RRAM机制、材料及其在神经形态计算中的应用

近年来，RRAM 因其结构简单、保持时间长、运行速度快、超低功耗运行能力、能够在不影响器件性能的情况下扩展到更低的尺寸以及可进行三维集成的可能性而日益受到重视。过去几年的研究表明，RRAM 是后 CMOS 时代设计高效、智能和安全计算系统的最合适候选者之一。

半导体电子学领域在过去十年中迅速增长，对人类社会产生重大影响。这归因于信息通信技术领域的空前增长，以及工程技术领域的各个领域对高效信息处理系统需求的增加。信息技术系统的快速发展彻底改变了智能手机、微型计算机和物联网（IoT）设备等产品，这些产品需要高性能计算技术。现代产品由电气和机械组件组成，成为了将硬件、数据存储、传感器、软件、微处理器和多种连接方式多种方式组合在一起的复杂系统。传统计算系统利用冯·诺依曼体系结构执行计算任务，但由于CPU和内存之间的差距不断增大，物理上分离的内存和计算单元产生了大量延迟和高能耗，即“冯·诺依曼瓶颈”。自20世纪60年代以来，通过缩小电子器件尺寸和降低集成电路（ICs）的制造成本来增强设备的计算能力。然而，冯·诺依曼体系结构的固有缺陷限制了计算能力的提升。因此，研究人员将注意力转向了阻性随机存取存储器（RRAM）等新型数据处理技术，以解决内存不足的问题。RRAM被视为现有CMOS设备的有希望的替代品，具有诸多优势，如可扩展性、高数据保留性、低功耗和相对较高的速度。RRAM采用电阻切换存储器技术，可实现多位信息存储，并通过控制丝形体的形成和切换来提高均匀性和稳定性。由于其现代化的需求，RRAM技术正朝着全面商业化迈进，其在未来几年内的发展前景广阔。

RRAM的历史发展

RRAM设备的研究最初始于20世纪60年代初，将电阻性切换归功于Hickmott。当时，电阻性切换现象在多种氧化物材料中得到报告。然而，随后几年对电阻性切换现象的研究并没有取得突破。直到2000年，休斯顿大学的研究人员观察到了磁电阻薄膜中的电阻性切换现象，重新点燃了对RRAM研究的热情。2002年，Zhuang等人报道了基于Pr0.7Ca0.3MnO3的64位RRAM阵列。在2004年至2007年期间，英飞凌和三星的研究团队取得了显著的研究成果，首次展示了3D RRAM阵列。在2004年，三星展示了一个基于二元过渡金属氧化物的简单RRAM，完全集成了0.18微米CMOS技术。2008年，惠普的Strukov等人发表了《自然》杂志上的论文，扩展了RRAM的用途，被认为是RRAM发展的转折点。2010年，unity半导体成功展示了64MB的RRAM原型测试芯片。接下来的几年里，SanDisk/东芝展示了24纳米技术的32Gb RRAM存储器设备，而Micron/索尼展示了27纳米技术的16Gb RRAM原型。2016年，中国科学院微电子研究所的Qing等人报告了超低功耗的三维垂直十字形RRAM阵列。2020年，TSMC宣布在40纳米和22纳米节点上生产RRAM。2021年9月，Weebit Nano与美国Skywater达成协议，将RRAM技术投入量产。Weebit Nano生产的ReRAM被称为成本效益高、在高温范围内具有增强的耐久性和保留性、对辐射和电磁场具有容忍性，并且不会对前端模拟组件造成干扰。RRAM发展历史上最重要的事件详细列在图2所示的时间轴图中。

2022 年 2 月，《电子周刊》发表的文章提到，IMEC 与 Intrinsic Semiconductor Technologies 合作，成功扩展了其基于氧化硅的 RRAM，并展示了理想的特性，从而为逻辑器件中非易失性存储器的成本效益和增强性能铺平了道路。用于边缘人工智能和物联网应用的先进处理节点。最近，2022 年 8 月，斯坦福大学工程师推出了一款名为“NeuRRAM”的新型 RRAM 芯片，该芯片在内存中具有 AI 处理能力，从而无需单独的计算和内存单元。这篇发表在 Nature 上的文章声称该芯片只有指尖大小，比当前最先进的芯片具有更多的处理能力和更少的电池消耗。

