Математическое моделирование процессов резистивного переключения в мемристоре и обработки информации в мемристорно-диодных кроссбарах входного и выходного устройств биоморфного нейропроцессора тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ибрагим Абдулла Хайдар Абдо

• Ибрагим Абдулла Хайдар Абдо
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Ибрагим Абдулла Хайдар Абдо

ВВЕДЕНИЕ

ГЛАВА 1. Обзор работ по моделированию резистивного переключения мемристора, импульсного кодирования и декодирования информации в нейропроцессоре

1.1. Математические моделирование резистивных состояний и переключения мемристора на основе оксида металла

1.2. Мемристорно-диодный кроссбар - новый компонент наноэлектроники как основа аппаратного устройства биоморфного нейропроцессора

1.2.1. Концепция аппаратного устройства биоморфного нейропроцессора

1.2.2. Мемристорно-диодный кроссбар для логической матрицы

1.2.3. Логическая матрица для входного кодирующего и выходного декодирующего устройств нейропроцессора

1.3. Биоморфное импульсное кодирование и декодирование информации, реализуемые на базе элементов логической матрицы

1.3.1. Принципы импульсного кодирования информации в биологических системах

1.3.2. Способы кодирования информации в импульсы

ГЛАВА 2. Математическое моделирование процесса резиствного переключения в мемристоре на основе оксида металла

2.1. Полная математическая модель процессов тепломассопереноса кислородных вакансий и ионов

2.2. Аналитическая и численная модели резистивного переключения мемристора

2.3. Итерационный алгоритм моделирования процесса резистивного переключения мемристора и его реализация в виде проблемно-ориентированной программы

2.4. Математическое моделирование процесса резистивного переключения мемристора

2.4.1. Моделирование на основе аналитической и простой численной моделей резистивного переключения мемристора

2.4.2. Моделирование на основе полной математической модели резистивного переключения мемристора

2.4.3. Распределение температуры по толщине оксидного слоя

2.5. Выводы к главе

ГЛАВА 3. Моделирование процессов обработки информации во входном устройстве нейропроцессора

3.1. Алгоритм и проблемно-ориентированная программа MDC-SPICE для моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары

3.2. Программа визуализации результатов расчетов, полученных с помощью симулятора MDC-SPICE

3.3. Алгоритм и программа автоматического построения электрической схемы входного кодирующего устройства

3.4. Математическое моделирование процесса импульсного кодирования информации во входном устройстве

3.5. Выводы к главе

ГЛАВА 4. Моделирование процесса обработки информации в выходном устройстве нейропроцессора

4.1. Пространственно-временное преобразование информации, представленной импульсами напряжения

4.1.1. Преобразование частоты импульсов от одного нейрона

4.1.2. Маршрутизация импульсов от популяции нейронов

4.2. Алгоритм и программа автоматического построения электрической схемы выходного декодирующего устройства

4.3. Вычислительный эксперимент по моделированию процессов декодирования импульсов от нейронного блока в двоичный код

4.4. Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ

ОБЩАЯ ХАРАКЕТРИСТИКА РАБОТЫ

Введение диссертации (часть автореферата) на тему «Математическое моделирование процессов резистивного переключения в мемристоре и обработки информации в мемристорно-диодных кроссбарах входного и выходного устройств биоморфного нейропроцессора»

Актуальность темы.

В настоящее время осуществлена разработка уникального биоморфного нейропроцессора на основе мемристорно-диодного кроссбара, реализующего аппаратную биоморфную импульсную нейросеть с большим числом нейронов для традиционных задач обработки информации, в том числе распознавания паттернов в видео и аудио информации, а также для воспроизведения работы кортикальной колонки мозга или её фрагмента [Pisarev A.D., Busygin A.N., Udovichenko S.Yu., Maevsky O.V. A biomorphic neuroprocessor based on a composite memristor-diode crossbar // Microelectronics Journal. 2020. V.102. Article 104827]. Уникальность биоморфного нейропроцессора состоит в том, что он построен на основе развитой электрической биоморфной модели нейрона и является биоморфным еще и с точки зрения выполнения функций биоморфной нейросети, созданной на основе оригинальной программной биоморфной модели нейрона. Впервые продемонстрирована генерация новой ассоциации (нового знания) при обработке импульсов в изготовленном мемристорно-диодном кроссбаре аппаратной импульсной нейросети процессора в отличие от ассоциативного самообучения в существующих аппаратных нейросетях с синапсами на базе дискретных мемристоров.

Биоморфный нейропоцессор качественно отличается от существующих нейропроцессоров на простых нейронах, предназначенных для работы компьютерного зрения, машинного обучения и других систем со слабым искусственным интеллектом. Поступление новой неизвестной информации в биоморфном нейропроцессоре можно отожествлять с генерацией новых ассоциаций и при совершенствовании его биоморфной нейросети научиться

осмысливать эту информацию и, следовательно, совершить переход от слабого к сильному искусственному интеллекту.

В качестве ключевых узлов аппаратной части нейропроцессора используются сверхбольшие запоминающая и логическая матрицы, представляющие собой массив мемристорных синапсов и задающие вес и маршрут связи между нейронами соответственно. В составе нейропроцессора имеются также входное кодирующее и выходное декодирующее устройства, построенные с помощью универсальной логической матрицы на основе комбинированного мемристорно-диодного кроссбара.

Для демонстрации работоспособности высокопроизводительных систем обработки информации с помощью больших мемристорных массивов необходимо разработать достаточно простой алгоритм и проблемно-ориентированную программу моделирования процесса переключения резистивных состояний мемристора на основе анализа математической модели тепломассопереноса зарядов в электрическом поле мемристорного слоя. Такой алгоритм моделирования важен для программирования резистивных состояний мемристоров в больших матрицах, а также при реализации ассоциативного самообучения аппаратной нейросети нейропроцессора, построенной на основе запоминающей матрицы с мемристорно-диодным кроссбаром.

Поскольку биоморфный нейропроцессор является аппаратной реализацией импульсной нейросети, необходимо преобразовать поступающую информацию из набора чисел в импульсы, а выходящую, наоборот, из импульсов в двоичный код. Для автоматизированного построения электрических схем входного и выходного устройств нейропроцессора с помощью сверхбольших логических матриц на основе мемристорно-диодного кроссбара необходима разработка соответствующих алгоритмов моделирования и специальных программ. Для последующего

имитационного моделирования работы этих устройств необходима специализированная программа расчета больших электрических схем, содержащих мемристорно-диодные кроссбары, а также создание программного модуля для визуализации результатов расчетов.

Целью диссертационной работы является создание алгоритмов моделирования и на их основе комплекса проблемно-ориентированных программ, предназначенных для вычислительных экспериментов по имитационному моделированию процессов переключения резистивных состояний мемристора, а также обработки информации в кодирующем и декодирующем устройствах биоморфного нейропроцессора, включающих логическую матрицу с комбинированным мемристорно-диодным кроссбаром.

