Memristive devices for neuromorphic computing: from materials to switching mechanisms

Abstract

Traditional von Neumann architecture has brought computing to its current levels of performance. However, the data transfer efficiency between memory and CPU is failing to keep up with the increasing data sizes and requirements of Artificial Intelligence (AI). This well-established challenge has launched the development of new architectures to manufacture computing systems aiming to eliminate the data transfer between two separate units. One of these emerging technologies is neuromorphic computing. Neuromorphic computing aims to mimic the functional principles of biological brain. This is done by building arrays of synaptic devices that are capable of parallel computing, similarly to connected synapses function in biological brain. Neuromorphic computing systems are complex ensembles with aspects such as algorithms, learning rules and circuit architecture. This thesis will review different memristive devices as possible candidates for synaptic devices in neuromorphic computing. Memristive devices that are examined are phase-change memory, ferroelectric devices, electrochemical metallization cells, valence change memory and nanowire-based devices. Additionally, 2D and organic materials will be discussed for their possible future implementation in such applications. A memristive device aims to function as a single unit that combines memory and CPU in one component. This eliminates the need to transfer data between two separate components allowing for in-memory computing. Precisely this functionality makes neuromorphic computing efficient for large data manipulation and AI applications. Also, in this thesis the operating principle of each memristive device will be explored. Moreover, their advantages and issues as synaptic devices will be presented. After reviewing the memristive devices, the possible strengths of 2D and organic materials for device fabrication and unique applications will be discussed. The thesis concludes with an individual overview of the status of both neuromorphic computing and memristive devices.

Perinteinen von Neumann-arkkitehtuuri on tuonut tietokoneiden tehokkuuden nykyiselle tasolleen. Kuitenkin tiedon siirtäminen muistin ja prosessorin välillä ei kykene vastamaan kasvan tiedon määrään ja tekoälyn (AI) tarpeita. Tämä ongelma on herättänyt kiinnostusta uusien tietokonearkkitehtuurien kehittämiseksi, joiden avulla tiedon siirtäminen kahden erillisen yksikön välillä voidaan välttää. Yksi näistä uusista arkkitehtuureista on neuromorfinen laskenta. Neuromorfinen laskenta pyrkii toimintaperiaatteellaan jäljittelemään biologisten aivojen toimintaa. Tämä pyritään toteuttamaan kokoamalla rivistöjä synapsisia laitteita, jotka kykenevät toimimaan samanaikaisesti, matkien biologisten aivojen rinnakkaista toiminnallisuutta ja monimutkaisia kytköksiä keskenään. Neuromorfiset systeemit ovat vaativia kokonaisuuksia, jotka koostuvat esimerkiksi algoritmeista, oppimissäännöistä ja virtapiiriarkkitehtuurista. Tutkielmassa arvioidaan erilaisia memristoreja mahdollisina ratkaisuina synapsisten laitteiden toteuttamiseksi neuromorfisissa systeemeissä. Arvioitavat memristorit ovat faasimuutos muisti, ferrosähköiset laitteet, sähkökemialliset metallisointikennot, valenssimuutosmuisti sekä nanolanka-pohjaiset laitteet. Laitteiden lisäksi tutkielma esittelee orgaanisten ja 2D-materiaalien mahdolliset hyödyt arvioitavien laitteiden rakentamisessa. Memristori on laite, joka pyrkii yhdistämään muistin ja prosessorin yhdeksi komponentiksi. Tämän ansiosta tietoa ei tarvitse siirtää kahden komponentin välillä, mahdollistaen toiminnallisuuden laskennallisena muistina. Tästä syystä neuromorfinen laskenta voisi tarjota tehokkaan ratkaisun suuria tietomääriä käsitteleviin sovelluksiin ja tekoälyn hyödyntämiseen. Tutkielmassa esitellään käsiteltävien memristorien toimintaperiaatteet. Lisäksi eri laitteiden potentiaalia osana neuromorfista laskentaa arvioidaan vertailemalla etuja ja tämänhetkisiä haasteita. Laitteiden vertailun jälkeen esitellään orgaanisten ja 2D-materiaalien hyödyt laitteiden valmistuksessa, sekä niiden mahdolliset uniikit sovellukset materiaali kohtaisesti. Tutkielman lopussa tehdään yhteenveto neuromorfisen laskennan sekä memristorien nykytilanteesta.