Harnessing stochasticity and negative differential resistance for unconventional computation

Hennen, Tyler Aaron; Waser, Rainer; Gemmeke, Tobias

doi:10.18154/RWTH-2023-07044

Harnessing stochasticity and negative differential resistance for unconventional computation

Hennen, Tyler Aaron^RWTH*

2023

Verantwortlichkeitsangabevorgelegt von Tyler Aaron Hennen M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Waser, Rainer (Thesis advisor)^RWTH* ; Gemmeke, Tobias (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-07-11

Online
DOI: 10.18154/RWTH-2023-07044
URL: https://publications.rwth-aachen.de/record/961804/files/961804.pdf

Einrichtungen

Lehrstuhl für Werkstoffe der Elektrotechnik II und Institut für Werkstoffe der Elektrotechnik (611610)

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
In jüngster Zeit hat das Interesse an Materialien mit ungewöhnlichen elektronischen Eigenschaften wie starker Nichtlinearität, Hysterese und Speicherfähigkeit wieder zugenommen. Dieses Interesse ist zum Teil auf das Ende der Moore'schen Skalierung sowie auf das Aufkommen neuartiger Computerarchitekturen zurückzuführen. Derzeit wird die Rechenleistung durch den Speicherengpass begrenzt, da der physische Speicher nicht schnell oder groß genug ist, um die Pipeline der Zentraleinheit (CPU) zu speisen. Eine Alternative ist die Einführung einer neuen Speicherebene, die wesentlich schneller und skalierbarer sein muss als der vorhandene Flash-Speicher. Ein anderer Ansatz besteht darin, Systeme zu entwickeln, die die Vorteile der In-Memory-Berechnung nutzen, wie bei den vom Gehirn inspirierten Konzepten des neuromorphen Computings (NC). Um ihr volles Potenzial auszuschöpfen, ist jede dieser Strategien auf die Fähigkeit neuer Klassen von Speichertechnologien angewiesen, physikalische Mechanismen auszunutzen, die auf industrieller Ebene noch nicht vollständig genutzt werden. In dieser Dissertation werden zwei solcher im Entstehen begriffenen Nanotechnologien in der Kategorie der resistiven Schaltung (RS) untersucht. Die erste, der redoxbasierte resistive Direktzugriffsspeicher (ReRAM), ist in der Lage, biologische Synapsen zu imitieren, indem er die Speicherung einer großen Anzahl miteinander verbundener und kontinuierlich anpassbarer Widerstandswerte ermöglicht. Die zweite Technologie basiert auf Cr-dotiertem V₂O₃, einem Material mit korrelierten Elektronen, bei dem die elektronische Kontrolle von Mott-Isolator-zu-Metall-Übergängen eine schnelle und dauerhafte Möglichkeit zur Nachahmung des dynamischen Verhaltens von Neuronen bieten könnte. Hier wenden wir neuartige Methoden und Analysen elektrischer Messungen auf diese synaptischen und neuronalen Geräte an. Die neu gewonnenen Daten werfen ein weiteres Licht auf die Natur der Widerstandsübergänge und werden verwendet, um physikalisch validierte Gerätemodelle für die Einbettung in groß angelegte neuromorphe Simulationen zu entwerfen. Die hier entwickelte Messschaltung löst die seit langem bestehenden Probleme bei der externen Stabilisierung von Teststrukturen und ermöglicht die Erfassung von (I, V)-Schaltkurven um acht Größenordnungen schneller als mit handelsüblichen Geräten, wobei die gemessenen Geräte deutlich weniger elektrisch belastet werden. Bei der Anwendung des Messsystems stellen wir ein neues stochastisches Modell für Festkörpersynapsen vor, das auf einer großen Menge statistischer Messdaten von ReRAM trainiert wurde. Dieses Modell ermöglicht extrem schnelle (> 10⁸ OPS) und genaue Simulationen von großen synaptischen Arrays (> 10⁹ Zellen) und bietet ein leistungsfähiges neues Werkzeug für die statistische Analyse von resistiven Schaltdaten. Als nächstes identifizieren wir einen elektrothermischen Mechanismus hinter dem negativen differentiellen Widerstand (NDR) und der neuronalen Dynamik, die in (V₁₋ₓCrₓ)₂O₃-Nanogeräten beobachtet werden. Wir zeigen schnelle flüchtige Schaltvorgänge (< 10 ns), hohe Schaltausdauer (> 10¹² Zyklen) und günstige Skalierungseigenschaften in diesem vielversprechenden Mott-Isoliermaterial. Ein koexistierender nicht-flüchtiger (NV) Mechanismus wird untersucht und das bedingte Auftreten von Filamentierung in den Bauelementen wird mit Schaltungsinstabilitäten in Verbindung gebracht, was weitreichende Auswirkungen auf NV-Schaltungen in anderen RS-Materialien hat. Die (V₁₋ₓCrₓ)₂O₃-Studie gipfelt in einem physikalischen Modell, das das Skalierungsverhalten und die Anpassungsfähigkeit des Schwellenwerts abdeckt und eng mit den beobachteten oszillierenden Daten übereinstimmt.