RRAM设计和物理机制

RRAM的器件结构是简单的金属-绝缘体-金属（MIM）结构，类似电容器，其中的切换层夹在两个金属电极之间。RRAM细胞的示意图如图3所示。MIM结构的电阻可以通过施加适当的电信号而改变，并且设备会保持当前的电阻状态，直到施加适当的信号以改变其电阻，代表了器件的非易失性质[37, 38]。由于RRAM器件的简单结构，它可以轻松集成在带有4F2（F是最小特征尺寸）的无源十字阵列中，并且可以在垂直堆叠的三维（3D）架构内将尺寸进一步减小至4F2/n（n是十字阵列的堆叠层数）。

在RRAM中，通过在电极之间施加外部电压脉冲来改变器件的电阻。RRAM背后的固有物理现象是电阻性转换（RS），这意味着在外部电刺激下，设备可以自由地编程为高电阻状态（HRS，或关断状态）或低电阻状态（LRS，或通断状态）。传统的存储器件以二进制形式存储数据，“0”代表未存储的数据，“1”代表已存储的数据。RRAM设备利用氧化和还原等氧化还原反应来进行有效的数据存储，在这种反应中，氧化还原反应在绝缘体内形成导电丝（CF）在两个金属电极之间。由于外部电脉冲的作用，导电丝在RRAM的两个金属电极之间形成，设备被认为处于低电阻状态（LRS），通常称为逻辑状态“1”。当导电丝破裂时，设备被认为处于高电阻状态（HRS），通常称为逻辑状态“0”。图4显示了RRAM的操作机制的示意流程图。

RRAM 的三维 (3D) 集成

3D计算结构排列显著提高了存储器的能耗和带宽访问。近年来，已经在单个器件级别对许多垂直RRAM架构进行了实验研究，它们似乎是很有前途的。然而，要完全实现3D存储系统，需要解决许多基本技术问题，其中一些包括低电阻铜互连与低介电层之间的问题，由于晶体管互连导致的热预算不兼容。因此，需要评估3D RRAM系统在阵列级别的性能。已经提出了几种建模方法来研究基于写入/读取方案设计、几何缩放趋势以及器件参数等的3D RRAM结构。

图a显示了3D水平RRAM阵列。3D垂直RRAM阵列被视为一组垂直排列的2D平面，通常由选择线（SL）选择，如图b所示。解码通常由SL、位线（BL）和字线（WL）完成。每个垂直电极的边缘与一个WL相连。柱体与阵列底部的BL连接。用于操作与柱体电极串联的垂直晶体管的SL。然而，对于特定蚀刻横径比（AR）的3D排列，最大高度限制可在已知特征尺寸（F）时计算；当柱体电极的直径（d）加上两倍的RRAM绝缘氧化物厚度（tox）时，可以确定F；此外，F被视为相邻柱体电极中心之间距离的一半。因此，每个层由一个厚度为（tm）的平面电极和一个厚度为（ti）的分离层组成。利用电阻率和这些几何因素，可以计算平面和柱状互连的电阻。利用位成本可扩展（BICS）技术，将3D垂直RRAM架构用于将存储单元放置在平面电极和垂直柱体之间作为3D NAND闪存的替代方案。

基于RRAM的神经形态计算的原型

传统上，RRAM可以实现存储和存储器设备的目标。在RRAM中发生模拟或突变的切换。这种类型的切换在需要准确的导电变化的神经形态学应用中非常重要。为了解决与人工智能相关的问题，将RRAM与CMOS技术集成可以被证明非常有效。神经形态计算架构需要低功耗和高密度的结构，每个单元至少具有5位/单元的存储。基于RRAM的神经网络的原型，采用Ag掺杂SiON结构的8×8 1T1R阵列。

a. 1T1R结构的8×8基于RRAM的神经网络的光学图像。b. 1T1R单元的扫描电子显微镜图像，c. 单个1R单元的图像。d. 输入模式，e. 峰值神经电流，f. 每个训练周期的突触权重。g. 短期突触可塑性的实验观察。h. 基于间隔时间的漂移电阻突触与扩散电阻突触串联的导电（权重）变化，显示生物逼真的STDP。i. 用于面包板上TRNG应用的RRAM器件的电路布置。j. 对1 kHz输入电压脉冲的一个计数器输出。k. TRNG器件中连续开关循环中随机二进制输出翻转状态。

