Sviluppo e dimostrazione sperimentale di una rete neurale a sinapsi memristive capace di apprendimento non supervisionato

In the “Internet of Things” era, it’s everyday more necessary to solve data analytics task, such as information extraction from images, videos and sounds. CMOS digital technology isn’t well suited for this purpose, that’s why there’s been a growing interest in neuromorphic networks, thanks to their abilities to learn and classify patterns, optimizing the answer to surrounding events. In neural networks, computation is obtain by summing the signals generated inside synapses. The synapse’s activity (weight), is ruled by neuron’s synchrony, which can induce synapse’s potentiation and depression. Resistive switching memories (RRAM) have been proposed as artificial synapses, thanks to their variable resistance, low power operation and scaling. This thesis, deals with a neuromorphic network experimental realization able to biological STDP learning, using one-transistor-one-resistor (1T1R) synapses, where the resistive element is a HfO2 RRAM with bipolar switching. After spike-timing dependent plasticity (STDP) characterization on a single cell, a synapse matrix able to long time potentiation and depression (LTP/LTD) was build, and pattern learning proven.

Entrando nell’era dell’ ”Internet of Things” (IoT), assistiamo a una forte crescita della necessità di risolvere problemi di analisi dati, come estrarre informazioni da immagini, video e suoni. La tecnologia digitale CMOS non è perfettamente adatta a questo tipo di compiti, per questo aumenta sempre di più l’interesse per le reti neuromorfiche, grazie alla loro abilità di imparare e classificare pattern all’interno del rumore in cui sono immersi, ottimizzando la risposta agli eventi circostanti. Nelle reti neurali, la computazione è ottenuta attraverso la somma di segnali generati all’interno delle connessioni sinaptiche. L’attività sinaptica (peso), è dettata dallo sincronia dello sparo (fire) dei neuroni, introducendo potenziamento e depressione della connessione sinaptica. Le memorie a switching resistivo (RRAM) sono state proposte come sinapsi artificiali in reti neuromorfiche, grazie alla loro resistenza variabile, funziona- mento a basso consumo di potenza e scalabilità. Questa tesi illustra la prima realizzazione sperimentale di un circuito neuromorfico con apprendimento biologico di tipo STDP, utilizzante sinapsi in struttura one-transistor/one-resistor (1T1R), dove l’elemento resistivo è una RRAM in HfO2 a switching bipolare. Dopo aver caratterizzato una singola cella per spike-timing dependent plasticity (STDP), è stata costruita una matrice di sinapsi capace di potenziamento e depressione a lungo termine (LTP/LTD)e apprendimento di pattern di vario tipo, come immagini.