Принципы создания и функционирования аналоговых мемристорных элементов и нейроморфных систем на их основе тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Демин Вячеслав Александрович

• Демин Вячеслав Александрович
• доктор наук
• 2023

Оглавление диссертации доктор наук Демин Вячеслав Александрович

Введение

Глава 1. Неорганические мемристорные устройства

1.1. Мемристор - фундаментальный элемент теории

электрических цепей?

1.2. TiOx мемристор с резистивным переключением (РП) на основе эффекта изменения валентности

1.2.1. Влияние материалов электродов на выносливость к циклическим РП TiOx мемристора

1.2.2. Влияние толщины слоев оксида на характеристики РП TiOx мемристора

1.3. Нанокомпозитный (НК) мемристор на базе (CoFeB)x(LiNbO3)100-x с многофиламентным механизмом РП: роль перколяции, диспергированных магнитных атомов и вакансионно-туннельного транспорта

1.3.1. Экспериментальные свидетельства в пользу предлагаемого механизма РП

1.3.1.1. Образцы и методы их исследования

1.3.1.2. Температурная зависимость проводимости

1.3.1.3. Эффекты суперферромагнитного упорядочения в мемристивных НК пленках

1.3.1.4. Импедансные зависимости в НК мемристорах при РП

1.3.1.5. Качественная модель РП в НК мемристоре

1.3.2. Модель одно- и многофиламентного РП в НК мемристоре

1.3.2.1. Однофиламентная модель РП

1.3.2.2. Многофиламентная модель РП

Выводы к Главе

Глава 2. Органические мемристорные устройства

2.1. Электрохимический мемристор на основе полианилина (ПАНИ)

2.1.1. Модель РП на основе окислительно-восстановительной реакции в

активном слое ПАНИ-мемристора

2

2.1.2. Оптимизация методов синтеза и физических характеристик ПАНИ-мемристоров

2.1.2.1. Мемристивные элементы на основе тонких пленок полианилина, полученных методом Ленгмюра-Шефера

2.1.2.2. Мемристивные элементы на основе тонких пленок полианилина, полученных с помощью метода спин-коатинга

2.1.2.3. Миниатюризация органических мемристивных элементов на основе полианилина с использованием оптической литографии

2.1.2.4. Мемристивные элементы на основе композитных волокон полианилин/полиамид-6

2.1.2.5. Оптический контроль РП органического мемристора на основе ПАНИ

2.2. Электрохимический мемристор на основе политиофена

Выводы к Главе

Глава 3. Ключевые компоненты ядра нейросинаптического

процессора

3.1. Матрицы мемристорных кроссбар-структур

3.1.1. Экспериментальная реализация пассивных массивов нанокомпозитных кроссбар-мемристоров

3.1.1.1. Исследование тестовых кроссбар-матриц 3x3 с толстым слоем НК

3.1.1.2. Синтез тонких высокоомных аморфных слоев LiNbO3 с качественной гетерограницей CoFeB-LiNbO3/LiNbO3

3.1.1.3. Разработка кроссбар-матриц 16х16 на базе тонкопленочных двухслойных структур нанокомпозит-оксид

3.1.2. Решение проблемы паразитных токов в активных (управляемых) массивах кроссбар-мемристоров

3.1.2.1. Используемые в исследовании модели устройств

3.1.2.2. Приемлемый диапазон квантования синаптических весов

3.1.2.3. Методика моделирования матрицы мемристорных кроссбар-элементов

3.1.2.4. Результаты моделирования и оценка токов шунтирования

3.1.2.5. Токи перезарядки в 1ТЖ матрице мемристивных кроссбар-элементов

3.1.2.6. Токи утечки через затворы полевых транзисторов

3.1.2.7. Аппаратное решение для минимизации паразитных токов в мемристорной кроссбар-матрице

3.2. Импульсный нейрон с модуляцией амплитуды и двунаправленностью распространения сигнала

3.3. Периферийные элементы управляющей логики ядра мемристорного нейросинаптического процессора

3.3.1. Базовый модуль нейросинаптического ядра

3.3.2. Модуль усиления тока с биполярным ограничителем

3.3.3. Модуль преобразователя ток-напряжение

3.3.4. Реализация интерфейсного ядра на базе процессора RISC-V

3.3.5. Реализация контроллера кроссбар-массива и диагностических функций макета нейросинаптического ядра