Задачи работы:

1. Построить итерационный алгоритм и создать проблемно-ориентированную программу для моделирования процесса резистивного переключения мемристора на основе анализа полной математической модели процессов стационарного тепломассопереноса кислородных вакансий и ионов.

2. Провести вычислительный эксперимент по имитационному моделированию процесса резистивного переключения мемристора из низкопроводящего в высокопроводящее состояние.

3. Построить алгоритм и создать проблемно-ориентированную программу MDC-SPICE (Memristor-Diode Crossbar - Simulation Program with Integrated Circuit Emphasis) для имитационного моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары.

4. Разработать алгоритмы и программы автоматического построения электрических схем входного и выходного устройств нейропроцессора, включающих логическую матрицу с мемристорно-диодным кроссбаром, а также

программу для визуализации результатов расчета, полученных с помощью симулятора MDC-SPICE.

5. Провести вычислительный эксперимент по имитационному моделированию в программе MDC-SPICE работы входного устройства в режиме кодирования двоичного числа в частоту импульсов популяцией из трех нейронов и работы выходного устройства в режиме декодирования поступающих от нейронов импульсов в двоичный формат.

Научная новизна.

1) Разработаны итерационный алгоритм и на его основе проблемно -ориентированная программа для математического моделирования процесса резистивного переключения мемристора с применением метода конечных разностей, построенные на основе анализа полной математической модели процессов стационарного тепломассопереноса кислородных вакансий и ионов, включающей их генерацию, рекомбинацию, диффузию и дрейф в электрическом поле в структуре металл-оксид-металл при доминирующем транспортном механизме туннелирования электронов через кислородные вакансии.

2) Разработаны алгоритм и проблемно-ориентированная программа MDC-SPICE (Memristor-Diode Crossbar - Simulation Program with Integrated Circuit Emphasis) на основе известного симулятора SPICE и уточнённых математических моделей мемристора и селективного элемента диода Зенера для имитационного моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары. Одной из подпрограмм MDC-SPICE является разработанная программа для моделирования процесса резистивного переключения мемристора.

3) Разработаны алгоритмы и программы автоматического построения электрических схем входного кодирующего и выходного декодирующего устройств биоморфного нейропроцессора, включающих логическую матрицу с

комбинированным мемристорно-диодным кроссбаром, а также программа для визуализации результатов расчета, полученных с помощью симулятора MDC-SPICE.

4) С помощью имитационного моделирования в программе MDC-SPICE показана работоспособность входного устройства нейропроцессора в режиме кодирования двоичного числа в частоту импульсов популяцией из трех нейронов и выходного устройства нейропроцессора, проводящего декодирование поступающих от нейронов импульсов в двоичный формат.

5) Создан и сертифицирован Программный комплекс, предназначенный для математического моделирования работы отдельных элементов -мемристоров и мемристорно-диодных массивов в нейропроцессоре и включающий: «Программу для расчетов резистивных состояний и переключения мемристора», свидетельство о ГРП для ЭВМ № 2021611392 от 27.01.2021; «Программу MDC-SPICE для расчета больших электрических схем, содержащих мемристорно-диодные кроссбары», №2021612448 от 17.02.2021; «Программный модуль для автоматического построения электрической схемы входного блока нейропроцессора, № 2021663088 от 13.07.21; «Программный модуль для автоматического построения электрической схемы выходного блока нейропроцессора», № 2021663870 от 25.08.2021; «Программу для визуализации результатов расчета, полученных с помощью симулятора MDC-SPICE, № 2021663717 от 23.08.2021.

Научная и практическая значимость результатов работы

Научная значимость заключается в разработке эффективных проблемно-орентированных программ для моделирования процесса резистивного переключения мемристора, процессов обработки информации в больших мемристорно-диодных массивах, а также программ автоматического построения электрических схем входного кодирующего и выходного декодирующего устройств. Моделирование процесса переключения

мемристора из низкопроводящего состояния в высокопроводящее важно для начального программирования резистивных состояний мемристоров в больших матрицах, а также при реализации ассоциативного самообучения аппаратной нейросети нейропроцессора, построенной на основе запоминающей матрицы с мемристорно-диодным кроссбаром.

Созданный комплекс программ может быть использован для эффективного решения инженерно-технической задачи создания биоморфного нейропроцессора, требующей имитационного моделирования процессов программирования мемристоров и обработки информации в отдельных устройствах процессора, построенных на основе больших мемристорно-диодных массивах и требующих оптимизации их параметров.

Результаты по разработке программных продуктов, обеспечивающих моделирование процессов обработки информации в биоморфном нейропроцессоре, реализующего аппаратную импульсную нейросеть, востребованы при проектировании его прототипа совместно с АО НИИ Молекулярной Электроники (НИИМЭ) - головного предприятия приоритетного технологического направления «Электронные технологии» РФ и изготовлении на предприятии ПАО «Микрон», г. Москва, Зеленоград.

Материал, представленный в диссертации, используется в образовательном процессе Физико-технического института ТюмГУ: лекции и практические занятия для бакалавриата по курсу «Основы микроэлектроники» и в рамках подготовки аспирантов по курсам «Приборы на базе наноструктур и физические принципы их работы».

Основные положения, выносимые на защиту

1) Итерационный алгоритм, построенный с помощью метода конечных разностей, и проблемно-ориентированная программа для моделирования процесса резистивного переключения мемристора на основе

анализа полной математической модели процессов стационарного тепломассопереноса кислородных вакансий и ионов.

2) Алгоритм и проблемно-ориентированная программа MDC -SPICE на основе известного симулятора SPICE и уточнённых математических моделей мемристора и селективного элемента диода Зенера для имитационного моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары. Одной из подпрограмм MDC-SPICE является разработанная программа для математического моделирования процесса резистивного переключения мемристора.

3) Алгоритмы и программы автоматического построения электрических схем входного кодирующего и выходного декодирующего устройств биоморфного нейропроцессора, включающих универсальную логическую матрицу с комбинированным мемристорно-диодным кроссбаром, а также программа для визуализации результатов расчета, полученных с помощью симулятора MDC-SPICE.

4) Результат вычислительного эксперимента по моделированию процесса резистивного переключения мемристора из низкопроводящего в высокопроводящее состояние, совпадающий с экспериментальными данными. Подтвержденная с помощью имитационного моделирования в программе MDC-SPICE работоспособность электрических схем входного устройства, кодирующего информацию в импульсы, и выходного устройства, декодирующего импульсы от нейроной сети в двоичный код.

