相关实验视频
Updated: Jul 3, 2026
07:46
A Method for Growing Bio-memristors from Slime Mold
Published on: November 2, 2017
9.3K
通过iCVD过程驱动超薄,色功能化的聚合物记忆器,用于驱动高分辨率图像的卷积神经网络
Ji In Kim1, Minsu So1, Woo Jin Wang2
1Department of Foundry Engineering, Dankook University, Yongin-si, 16890, Republic of Korea.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|November 27, 2025
概括
研究人员使用超薄的共聚合物薄膜开发了新型的memristor,用于芯片上学习. 这些设备使高效的卷积神经网络 (CNN) 在图像分类任务中具有高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 计算机工程 计算机工程
背景情况:
- 在芯片上学习需要具有可扩展性,数据保留,对称性,线性导电量调制和微调的重量存储元素.
- 记忆器对于人工智能 (AI) 硬件加速至关重要.
研究的目的:
- 制造用于卷积神经网络 (CNN) 的基超薄共聚合物薄膜的高性能记忆器.
- 为了实现线性,对称和多层电导度调制,以实现高效的重量存储.
主要方法:
- 使用启动化学蒸汽沉积 (iCVD) 与2-乙烯烯酸 (CEA) 和二乙烯基醇 (DEGDVE) 共聚合物薄膜 (<10 nm) 制造记忆器.
- 控制的聚合物组合工程调整切换特征和光纤形成.
- 使用斜坡脉冲序列 (RPS) 进行电气操纵,以研究灯丝动态和设备可靠性.
- 在使用各种CNN架构 (VGG-X,ResNet-X,DenseNet) 的数据集 (Oxford 102 Flowers,Food-101,Stanford Cars) 上进行图像分类任务.
主要成果:
- 通过控制CEA和DEGDVE比率,实现了高度线性,对称和多层电导度调制.
- 证明了可靠的操作,并通过RPS.研究了通过RPS.进行导电线材动力学.
- 在图像数据集上达到高达88.39%的分类准确性,验证了基于memristor的CNN架构.
结论:
- 开发的memristors在芯片上学习应用程序方面表现出色.
- 对聚合物组成的精确控制使得针对AI硬件量身定制的设备特性成为可能.
- 基于memristor的CNN架构对现实世界的人工智能应用非常有效.
