Y2O3-basierte Memristoren: Von Modellbauteilen und Modellmatrizen zu vorhersagbarem synaptischen Rechnen

• Antragsteller: Professor Dr. Lambert Alff
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik ; Herstellung und Eigenschaften von Funktionsmaterialien
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 546570457

RRAM-Bauelemente auf Oxidbasis haben großes Potenzial für künstliche neuronale Netze (ANN), da sie das elektrische Verhalten biologischer Synapsen imitieren. Um ihr Potenzial auszuschöpfen, ist ein sehr gutes Verständnis der zugrundeliegenden physikalischen Prozesse und ihrer Beziehung zu den Eigenschaften der Bauelemente erforderlich. Dies kann nur in einem synergetischen Ansatz erreicht werden, bei dem Materialwissenschaft, Elektrotechnik sowie Simulationen auf Bauelement- und Systemebene zusammenkommen. Ziel des Projekts sind kompakte Modelle für neuromorphes Rechnen, basierend auf Modellbauelementen und -matrizen, die speziell zur rationalen Modellierung mit schrittweise steigender Komplexität hergestellt werden. Damit wollen wir eine bestehende Lücke in der Simulation neuronaler Netze schließen, bei der meist nur die Eigenschaften einiger weniger Memristoren als Grundlage für die softwaregesteuerte Modellierung von ANN verwendet werden. Ein wesentliches Merkmal des Ansatzes ist der Übergang von einem physikalischen zu einem Verhaltensmodell, wenn wir von einzelnen Bauteilen zu einer Array-Beschreibung übergehen. Die vorgeschlagene Modellierung ermöglicht eine Korrelation zwischen den Eigenschaften der Bauelemente und den Materialeigenschaften (z.B. Sauerstoffkonzentration). Die Modellierung wird ein Meilenstein sein, um eine Rückkopplung vom Array-Verhalten zu den Materialeigenschaften in Hinblick auf Materialoptimierung und Funktionsverständnis zu erlauben. Solche materialbezogenen Verhaltensvorhersagen auf der Grundlage von Messungen an realen Arrays sind in der Tat eine Untersuchung wert, da solche Studien derzeit fehlen. Diese Studie wird mit Y2O3 als memristivem Oxid durchgeführt, da es - aufgrund intrinsischer Sauerstofffehlstellen - eine große Anzahl von Widerstandszwischenzuständen bietet, die für analoges Rechnen notwendig sind. Im Projekt geht es um die Korrelation von aus kontrollierter Synthese resultierenden Materialeigenschaften und des elektrischen Verhaltens wie Stabilität, Variabilität, Ausdauer, Schaltmechanismen, multiple Widerstandszustände usw. Die hier mittels dc Messungen vorcharakterisierten Bauteile werden an der National Cheng Kung University (NCKU) sehr detailliert in Wechselstrom und sequentiell gepulsten Messungen mit unterschiedlichen Amplituden und Zeitskalen untersucht. Auf Grundlage dieser großen Datensätze, die an der National Cheng Kung University in Taiwan gewonnen wurden, wird ein Vorhersagemodell für beliebige synaptische Funktionen entwickelt. Dessen Vorhersagekraft wird in vorgeschlagenen Array-Strukturen validiert. Gleichzeitig wird die Modellierung Rückschlüsse auf die erforderlichen Materialeigenschaften auf der Grundlage von Messungen an systematischen Probenserien liefern. Dieser Antrag wird daher dazu beitragen, eine Methodik zur direkten Korrelation von Materialeigenschaften und neuromorphem Verhalten zu entwickeln, die auf andere Materialien und memristive Technologien erweitert werden kann.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Taiwan
• Partnerorganisation: National Science and Technology Council (NSTC)
• Kooperationspartnerin: Professorin Dr. Jen-Sue Chen