忆阻器的温度效应改进模型及其仿生神经突触传递

突触传递是温度敏感的,由于缺乏温度依赖性的突触电导分析模型,无法在神经系统建模时包括温度效应.忆阻器因其阻值连续可变和纳米尺寸的优势,被广泛认为可以模拟生物突触.本文通过改进忆阻保留值和考虑温度对离子迁移和扩散的影响,提出一种新的氧化钨忆阻器模型,此模型更加符合忆阻器的实际行为特性.首先,改进的数学模型不仅具有原模型的功能,同时可以拟合忆阻器的实际遗忘规律.另外,将此忆阻器作为生物突触耦合两个相同的HH神经元,能够体现温度对突触传递的影响,即温度上升引起氧空位迁移和扩散速率发生变化,导致忆阻器电导变化速率加快,进一步影响兴奋性突触后膜电位幅值和放电次数,而相关仿真结果与神经生理实验现象相符.本文的工作表明,改进的氧化钨忆阻器模型更适合作为仿生突触应用到神经形态系统中,将为指导忆阻器的设计制造工艺以提高其仿生突触性能提供参考,也为研究温度对突触传递的影响提供了一种新思路.     

忆阻器状态逻辑中与操作的高效设计与实现

作为电阻、电容、电感之外的第4种基本电路元件,忆阻器自2008年被发现以来受到学术界和产业界的广泛关注.忆阻器的阻值记忆效应和纳米工艺制造方式使其被认为可用于构建未来更大容量和密度的存储器,逐渐替代FLASH等现有存储器件.除存储功能外,HP公司在2010年《Nature》上发表的文章表明,忆阻器还可以通过以蕴含为基础的状态逻辑实现任意逻辑运算.研究了忆阻器状态逻辑的另一种操作——与操作,提出了一种更加高效的与操作实现方法,该方法不需要增加额外的忆阻器,降低了激励电压的复杂性,减小了误差,使运算更加简便高效.最后通过SPICE模拟仿真对提出的方法进行了验证.     

忆阻器交叉阵列及在图像处理中的应用

忆阻器是一种有记忆功能的非线性电阻,其阻值的变化依赖于流过它的电荷数量或磁通量.忆阻器作为第4个基本的电路元件,在众多领域中有巨大的应用潜力,有望推动整个电路理论的变革.文中利用数值仿真和电路建模,分析了忆阻器的理论基础和特性,提出了一种用于图像存储的忆阻器交叉阵列,可以实现黑白、灰度和彩色图像的存储和输出,一系列的计...     

基于忆阻器的滤波器设计

近年来,我国电子领域的快速发展,使越来越多的电子元件被应用于各个领域中,从而大大推动了各个领域的发展。忆阻器便是众多电子元件中的一种,与电阻元件有所不同的是,忆阻器具有记忆功能,正是这一特性,使忆阻器能够有效应用于滤波器设计中,从而实现对滤波电路中截止频率的有效调节。鉴于此,本文便对基于忆阻器的滤波器设计进行深入的研究,以期能够为我国在滤波器设计水平上的进一步提高做出贡献。     

可记忆电阻器及其应用展望综述

可记忆电阻器,本文简称为忆阻器,能够不需要功率源而储存信息,是一种纳米尺寸的器件,它于1971年被Leon Chua作为一种"丢失的电路元件"提出,2008年被惠普实验室研究人员Williams R S等证明的确存在,成为电路理论里电阻器、电容器和电感器以外的第四个基本电路元件,极有可能引领电子学的一次重要变革。本文回顾了忆阻器的概念和数学定义,重点介绍了惠普实验室的Pt/TiO2/Pt三明治结构的忆阻器薄膜器件模型和忆阻器元件某些值得关注的特性,如滞回曲线特性,最后探讨了可记忆元件在纳米级器件领域的应用前景和研究方向。     

忆阻值的影响参数分析

为了分析参数对忆阻器忆阻值的影响,通过搭建忆阻器的Matlab仿真模型,运用控制变量法,分别设置外加激励幅值为1,2V,电压频率为1,2Hz,忆阻器横截面积为10,25 μm2,忆阻器长度为10,20 nm,对不同条件不同参数的忆阻器模型进行了大量仿真分析.计算各伏安特性曲线和忆阻值的具体变化范围,通过对仿真数据的统一比较分析得出了不同情况下忆阻值的变化规律.     

