面向边缘检测的忆阻细胞非线性网络动态特性分析与器件变异鲁棒性研究

《IEEE Transactions on Nanotechnology》：Dynamic Analysis of the Effect of the Device-to-Device Variability of Real-World Memristors on the Implementation of Uncoupled Memristive Cellular Nonlinear Networks

本研究针对细胞非线性网络(CNN)在硬件实现中面临的可扩展性和高能耗问题，创新性地将基于价变机制(VCM)的忆阻器与CNN相结合，设计了非耦合忆阻细胞非线性网络(M-CNN)单元。研究人员通过实验首次验证了M-CNN在实现边缘检测任务时对器件间变异性的鲁棒性，利用动态路径图(DRM)分析方法揭示了VCM器件内部机制对细胞动力学的影响。该工作为M-CNN的设计提供了重要见解，证明了其相较于传统CNN更丰富的动力学特性和非易失性存储优势，为未来大规模忆阻计算系统的实现奠定了坚实基础。

　　

在当今人工智能和边缘计算快速发展的时代，传统数字计算系统面临着能效瓶颈和存储墙问题的严峻挑战。细胞非线性网络(CNN)作为一种模拟计算范式，以其大规模并行性和数据局部处理能力在图像处理领域展现出独特优势。然而，随着网络规模扩大，传统CNN硬件实现面临着电路复杂度激增和持续能耗过高的困境。这一技术瓶颈促使研究人员将目光投向新兴的忆阻器件，希望通过融合两种技术的优势开辟新的计算路径。

忆阻器，特别是基于价变机制(VCM)的电阻式随机存取存储器(ReRAM)，因其非易失性、可调节电阻特性和CMOS工艺兼容性而备受关注。这些纳米器件能够通过电信号在高低阻态之间切换，并保持状态稳定，为构建紧凑型、低功耗的神经形态计算系统提供了理想载体。然而，实际应用中存在的器件间变异性问题严重制约了其大规模集成应用。不同忆阻器样本在电学行为上的不可避免的差异，是否会影响基于忆阻器的计算系统的可靠性，成为亟待解决的关键科学问题。

针对这一挑战，来自德国于利希研究中心、德累斯顿工业大学和都灵理工大学的研究团队在《IEEE Transactions on Nanotechnology》上发表了创新性研究成果。他们首次通过实验研究了真实世界忆阻器的器件间变异性对非耦合忆阻细胞非线性网络(M-CNN)实现的影响，重点关注边缘检测任务的执行情况。这项工作的意义在于为M-CNN的实际应用扫除了一个重要障碍，同时展示了忆阻计算系统相比传统方案的独特优势。

研究人员采用的关键技术方法包括：基于Pt/HfO₂/TiO_x/Ti/Pt结构的VCM忆阻器制备与表征、M-CNN细胞电路的实验板实现、动态路径图(DRM)分析方法的应用、以及JART VCM v1b模型仿真验证。通过对比实验测量与仿真结果，深入分析了VCM器件内部参数变异对网络性能的影响机制。

II. 所提出非耦合M-CNN的动态分析

A. M-CNN边缘检测细胞实现

研究团队设计了基于边缘检测模板的非耦合M-CNN细胞，采用3×3克隆模板(A,B,z)。每个细胞C(i,j)的状态方程遵循标准CNN定义，通过局部规则(LR)将二进制输入模式映射到输出模式。针对Pt/HfO₂/TiO_x/Ti/Pt器件特性，他们对标准边缘检测模板进行了参数校准，确保负电压和低阻态(LRS)对应白色像素，正电压和高阻态(HRS)对应黑色像素。仿真结果表明，100×100规模的M-CNN能够成功从二值化地图图像中提取边缘信息。

B. 实验配置与评估

实验板实现采用LT6020运算放大器，关键参数包括±10V电源电压、10μF电容C_X和0.5mS电导G_X。通过探针台将VCM器件与M-CNN细胞电路连接，利用源测量单元(Keithley 2611A)进行器件初始化和状态读取，示波器监测电压V_xij和V_yij变化。

C. 功能性能讨论

通过对三种局部规则的最坏情况测试，验证了M-CNN细胞的正确功能。实验数据显示，所有局部规则下细胞状态V_xij均能收敛到稳定平衡点，计算结果成功存储在VCM器件中。局部规则1和2使器件从HRS切换到LRS(约3.7-3.9kΩ)，局部规则3保持HRS状态。测量轨迹与仿真结果定性一致，微小差异源于实验板引入的寄生参数。

D. M-CNN细胞的实验状态动态路径

状态动态路径(SDR)分析揭示了VCM器件变异性对M-CNN细胞动力学的影响。实验测量了五种不同VCM器件在三种局部规则下的SDR，结果显示所有轨迹均能收敛到平衡点(偏差率<5%)。仿真分析表明，影响细胞SDR的关键参数包括最小/最大氧空位浓度(N_disc,min/N_disc,max)、初始氧空位浓度(N_disc,init)和肖特基势垒高度(Φ_Bn0)。当VCM器件的SET电压高于电容平衡电压时，SDR出现回溯现象，这一非线性特性为M-CNN带来了比传统CNN更丰富的动力学行为。

研究结论与意义

本研究通过实验验证了非耦合M-CNN对VCM器件间变异性的鲁棒性，成功实现了边缘检测任务。动态分析表明，尽管不同忆阻器样本存在参数差异，但M-CNN细胞仍能正确执行计算并将结果非易失地存储在忆阻器中。相较于传统CNN，M-CNN展现出更丰富的非线性动力学特性，如多路径收敛和回溯现象，这些特性可被用于增强数据处理功能。

该工作的重要意义在于为大规模M-CNN的实际应用扫除了关键障碍，证明即使在器件存在变异性情况下，忆阻计算系统仍能可靠工作。通过建立VCM器件参数与M-CNN性能之间的关联，为未来优化设计提供了理论指导。非易失性存储特性使M-CNN在能效和集成度方面具有显著优势，为神经形态计算和边缘人工智能硬件的发展开辟了新途径。

这项研究首次将实验测量的DRM应用于M-CNN分析，搭建了从器件物理到系统性能的桥梁，对推动忆阻计算从理论走向实践具有里程碑意义。未来工作可扩展到耦合M-CNN网络和更复杂的信息处理任务，进一步发掘忆阻器在模拟计算中的巨大潜力。