Выводы к Главе

Глава 4. Прототипы аналоговых формальных нейроморфных

систем

4.1. Однослойный перцептрон

4.2. Двухслойный перцептрон

4.3. Датчик физиологической активности

4.3.1. Схема датчика физиологической активности и методика эксперимента

4.3.2. Результаты моделирования

Выводы к Главе

Глава 5. Прототипы аналоговых импульсных нейроморфных

систем

5.1. Динамическая пластичность типа БТЭР на базе мемристоров

5.1.1. БТБР на базе НК мемристоров

5.1.2. БТБР на базе ПАНИ мемристоров

5.2. Самоадаптивное обучение в полносвязной нейроморфной системе

5.3. Хеббовское обучение на основе БТБР

5.3.1. Хеббовское обучение в СНС с НК мемристивными синапсами

5.3.1.1. Электрофизическое моделирование обучения по Хеббу

5.3.1.2. Зависимость сходимости хеббовского обучения от параметров мемристивного БТБР

5.3.1.3. Физическая демонстрация хеббовского обучения в СНС с

НК мемристорами

5.3.2. Хеббовское обучение в двухслойной СНС с конкуренцией

5.3.3. Хеббовское обучение в СНС с органическими синапсами

5.4. Масштабирование хеббовского обучения мемристорной СНС с конкуренцией в задаче кластеризации рукописных цифр

Выводы к Главе

Глава 6. Нейроморфные алгоритмы как основа функционирования мемристорных НВС

6.1. Оптимальное обучение на локальных правилах

6.1.1. Пластичность, зависящая от частоты спайков

6.1.2. Вероятностная модель сходимости обучения СНС

6.1.3. Форма окна БТЭР для обеспечения сходимости мемристивного обучения

6.2. Метаболические законы локальной синаптической пластичности

6.2.1. Метаболический тип пластичности для полносвязной импульсной сети с рекуррентными связями

6.2.2. Метаболический тип пластичности для сверточной импульсной

сети с рекуррентными связями

5

6.2.3. Тормозные нейроны эффективнее тормозных связей

6.2.4. Возможность реализации метаболических локальных правил пластичности в мемристорных нейроморфных системах

6.3. Стабилизация мемристорных весов в импульсной сети на низкочастотном шумовом сигнале

6.3.1. Исходные экспериментальные данные

6.3.2. Имитационный эксперимент по шумо-асистированному обучению

6.3.3. Теоретические основания для возможного механизма шумо-асистированного обучения

Выводы к Главе

Заключение

Сокращения

Литература

Введение диссертации (часть автореферата) на тему «Принципы создания и функционирования аналоговых мемристорных элементов и нейроморфных систем на их основе»

Введение

В настоящее время алгоритмы и технологии искусственного интеллекта (ИИ) на основе искусственных нейронных сетей (ИНС) находятся в стадии стремительного развития и внедрения. Уже сегодня они активно используются в повседневных операциях, связанных с взаимодействием человека и компьютера, таких как распознавание речи, изображений и видео, обработка естественного языка, генерация ответов текстовой и других модальностей, предсказание, оптимальное управление различными устройствами и процессами и др. [1 - 4]. Эти алгоритмы широким фронтом внедряются в различные сферы человеческой деятельности: от медицины и сельского хозяйства до транспорта, космической и атомной отраслей.

Данный успех связан, с одной стороны, c накоплением больших данных в самых различных сферах, с другой - с появлением эффективных алгоритмов обработки этих данных, основанных, в первую очередь, на многопараметрических ИНС (от десятков миллионов до сотен миллиардов и более весовых синаптических коэффициентов, см. ниже). Сегодня и настройка параметров алгоритмов ИИ на базе данных (обучение), и сами вычисления в процессе использования таких алгоритмов (исполнение) преимущественно выполняются на компьютерах с традиционной архитектурой фон-Неймана, отличающейся тем, что память и вычислительное устройство в ней физически разделены шиной данных, по которой постоянно происходит обмен информацией и инструкциями.

Недостатками такого подхода являются достаточно низкая

производительность и значительные массогабаритные характеристики

применяемых вычислительных комплексов, что связано с необходимостью

большого количества параллельных вычислений при выполнении

интеллектуальных задач с нейросетевой архитектурой. Главный же

недостаток, который становится все более выраженным с ростом в

геометрической прогрессии как самих моделей ИИ, так и количества

практически используемых алгоритмов, заключается в высоком

7

энергопотреблении и, соответственно, тепловыделении процессоров с архитектурой фон-Неймана за счет постоянной перезарядки емкостей электродных шин данных / инструкций.

