相关实验视频
Updated: May 14, 2025
07:46
A Method for Growing Bio-memristors from Slime Mold
Published on: November 2, 2017
8.9K
电阻可恢复的纳米流体记忆器和神经形态芯片
Ke Liu1, Yongchang Wang1, Miao Sun2
1School of Physical Science and Technology, Northwestern Polytechnical University, 127 West Youyi Road, Xi'an 710072, China.
Nano letters
|April 12, 2025
概括
研究人员开发了超越阻力漂移的纳米流体记忆器,以改善神经形态计算. 这些设备显示了增强的耐力,长时间的保留和低能耗,模仿未来AI芯片的大脑功能.
科学领域:
- 材料科学 材料科学 材料科学
- 神经技术的神经技术
- 纳米技术纳米技术
背景情况:
- 剩余离子的电阻漂移阻碍了神经形态计算中的memristor精度.
- 现有的memristor技术在耐用性和能源效率方面面临着挑战.
研究的目的:
- 开发纳米流体记忆器,解决耐力和保留限制.
- 探索用于稳定的memristor操作的离子填充机制.
- 为了展示突触可塑性仿真和基于数组的计算.
主要方法:
- 使用 Ångström 通道和不对称的缩电解质溶液制造记忆器.
- 利用电压驱动的离子填充和脑启发的离子清除机制来恢复导电.
- 设备性能的表征,包括保留,能量消耗和通过电压,频率和pH调来模拟突触可塑性.
主要成果:
- 在20,000个循环后实现导电恢复,显著提高了设备的耐用性.
- 证明了长达一个小时的数据保留和超低的能源消耗 (每个频道每个尖端≤0.2 fJ).
- 成功模拟了短期的突触可塑性,并演示了用于数学运算符识别的4x4数组.
结论:
- 纳米流体记忆器为节能,长时间保留和高耐久度的神经形态计算提供了一个有前途的解决方案.
- 开发的离子清除机制是克服阻力漂移和提高设备寿命的关键.
- 这些流体记忆器代表了迈向实用,以大脑为灵感的计算硬件的重要一步.
