.png){kind=icon}
返回
Modeling memristor switching behavior through phase-delay cluster analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.chaos.2025.116447.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
忆阻器是现代微电子学中有前景的组件，但由于其基础物理过程的复杂性，准确模拟其开关动力学仍然是一个挑战。本研究介绍了一种忆阻器演化建模的新型框架，其中包含一种基于状态变化率的全新聚类方法。我们的方法将每个聚类的条件概率统计估计与NMRG神经网络模型相结合，以生成真实的时间-电流开关序列。我们使用基于锆氧化物/钽氧化物（ZrO2/TaOx）的阴离子忆阻器验证了该方法，结果表明其能产生物理上合理的开关轨迹。所提出的模型为第三方模拟系统提供了一个有前景的工具，能够实现忆阻器行为的精确表征。
Keyword:
Memristor
Generative model
Time-series
Deep learning
Sequence modeling
Markov chain model
期刊
C
IF:
5.6
论文数:
1.3K
被引数:
3.8W
机构
引用论文
In Situ Transmission Electron Microscopy Observation of Nanostructural Changes in Phase-Change Memory.png)
ACS NANO
ACS NANOIF16
PREAI
分享收藏
Noise-assisted persistence and recovery of memory state in a memristive spiking neuromorphic network
OAAI
OAAI分享收藏Reliable Memristive Synapses Based on Parylene-MoO x Nanocomposites for Neuromorphic Applications基于parylene-moo x纳米复合材料的可靠忆阻突触，用于神经形态应用
PREAI
分享收藏
查看更多内容