基于实测器件统计数据的验证。因此，研究人员开展了此项工作，旨在填补在更真实的变异性条件下进行鲁棒性分析的空白。

研究方法概述

研究人员首先利用五枚标称相同的Pt/HfO₂/TiO_x/Ti/Pt (HOTO) VCM忆阻器件搭建了非耦合M-CellNN面包板电路，采用Keithley 2611A源测量单元进行器件初始化与电阻读取，并使用Tektronix DPO7254示波器实时监测单元电容电压瞬态响应。在此基础上，采用基于物理的JART VCM v1b紧凑模型，通过改变最小/最大氧空位浓度、初始盘区浓度和初始肖特基势垒高度等关键物理参数，在Cadence环境中建立了变异性感知的SPICE级仿真框架。仿真采用Python脚本自动生成16×16 M-CellNN阵列网表，每个VCM实例独立分配从截断高斯分布中采样的参数集，以实现真实的D2D变异性模拟。

研究结果

3 实验结果

研究人员针对边缘（EDGE）检测操作的三个局部规则（LR）的最坏情况进行了实验评估。将五枚不同的HOTO器件分别集成到M-CellNN面包板电路中，重复执行器件初始化、边缘检测操作和最终电阻状态读取的完整流程。结果显示，在所有评估的最坏情况局部规则下，单元电容电压v_x均收敛至稳态，表明D2D变异性并未改变收敛极性。尽管忆阻元件的随机性导致不同的平衡点，但单元的逻辑输出在所有样本间保持一致。

4.1 变异性感知仿真

研究人员开发了基于Cadence的仿真环境，采用Verilog-A实现的JART VCM v1b紧凑模型，可灵活配置阵列尺寸并实现边缘检测模板所需的突触电路。仿真流程通过Python脚本自动生成描述M-CellNN阵列的网表，每个VCM实例独立分配采样参数集以引入D2D变异性，所有单元电容电压初始化为零，忆阻器件预置为高阻态（HRS），输入像素编码为恒定直流电压源。

4.2 真实D2D变异性下M-CellNN边缘检测单元的鲁棒性分析

将JART VCM v1b模型拟合至实验数据后，研究人员对M-CellNN边缘检测阵列进行了系统级鲁棒性分析。每个包含忆阻元件的M-CellNN单元被赋予一组独特的物理参数，从拟合值的截断高斯分布中采样。对一幅16×16二值菱形输入图像的处理结果表明，尽管存在显著的忆阻元件随机波动，网络仍成功保留了菱形形状的拓扑特征，确认了局部规则对物理偏差具有足够弹性。

4.3 无源元件变化对边缘检测操作的影响

研究人员进一步考察了无源元件（电阻和电容）偏差的影响。考虑了两种场景：全局变化（所有无源元件按相同因子±20%漂移）和局部失配（每个单元独立随机偏差，标准差σ=2%）。采用像素级检测精度指标进行评估，定义为正确检测的边缘像素数占真实或检测边缘像素总数的比例。在所有三种情况下（仅D2D变异性、全局RC ±20%结合D2D、局部RC σ=2%结合D2D），M-CellNN均达到100%的像素级检测精度，所有112个真实边缘像素被正确识别，无虚假或遗漏检测。研究人员还额外测试了四幅更具挑战性的图像（单像素孔洞、周期针孔阵列、梳状结构和数字形图案），在所有场景下均精确复现了真实边缘图。进一步的参数扫描发现，局部失配达到σ=4%时才首次出现误分类，此时256个单元中有4个产生错误输出，精度降至97.58%，且所有错误均为遗漏边缘像素，互不相邻，未发生级联传播。

讨论与结论

研究人员的讨论指出，在非耦合M-CellNN中，每个单元响应来自邻居的固定前馈输入，但不存在动态单元间状态反馈，因此任何由变异性引起的错误都局限于受影响单元，无法在阵列中级联。在实验现实的D2D变异性条件下实现了100%的像素级边缘检测精度。更重要的是，在全局RC元件偏差±20%和实际局部失配σ=2%的条件下，针对五幅精心选择的输入图像，M-CellNN均维持了100%的精度。参数扫描定位了鲁棒性边界：全精度保持至σ=4%，在σ=4%时仅有4/256个单元误分类，精度为97.58%。所有失效均发生在解析k=1条件（即至少有一个白色邻居）的单元，这是克隆模板中裕度最窄的条件，且错误互不相邻。在最苛刻图像上的测量结果表明，这一边界代表了最坏情况，相比实际片上失配留有两倍以上的裕度，确立了非耦合M-CellNN作为单片硬件集成可行候选方案的定位。未来工作将探索容忍度感知的模板设计策略以加宽LR2/LR3裕度，并将分析扩展至耦合模板，其中单元间的错误传播也需纳入考量。