面向神经网络的模拟型阻变存储器的可靠性研究

神经网络计算引发了新一轮信息技术革命，也对硬件的性能提出了更高的需求。基于模拟型阻变存储器的存算一体系统可以有效缓解存储墙问题，阻变存储器的可靠性退化问题是影响存算一体系统准确率的关键因素，当前尚缺乏面向神经网络应用的可靠性研究。
本书从神经网络计算的应用需求出发，建立了从器件到系统的跨层次可靠性分析与评估框架；围绕模拟型阻变存储器的数据保持特性建立了适用于多阻态、多温度和多阵列形态的阵列级保持特性退化模型；针对现有的循环耐久性表征方法难以模拟在线训练时权重更新的问题提出了小步长增量阻变方法，并通过阶段式采样模拟阻变曲线证明了循环耐久性的耦合效应是导致在线训练准确率损失的直接原因。
本书可供从事神经网络计算、阻变存储器、可靠性研究的高校师生、科研院所研究人员及相关技术人员阅读参考。