New generation of edge AI crossing technology fields

Las aplicationes de la Inteligencia Artificial (IA) se han multiplicado en los últimos años. Ahora, hay un interés creciente en sistemas de IA que operen
directamente en hardware. El enfoque más prometedor es implementar redes neuronales con memristores, que son resistencias con memoria. En el
proyecto, nos focalizamos en memorias OxRAM de tipo filamentar, que pueden utilizarse como memorias no-volátiles (MNV) pero también como
sinapsis y neuronas artificiales para circuitos neuromórficos puramente memritivos.
El principal objetivo de NeAIxt es el desarrollo de tecnología de MNVs encastadas. Nuestra contribución se centra en las memorias OxRAM que
prometen simplicidad de procesado, bajo coste, elevada velocidad y densidad de integración. En este contexto, modelos compactos simples y precisos
se necesitan para la simulación de circuitos, para evaluar las cifras de mérito de los dispositivos y para orientar la mejora del proceso de fabricación. Así
pues, nos centramos en el desarrollo de un modelo compacto behavioral para memristores, con énfasis en OxRAM. No obstante, el objetivo es
desarrollar una herramienta flexible que pueda adaptarse fácilmente a dispositivos basados en mecanismos físicos diferentes.
En colaboración con otros socios, en particular TUDamrstad y TUBITAK, se estudiará la física de la dinámica de iones y electrones. Se considerarán y
compararán dos óxidos metálicos de transición (HfO2 e Y2O3). Al combinar los resultados experimentales con el análisis de la física, se propondrán
ecuaciones mejoradas para la corriente y la memoria. Se abordarán tanto memristores volátiles como no volátiles dentro del mismo marco conceptual.
Se incluirá la variabilidad de ciclo a ciclo (C2C) y de dispositivo a dispositivo (D2D). Como requisito para la aplicabilidad del modelo, se diseñará una
metodología para la extracción de parámetros del modelo en una interfaz intuitiva. Una vez optimizado, el modelo se implementará en un simulador de
circuitos (SPICE). Así, se desarrollará una plataforma para la simulación de pequeños circuitos para estudiar el comportamiento de sinapsis y neuronas
en situaciones reales. Esto incluirá el modelado de crossbars, el estudio de dispositivos volátiles como neuronas y la combinación de neuronas y
sinapsis.
Además de considerar memristores dispositivos OxRAM, exploraremos dispositivos no convencionales y sistemas memristivos para computación inmateria.
Consideraremos dispositivos basados en superconductores de alta temperatura (YBCO) para aplicaciones criogénicas. Adaptaremos nuestro
modelo para trabajar con memristores para electrónica neuromórfica flexible. Finalmente, estudiaremos memristores basados en materiales 2D, como
MoS2, incluyendo dispositivos de dos y tres terminales. Finalmente, se investigará el comportamiento memristivo de redes de nanowires (NW)
autoorganizadas. La red compleja de nanowires puede actuar como un reservorio físico capaz de mapear entradas espacio-temporales en un espacio
de características que puede ser analizado por una capa de lectura OxRAM memristiva. En primera instancia, nos centraremos en el análisis y
modelado de las propiedades de conmutación de las uniones entre dos NW individuales. Adaptaremos nuestro modelo compacto a este tipo de
memristores. En una segunda fase, procederemos a la caracterización eléctrica de la red aleatoria de NWs, seguida de su simulación mediante SPICE.