自物联网设备日益重要以来，eNVM（非易失性存储器）设备的重要应用领域之一是硬件安全领域。在存储应用中，需要指出的是，eNVM的随机性是不受欢迎的；相反，随机状态变化更适合用作安全应用的熵源。在安全应用中，STTRAM和RRAM是主要竞争者，在操作条件控制下，eNVM设备的随机电报噪声、电阻、开关电压和开关产量的可变性非常重要。对于基于RRAM设备的安全系统，随机性是各种应用（如物理不可克隆功能（PUF）和真随机数生成器（TRNG））的关键特征。对于这些设备，内在的随机特性是熵变化（随机性）的重要来源，用于生成随机数和加密密钥。从LRS或HRS的周期到周期和器件到器件的变化用于实现TRNG设备中的变化。报道了一种基于挥发性扩散RRAM的TRNG，该TRNG利用了Ag掺杂的SiO2结构中金属原子的扩散动力学。图29i-k显示了电路布置，包括一个Ag掺杂的扩散型RRAM、一个比较器、一个AND门和一个计数器。在这种情况下，熵的来源被认为是延迟时间的内在随机性。图29i、j显示了使用简单的基于板板的电路建立的实验设置和使用示波器监测的原型工作，分别。使用具有恒定幅度（1 = 0.4 V）和300和700 s间隔（即1 kHz频率）的脉冲列。对于初始状态，位保持在低逻辑电平（“0”），计数器在一段延迟时间后开始接收时钟信号（以4 MHz），位在低电平和高电平之间迅速改变其状态（“0”和“1”）。计数器在输入脉冲（1）结束时停止计数，同时保持其之前的状态，直到接收到下一个计数信号。微控制器将此前状态读取为输出位。由于每个周期延迟时间的随机性质，每个脉冲后计数器输出完全不可预测，并在四个连续的ON切换周期中随机翻转二进制位，从“1”→“0”→“0”→“1”→“0”。

总结

在过去的几十年里，人们在 RRAM 技术领域做出了巨大的努力，主要集中在研发领域，旨在将其商业化并对其进行了解。截至今天，它的采用仍然有限，而且它的理解仍然不完整。 RRAM 技术提供了许多值得研究和开发的独特属性，并有助于克服困难的扩展障碍。在这项工作中，我们概述了 RRAM 器件在各个领域的进展，包括应用于 RS 层和电极的薄膜材料、RS 机制的分类和人工突触的研究。使用氧化物、固体电解质和二维材料等无机材料制备基于RRAM的器件已在各种研究工作中得到报道，器件表现出相对成熟的性能。因此，RRAM器件具有有机材料广阔的应用前景。器件的性能在很大程度上取决于RS机制，这也与薄膜材料的选择和加工技术有很大关系。基于不同材料的RRAM技术在大规模商业化方面表现出了巨大的潜力，前景十分广阔。除了传统的大规模商业化进程之外，分析不同RRAM器件性能的更大目标是为人工智能和神经形态计算系统提供潜在的帮助。 RRAM器件可以通过电性能模仿生物突触的功能，这对人工智能领域的硬件应用产生积极影响。此外，它的STM和LTM等类人脑行为使得神经形态计算系统在未来的发展成为可能。尽管遥感器件的大规模应用和产业化还有很长的路要走，但随着研究的不断深入，新型低维纳米材料已被证明是一种有前途的候选材料，对性能提升的副作用较小，也将保证小型器件的制造。维度装置。随着大数据时代的到来，对存储阵列、神经拟态计算和透明柔性器件的3D集成有巨大的需求。未来低维纳米材料无疑将在此类领域发挥不可替代的作用。

参考文献

Wong HSP, Salahuddin S. Memory leads the way to better computing. Nat Nanotechnol. 2015;10(3):191–94.
Resistive random access memory: introduction to device mechanism, materials and application to neuromorphic computing.Discov Nano. 2023 Dec; 18(1): 36.Published online 2023 Mar 9.
许永康,鲍嘉明,陈瑞隆等.一种新型阻变存储器1T2R存储单元[J].固体电子学研究与进展,2022,42(05):393-399.
张娇娇,周龙,王洪强等.金属氧化物基阻变存储器的研究进展[J].铸造技术,2023,44(01):23-31.
叶沁桐.基于忆阻器的LSTM神经网络存内计算架构设计[J].集成电路应用,2023,40(10):18-21.
Kim J, Kim CH, Woo SY, Kang WM, Seo YT, Lee S, et al. Initial synaptic weight distribution for fast learning speed and high recognition rate in STDP-based spiking neural network. Solid-State Electron. 2020;165(1):107742.

说明：本文来自CSDN存内社区，原文作者：叫我兔兔酱
https://bbs.csdn.net/topics/618092931