[发明专利]图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学习规则和图像模式识别方法

说明书

本发明涉及一种图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学习规则和图像模式识别方法，包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别。本发明实现STDP学习规则和图像模式识别方法，通过电压调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟与数字阻变行为，并且在该忆阻系统中实现可调节的学习精度和速度模拟模式识别。

技术领域

本发明属于微电子器件领域，涉及忆阻设备，具体涉及一种图像模式识别模拟与数字混合忆阻设备及制备，实现STDP学习规则和图像模式识别方法。

背景技术

近年来，构建类似人脑的神经形态计算系统，引起了人们的极大兴趣。忆阻设备被认为是人工神经网络(ANNs)构建的潜在构建模块。它的电导表示两个神经元之间连接的强度，可以通过外部刺激动态调制。模式识别是开发智能计算机的一项重要任务，能够在危险或繁琐的任务中协助或替换人类。利用忆阻神经网络实现模式识别，具有低功耗和高集成密度的特点，这有利于未来的大规模和高能效应用。对于模式识别，学习准确性和速度是两个关键参数，这直接关系到系统是否有效地执行了识别任务。高精度的学习可以很好地消除干扰，有助于获得正确的信息检测和识别。另一方面，高速学习的实现可以大大提高整个模式识别系统的效率。在基于忆阻设备的模式识别中，其学习精度和速度与器件电导的变化行为密切相关。而忆阻设备根据电阻状态的变化是连续的还是离散的可分为模拟和数字阻变(A-RS和D-RS)两种类型。用忆阻设备来实现模式识别的功能时，模拟型学习高精度更高，而后者学习速度快。在实际应用中，不可避免地要满足不同的要求，以优先考虑速度或准确性。因此，具有可调节的学习精度和速度的神经形态系统可以帮助根据要求实现最佳性能。由A-RS和D-RS设备组成的忆阻神经网络的构造可以灵活地控制学习准确性和速度。然而，仍然缺乏有效的方法来构建这种忆阻人工神经网络。因为这需要在相同的ANN中使用两种类型的忆阻设备，而这会使制造过程更为复杂。开发一种具有A-RS和D-RS行为共存的忆阻设备能有效解决这个问题。同时，由具有两种RS行为的忆阻设备组成的系统可以提供对比模式识别性能的平台，这可以构建更复杂的神经形态网络硬件。

针对上述问题，我们构建了基于WOx的忆阻设备件。并且通过调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟-数字混合忆阻行为。此外，我们首次开发了一种可行的方法，在模拟-数字混合忆阻系统中实现可调节的学习精度和速度模拟模式识别。

发明内容

本发明的目的是提供一种图像模式识别模拟与数字混合忆阻设备，实现STDP学习规则和图像模式识别方法，通过电压调整界面电阻和体电阻，在单个Au/WOx/Ti忆阻设备件中演示了模拟与数字阻变行为，并且在该忆阻系统中实现可调节的学习精度和速度模拟模式识别；本发明的目的还提供一种图像模式识别的模拟与数字混合忆阻设备的制备方法；实现STDP学习规则和图像模式识别方法。

为了达到上述目的，本发明有如下技术方案：

本发明的一种图像模式识别的模拟与数字混合忆阻设备，包括底电极，顶电极，位于两电极之间的氧化钨薄膜组成的阻变功能层，该薄膜由磁控溅射生长；在小电压刺激下设备呈现模拟型阻变，在大电压下刺激下设备呈现数字型阻变，并且通过信号设计两种阻变行为都能实现STDP学习规则和图像模式识别。

其中，所述的底电极为惰性金属电极。

其中，所述的顶电极为惰性金属电极。

其中，所述的氧化钨薄膜，其厚度为50nm～100nm；所述底电极为Ti或Pt制成的惰性金属电极；所述顶电极为Au、Pt制成的惰性金属电极。

本发明的图像模式识别的模拟与数字混合忆阻设备的制备方法，包括以下步骤：

步骤一：将Ti或Pt衬底依次用丙酮、乙醇、去离子水超声清洗8～15分钟，用氮气吹干；