5) Созданный и сертифицированный программный комплекс, предназначенный для моделирования работы отдельных элементов -мемристоров и мемристорно-диодных массивов в биоморфном нейропроцессоре и включающий: программу для расчетов резистивных состояний и переключения мемристора; программу MDC-SPICE для моделирования работы больших электрических схем, содержащих мемристорно-диодные кроссбары; программы для автоматического

построения электрических схем входного и выходного устройств нейропроцессора, а также программу для визуализации результатов расчета, полученных с помощью симулятора MDC-SPICE.

Степень достоверности и апробация результатов.

Достоверность полученных в работе результатов по численному моделированию мемристора и больших электрических схем, содержащих мемристорно-диодные кроссбары с помощью программы MDC-SPICE, обеспечена взятием за основу известного симулятора SPICE, использованием измеренных характеристик изготовленного мемристора и согласием расчетных результатов с экспериментальными данными.

Основные результаты работы докладывались и обсуждались на Международных и Всероссийских конференциях в том числе:

• Всероссийская конференция молодых ученных «Математическое и информационное моделирование». Тюмень. ТюмГУ. 2021, 2020.

• II Международная научная-техническая конференция «Smart Energy Systems 2021» (SES-2021) Секция «Цифровые технологии, системы искусственного интеллекта, компьютерное моделирование» Казань. КГЭУ. 2021.

• Всероссийская научно-практическая конференция молодых ученых с международным участием «Математика и междисциплинарные исследования». Пермь. 2021, 2020.

• XV Всероссийская открытая молодежная научная-практическая конференция «Диспетчеризация и управление в электроэнергетике». Казань. 2020.

• Международная научная конференция. применение технологий виртуальной реальности и смежных информационных систем в междисциплинарных задачах FIT-M 2020. МГУ. Москва.

• Открытый конкурс научных работ среди обучающихся на соискание премии имени Н.И. Лобачевского. Казань. КФУ. 2019.

• II Всероссийский конкурс на лучшую научно-исследовательскую работу среди молодых учёных и специалистов. Иваново. 2019.

• Международная молодежная научная конференция «Тинчуринские чтения». Казань. КГЭУ. 2019.

Большая часть исследований диссертационной работы, касающаяся разработки и математического моделирования работы входного и выходного устройств нейропроцессора, поддержана грантом РФФИ в рамках научного проекта №20-37-90003 «Моделирование физических процессов в мемристорно-диодных кроссбарах входного и выходного блоков нейропроцессора».

Публикации

По результатам диссертационного исследования опубликованы 19 работ, в том числе 6 работ в изданиях, проиндексированных базами данных Web of Science, Scopus и включённых в Перечень ВАК РФ, получено 5 свидетельств о регистрации программы для ЭВМ.

Материалы диссертационной работы обсуждались на 8 конференциях, из них 3 - международного и 5 - всероссийского уровней.

Личный вклад автора заключается в разработке алгоритмов моделирования и их реализации в виде комплекса проблемно-ориентированных программ, включая отладку и тестирование, и проведении вычислительных экспериментов. В совместных исследованиях автор принимал участие на всех этапах работы: в постановках задач, в выборе и формулировке математических моделей, анализе полученных результатов. Автор принимал участие в написании статей для публикации в журналах и участвовал в качестве докладчика в конференциях по теме диссертационной работы.

Автор выражает благодарность научному руководителю, а также коллегам из НОЦ «Нанотехнологии» за помощь в проведении исследований и обсуждении полученных результатов.

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка цитируемой литературы и приложений. Объем диссертации составляет 101 страниц машинописного текста, включая 42 рисунка. Список используемой литературы содержит 88 источников.

ГЛАВА 1. Обзор работ по моделированию резистивного переключения мемристора, импульсного кодирования и декодирования информации в

нейропроцессоре

1.1. Математические моделирование резистивных состояний и переключения мемристора на основе оксида металла

Мемристор (memory + resistor) - это резистор, сопротивление которого изменяется при протекании тока через него, т.е., резистор, который «помнит» величину и длительность пропускаемого тока.

Мемристор представляет собой пассивный нелинейный элемент электрической цепи и является фундаментальным элементом электроники наравне с резистором, конденсатором и катушкой индуктивности (рис.1.1) При протекании тока через мемристор в одном направлении его электрическое сопротивление увеличивается. Когда ток течёт в обратном направлении -сопротивление уменьшается (рис.1.2). В отсутствии электрического тока сопротивление мемристора сохраняется и в момент подачи напряжения оно в точности равно сопротивлению до момента прекращения подачи питания. Следовательно, мемристор обладает энергонезависимой памятью.

Рисунок1.1 - Фундаментальные элементы Рисунок1.2 - Зависимость тока электроники: конденсатор, резистор, в мемристоре от приложенного

индуктивность, мемристор. от приложенного напряжения.

В последнее время значительное внимание уделяется созданию устройств энергонезависимой резистивной памяти на основе мемристоров -структур «металл-диэлектрик-металл», в том числе с использованием в качестве диэлектрика оксидов переходных металлов с высокой подвижностью кислородных вакансий [1]. При наложении электрического поля в тонкой пленке оксида металла разрывается слабая связь ионов металла и кислорода. Отрицательные ионы кислорода движутся к положительно заряженному электроду, а кислородные вакансии к противоположному электроду. В результате в объеме пленки обедняется содержание кислорода, и проводимость мемристора резко возрастает при туннелировании электронов в тонком слое между положительным электродом и виртуальным электродом, образованным из слоя кислородных вакансий. И наоборот, при изменении направления электрического поля на обратное ионы кислорода движутся в объём пленки, и проводимость мемристора уменьшается.

Твердотельный мемристор является аналогом биологического синапса, связывающего нейроны мозга. В [2] определены электрические свойства мемристора на основе смешанного оксида металлов, подобные свойствам биологического синапса при распространении нервного импульса. Указана возможность использования мемристора, как суммирующего элемента искусственного нейрона. Мемристорные массивы на основе оксидов металлов уже применяются для аппаратной реализации искусственных нейронных сетей. При обучении и работе этих устройств используются синаптические веса, которые реализуются в виде проводимостей мемристоров [3-6].

Для описания процесса резистивного переключения в мемристоре было предложено несколько физических моделей. Среди них следует отметить модели электрополевой миграции зарядов в объеме диэлектрика [7-9].

В аппаратных устройствах, на которых устанавливаются нейросети из простых нейронов и которые используются в информационных технологиях

(1Т), к твердотельным мемристорам предъявляются особые требования: стабильность и воспроизводимость их электрических параметров, а также малое время переключения из низкопроводящего в высокопроводящее состояние и наоборот. В современных мемристорах время переключения указанных состояний составляет единицы наносекунд.

