h1

000961804 001__ 961804
000961804 005__ 20241119132738.0
000961804 0247_ $$2HBZ$$aHT030072659
000961804 0247_ $$2Laufende Nummer$$a42430
000961804 0247_ $$2datacite_doi$$a10.18154/RWTH-2023-07044
000961804 037__ $$aRWTH-2023-07044
000961804 041__ $$aEnglish
000961804 082__ $$a621.3
000961804 1001_ $$0P:(DE-82)IDM06521$$aHennen, Tyler Aaron$$b0$$urwth
000961804 245__ $$aHarnessing stochasticity and negative differential resistance for unconventional computation$$cvorgelegt von Tyler Aaron Hennen M.Sc.$$honline
000961804 260__ $$aAachen$$bRWTH Aachen University$$c2023
000961804 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000961804 3367_ $$02$$2EndNote$$aThesis
000961804 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000961804 3367_ $$2BibTeX$$aPHDTHESIS
000961804 3367_ $$2DRIVER$$adoctoralThesis
000961804 3367_ $$2DataCite$$aOutput Types/Dissertation
000961804 3367_ $$2ORCID$$aDISSERTATION
000961804 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2023$$gFak06$$o2023-07-11
000961804 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000961804 5203_ $$aIn 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.$$lger
000961804 520__ $$aRecently, 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.$$leng
000961804 588__ $$aDataset connected to Lobid/HBZ
000961804 591__ $$aGermany
000961804 7001_ $$0P:(DE-82)IDM01464$$aWaser, Rainer$$b1$$eThesis advisor$$urwth
000961804 7001_ $$0P:(DE-82)IDM01616$$aGemmeke, Tobias$$b2$$eThesis advisor$$urwth
000961804 8564_ $$uhttps://publications.rwth-aachen.de/record/961804/files/961804.pdf$$yOpenAccess
000961804 8564_ $$uhttps://publications.rwth-aachen.de/record/961804/files/961804_source.zip$$yRestricted
000961804 909CO $$ooai:publications.rwth-aachen.de:961804$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000961804 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM06521$$aRWTH Aachen$$b0$$kRWTH
000961804 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01464$$aRWTH Aachen$$b1$$kRWTH
000961804 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01616$$aRWTH Aachen$$b2$$kRWTH
000961804 9141_ $$y2023
000961804 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000961804 9201_ $$0I:(DE-82)611610_20140620$$k611610$$lLehrstuhl für Werkstoffe der Elektrotechnik II und Institut für Werkstoffe der Elektrotechnik$$x0
000961804 961__ $$c2023-08-18T10:11:41.482994$$x2023-07-18T20:46:15.453813$$z2023-08-18T10:11:41.482994
000961804 980__ $$aI:(DE-82)611610_20140620
000961804 980__ $$aUNRESTRICTED
000961804 980__ $$aVDB
000961804 980__ $$aphd
000961804 9801_ $$aFullTexts