忆阻器模拟电路及其低通滤波电路研究

设计一个具有斜8字型伏安特性的忆阻器模拟电路模型,并将此模型应用于构建低通滤波电路。进行Multisim仿真并制作了相应的实物电路,仿真和实验结果表明该电路模型可以正确模拟忆阻器的特性,由其构建的忆阻低通滤波电路具有时变特性。     

对四端忆阻器的建模及其电路仿真

在传统二端忆阻器的理论基础上,提出了一种四端忆阻器的模型.该器件的4个端口分别对应于MOS场效应晶体管的栅、源、漏和衬底4个极,可以代替数字电路中的MOS晶体管实现电路功能.利用Verilog-A对该模型的电学特性进行了描述,在Hspice软件环境中利用该模型构建了与非、或非等逻辑电路以及1 bit数据的1R-1R随机存取电路,并搭建外围电路对其进行了功能验证,在仿真层面实现了四端忆阻器在数字电路方面的简单应用,实验结果符合预期.作为一种纳米器件,与MOS晶体管相比,四端忆阻器的尺寸更小、功耗更低.在CMOS工艺尺寸渐渐趋于极限的今天,对四端忆阻器的应用是一个具有一定合理性的发展方向.     

一种基于忆阻器的新型曝光量传感器

为了增大曝光量传感器的测量范围,提出了一种基于忆阻器的新型曝光量传感器设计方案。该传感器主要由光敏电阻、限流电阻和忆阻器组成。光敏电阻的阻值随着光照度的变化发生改变,引起回路电流和电荷量发生变化。基于记忆效应,忆阻器利用其阻值来表征物体被辐照时光照度在一段时间内的积分值,从而实现了对曝光量的测量。为了验证所设计的基于忆阻器的曝光量传感器,进行了光照度恒定不变、逐渐增大和随机变化情况下的测试。实验结果表明,曝光量传感器实现了对曝光量的测量,具有比一般测量方法更大的测量范围,而且随着光照度的增大,传感器的测量范围随之增大。另外,随着限流电阻的增大,传感器的测量范围逐渐增大,但其灵敏度随之降低。     

基于阈值自适应忆阻器Hopfield神经网络的关联规则挖掘算法

针对基于Hopfield神经网络的最大频繁项集挖掘（HNNMFI）算法存在的挖掘结果不准确的问题,提出基于电流阈值自适应忆阻器（TEAM）模型的Hopfield神经网络的改进关联规则挖掘算法。首先,使用TEAM模型设计实现突触,利用阈值忆阻器的忆阻值随方波电压连续变化的能力来设定和更新突触权值,自适应关联规则挖掘算法的输入。其次,改进原算法的能量函数以对齐标准能量函数,并用忆阻值表示权值,放大权值和偏置。最后,设计由最大频繁项集生成关联规则的算法。使用10组大小在30以内的随机事务集进行1000次仿真实验,实验结果表明,与HNNMFI算法相比,所提算法在关联挖掘结果准确率上提高33.9个百分点以上,说明忆阻器能够有效提高Hopfield神经网络在关联规则挖掘中的结果准确率。     

Expanded HP memristor model and simulation in STDP learning

Based on the classical HP memristor found by HP Lab, this paper presents an expanded model that making fully consideration of the influence of R _on, that is, R _on is the similar order of magnitude of R _off. Simulations proved that in some particular conditions, the hysteresis effect of the expanded model is the same as HP memristor. A comparison was made between these two models under some given conditions. Then, we built several simulations to test the classical characteristics of the expanded HP memristor. Simulation results demonstrate that the expanded model is superior to the original in some aspects like easy switching and power saving. At last, we applied the expanded HP memristor in STDP learning simulation, which shows it is a good candidate for neural network when a threshold voltage function is proposed.     

忆阻及其应用研究综述

忆阻由蔡少棠教授从对称性角度预言提出,自惠普实验室2008年制作出第一款忆阻开始, 其已成为自动化等相关领域最热门研究方向之一. 本文回顾了忆阻的起源,探讨了忆阻的分类及其制造技术,分析了忆阻的多个数学模型和仿真模型以及仿真模型的实现方法, 总结了忆阻在人工神经网络、保密通信、存储器、模拟电路、人工智能计算机、生物行为模拟等方面的研究现状, 并对其应用前景进行展望.     

