人工智能的快速发展导致了数据量的指数级增长,从而对计算能力的需求不断增长[1]。传统的冯·诺伊曼架构受到固有的数据传输瓶颈的限制,这不仅限制了计算效率,还导致了高能耗问题[[2], [3], [4]]。忆阻器因其非易失性、低功耗、高集成密度和可连续调节的导电性等独特优势,成为构建CIM架构中核心计算单元的理想候选者[[3], [4], [5], [6]]。
CIM架构的核心是一个基本操作原理:计算数据通过导电调制编码到设备的导电状态中,而原位矩阵乘加(MAC)操作本质上是通过利用欧姆定律和基尔霍夫定律来执行的。因此,这类设备需要具备可连续调节的导电性、高切换稳定性和低功耗等关键特性[[7], [8], [9]]。利用导电性作为数据载体的典型固态设备包括铁电随机存取存储器(FeRAM)、磁随机存取存储器(MRAM)、相变存储器(PCM)和电阻式随机存取存储器(忆阻器)[1,[10], [11], [12]]。在这些候选者中,忆阻器因其简单的结构配置、快速的切换速度和低功耗而被认为是CIM核心设备的最佳解决方案[[13], [14], [15], [16], [17], [18]]。然而,单层忆阻器存在一些关键限制,如不可控制的导电细丝(CF)形成和高切换电压,这使得它们难以满足CIM系统对可靠权重更新和高计算精度的要求[[19], [20], [21], [22]]。为了解决这些问题,基于过渡金属氧化物的材料(如Al?O?、HfO?、TaO?、ZrO?和TiO?)及其双层和三层异质结构已被广泛研究。这些结构已被证明可以促进工业兼容电子设备的制造,并表现出优越的多级电阻切换性能[[23], [24], [25], [26], [27], [28]]。最近的研究证实,在HfO?基忆阻器中嵌入Al?O?薄膜可以通过界面或势垒层效应有效优化电阻切换性能,为其在CIM架构中的应用奠定了坚实的基础[29]。值得注意的是,基于HfO?/Al?O?的忆阻器表现出多种功能,并且与传统互补金属氧化物半导体(CMOS)技术的兼容性增强,使其能够无缝集成到现有电子系统中[[30], [31], [32]]。例如,Azzaz等人报告称,在TiN/Ti/HfO?/Al?O?/TiN堆叠忆阻器中插入一层薄Al?O?层可以有效地提高设备的耐久性和数据保持能力[30]。Liu等人提出,在Pt/AlO?/HfO?/TiN设备中,CF的形成和断裂主要发生在AlO?层内,并且可以通过调整脉冲幅度和宽度精确调节细丝厚度;该设备成功模拟了多种关键的生物突触功能[31]。Woo等人验证了在Al/AlO?/HfO?/Ti/TiN忆阻器中引入AlO?势垒层可以通过稳定的CF扩展实现模拟存储功能,同时提高了神经形态计算系统的识别准确性[32]。然而,为了开发高性能的基于Al?O?/HfO?的CIM架构设备,仍需要同时实现导电状态与电刺激之间的良好线性、高循环耐久性和长期保持稳定性。
最近的研究从网络级动态和基于混沌的应用的角度关注了忆阻系统,涵盖了多层忆阻神经网络中的同步[33]和用于多媒体加密的离散忆阻超混沌映射[34,35]等主题。作为这些工作的补充,本研究采用基于1T1R结构的设备级方法,专注于CIM架构中的线性导电调制以实现权重更新。
为此,我们在本工作中制备了一种Pt/Al?O?/HfO?/TiN双层结构的忆阻器,并将其与NMOSFET串联,构建了一个一个晶体管一个电阻(1T1R)结构。在此基础上,系统地研究了该设备的导电调制特性。首先分别进行了直流电测量和脉冲激励实验;通过调节关键参数(包括脉冲幅度、晶体管的Vg和脉冲数量),实现了连续的导电增强和抑制以及双向权重更新。其次,彻底探讨了该设备的关键性能,包括导电耐久性和数据保持特性。此外,采用±0.35 V的小脉冲调制策略消除了不完整的导电通道,从而使导电保持时间延长了约2.45倍。基于该设备稳定且可重复的导电增强和抑制特性,进行了人工神经网络(ANN)模拟,成功实现了89.10%的高识别率的手写数字识别。本研究为Al?O?/HfO?基忆阻器的性能提升及其在CIM架构中的实际应用提供了实验基础和技术参考。