Для кардинального снижения энергопотребления, повышения производительности и нивелирования прочих указанных недостатков представляет интерес разработка специализированных аппаратных решений с учетом необходимости реализации в них высокопараллельной архитектуры ИНС с многократно повторяющимися, рутинными операциями совмещенного умножения-сложения (см. [5] и ниже).

Спектр разрабатываемых ускорителей нейросетевых вычислений стремительно расширяется. Однако наиболее активное и широкое применение на сегодня получило неспециализированное решение, которое на определенном этапе оказалось весьма эффективным средством ускорения основной операции формальных нейросетевых алгоритмов - векторно-матричного умножения (ВМУ), основанного на упомянутой выше операции совмещенного умножения-сложения, то есть умножения входных данных на весовые коэффициенты нейрона (аналоги синаптических контактов между нейронами) и сложения результатов. Речь идет о графических процессорах (GPU), которые изначально были разработаны для обработки изображений и, вообще, графической информации, в которой также требуется выполнение значительного числа операций ВМУ.

В то же время, несмотря на многоядерную архитектуру, графические

вычислители, как и их специализированная версия, разработанная недавно

для ускорения ИИ, - тензорные процессоры (TPU), не лишены основного

недостатка фон-неймановского строения компьютеров: данные физически

разделены с логическим устройством, и с их передачей связано до 90% всей

выделяемой тепловой энергии. Следует отметить, что фактор

энергопотребления является в перспективе главным с точки зрения

масштабирования и распространения ускорителей ИИ, особенно в

многочисленных конечных устройствах пользователей и в рамках концепции

8

«интернета всего». Уже сегодня глобальный расход электроэнергии на поддержание ИКТ-инфраструктуры составляет от 5 до 15% согласно различным сценариям оценки относительно всего мирового объема генерируемого электричества, и эта доля продолжает расти [6, 7].

По сравнению с этим энергопотребление мозга человека, вычислительные способности которого неизмеримо выше возможностей любого современного суперкомпьютера, не превышает 30 Вт [8]. В этой связи разработка нейроморфных вычислительных систем, копирующих и воспроизводящих принципы интеллектуальной обработки информации мозгом, является крайне актуальной задачей, сравнимой по значимости с разработкой в свое время традиционной фон-неймановской вычислительной архитектуры.

Задача по созданию нейроморфных систем является ярким примером реализации глобальной концепции развития природоподобных технологий, сформулированной и активно реализуемой в последние годы проф. М.В. Ковальчуком. Эта концепция предполагает воспроизведение природных систем и процессов, в первую очередь живой природы, в виде технических систем и промышленных технологий, копирующих в функциональном смысле свои прообразы в части эффективности потребления ресурсов, производительности и направленности, а также энергоэффективности [9]. Такое функциональное копирование обусловливает возможность восстановления нарушенного баланса между построенной техногенной цивилизацией и природными процессами, разумное объединение технологий с естественной средой обитания человека. В этой связи разработка и внедрение нейроморфных систем с энергопотреблением и производительностью на уровне живого мозга может обеспечить мощное, мобильное и одновременно экономное с точки зрения затрат энергии средство интеллектуальной обработки все возрастающего объема генерируруемых данных, полуавтономного управления сложными

техногенными процессами и поддержки формирования природоподобной техносферы в целом.

Для определенности дальнейших рассуждений сформулируем ключевые отличительные особенности нейроморфных вычислительных систем, или, в более определенном смысле, универсальных устройств поддержки нейросетевых технологий ИИ - нейроморфных процессоров (НП):

- нейроморфная архитектура, заключающаяся в многоядерной топологии, каждое ядро которой эмулирует активные элементы обработки информации - искусственные нейроны и массивы синаптических связей между ними,

- в максимальном сближении (в пределе - объединении) элементов хранения (синапсы) и обработки (нейроны) информации;

- импульсное кодирование информации, то есть представление действительных чисел в виде последовательностей (или моментов наступления) импульсов, или «спайков» (всплесков активности), генерируемых нейронами;

- разреженный во времени и пространстве характер генерации импульсов нейронами ядер НП по сравнению с традиционными компьютерами, что достигается посредством низкочастотной коммуникации между ядрами (килогерцы против сотен мегагерц и более);

- возможность произвольной или, по крайней мере, широкомасштабной адресации (> 100 элементов) единичного результата обработки информации (события) к нейронам на текущем и других ядрах НП;

- возможность одновременного (или в пределах ограниченного промежутка времени, такта) приема и обработки информации от большого (> 100) числа адресующих события нейронов.

