MétaCan
Menu
Retour à la cohorte
Enregistrement W4322744407 · doi:10.1002/adfm.202213296

Set/Reset Bilaterally Controllable Resistance Switching Ga‐doped Ge<sub>2</sub>Sb<sub>2</sub>Te<sub>5</sub> Long‐Term Electronic Synapses for Neuromorphic Computing

2023· article· en· W4322744407 sur OpenAlexafffund
Qiang Wang, Ren Luo, Yankun Wang, Wencheng Fang, Luyue Jiang, Yangyang Liu, Ruobing Wang, Liyan Dai, Jinyan Zhao, Jinshun Bi, Zenghui Liu, Libo Zhao, Zhuangde Jiang, Zhitang Song, Jutta Schwarzkopf, Thomas Schroeder, Shengli Wu, Zuo‐Guang Ye, Wei Ren, Sannian Song, Gang Niu

Notice bibliographique

RevueAdvanced Functional Materials · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Memory and Neural Computing
Établissements canadiensSimon Fraser University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésNeuromorphic engineeringMemristorMaterials scienceEmulationCMOSOptoelectronicsComputer scienceArtificial neural networkElectronic engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Long‐term plasticity of bio‐synapses modulates the stable synaptic transmission that is quite related to the encoding of information and its emulation using electronic hardware is one of important targets for neuromorphic computing. Ge 2 Sb 2 Te 5 (GST) based phase change random access memory (PCRAM) has become a strong candidate for complementary‐metal‐oxide‐semiconductor (CMOS) compatible integrated long‐term electronic synapses to cope with the high‐efficient and low power consumption data processing tasks for neuromorphic computing. However, the performance of PCRAM electronic synapses is still quite limited due to the challenges in linear and continuous conductance regulation, which originates from the fast and uncontrollable resistance switching characteristic of conventional PCRAM for the data storage application. Here an in‐depth study is reported on the impact of gallium (Ga) doping on GST (GaGST) structural properties and on the corresponding 0.13 µm CMOS technology fabricated PCRAM integrated devices with a mushroom structure. The Ga doping effectively retarded the crystallization process of GST by augmenting the local disorder of GeTe 4‐n Ge n tetrahedron, which subsequently leads to the Set/Reset bilaterally controllable resistance switching of corresponding PCRAM devices. The optimized 6.5%GaGST electronic synapses demonstrate gradual resistance switching characteristics and a good multilevel retention feature and eventually exhibit outstanding long‐term synaptic plasticity like potentiation/depression and spiking time dependent plasticity in four forms. Such long‐term electronic synapses are applied to handwritten digits recognition (96.22%) and CIFAR‐10 image categorization (93.6%) and attain very high accuracy for both tasks. These results provide an effective method to achieve high performance PCRAM electronic synapses and highlight the great potential of GaGST PCRAM as a component for future high‐performance neuromorphic computing.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,020
Tête enseignante GPT0,233
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations98
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetAdvanced Memory and Neural ComputingTravaux en français237 207