А.В. Степанов¹, А.И. Белов², Е.В. Окулич², Р.А. Шуйский², Д.С. Королев², А.Н. Михайлов²

¹Чувашская государственная сельскохозяйственная академия, 428003, Чебоксары, Российская Федерация

²Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, 603950, Нижний Новгород, Российская Федерация

мемристор, оксид кремния, ионное облучение, влияние на рабочие характеристики

Среди наиболее интенсивно развивающихся, «прорывных» направлений в области информационных технологий – разработка нейроморфных систем, которые по своей архитектуре и функциональным возможностям подобны мозгу. Создание таких систем означает качественный скачок в развитии технологий, актуальный для самых разнообразных сфер применения в быту и на производстве, в том числе и для сельского хозяйства. Одним из эффективных путей аппаратной реализации данной задачи является создание мемристоров – устройств компьютерной памяти на основе тонкопленочных структур (RRAM), изменяющих свое электросопротивление (испытывающих переключение) под действием электрического поля или протекающего тока. Наряду с несомненными достоинствами, мемристоры имеют существенный недостаток, тормозящий их коммерциализацию – большой разброс параметров и низкую воспроизводимость рабочих характеристик. Для мемристивных структур типа металл–диэлектрик–металл это в основном связано со случайным характером формирования ключевых элементов таких структур – филаментов.

В данной работе предложено управлять процессом формирования филаментов путем облучения поверхности диэлектрика ускоренными ионами. Последние создают в диэлектрике обогащенные дефектами области («каскады смещения»), в которых зарождаются филаменты. На примере облучения ионами Хе⁺ (с энергией 5 кэВ) поверхности диэлектрика в мемристивной структуре Au/SiO₂/TiN установлено, что облучение позволяет снизить разброс напряжения, необходимого для формирования филаментов, уменьшить вариацию вольтамперных характеристик при повторных циклах переключения, а также увеличить отношение токов в высокоомном и низкоомном состояниях мемристора. Предложено объяснение указанного эффекта. Таким образом, эксперимент указывает на перспективность данного способа управления параметрами мемристора.

Among of most intensively developing breakthrough areas of information technology is the development on neuromorphic systems which are similar to brain in their potentials. The development of such systems would be the quality jump which is important for most varied fields of the employments at everyday life and industry including agriculture. One of the most effective methods of hardware realization of given task is the engineering of memristors – the device of computer memory basing on thin-film structures (RRAM) which changes its resistivity (switching) under action of electric field or current. Along with the undoubted advantages, the memristors have a significant shortcoming which inhibits its commercialization – high struggling of the parameters and low reproducibility of work characteristics. For the memristive structure of “metal–dielectric–metal” type, this mainly is associated with random (stochastic) character of key component forming of such structures – filaments.

In the given work, the government of forming filament process – by the ion irradiation of the dielectric surface – is suggested. The ions create defective regions “displacement cascades” in the dielectric. They serve as places of filaments generation. On the example of the irradiation of the surface of dielectric in memristive structure Au/SiO₂/TiN bу Xe⁺ ions with energy of 5 keV, it is established that the irradiation allows decreasing the straggling of parameters and increasing the ratio of the current in high vs. low resistance states. The explanation of this effect is suggested. So, the experiments points out to the perspective of given method for governing the parameters of the memristor.

1. Национальная научно-технологическая политика «быстрого реагирования»: рекомендации для России: аналитический доклад / Н. Г. Куракова [и др.]. – М.: Издательский дом «Дело» РАНХиГС, 2014. – 160 с.


2. Риссел, Х. Ионная имплантация / Х. Риссел, И. Руге. – М.: Наука, 1983. – 359 с.


3. Akopyan, F. TrueNorth: Design and Tool Flow of a 65mW 1 Million Neuron Programmable Neurosynaptic Chip / F. Akopyan, J. Sawada, A. Cassidy // IEEE Trans. Computer-Aided Design of Integrated Circuits and Systems. – 2015. – Vol. 34. – № 10. – P.1537-1557.


4. Chua, L. Memristor – the missing circuit element / L. Chua // IEEE Trans. Circuit Theory. – 1971. – Vol. 18. – P. 507-519.


5. Gupta, I. Real-time encoding and compression of neuronal spikes by metal-oxide memristors / I. Gupta, A. Serb, A. Khiat // Nature Commun. – 2016. – Vol.7. – P.12805.


6. Ha, S. D. Adaptive oxide electronics: а review / S. D. Ha, S. Ramanathan // J. Appl. Phys. – 2011. – Vol.110. – P.071101.


7. Kuzum, D. Synaptic electronics: materials, devices and applications / D. Kuzum, S. Yu, H. S. Philip Wong // Nanotechnology. – 2013. – Vol. 24. – P.382001.


8. Mead, C. Neuromorphic electronic systems / C. Mead // Proceedings IEEE. – 1990. – Vol.78. – No. 10. – P.1629-1636.


9. Mehonic, A. Nanoscale Transformations in Metastable, Amorphous, Silicon-Rich Silica / A. Mehonic, M. Buckwell, L. Montesi // Adv. Mat. – 2016. – Vol. 28. – P. 7486-7493.


10. Memristor Networks / A. Adamatzky, L. Chua. – Switzerland: Springer International Publishing, 2014. – 720 p.


11. Resistive Switching: From Fundamentals of Nanoionic Redox Processes to Memristive Device Applications / D. Ielmini, R. Waser (Eds.). – WILEY-VCMH, 2016. – 784 p.


12. Siegler, J. TRIM and SRIM / J. Siegler // Interactions of ions with matter. – 2018. – URL: http://www.srim.org (Accessed: 15.03.2018).


13. Spaanenburg, L. Networked Neural Systems / L. Spaanenburg, W. J. Jansen // In: Chips 2020. – Vol. 2. – Switzerland: Springer International Publishing, 2016. – P. 231-242.


14. Thomas, A. Memristor-based neural networks / A. Thomas // J. Phys. D: Appl. Phys. – 2013. – Vol. 46. – P.093001.


15. Vourkas, Emerging Memristor-Based Logic Circuit Design Approaches: а Review / I. Vourkas, G. Ch. Sirakoulis // IEEE Circ. Sys. Mag. – 2016. – Vol.16. – P. 15-30.


16. Werner, T.Spiking Neural Networks Basedon OxRAM Synapses for Real-Time Unsupervised Spike Sorting / T. Werner, E. Vianello, O. Bichler // Frontiers in Neuroscience. – 2016. – Vol.10. – P. 474.