Перечисленные особенности НП могут быть реализованы в полностью

цифровых нейроморфных устройствах, то есть с использованием только

имеющейся транзисторной элементной базы микроэлектроники.

Дополнительными (и весьма желательными - по причинам, изложенным

10

ниже) особенностями цифро-аналоговых вариантов реализации НП можно определить следующие свойства:

- многоуровневый или аналоговый характер элементов памяти, имитирующих синаптические веса между искусственными нейронами;

- способность обработки непосредственно аналоговой информации (или, по крайней мере, данных без предварительной оцифровки);

- возможность обучения и/или самообучения (на не размеченных экспертами данных) нейросетевых алгоритмов доступными средствами НП (in situ обучение), желательно в режиме реального времени;

- возможность аппаратной реализации локальных правил обучения синаптических весов нейрона, то есть зависящих только от локально доступной информации, такой как активности взаимодействующих нейронов, значения их мембранных и других внутренних переменных, а также сила связи между нейронами; при этом остро актуальной является зависимость локальных правил обучения от временных задержек между импульсами (см. ниже).

Ключевые особенности представляются обязательными для обеспечения

биоподобной энергоэффективности и универсальности НП, в соответствии с

требованиями к эффективной реализации на нем большинства

существующих широко используемых архитектур искусственных нейронных

сетей (ИНС), таких как сверточные ИНС [10] (предназначенные, в основном,

для распознавания визуальных образов), сети с кратковременной и

долговременной памятью (Long Short-Term Memory, LSTM) [11] и другие

рекуррентные ИНС [12] (для работы с последовательностями данных:

машинный перевод, семантико-синтаксический анализ текстов, обработка

биоинформатических и нейрокогнитивных данных, управление

исполнительными устройствами и т.п.), полносвязные архитектуры типа

перцептронов [13] (стандартный инструмент для реализации ассоциативных

и классифицирующих слоев разных архитектур ИНС), трансформеры [14]

(для передовых методов обработки текстов и изображений на базе механизма

11

кросс-внимания, создания коммуникативных чат-ботов и мультимодальных моделей ИИ). Максимальное физическое сближение элементов хранения и обработки информации обусловлено необходимостью снижения энергопотребления на выполнение типичных операций типа ВМУ. Оптимальным с этой точки зрения являются вычисления непосредственно в памяти устройства [15].

Представление входящей и обрабатываемой на промежуточных стадиях информации в импульсной форме выгодно, во-первых, с точки зрения снижения энергопотребления, так как становится возможной реализация обработки информации только при наступлении событий генерирования спайков (англ. event-driven approach), при обычно редкой и разреженной в пространстве генерации событий в крупномасштабных нейроморфных системах.

Во-вторых, импульсное представление обеспечивает возможность кодирования значительно большего разнообразия паттернов входной информации, в частности пространственно-временных образов. Для последних, помимо разных пространственных каналов поступления данных, имеют значение также моменты времени наступления событий (или интервалы между ними), что обусловливает возможность применения дополнительной временной размерности для реализации «комбинаторного взрыва», то есть принципиального увеличения числа способов представления аналоговых данных.

Наконец, в-третьих, импульсное представление дает то, что мы отнесли к важнейшим дополнительным качествам нейроморфных систем, а именно способность реализации алгоритмов самоорганизованного обучения (без «учителя», см. Главу 5) на основе аналога синаптической пластичности, обладающей динамическим характером и наблюдаемой в биологической нервной системе (Spike-Timing-Dependent Plasticity, STDP) [16]. Искусственные биоподобные типы синаптической пластичности сегодня

активно используются для разработки самообучаемых архитектур (см. Главы 5 и 6).

Возможности цифро-аналоговой версии НП обеспечивают существенные дополнительные преимущества, связанные с еще большей степенью приближения к основам функционирования биологического прообраза НП - принципиально аналоговой нервной системы животных и человека.

