Teltronix -神经形态计算器件和阵列测试解决方案

　　神经形态计算是一种新型的计算范式，它模仿生物神经网络（如人脑）的结构和功能以在为人工智能、机器学习、机器人和感官处理等各种应用实现高性能、低功耗和自适应学习能力。
　　神经形态计算发展至今经历了四十多年，主要分为三个阶段，模拟计算、数字计算和混合计算。2017年，英特尔第一款自主学习神经芯片Loihi问世。它采用14nm工艺，包含超过20亿个晶体管、13万个神经元和1.28亿个突触，与基于CNN训练人工智能系统的通用计算芯片相比，Loihi芯片的能效提升了1000倍。IBM的TrueNorth芯片、高通Zeroth芯片等等都属于数字计算，即架构在CMOS工艺和器件结构基础上的一种神经形态计算。因为材料和器件本身没有突破，因此仍然受限于能算比低、系统架构复杂等问题。真正的神经形态计算必须采用新型材料构成的带有易失性阻变特性的器件，对生物神经突触的STDP等特性进行行为级的拟态，因此提出了全新的系统和器件设计的范式，并不断突破着能算比的极限。

　　神经形态器件是神经形态计算系统的基本模块。它们是模拟生物神经元和突触行为的电子元件，例如尖峰、可塑性和记忆。神经形态器件可以基于不同的技术，例如忆阻器、相变材料、自旋电子学或纳米线。神经形态阵列是实现复杂神经结构和功能的互连神经形态设备的大规模网络。

　　图片
　　图1：生物神经系统和神经形态计算对比
　　神经形态计算为神经形态器件和阵列的设计、制造和测试带来了一些挑战和机遇。一方面，神经形态器件和阵列表现出高可变性、非线性、随机性和噪声，这使得它们难以表征和建模。另一方面，神经形态设备和阵列具有独特的优势，例如容错性、鲁棒性和自组织性，需要严格的测试和验证。
　　例如基于ReRAM的神经形态阵列的主要挑战之一是器件的可变性，这是由电阻开关过程固有的随机性和不均匀性引起的。设备可变性会影响神经计算的准确性和稳定性，并导致性能下降甚至故障。因此，了解设备可变性的来源和影响并开发减轻或利用它的方法非常重要。例如，可以通过优化器件制造工艺、设计参数和操作条件来减少器件可变性。或者，器件可变性可以用作随机性或多样性的来源，以增强神经形态系统的功能和适应性。
　　除了ReRAM类型之外，目前也可以用神经拟态计算的器件可以有FeRAM类型、有机FET类型、以及更为广泛和多样的二维材料异质集成所形成的阻变器件而构成。

　　图2：突触权重特性图示2

　

　　图3：两端口存算器件2
　　研究神经形态阵列的优势
　　神经形态阵列是一种利用忆阻器器件形成的小规模的、实现类似于大脑神经元连接的集成电路。
　　这种电路具有以下几个优点：
　　  可以直接在硬件层面模拟生物神经元的突触可塑性，学习和记忆过程，而无需复杂的软件算法。
　　  可以实现并行、分布式、低功耗和高效率的数据处理，适合解决复杂认知功能和任务，如图像识别、语音识别、自然语言处理等。
　　 部分器件所形成的阵列可以与现有的CMOS技术兼容，利用其成熟的制造工艺和设计方法，降低开发成本和风险。
　　为了探索其应用和优势，有必要开发新的测量技术和模块，对忆阻器器件和阵列进行精确和全面的表征和评估。
　　在阵列测试中，和器件测试和表征方法差异主要在如何高效、可靠的“选通”阵列中每个器件，进行参数表征，以及自动化的完成可靠性的相关测试，甚至可以利用测试的平台直接进行神经形态计算的仿真和验证。
　　直流扫描测试：施加从零到最大值或最小值的电压或电流斜坡，并测量相应的电流或电压响应。绘制I-V曲线并分析忆阻器器件的开关行为、迟滞、阈值和非线性。
　　脉冲测试：施加具有指定幅度、宽度、周期和数量的电压或电流脉冲，并测量相应的电流或电压响应。绘制脉冲波形并分析忆阻器器件的瞬态和动态特性，例如开关时间、保持时间、耐久性和可变性。
　　自定义脉冲测试：应用用户定义的具有可变幅度、宽度、周期和数量的脉冲序列，并测量相应的电流或电压响应。绘制脉冲波形并分析忆阻器器件的复杂和非线性行为，例如尖峰定时相关可塑性、学习、记忆和神经形态功能。
　　阵列测试：将电压或电流信号的组合施加到忆阻器阵列的行和列上，并测量每个单元的输出电流。通用的阵列结构如Crossbar等。完成阵列中每个器件的训练，并完成一定的推理任务。同时验证矩阵并性能，例如网络的Sneak Path、串扰、均匀性和可扩展性。
　　算法研究：特别针对于神经形态算法有别于卷积神经网络算法，面对不同的硬件阵列，需要提出统一的、兼容的算法模型并进行验证。
　　灵活高效的集成不同的脉冲激励源：超快电脉冲、光脉冲、压力等，是将神经拟态计算进行的拓展，从“存算”延伸为“感存算”，测试的覆盖度增强，需要高效的兼容不同的外部刺激源到整个测试系统中。