Технически это достигается электрической формовкой мемристора при подаче на его электроды напряжения, значительно превышающее пороговое, необходимое для переключения состояний. В результате, например, диэлектрическая пленка из диоксида титана Т02 из-за выноса ионов кислорода обедняется практически во всем своем объеме за исключением тонкого приэлектродного слоя толщиной несколько нанометров. Обедненный кислородом слой оксида титана Т02-х обладает сопротивлением порядка 215 Ом и по существу является проводником [10]. Между двумя разнородными по элементному составу электродами в диэлектрике при подаче напряжения имеет место туннелирование электронов через потенциальный барьер [11]. Вольтамперная характеристика в таком мемристоре зависит от полярности напряжения, подаваемого на электроды. В работах [10,12] развита модель туннелирования электронов через потенциальный барьер, в которой учитывается движение границы! между диэлектриком и проводящим каналом (рис.1.3).

Platinum

tunnel barrier (w)

t

ТЮ2 > R Tio2.x

(Insulator) (conducting channel)

Platinum

Рисунок 1.3 - Мемристор после процесса электроформования. Туннельный барьер между платиновыми электродами и проводящим каналом Т&2-х

Согласно этой модели, выражение для тока, протекающего через мемристор, имеет вид:

i = (j0A/Aw2) {(р± exp(-Bjvl) — + e\vg\)exp(—B^1 + e\vg\} ,

е

Jo =

2nh' (Pi= (po- e\vg

Wi =

1,2Àw

Фо

w1 + w2 1,15 Aw

Aw = w2 — w1,

В =

w

4nAwV 2m h '

Aw

In

w2(w — Wi)'

w1(w — W2)

À =

e2ln(2)

w2 = w1 + w (1 —

8nks0w' 9,2À

3p0 + 4À — 2e\vg\

где w - ширина туннельного барьера A- площадь канала мемристора, e -заряд электрона, vg -напряжение через туннельный барьер, ш-масса электрона, h -постоянная Планка, к и s0 -диэлектрическая константа и проницемость соответственно, ф0 высота потенциального барьера в электронвольтах.

Изменение во времени ширины барьера w (скорость движения границы между диэлектриком и проводящим каналом) описывается следующими выражениями: в случае переключения мемристора в низкопроводящее состояние (i > 0)

dw dt

= foff sinh

VoffJ

exp

w — aoff \i\ w —exp(-—---—)--

wr

b

wr

с подобранными параметрами ff =3,5 ± 1 мкс, ioff = 115 ± 4 мкА, aoff =1,2 нм, b = 500 ± 70 мкА и wc = 107 ± 4 пкм;

в случае переключения мемристора в высокопроводящее состояние (i < 0)

dw dt

= — fon si-nh (г—') exp X^onJ

aon — w \i\ w

—exp(----)--

wr b wr

с параметрами fon = 40 ± 10 мкс, ion =8.9 ± 0.3 мкА, aon = 1.8 ± 0.01 нм, b = 500 ± 90 мкА и wc =107 ± 3пкм.

На рис.1.4 приведены вольт-амперная кривая меристора, которую дает SPICE модель туннелирования электронов через потенциальный барьер шириной w = 1,2 нм, и вольт-амперная характеристика, полученная экспериментально при подаче напряжения +6/-3В треугольной формы с периодом 6 с. Наблюдается хорошее качественное и количественное совпадение.

2DOO

1500

1000

МО

-500

-1М0

& 4 Ш.

2 ///\/ // К

-2 Л г 4 ИИ f у V

Г . . j/

If

-0.5

0.5

1.5

Рисунок1.4 - Моделируемая вольт-амперная кривая для мемристора (сплошная линия) и соответствующие экспериментальные данные (черные точки). Форма импульса напряжения показана на вставке

Моделируемая вольт-амперная кривая отличается от экспериментальных данных примерно на 20%, поскольку большая

нелинейность уравнений определяет высокую чувствительность к ошибкам в параметрах модели.

Другой тип резистивного переключения имеет место в бесформовочном нефиламетном мемристоре на основе оксида металла, когда электронный ток протекает через всю поверхность электрода и не образуются филаменты с повышенной проводимостью в объеме оксида. Этот тип мемристора, обладающий многоуровневым характером резистивного переключения, является наиболее перспективным элементом для создания нейроморфных вычислительных систем.

Моделированию процессов переноса зарядов в мемристорах на основе оксидов металлов посвящено большое количество работ. В [10-13] представлены физико-математические модели тепло- и массопереноса при транспорте кислородных вакансий в электрическом поле мемристора. Миграция вакансий происходит под действием трех факторов: локального электрического поля, градиента концентрации вакансий и температурного градиента, обусловленного джоулевым нагревом. Модели включают нестационарное уравнение непрерывности для вакансий, стационарное уравнение Лапласа для электрического поля и нестационарное уравнение теплопереноса Фурье [12,13].

Уравнение непрерывности в [10,11] учитывает процесс генерации вакансий при образовании междоузельных отрицательных ионов кислорода. При этом предполагается, что вкладом рекомбинаций вакансий можно пренебречь.

Для определения электрического поля привлечено не уравнение Пуассона, а уравнение Лапласа, в котором плотность зарядов в правой его части равна нулю. Приближенным уравнением Лапласа можно пользоваться, поскольку из-за малой электропроводности диэлектрика из оксида метала доминирующим транспортным механизмом электронов в слое оксида металла

является туннелирование через кислородные вакансии. В этом случае внешнее электрическое поле E незначительно искажается свободными и захваченными заряженными частицами [14].

При решении тепловой задачи при миграции вакансий можно использовать стационарное уравнение теплопереноса, поскольку переходный процесс до установления теплового равновесия в мемристоре длится менее 0,1 nc [15-17]. В уравнении непрерывности для вакансий [12,13] можно не учитывать член, связанный с термофорезом и пропорциональный градиенту температуры, из-за малого диапазона изменения температуры по толщине мемристора [18].

Модели процессов тепло- и массопереноса при транспорте кислородных вакансий в электрическом поле мемристора в представленных работах имеет следующие недостатки. В уравнении непрерывности наряду с генерацией вакансий необходимо учитывать их рекомбинацию с междоузельными отрицательными ионами кислорода. В уравнении теплопроводности кроме Джоулевого нагрева (Joule heating), следует учитывать поглощение тепла при генерации вакансий и ионов кислорода, а также выделение тепла при их рекомбинации.