Действительно, обработка аналоговой информации (векторов действительных чисел) способствует дальнейшему увеличению энергоэффективности и производительности НП, так как затрачивается О(1) операций вместо О(п) для n-разрядных чисел. Если в аналоговой форме представлены не только данные, но и синаптические весовые коэффициенты между нейронами и, при том, непосредственно в физической форме (например, в виде специализированных элементов памяти - мемристоров, см. ниже), то можно организовать выполнение операций умножения-сложения и нейросетевые вычисления в целом непосредственно в памяти устройства, что обеспечивает значительный прирост энергоэффективности и производительности НП.

В случае обучения или даже самообучения in situ становится возможной адаптация под новые данные в рамках решаемой задачи, без необходимости обновления ex situ и последующего переноса алгоритма в НП. Если такая возможность реализована в режиме реального времени, да еще и без учителя (на основе не размеченных данных), данное свойство становится весьма ценным с практической точки зрения, поскольку обеспечивает обучение и совершенствование алгоритма прямо «на борту» устройства и его специализацию под персональные условия использования в течение всего срока службы НП (life-long learning [17]).

Всеми перечисленными выше ключевыми особенностями НП первой

группы (без возможности аппаратного обучения) обладает относительно

небольшое число существующих прототипов полностью цифровых или

13

цифро-аналоговых нейроморфных вычислителей, условно, I поколения (не по времени появления, а по функционалу; к ним, согласно представленной здесь концепции, не относятся широко распространенные графические или тензорные ускорители). К НП I поколения относятся следующие примеры: разработки компании IBM (полностью цифровой НП TrueNorth [18]), университета Стэнфорда, США (многопроцессорное решение со смешанными сигналами NeuroGrid с потреблением 3 Вт [19]), цифровая система на кристалле австралийской компании BrainChip НП Akida [20, 21]. В эту же категорию попадает прототип китайского НП Tianjic, поддерживающего, помимо исполнения импульсных нейронных сетей, также реализацию популярных архитектур формальных ИНС на устройстве [22] (см. также Главы 4 и 5).

Национальный исследовательский центр «Курчатовский институт» одним из первых научных центров в России (с 2013 года, с началом настоящего диссертационного исследования), по инициативе проф. М.В. Ковальчука, начал разрабатывать собственные уникальные идеи и технологии в области создания цифро-аналогового нейроморфного процессора - на основе мемристорной компонентной базы (см. ниже). В то же время НИЦ «Курчатовский институт» ведет совместные разработки в области полностью цифровых НП на базе платформы полнофункционального нейрочипа «Алтай» компании «Мотив нейроморфные технологии» [23]. Необходимо отметить, что это первый в России НП, функциональным отличием которого является поддержка нейросетей импульсной архитектуры. В настоящее время продемонстрированы возможности прототипа по решению задач в области компьютерного зрения (распознавания рукописных цифр из базы данных MNIST [23]), а также, совместно с Курчатовским институтом, в области технического слуха - по распознаванию городских шумов [24]. В каждой из этих задач НП «Алтай» демонстрирует примерно в 1000 раз большую энергоэффективность по сравнению с GPU компании Nvidia (65 мВт против десятков Вт).

Яркими представителями условного II поколения устройств, то есть с возможностями аппаратного обучения на чипе, являются НП компании Intel - цифровой нейрочип Loihi [25], цифро-аналоговое решение разработки Гейдельбергского университета BrainScaleS [26, 27], а также многопроцессорная цифровая система с высокоскоростной межпроцессорной коммуникацией SpiNNaker [28, 29] Манчестерского университета, Англия.

В то же время, всем вышеуказанным нейроморфным решениям все еще присуще «бутылочное горло» фон-неймановской архитектуры, связанное с необходимостью, пусть физически близкого, но, тем не менее, частого перемещения информации из памяти в вычислительные элементы в пределах каждого ядра НП. Данный недостаток практически отсутствует в цифро-аналоговых НП на основе новых электронных компонент - мемристоров, которые представляют собой электрически перезаписываемые элементы аналоговой или многоуровневой резистивной памяти и, таким образом, воспроизводят некоторые ключевые особенности биологических межнейронных контактов - синапсов [30]. Действительно, как и биологические синапсы, мемристоры могут играть роль своеобразного фильтра для сигнала, передаваемого между нейроном-отправителем (пресинаптическим узлом) и нейроном-получателем (постсинаптическим узлом), за счет умножения амплитуды импульса напряжения на проводимость мемристорного элемента. Последняя может меняться под действием напряжения или тока выше некоторой (характерной для конкретного мемристора) пороговой величины и сохранять свое последнее значение при снятии напряжения (эффект памяти резистивных состояний). Как и в биологическом прообразе, сопротивление мемристора может меняться в некотором непрерывном диапазоне величин (динамический диапазон, или «окно», сопротивлений) или, по крайней мере, принимать несколько (> 2) стабильных дискретных значений в пределах своего «окна». Данное свойство называется синаптической (мемристивной) пластичностью

