由宾夕法尼亚州立大学Saptarshi Das课题组--石墨烯忆阻突触用于高精度神经形态计算

忆阻纵横式架构正在演变为人工神经网络强大的内存计算引擎。然而，最新的忆阻器提供的非易失性电导状态数量有限，这是其硬件实现的一个问题，因为训练过的权值必须四舍五入到最接近的电导状态，这将引入误差，从而极大地限制推理的准确性。此外，无法进行精确的权重更新会导致收敛问题和芯片上训练速度变慢。在本文中，通过引入基于石墨烯的多级（> 16）和具有任意可编程电导状态的非易失性忆阻突触来规避这些挑战。我们还展现出令人满意的保留和编程耐力。最后，我们证明了石墨烯忆阻器可实现基于k-均值聚类的权重分配，与矢量矩阵乘法的均匀权重量化（对于任何人工神经网络的重要组成部分）相比，它提供了更高的计算精度。

Fig. 1 石墨烯忆阻器的SET工艺。

Fig. 2 石墨烯忆阻器的内存级别，内存比率和内存保留。

Fig. 3 使用均匀分布和k均值聚类的权重分配。

Fig. 4 使用k均值聚类的基于石墨烯忆阻器的矢量矩阵乘法（VMM）。

相关研究成果于（2020年由宾夕法尼亚州立大学Saptarshi Das课题组，发表在Nature Communications (https://doi.org/10.1038/s41467-020-19203-z)上。原文：Graphene memristive synapses for high precision neuromorphic computing。