Page 370 - 《软件学报》2025年第4期

1776 软件学报 2025 年第 36 卷第 4 期

大规模并行和高能效的神经形态硬件平台提供了一种有效的途径. 然而, 受限于忆阻器系统本身的集成难度和仿
生物突触学习规则的限制, 基于忆阻器的神经形态计算仍处于利用器件进行原理探索与验证的阶段, 大规模的忆
阻器 SNN 暂时仍未被报道 [195] .

LTP LTD
V READ Synapse Synapse
From presynaptic neurons

+ − + −

To post-synaptic neurons
所示.
图 15 在横杆阵列上实现 STDP 规则 [191]

3.3.2 NVM 实现工艺
目前, 主要有 3 种工艺来实现 NVM 技术, 分别是可变电阻式存储器 (resistive random access memory, RRAM)、
相变存储器 (phase change materials, PCM) 和自旋电子学 (spintronics).
(1) 可变电阻式存储器
RRAM 是以非导性材料的电阻在外加电场作用下, 在高阻态和低阻态之间实现可逆转换为基础的 NVM. 绝
缘介质层 (阻变层) 被夹在两层金属之间, 当偏压变化时电阻会在高、低两种状态间切换, 阻变层中的导电通路会
随之呈现导通或断开两种状态, 从而实现了“0”“1”状态的区分和存储. 目前, 一共有 24 种二元金属氧化物具有阻
变特性, 可充当氧化物介质, 10 种金属材料可用作两端电极 [196] , 图 16 展示了 RRAM 的结构.
RRAM 器件可以通过与外部电容平行连接来实现 LIF 神经元, 此时内部膜电位编码在 RRAM 的电导中. 当
RRAM 处于导通状态时, 通过电路的电流会突然增加, 从而产生模拟脉冲, 两端的电压代表 LIF 特性.
文献 [197] 为了在 SNN 的硬件实现中密集集成突触, 选择在一个突触内并行使用多个 RRAM, 当进行突触读
取时, 所有 RRAM 都会同时被读取, 而当突触电导改变时, STDP 机制只在一个随机挑选的 RRAM 上启动. 实验证
明, 随着更多的 RRAM 被添加到突触中, SNN 的训练得到了明显改善.
文献 [198] 利用 RRAM 器件, 开发了一种基于存内计算架构的高能效、高精度 SNN 硬件, 支持 STDP 的在线
学习. 仿真结果表明, 在使用 MNIST 数据集进行评估时, 所提出的架构具有很高的能效, 每次脉冲的能耗约为 20 fJ,
同时保持了 95% 的推理准确率.
(2) 相变存储器
几乎所有材料, 包括金属、半导体和绝缘体, 都可以存在非晶相和晶体相. 然而, 在这些材料中, 只有极少数材
料同时具备所有特性, 使其可用于数据存储技术, 以材料相的形式存储信息. 而这些相变材料正是 PCM 存储技术
的核心, 它们可以在电流流过电极时产生的热效应作用下, 在非晶态和晶体态之间切换 [199] . PCM 材料的原理如图 17

在神经形态计算领域, PCM 器件的可变电流可用于实现 IF 脉冲神经元, 其中膜电位通过连续的结晶脉冲进
行时间整合, 器件在超过阈值后会转变为结晶状态, 随后又会复位为非晶状态, 与 IF 脉冲神经元的行为表现一致.
文献 [200] 将 SNN 与生物启发训练算法相结合, 并在基于 PCM 忆阻器的神经形态硬件上实现了这种方法.
这种方法实现的 SNN 不仅具备片上学习能力, 而且对硬件缺陷具有鲁棒性, 可在 4 位精度下实现与浮点 32 位相
当的性能, 同时与纯软件实现的 SNN 性能旗鼓相当.
文献 [201] 提出的 eSpine 是一种基于 PCM 忆阻器的神经形态计算模型, 通过在映射机器学习工作负载时考