AMiner推荐论文：Energy-efficient memcapacitor devices for neuromorphic computing

论文链接：
https://www.aminer.cn/pub/618c9e686750f82d66c767a5?f=cs
基于人工神经网络及其硬件实现的类脑计算（通常称为神经形态计算）可用于解决广泛的计算密集型任务。神经拟态计算可以追溯到 1980 年代，但在忆阻器件的发展和深度神经网络卷积层在算法层面的提出之后，该领域获得了相当大的动力。
从那时起，已经使用氧化物材料、相变存储器、自旋电子器件和铁电器件 [隧道结和铁电场效应晶体管（FeFET）] 实现了几种电阻神经形态系统和器件，这些系统即铁电隧道结和 SONOS（即硅-氧化物-氮化物-氧化物-硅）晶体管的能效高达 100 tera-operating per second perwatt (TOPS W^-1)。所有这些方法都依赖于可用于乘法运算的突触权重的模拟存储，并使用基尔霍夫电流定律对通过交叉阵列实现的电流求和。
忆阻器件类似于忆阻器件，但基于电容原理，并且可能提供比忆阻器件更低的静态功耗。已经有关于记忆电容器设备的理论建议，但很少有实际应用。Memcapacitor 器件可以通过实施可变板距概念来实现，如微机电系统、与介电层串联的金属到绝缘体过渡材料、改变经典忆阻器中的氧空位前沿，以及具有记忆效应的简单金属氧化物半导体电容器。为了获得高动态范围，这些器件要么在小板距处具有大的寄生电阻分量，要么在大板距具有有限的横向可扩展性。具有不同表面积或不同介电常数的记忆电容器也会出现类似的问题。
AMiner,让AI帮你理解科学！https://www.aminer.cn