Analog memristive memory with applications in audio signal processing

Since the development of the HP memristor, much attention has been paid to studies of memris- tive devices and applications, particularly memristor-based nonvolatile semiconductor memory. Owing to its unique properties, theoretically, one could restart a memristor-based computer immediately without the need for reloading the data. Further, current memories are mainly binary and can store only ones and zeros, whereas memristors have multilevel states, which means a single memristor unit can replace many binary transistors and realize higher-density memory. It is believed that memristors can also implement analog storage besides binary and multilevel information memory. In this paper, an implementation scheme for analog memristive memory is considered. A charge-controlled memristor model is derived and the corresponding SPICE model is constructed. Special write and read operations are demonstrated through numerical analysis and circuit simulations. In addition, an audio analog record/play system using a memristor crossbar array is designed. This system can provide great storage capacity （long recording time） and high audio quality with a simple small circuit structure. A series of computer simulations and analyses verify the effectiveness of the proposed scheme.     

基于Temporal rule的忆阻神经网络电路

忆阻器是一种动态特性的电阻,其阻值可以根据外场的变化而变化,并且在外场撤掉后能够保持原来的阻值,具有类似于生物神经突触连接强度的特性,可以用来存储突触权值。在此基础上,为了实现基于Temporal rule对IRIS数据集识别学习的功能,建立了以桥式忆阻器为突触的神经网络SPICE仿真电路。采用单个脉冲的编码方式,脉冲的时刻代表着数据信息,该神经网络电路由48个脉冲输入端口、144个突触、3个输出端口组成。基于Temporal rule学习规则对突触的权值修改,通过仿真该神经网络电路对IRIS数据集的分类正确率最高能达到93.33%,表明了此神经系统结构设计在类脑脉冲神经网络中的可用性。     

LC振荡型忆阻混沌电路及时滞反馈控制

将磁控忆阻器耦合于LC振荡电路中,得到了一种新的忆阻混沌电路.随后通过理论上的动力学分析、数值仿真、电路实验等验证了该电路的混沌特性.为了实现电路的混沌控制,设计了一种新型模拟时滞控制器.利用该控制器将混沌电路状态变量加以延时并反馈至原电路中.数值仿真和电路实验结果均表明,所设计的时滞控制器可实现混沌电路的镇定控制.进一步研究时滞控制下电路的分岔行为,发现时滞控制下的电路又可通过倍周期分岔进入超混沌.     

Hybrid memristor/RTD structure-based cellular neural networks with applications in image processing

Cellular neural network (CNN) has been acted as a high-speed parallel analog signal processor gradually. However, recently, since the decrease in the size of transistor is going to approach the utmost, the transistor-based integrated circuit technology hits a bottleneck. As a result, the advantage of very large scale integration implementation of CNN becomes hard to really present, and further development of this era faces severe challenges unavoidably. In this study, two types of memristor-based cellular neural networks have been proposed. One type uses a memristor to replace the linear resistor in a conventional CNN cell circuit. And the other places a resonant tunneling diode (RTD) in this position and uses memristive synaptic connections to structure a hybrid memristor RTD CNN model. The excellent performances of the proposed CNNs are verified by conventional means of, for instance, stability analysis and efficient applications in image processing. Since both the memristor and the resonant tunneling diode are nanoscale, the size of the network circuits can be greatly reduced, and the integration density of the system will be significantly improved.     

A Large Dynamic Range Floating Memristor Emulator With Equal Port Current Restriction

In this paper, a large dynamic range floating memristor emulator(LDRFME) with equal port current restriction is proposed to be achieved by a large dynamic range floating voltage-controlled linear resistor(VCLR). Since real memristors have not been largely commercialized until now, the application of a LDRFME to memristive systems is reasonable. Motivated by this need, this paper proposes an achievement of a LDRFME based on a feasible transistor model. A first circuit extends the voltage range of the triode region of an ordinary junction field effect transistor(JFET). The idea is to use this JFET transistor as a tunable linear resistor. A second memristive non-linear circuit is used to drive the resistance of the first JFET transistor. Then those two circuits are connected together and, under certain conditions, the obtained "resistor" presents a hysteretic behavior,which is considered as a memristive effect. The electrical characteristics of a LDRFME are validated by software simulation and real measurement, respectively.