MgO-puskurikerrokselle kasvatettujen GCMO-pohjaisten kapasitiivisten memristorien käyttö integroivana neuronina

Abstract

Useimmissa nykytietokoneissa käytössä olevassa von Neumann -arkkitehtuurissa prosessori ja muisti ovat erillään, mikä aiheuttaa pullonkaulan datan kulkiessa näiden välillä. Tämä rajoittaa laskentatehoa ja kuluttaa paljon energiaa. Lupaavana ratkaisuna tähän on biologisia aivoja mallintava neuromorfinen laskenta, joka hyödyntää jännitepiikkejä käyttäviä neuroverkkoja. Suuren laskentatehon ja samalla pienen energiankulutuksen mahdollistaa laskennan rinnakkainen ja tapahtumapohjainen luonne.

Neuroverkot koostuvat neuroneista ja niitä yhdistävistä synapseista. Yleisin jännitepiikkejä käyttävissä neuroverkoissa käytetty neuronimalli on leaky-integrate-and-fire-malli, joka biologisen neuronin tavoin integroi tulevat jännitepulssit kasvattamalla kalvojännitettä, vuotaa jännitepulssien välillä ja tuottaa uuden jännitepulssin kynnysjännitteen ylittyessä. Potentiaaliseksi vaihtoehdoksi laitetason toteutukseen ovat nousseet memristorit eli muistivastukset. Alumiinin ja Gd(1-x)Ca(x)MnO(3):n (\mbox{GCMO}) rajapintaan perustuvilla memristoreilla on havaittu sekä haihtuvan että haihtumattoman muistin ominaisuuksia riippuen GCMO:n rakenteesta. Tässä työssä tarkasteltiin MgO-puskurikerroksen vaikutusta GCMO:n rakenteeseen ja näin valmistettujen Al/GCMO-memristorien leaky-integrate-neuroniominaisuuksia.

Sarja eripaksuisia MgO-ohutkalvoja kasvatettiin STO-alustalle (STO) laserhöyrystyksellä. Ohutkalvojen rakenteellisia ominaisuuksia tarkasteltiin röntgendiffraktiolla ja atomivoimamikroskoopilla. MgO-puskurikerrosten päälle kasvatettiin Gd(0,2)Ca(0,8)MnO(3)-ohutkalvot ja myös niiden rakennetta tarkasteltiin röntgendiffraktiolla. Optisella litografialla kuvioitujen Al/GCMO-memristorien resistiivistä kytkentää ja leaky-integrate-neuroniominaisuuksia tarkasteltiin ArC ONE -mittalaitteella. Neuroniominaisuuksia mitattiin kahden erilaisen SET-jännitepulssisarjan avulla.

Rakneteelliset mittaukset osoittivat MgO:n kasvavan STO:lle epitaksiaalisena ja GCMO:n MgO-puskurikerrokselle monikiteisenä. Vaikka kaikilla näytteillä havaittiin resistiivistä kytkentää, memristorien toiminnassa oli paljon vaihtelevuutta ja epävakautta, eikä memristiivisille ominaisuuksille voitu todeta suoraa riippuvuutta puskurikerroksen paksuudesta. Tulokset näyttivät kuitenkin jo, että ohutkin puskurikerros riittää leaky-integrate-neuroniominaisuuksien ilmenemiseen. Tämä on lupaava tulos neuromorfisten systeemien skaalautuvuuden kannalta, sillä puskurikerroksen käyttö mahdollistaisi synapsina ja neuronina toimivien memristorien valmistamisen samalle alustalle.