基于金属氧化物忆阻器的集成神经形态网络的训练与运行

尽管半导体集成电路技术取得了长足进步，但人类大脑皮层的极端复杂性使得用相当数量的器件硬件实现神经形态网络极具挑战性。最有前景的候选方案之一是基于混合CMOS/忆阻器电路的所谓CrossNets，它能在提供相当复杂性的同时，以更快的速度和可控的功耗运行。在这些电路中，通常的CMOS堆栈上增加了一层或多层交叉开关层，每个交叉点处都有可调的双端忆阻器。最近，在改进此类忆阻交叉开关的制造技术及其与CMOS电路的集成方面取得了重大进展，包括首次演示了它们的垂直集成。另外，已有若干将分立忆阻器用作神经形态网络人工突触的演示。最近，这类实验已扩展到相变忆阻器件的交叉开关阵列。然而，调整此类器件需要在每个交叉点处增加一个晶体管，因此其缩放前景不如金属氧化物忆阻器，后者的非线性I-V曲线可实现无晶体管操作。在此，我们报告了首个无晶体管金属氧化物忆阻器交叉开关的实验实现，其器件可变性已降低到足以演示一个简单集成神经网络（单层感知器）的成功操作。该网络可以使用一种粗粒度的delta规则算法进行原位训练，以完成将3x3像素的黑白图像完美分类为3类的任务。我们相信，这一演示是朝着实现更大规模、更复杂的忆阻神经形态网络迈出的重要一步。