В [19] сформулирована наиболее полная нелинейная система уравнений тепло- и массопереноса зарядов в структуре металл-оксид-металл при доминирующем транспортном механизме туннелирования электронов через кислородные вакансии, которая может описывать различные резистивные состояния и переключения мемристора из высокопроводящего в низкопроводящее состояние и наоборот. Термодинамическая модель учитывает процессы рождения и рекомбинации пар Френкеля (ионная вакансия - междоузельный отрицательный ион кислорода) в объеме оксида и включает нестационарное уравнение теплопроводности с нелинейным источником тепла, содержащим Джоулев нагрев и рекомбинацию зарядов,

Список литературы диссертационного исследования кандидат наук Ибрагим Абдулла Хайдар Абдо, 2023 год

СПИСОК ЛИТЕРАТУРЫ

1. Waser R., Aono M. Nanoionics-based resistive switching memories // Nature Materials. 2007. V. 6 (11). P. 833-840.

2. Bobylev A.N., Udovichenko S.Yu. The electrical properties of memristor devices TiN/TixAl1-xOy/TiN produced by magnetron sputtering // Russian Microelectronics. 2016. V.45 № 6. P.396-401.

3. Fabien Alibart, Elham Zamanidoost, Dmitri B. Strukov. Pattern classification by memristive crossbar circuits using ex situ and in situ training // Nature Communications. 2013. V.4. 2072.

4. Pisarev A., Busygin A., Udovichenko S., Maevsky O. 3D memory matrix based on a composite memristor-diode crossbar for a neuromorphic processor // Microelectronic Engineering. 2018. V.198. P. 1-7.

5. Pisarev A.D., Busygin A.N., Udovichenko S.Yu., Maevsky O.V. A biomorphic neuroprocessor based on a composite memristor-diode crossbar // Microelectronics Journal. 2020. V.102. Article 104827.

6. Pisarev A., Busygin A., Bobylev A., Gubin A., Udovichenko S. Fabrication technology and electrophysical properties of a composite memristor-diode crossbar used as a basis for hardware implementation of a biomorphic neuroprocessor // Microelectronic Engineering. 2021. V.236. Article 111471.

7. Strukov D.B. The missing memristor found / Strukov D.B., Snider G.S., Stewart D.R., Williams R.S. // Nature. 2008. V. 453. P.80-83.

8. Strukov D.B. Exponential ionic drift: fast switching and low volatility of thin-film memristors / Strukov D.B., Williams R.S. // Applied Physics A. 2009. V.94. P.515-519.

9. Rozenberg M.J. Mechanism for bipolar resistive switching in transition-metal oxides / Rozenberg M.J., Sanchez M.J., Weht R., Acha C., Gomez-Marlasca F., Levy P. // Physical Review. B. 2010. V. 81. Article 115101.

10. M. D. Pickett, D. B. Strukov, J. L. Borghetti et al. Switching dynamics in titanium dioxide memristive devices // Journal of Applied Physics. 2009. V.106. Article 074508.

11. J. G. Simmons. Electric tunnel effect between dissimilar electrodes separated by a thin insulating film // Journal of Applied Physics. 1963. V.34. 2581.

12. H. Abdalla , M.D. Pickett. SPICE modeling of memristors // IEEE International Symposium of Circuits and Systems (ISCAS). 2011. P.1832-1835.

13.Basnet P., Pahinkar D.G., West M.P. et.al. Substrate dependent resistive switching in amorphous-HfOx memristors: an experimental and computational investigation // Journal of Materials Chemistry C. 2020. V.8. P. 5092-5101.

14.Dirkmann S., Kaiser J., Wenger C., Mussenbrock T. Filament growth and resistive switching in hafnium oxide memristive devices // ACS Applied Materials and Interfaces. 2018. V.10 (17). P.14857-14868.

15.D. Ielmini. Modeling the universal set/reset characteristics of bipolar RRAM by field- and temperature-driven filament growth // IEEE Trans.Electron Devices. 2011. V.58(12). P. 4309-4317.

16.Yoshihiro Sato, Kentaro Kinoshita, Masaki Aoki, Yoshihiro Sugiyama. Consideration of switching mechanism of binary metal oxide resistive junctions using a thermal reaction model // Applied physics letters. 2007. V.90. Article 033503.

17.Mazady A., Anwar M. Memristor: Part I—The Underlying Physic and Conduction Mechanism // IEEE transactions on electron devices. 2014.V.61 (4). P.1054-1061.

18.Shen W., Kumar Suhas., Kumar Satish. Experimentally calibrated electrothermal modeling of temperature dynamics in memristors // Applied Physics Letters. 2021. V.118. Article 103505.

19. Chernov A.A. Three-dimensional non-linear complex model of dynamic memristor switching / Chernov A.A., Islamov D.R., Pik'nik A.A., Perevalov T.V., Gritsenko V.A. // ECS Transactions. 2017. V.75. №32. P. 95-104.

20. Ryndin E., Andreeva N., Luchinin V. Compact model for bipolar and multilevel resistive switching in metal-oxide memristors // Micromachines. 2022. V.13. Article 98.

21. Brette R, Gerstner W. Adaptive Exponential Integrate-and-Fire Model as an Effective Description of Neuronal Activity // Journal of Neurophysiology. 2005. V.94. P.3637-3642.

22. Hodgkin A.L., Huxley A.F. A quantitative description of membrane current and its application to conduction and excitation in nerve // Journal of Physiology. 1952. V.117. № 4. P.500-544.

23.Писарев А.Д., Удовиченко С.Ю. Биоморфный нейропроцессор на основе наноразмерного комбинированного мемристорно-диодного кроссбара // М.: ТЕХНОСФЕРА, 2021. - 228 c. ISBN 978-5-94836-635-7.

24. Udovichenko S., Pisarev A., Busygin A., Maevsky O. 3D CMOS, memristor nanotechnology for creating logical and memory matrics of neuroprocessor // Nanoindustry. 2017. № 5. P.26-34.

25.C. Li, M. Hu, Y. Li et al. Analogue signal and image processing with large memristor crossbars // Nature electronics. 2018. V.1. № 1. P.52-59.

26.Zhao W., Portal J., Kang et al W. Design and analysis of crossbar architecture based on complementary resistive switching non-volatile memory cells // Journal of Parallel and Distributed Computing. 2014. V.74. № 6. P.2484-2496.

27.Udovichenko S.Yu., Pisarev A.D., Busygin A.N., Maevsky O.V. Neuroprocessor based on combined memristor-diode crossbar // Nanoindustry. 2018. № 5. P. 344-355.

28.Takeuchi T., Duszkiewicz A. J., Morris R. G. M. The synaptic plasticity and memory hypothesis: encoding, storage and persistence // Philosophical

Transactions of The Royal Society B Biological Sciences. 2014. V.369. №21633. Article 20130288.

29. Gardner B., Grüning A. Supervised Learning in Spiking Neural Networks for Precise Temporal Encoding // PLoS ONE. 2016. V.11. № 8. P.1-28.

30.Johansson R.S., Birznieks I. First spikes in ensembles of human tactile afferents code complex spatial fingertip events // Nature Neuroscience. 2004. V.7. №2. P.170-177.

31.Gollisch T., Meister M. Rapid neural coding in the retina with relative spike latencies // Science. 2008. V.319. № 5866. P.1108-1111.

