1. На главную
  2. Электронные версии
  3. Российские нанотехнологии
  4. T. 19, № 1, 2024

Российские нанотехнологии, 2024, T. 19, № 1, стр. 127-132

Компактная модель описания пластичности мемристоров на основе нанослоев LiNbO3 и композита (Co–Fe–B)х(LiNbO3)100–х по биоподобному правилу STDP

А. В. Емельянов 1, 2, *, К. Э. Никируй 1, А. И. Ильясов 1, 3, Е. А. Цывкунова 4, И. А. Суражевский 1, В. А. Демин 1, Я. Линь 5, Е. Тао 5, В. В. Рыльков 1, 6

1 Национальный исследовательский центр “Курчатовский институт”
Москва, Россия

2 Московский физико-технический институт
Долгопрудный, Россия

3 Московский государственный университет им. М.В. Ломоносова
Москва, Россия

4 Национальный исследовательский ядерный университет “МИФИ”
Москва, Россия

5 Северо-восточный педагогический университет
Чанчунь, Китай

6 Институт теоретической и прикладной электродинамики РАН
Москва, Россия

* E-mail: emelyanov.andrey@mail.ru

Поступила в редакцию 28.11.2023
После доработки 22.12.2023
Принята к публикации 22.12.2023

Аннотация

Предложена компактная феноменологическая модель описания пластичности мемристорных структур на базе нанослоев LiNbO3 и композита (Co–Fe–B)х(LiNbO3)$_{{100--х}}$, учитывающая особенности резистивного переключения структур и прыжкового электронного транспорта в аморфном LiNbO3. Модель хорошо описывает вольт-амперные характеристики (ВАХ) мемристоров кроссбар-массива, а найденные при подгонке ВАХ эффективные микроскопические параметры позволяют предсказать результат изменения проводимости согласно пластичности, зависящей от времени прихода парных импульсов (spike-timing-dependent plasticity – STDP), а кроме того, зависимость окна STDP от начальной проводимости мемристора. Полученные результаты могут быть использованы при разработке алгоритмов обучения спайковых нейроморфных вычислительных систем и выявления мемристивного STDP, эффективного для их реализации.

Список литературы

  1. Zhang Y., Wang Z., Zhu J. et al. // Appl. Phys. Rev. 2020. V. 7. № 1. P. 011308. https://doi.org/10.1063/1.5124027

  2. Zhou G., Wang Zh., Sun B. et al. // Adv. Electron. Mater. 2022. V. 8. № 7. P. 2101127. https://doi.org/10.1002/aelm.202101127

  3. Wang Z., Wu H., Burr G.W. et al. // Nat. Rev. Mater. 2020. V. 5. № 3. P. 173. https://doi.org/10.1038/s41578-019-0159-3

  4. Rao M., Tang H., Wu J. et al. // Nature. 2023. V. 615. P. 823. https://doi.org/10.1038/s41586-023-05759-5

  5. Zhang W., Yao P., Gao B. et al. // Science. 2023. V. 381. P. 1205. https://doi.org/10.1126/science.ade3483

  6. Gasseling T. // Microwave J. 2012. V. 55. P. 74.

  7. Dora S., Kasabov N. // Big Data Cogn. Comput. 2021. V. 5. P. 67. https://doi.org/10.3390/bdcc5040067

  8. Prezioso M., Mahmoodi M.R., Bayat F.M. et al. // Nat. Commun. 2018. V. 9. № 1. P. 5311. https://doi.org/10.1038/s41467-018-07757-y

  9. Никируй К.Э., Емельянов А.В., Ситников А.В. и др. // Российские нанотехнологии. 2021. Т. 16. № 6. С. 761.

  10. Caporale N., Dan Y. // Annu. Rev. Neurosci. 2008. V. 31. P. 25. https://doi.org/10.1146/annurev.neuro.31.060407.125639

  11. Prezioso M., Merrikh Bayat F., Hoskins B. et al. // Sci.c Rep. 2016. V. 6. P. 21331. https://doi.org/10.1038/srep21331

  12. Matsukatova A.N., Prudnikov N.V., Kulagin V.A. et al. // Adv. Intell. Syst. 2023. V. 5. № 6. P. 2200407. https://doi.org/10.1002/aisy.202200407

  13. Wang Z., Zeng T., Ren Y. et al. // Nat. Commun. 2020. V. 11. № 1. P. 1510. https://doi.org/10.1038/s41467-020-15158-3

  14. Koryazhkina M.N., Ryabova M.A., Okulich E. V. et al. // Phys. Status Solidi. A. 2023. V. 2. P. 2200742. https://doi.org/10.1002/pssa.202200742

  15. Sboev A., Vlasov D., Serenko A. et al. // AIP Adv. 2016. V. 6. № 11. P. 111305. https://doi.org/10.1063/1.4967353

  16. Matsukatova A.N., Vdovichenko A.Yu., Patsaev T.D. et al. // Nano Res. 2023. V. 16. P. 3207. https://doi.org/10.1007/s12274-022-5027-6

  17. Martyshov M.N., Emelyanov A.V., Demin V.A. et al. // Phys. Rev. Appl. 2020. V. 14. № 3. P. 034016. https://doi.org/10.1103/PhysRevApplied.14.034016

  18. Demin V.A., Nekhaev D.V., Surazhevsky I.A. et al. // Neural Networks. 2021. V. 134. P. 64. https://doi.org/10.1016/j.neunet.2020.11.005

  19. Glazman L.I., Matveev K.A. // Sov. Phys. JETP. 1988. V. 67. № 6. P. 1276.

  20. Дёмин В.А., Ильясов А.И., Рыльков В.В. и др. // Российские нанотехнологии. 2023. Т. 18. № 2. С. 276.

  21. Kvatinsky S., Ramadan M., Friedman E.G., Kolodny A. // IEEE Trans. Circuits Syst. II: Express Briefs. 2015. V. 62. №. 8. P. 786. https://doi.org/10.1109/TCSII.2015.2433536

  22. Ryndin E., Andreeva N., Luchinin V. // Micromachines. 2022. V. 13. № 1. P. 98. https://doi.org/10.3390/mi13010098

  23. Никируй К.Э. // Дисс. … канд. физ.-мат. наук, М.: НИЦ “Курчатовский институт”, 2022. 136 с.

  24. Matsukatova A.N., Ilyasov A.I., Nikiruy K.E. et al. // Nanomaterials. 2022. V. 12. № 19. P. 3455. https://doi.org/10.3390/nano12193455

  25. Lutsev L.V., Kalinin Y.E., Sitnikov A.V., Stognei O.V. // Phys. Solid State. 2002. V. 44. № 10. P. 1889. https://doi.org/10.1134/1.1514778

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Российские нанотехнологии

Архивы выпусков Информация о журнале Отправить рукопись в журнал