记忆性被动横杆电路的晶圆尺度制造,用于大脑尺度的神经形态计算
Sanghyeon Choi1,2, Sai Sukruth Bezugam3, Tinish Bhattacharya3
1Department of Electrical and Computer Engineering, University of California, Santa Barbara, CA, USA. chl299@dgist.ac.kr.
Nature communications
|October 1, 2025
概括
本研究介绍了一个可扩展的被动横杆设备技术用于神经形态计算,实现高产量和可靠的多位操作. 联合设计的memristor和crossbar平台使大脑规模的计算系统成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机工程 计算机工程
- 神经科学是一个神经科学.
背景情况:
- 由于高集成密度和并行操作,对神经形态计算有很大的希望.
- 由于设备产量低,丝状切换特性和制造限制,造成了缩放挑战.
研究的目的:
- 为神经形态计算开发可扩展的被动横杆设备技术.
- 为了克服制造方面的挑战,并提高复杂电路的设备产量.
主要方法:
- 采用了对memristors和横杆结构的共同设计方法.
- 使用CMOS兼容的制造工艺,没有高温步骤.
- 该技术被扩展到4英寸晶圆,显示出高平均设备产量 (>~95%).
主要成果:
- 实现了高设备产量和可靠的多位操作.
- 在缩放后保留了关键的记忆切换特征.
- 在时尚MNIST基准上成功实现图像分类,使用现场训练的尖端神经网络.
结论:
- 开发的硬件平台代表了大脑规模神经形态计算的重大进步.
- 可扩展和高产量的制造过程有助于实现复杂的神经形态系统.
- 这项工作为实用,大规模的神经形态计算应用铺平了道路.