32.Mainen ZF, Sejnowski TJ. Reliability of spike timing in neocortical neurons // Science. 1995. V.268. № 5216. P.1503-1506.

33.Reich D.S., Victor J.D., Knight B.W., Ozaki T., Kaplan E. Response variability and timing precision of neuronal spike trains in vivo // Journal of Neurophysiology. 1997. V.77. № 5. P.2836-2841.

34.Uzzell V., Chichilnisky E. Precision of spike trains in primate retinal ganglion cells // Journal of Neurophysiology. 2004. V.92. № 2. P.780-789.

35.Bloom F., Leiserson A., Hofstedter L. Brain, mind and behavior: Per. from English // M.: Mir, 1988. 248 p.

36.Van Rullen R., Guyonneau R., Thorpe S.J. Spike times make sense // Trends in Neurosciences. 2005. V.28. № 1. P.1-4.

37.Larkum M.E., Zhu J.J., Sakmann B. Dendritic mechanisms underlying the coupling of the dendritic with the axonal action potential initiation zone of adult rat layer 5 pyramidal neurons // The Journal of Physiology. 2001. V.533. № 2. P.447-466.

38.Gütig R. To spike, or when to spike? // Current Opinion in Neurobiology. 2014. V.25. P.134-139.

39.Kasinski A., Ponulak F. Comparison of supervised learning methods for spike time coding in spiking neural networks // International Journal of Applied

Mathematics and Computer Science. 2006.V. 16. № 1. P.101-113.

40.Mohemmed A., Schliebs S., Matsuda S., Kasabov N. SPAN: Spike pattern association neuron for learning spatio-temporal spike patterns // International Journal of Neural Systems. 2012. V.22. № 4. Article 1250012.

41.Yu Q., Tang H., Tan K.C., Li H. Precise-spike-driven synaptic plasticity: Learning hetero-association of spatiotemporal spike patterns // PLoS ONE. 2013. V.8. № 11. e78318. pmid:24223789.

42. Lobo J.L., Ser J.D., Bifet A., Kasabov ., N. Spiking Neural Networks and online

learning: An overview and perspectives // Neural Networks. 2020.V.121. P.88-100.

43. Thorpe S.J., Guyonneau R., Guilbaud N., Allegraud J.-M., VanRullen R. Spike Net: real-time visual processing with one spike per neuron // Neurocomputing. 2004.V.58-60. P.857-864.

44. Pan Z., Wu J., Zhang M., Li H., Chua Y. Neural Population Coding for Effective Temporal Classification // 2019 International Joint Conference on Neural Networks (IJCNN). 2019. arXiv:1909.08018v2

45. Ponulak F., Kasinski A. Introduction to spiking neural networks: Information processing, learning and applications //Acta Neurobiologiae Experimentalis. 2011. V.71. № 4. P.409-433.

46. Lobov S., Mironov V., Kastalskiy I., Kazantsev V. A Spiking Neural Network in sEMG Feature Extraction // Sensors. 2015. V.15. № 11. P.27894-27904.

47. Chan V.H., Carey R.M., Simultaneous latency and rate coding for automatic error correction // 2019. US Patent 10282660.

48. Thakur C.S., Hamilton T.J. , Wang R. , Tapson J., van A .,Schaik. A. neuromorphic hardware framework based on population coding // 2015 International Joint Conference on Neural Networks (IJCNN). 2015. arXiv:1503.00505.

49. Nuno-Maganda M., Torres-Huitzil C. A temporal coding hardware implementation for spiking neural networks // ACM SIGARCH Computer Architecture News. 2011. V.38. № 4. P.2.

50. Udovichenko S., Busygin A., Ebrahim A., Bobylev A., Gubin A. Metal-oxide memristor resistive switching based on full model of heat and mass transfer processes of oxygen vacancies and ions // Physica status solidi (a). 2022. Article 2200478 (Special Issue. Resistive switching: physics, devices and applications).

51. Ибрагим А.Х., Бусыгин А.Н., Удовиченко С.Ю. Математическое моделирование процессов резистивного переключения в мемристоре на основе полной модели процессов массопереноса кислородных вакансий и ионов // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2022. Том 8. №2 2. С. 198-214.

52.Kim S., Choi S.H., Lu W. Comprehensive Physical model of dynamic resistive switching in an oxide memristor // Acsnano. 2014. V.8. №.3. P. 2369-2376.

53.Kim S., Kim S-J., Kim K.M., et al. Physical electro-thermal model of resistive switching in bi-layered resistance-change memory // Scientific reports.2013. V.3. P.1680.

54. Abdelouahed S., McKenna K.P. Relevance of non-equilibrium defect generation processes to resistive switching in TiO2 // Journal of applied physics 2015. V.118. Article 134103.

55.Noman M., Jiang W., Salvador P.A., Skowronski M., Bain J.A. Computational investigations into the operating window for memristive devices based on homogeneous ionic motion // Appl. Phys. A. 2011.V.102. P. 877-883.

56.Matveyev Y., Kirtaev R., Fetisova A., Zakharchenko S., Negrov D., Zenkevich A. Crossbar nanoscale HfO2 - based electronic synapses // Nanoscale research letters. 2016. V.11. P.147.

57.Menzel S., Salinga M., Bottger U., Wimmer M. Physics of the switching kinetics in resistive memories // Advanced Functional Materials. 2015. V.25. P. 6306-6325.

58.Mazady А, Anwar М. Memristor: Part I. The underlying physics and conduction mechanism // IEEE transactions on electron devices. 2014. V.61. №.4. P. 10541061.

59.Sato Y., Kinoshita K., Masaki Aoki M., Sugiyama Y. Consideration of switching mechanism of binary metal oxide resistive junctions using a thermal reaction model // Applied physics letters. 2007. V.90. Article. 033503.

60.Islamov D.R., Gritsenko V.A., Chin A. Charge transport in thin hafnium and zirconium oxide films // Optoelectronics, Instrumentation and Data Processing. 2017. V.53. №.2. P.184-189.

61. Ибрагим А.Х., Удовиченко С.Ю. Математическое моделирование резистивных состояний и динамического переключения мемристора на основе оксида металла // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2020. Том 6. № 2. С. 127-144.

62.Ибрагим А.Х. Модель динамического переключения мемристора для обработки сигналов в цифровой логической матрице нейропроцессора // Материалы международной молодежной научной конференции «Тинчуринские чтения». Казань. 2019. Т.3. С. 52-56.

63. Ибрагим А.Х., Удовиченко С.Ю. Программа для расчетов резистивных состояний и переключения мемристора // Свидетельство о государственной регистрации программы для ЭВМ № 2021611392. Дата публикации: 27.01.2021.