Recently, there has been a resurgence of interest in materials with unusual electronic properties such as strong nonlinearity, hysteresis, and memory. This interest is due in part to the end of Moore scaling as well as the emergence of novel computing architectures. Currently, computational performance is limited by the memory bottleneck, as physical memory is not fast or large enough to feed the central processing unit (CPU) pipeline. One alternative is to introduce a new tier of memory that must be substantially faster and more scalable than existing Flash storage. Another approach is to develop schemes that take advantage of in-memory computation, as in the brain-inspired concepts of neuromorphic computing (NC). To reach their full potential, each of these strategies rely on the ability of new classes of memory technologies to exploit physical mechanisms yet to be fully harnessed on an industrial level. This dissertation contains an investigation of two such nascent nanotechnologies in the category of resistive switching (RS). The first, redox-based resistive random access memory (ReRAM), is capable of mimicking biological synapses by allowing storage of large numbers of interconnected and continuously adaptable resistance values. The second technology is based on Cr-doped V₂O₃, a correlated-electron material for which electronic control of Mott insulator-to-metal transitions potentially offers a fast and durable way to emulate the dynamical behavior of neurons. Here, we apply reimagined methods and analysis of electrical measurement to these synaptic and neuronal devices. The newly acquired data sheds further light on the nature of the resistance transitions and is used to design physically validated device models for embedding in large-scale neuromorphic simulations. The measurement circuitry developed here addresses long-standing challenges in the external stabilization of device test structures, and allows (I, V) switching curves to be captured eight orders of magnitude faster than with commercially available equipment, while causing significantly less electrical stress to the measured devices. Applying the measurement system, we introduce a new stochastic device model for solid-state synapses that is trained on a mass quantity of statistical measurement data of ReRAM. This model enables extremely fast (> 10⁸ OPS) and accurate simulations of large synaptic arrays (> 10⁹ cells) and provides a powerful new tool for statistical analysis of resistive switching data. Next, we identify an electro-thermal mechanism behind the negative differential resistance (NDR) and neuronal dynamics observed in (V₁₋ₓCrₓ)₂O₃ nanodevices. We show fast volatile switching (< 10 ns), high switching endurance (> 10¹² cycles), and favorable scaling characteristics in this promising Mott insulating material. A coexisting non-volatile (NV) mechanism is investigated and the conditional occurrence of filamentation in the devices is linked to circuit instabilities, with wider implications for NV switching in other RS materials. The (V₁₋ₓCrₓ)₂O₃ study culminates in a physical model that covers the scaling behavior and threshold adaptability, and is closely fit to observed oscillatory data.

OpenAccess:
PDF
(zusätzliche Dateien)