64. Исламов Д.Р. О транспорте заряда в тонких пленках оксида гафния и циркония / Исламов Д.Р., Гриценко В.А., Чин А. // Автометрия. 2017. Т.53. №2. С. 102-108.

65.Kumar S. Oxygen migration during resistance switching and failure of hafnium oxide memristors / Kumar S., Wang Z., Huang X., Kumari N., Davila N., Strachan J.P., Vine D., Kilcoyne A.L.D., Nishi Y., Willians S. // Appl. Phys. Lett. 2017. V.110. Article 103503.

66.Walczyk C. Impact of Temperature on the Resistive Switching Behavior of Embedded HfO2-Based RRAM Devices / Walczyk C., Walczyk D., Schroeder T. // IEEE Transactions on electron devices. 2011. V.58. №9. P. 3124-3131.

67.Guo Y., Robertson J. Materials selection for oxide-based resistive random access memories // Applied Physics Letters. 2014. V.105. Article 223516.

68.Zeumault A., Alam S., Faruk M.O. et al. Memristor compact model with oxygen vacancy concentrations as state variables // Journal of Applied Physics. 2022. V.131. Article 124502.

69.Kuzmichev D.S., Markeev A.M. Neuromorphic properties of forming-free non-filamentary TiN/Ta2O5/Ta structures with an asymmetric current-voltage characteristic // Nanobiotechnology Reports. 2021. V.16. №.6. P.804-810.

70.Zhuo V.Y.-Q., Jiang Y., Li V.H. et al. Band alignment between Ta2O5 and metals for resistive random access memory electrodes engineering // Applied Physics Letters. 2013. V. 102. Article 062106.

71. Ebrahim A.H., Udovichenko S.Yu. Automatic building of electrical circuits of

biomorphic neuroprocessor units and visualization of their numerical simulation // Lecture Notes in Networks and Systems book series (LNNS). 2021. V.342. P.16-23.

72. Ибрагим А.Х., Удовиченко С.Ю. Моделирование устройства кодирования информации для импульсной аппаратной нейросети // Материалы всероссийской конференции молодых ученных «Математическое и информационное моделирование». Тюмень. 2020. Вып.18. С.10-16.

73. Busygin A.N., Ebrahim A.H., Pisarev A.D., Udovichenko S. Yu. Input device for a biomorphic neuroprocessor based on a memristor-diode crossbar for the pulse coding

of information // Nanobiotechnology Reports. 2021. V. 16. №6ю P.798-803.

74. Ибрагим А.Х., Удовиченко С.Ю. Программа MDC-SPICE для расчета больших электрических схем, содержащих мемристорно-диодные кроссбары // Свидетельство о государственной регистрации программы для ЭВМ №2021612448. Дата публикации: 17.02.2021.

75. Biolek D., Di Ventra M., Pershin Y.V. Reliable SPICE Simulations of Memristors, Memcapacitors and Meminductors // Radioengineering. 2013. V.22. №. 4. P. 945-968.

76. Levy Y., Bruck J., Cassuto Y. et al. Logic operations in memory using a memristor Akers array // Microelectronics Journal. 2014. V.45. P.1429-1437.

77. Ибрагим А.Х., Удовиченко С.Ю. Программа для визуализации результатов расчета, полученных с помощью симулятора MDC-SPIC // Свидетельство о государственной регистрации программы для ЭВМ № 2021663717. Дата публикации: 23.08.2021.

78. Raghuvanshi A., Perkowski M. Logic Synthesis and a Generalized Notation for Memristor-Realized Material Implication Gates // IEEE/ACM International Conference on Computer-Aided Design, Digest of Technical Papers, ICCAD. 2015.V.2015. P. 470 - 477.

79. Chakrabor D. Automated synthesis of compact crossbars for sneak-path based in-memory computing // Proceedings of the 2017 Design, Automation and Test in Europe, DATE. 2017. Article 7927093.

80. Hassen A.U., Chakraborty D., Jha S.K. Free Binary Decision Diagram Based Synthesis ofCompact Crossbars for In-Memory Computing // IEEE Transactions on Circuits and Systems II: Express Briefs. 2018. V.65. № 5. P. 622 - 626.

81. Ибрагим А.Х., Удовиченко С.Ю. Программный модуль для автоматического построения электрической схемы входного блока нейропроцессора // Свидетельство о государственной регистрации программы для ЭВМ № 2021663088. Дата публикации: 13.07.21.

82. Ибрагим А.Х., Удовиченко С.Ю. Программные модули для автоматического построения электрических схем блоков нейропроцессора // Материалы всероссийской конференции молодых ученых «Математическое и информационное моделирование». Тюмень. 2021. С. 11-16.

83. Ибрагим А. Х., Удовиченко С.Ю. Автоматическое построение электрических схем блоков биоморфного нейропроцессора и визуализация результатов их численного моделирования // Материалы Всероссийской научно-практической конференции молодых ученых с международным участием «Математика и междисциплинарные исследования. Пермь. 2021. С.55.

84. Ибрагим А.Х. Моделирование процессов кодирования информации в биоморфном нейропроцессоре // Материалы XV Всероссийской открытой молодежной научно-практической конференции «Диспетчеризация и управление в электроэнергетике».2020. Казань. С.340-343.

85. Удовиченко С.Ю., Писарев А. Д., Бусыгин А.Н., Ибрагим А.Х. Компьютерная симуляция биоморфного нейропроцессора - носителя искусственного интеллекта // Сборник тезисов международной научной конференции. применение технологий виртуальной реальности и смежных информационных систем в междисциплинарных задачах FIT-M 2020. Москва. С.14-20.

86. Писарев А. Д., БусыгинА.Н., Ибрагим А. Х., Удовиченко С.Ю. Моделирование процессов декодирования информации в выходном устройстве биоморфного нейропроцессора // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2020. Том 6. № 4. С. 179-193.

87. Ибрагим А.Х. Моделирование процессов декодирования информации в биоморфном нейропроцессоре // Материалы Всероссийской научно-

практической конференции молодых ученых с международным участием. «Математика и междисциплинарные исследования. 2020. Пермь. С.69-73 88. Ибрагим А.Х., Удовиченко С.Ю. Программа для визуализации результатов расчета, полученных с помощью симулятора МОС^РГС // Свидетельство о государственной регистрации программы для ЭВМ № 2021663717. Дата публикации: 23.08.2021.

ПРИЛОЖЕНИЕ

RU2021611392

ФЕДЕРАЛЬНАЯ С ЛУЖ БА

но интьл л актуальной собственности

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

HoMqi регистрации (свидетельства): Авшр(ы):

2021611392 Ибрагим Абдуллэ Хай дар Абдо (YE>,

Дата регистрации: 27.01.2021 Удовиченко Сергей Юрьевич (RU)

Номер и дата поступления заявки: Правообладателей):

2021610534 20.01.2021 федеральное государственное автономное

Дата публикации и номер бюллетеня: образовательное учреждение высшего

27.01.2021 Бюл. № 2 образования Тюменский государственный

Контактные реквизиты: университет" (RU)

a.p.voloHii fcov @ uimn.iu

Название программы для ЭВМ:

ПРОГРАММА ДЛЯ РАСЧЕТОВ РЕ1ИСТИВНЫХ СОСТОЯНИЙ И ПЕРЕКЛЮЧЕНИЯ МЕМРИСТОРА

Реферат.

Программа предназначена для расчета реэистивныхсостояний и переключения мемристора, Значения всех персмсЕшых представлены чипом пи тру. double, который соответствует типу double

!! языке С, При расчетах используется расчетная сетка с равномерным расположением узлов. Процедура расчет профиля вакансий кислорода при определенном напряжении на электродах состоит из тред этапов. В качестве начального приближения распределение вакансий вычисляется ири постоянном электрическом поле по толщине оксидного слоя мемристора. Затем рассчитывается электрическое поле, соответствующее найденному скалярному полю вакансий. Ля лее. на основе получившегося электрического поля вычисляется итоговый профиль концентраций вакансий по толщине пленки. На основе подученного профиля концентрации кислородных вакансий вычисляется плотность тока. Тип ЭВМ: IBM PC - сов мест, ПК; ОС: Windows.

Язык программирования: Python

Объем программы для ЭВМ; 9157 Б

RU2021612448

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Автор(ы):

2021612448 Ибрагим Абдулла Хай дар Абдо (КЦ).

Дата региртряцни: 17.02.2021 Удовиченко Сергей Юрьевич (КС)

Номер и дата поступления заявки: Правообладателей):

2021611575 10,02.2021 ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ

Дата публикации и номер бюллетеня: АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ

17.02,2021 Бюл.№2 УЧРЕЖДЕНИЕ ВЫСШЕГО

Контактные реквизиты: ОБРАЗОВАНИЯ "ТЮМЕНСКИЙ

а. p. îfolosni tov ® иипп.ш ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ"

(ЕШ)

Название программы для О UM;

ПРОГРАММА MDC-SP1CE ДЛЯ РАСЧЕТА БОЛЬШИХ ЭЛЕКТРИЧБСКИХ СХЕМ, СОДЕРЖАЩИХ M ЕМ РИ СТОР J iO-Д ИО ДIL Ы Е К РОСС Б АРЫ

Реферат:

Программа предназначена для расчета электрических цепей и является модификацией программы SPICK. Модификация заключается а добавлении в базовый набор электрических компонентов (речисторов, конденсаторов, индуктивн остей, и т.п.) компонентов для мемристора и дподи Зенсра. Подпрограмма расчета мемристора основана на оригинальной физнко-магемати! leeKofi модели и позволяет моделировать его вольт-амперную характеристику. Задание электрической схемы для расчета осуществляется созданием объекта иепи. С помошьео метода add в цепь добавляются электрические компоненты, подключаемые к определенным талан схемы. Результат расчета визуализируется с помощью библиотеки Tiialploilib, Ч ип ЭВМ: ШМ РС-совмест. ПК. ОС: Windows.

Язык программирования: Python

Объем программы дпя ЭВМ; 1,5 M Б

ФЕДЕРАЛЬНАЯ СЛУЖБА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Автор* ы):

2021663717 Ибрагим Абдулла Хайдар Абдо (1Ш),

Дата регистрации: 23.08.2021 Удовиченко Сергей Юрьевич (1Ш)

Номер и дата поступления заявки: П равообладателы и):

2021662342 04 08.2021 ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ

Дата публикации и номер бюллетеня. АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ

23.08 2021 Бюл № 9 УЧРЕЖДЕНИЕ ВЫСШЕГО

Контактные реквизиты: ОБРАЗОВАНИЯ "ТЮМЕНСКИЙ

[e-mail] ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ"

ДОЛ

Ибрагим Абдулла Хайдар Абдо (1Ш),

Удовиченко Сергей Юрьевич (1Ш)

Название программы для 'ЭВМ:

ПРОГРАММА ДЛЯ ВИЗУАЛИЗАЦИИ РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ СИМУЛЯТОРА М DC SPICE

Реферат

Предназначена для визуализации результатов моделирования симулятора MDC-SPICE. Обеспечивает сокращение сроков разработки электрических схсм с применением мемристорно-диодных кроссбаров. возможность оценки работоспособности и оптимизация таких схем. Выходной файл расчета MDC-SPICE для расчета больших электрических схем, содержащих мсмристорно-диодные кроссбары. организован в виде колонок с данными. Программа визуализации непользует библиотеки numpy, matplotlib, tkinier. Считывает файл поарочно и формирует соответствующие массивы значений типа numpy.array. Первый массив значений является основным и всегда содержит временные значения. Построение изображения осуществляется с помощью модуля pyplot из библиотеки matplotlib, ко торому передаются массивы значений, выбранные для отображения на картинке. По умолчанию по оси абсцисс-время. но может быть выбран другой параметр. Тип ЭВМ: IBM PC: ОС: Windows XPA'ista/2007/2008/Wimlws 7.

Язык программирования: Python

Объем программы для ЭВМ: 1,18МБ

RU2021664018

ФЕДЕРАЛЬНАЯ СЛУЖБА по интеллектуальной coeutbehhck:tii

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

Лвтор(ы):

Ибрагим Абдулла Хай дар Абдо (RU), Удовиченко Сергей Юрьевич (R.U)

202I664018 Дата регистрации: 27.08:2(121 Номер и дата поступления заявки:

П ра воо0ладатель{ и); ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ ТЮМЕНСКИЙ ГОС У Д АРСГВЕННЫЙ УНИВЕРСИТЕТ (ИИ),

Ибрагим Абдулла Хай дар Абдо (Ки>, Удовиченко Сергей Юрьевич fR.LT)

2021663088 09.08.2021

Дата публикации и номер бюллетеня:

27,08.2021 Бюл. № 9

Контактные реквизиты: 3-p,voloini kovW'unnn.ru

Название программы для OUM;

ПРОГРАММНЫЙ МОДУЛЬ ДЛЯ АВТОМАТИЧЕСКОГО ПОСТРОЕНИЯ ЭЛЕКТРИЧЕСКОЙ СХЕМЫ ВХОДНОГО БЛОКА НЕЙРОПРОЦЕССОРА

Реферат:

Программный модуль предназначен для ускорения разработки электрических схем с применением ыеыристорно-диодиыхкроссбаров, а также для оценки работоспособности и оптимизации таких электрических схем. Тип ЭВМ: IBM РС-совмест, ПК. ОС: Windows XP/Vista/7.

Яэыт программирования: Python

Объем программы для ЭВМ: LI7 МБ