и обусловливает возможность применения мемристоров в качестве аппаратных функциональных аналогов синапсов в нейроморфных системах.

Мемристоры могут быть масштабированы до области нанометровых размеров [31], сформированы в массиве с архитектурой типа кроссбар (то есть на пересечении шин строк и столбцов адресуемой матрицы весов) [30], совместимы с кремниевой технологией [15]. Вообще говоря, мемристоры изначально определялись как энергонезависимые элементы [32], но в дальнейшем было представлено и изучено большое количество энергозависимых мемристивных устройств с разными временами релаксации (или, наоборот, удержания) резистивного состояния, которые могут быть полезны при реализации нейоноподобных генераторов импульсов [33], механизмов кратковременной памяти в синаптических элементах [34], принципов пороговой сенсибилизации дендритных синапсов [35] и др. Более того, на базе различных мемристорных структур было продемонстрировано обилие аналогов синаптической пластичности типа БТЭР [36, 37, 38, 39], продемонстрированы возможности обучения импульсных, или спайковых, нейронных сетей, построенных на их основе [36, 37]. Одним из ключевых преимуществ реализации ядер НП с массивом мемристоров в кроссбар-архитектуре размера ЫхМ является возможность выполнения ВМУ за О(1) (ВМУ на целом кроссбар-массиве) или, по крайней мере, за О(^) (ВМУ по

Л

столбцам кроссбар-матрицы) операций, в отличие от О(Я) операций в случае реализации синаптических контактов в физически отдельном блоке памяти ядра НП. ВМУ в кроссбар-массиве осуществляется простым физическим сложением токов по правилу Кирхгофа по столбцам при приложении напряжений к соответствующим входному вектору строкам. При этом сигналы взвешиваются, то есть умножаются, на проводимости соответствующих мемристоров, что определяет данный тип вычислений как истинные вычисления в памяти [40] (рис. В.1).

(а)

(б)

Рис. В.1. (а) Схематическая визуализация физически реализуемого векторно-матричного умножения (ВМУ) в кроссбар-массиве мемристорных ячеек, где V^ - входные данные в виде уровней напряжения, О,] - проводимости соответствующих мемристоров на пересечении строк и столбцов массива, I - выходной ток как результат ВМУ [41]; (б) пример архитектуры нейронной сети на основе мемристоров [42].

По различным оценкам, за счет осуществления как вычислений, так и хранения весов в одних и тех же элементах, реализация НП с использованием массивов мемристивных синапсов может обеспечить заметное ускорение работы алгоритмов и снижение энергопотребления минимум на порядок величины по сравнению с цифровыми реализациями ускорителей ИИ [15, 43].

В то же время, требуются всесторонние исследования и испытания прототипов устройств на базе мемристоров. К настоящему моменту известно

лишь несколько прототипов мемристорных цифро-аналоговых НП в начальной стадии разработки (не выше уровня лабораторного образца), которые, тем не менее, демонстрируют существенные преимущества перед цифровыми образцами НП [15]. Кроме того, совершенный мемристор, отвечающий всем необходимым требованиям для его использования в качестве синаптического элемента в НП, а также надежности и воспроизводимости его характеристик в технологическом цикле синтеза, не найден [44]. На сегодня предложено большое число органических, неорганических, гибридных и даже биологических материалов в качестве кандидатов на изготовление мемристорных элементов на их основе.

Неорганические устройства, как правило, представляют собой два металлических электрода с тонкой пленкой активного материала между ними (вертикальная геометрия), хотя известны и довольно широко исследуются также горизонтальные структуры на базе 2-х-мерных материалов (рис. В.2а, крайняя левая панель). В качестве активного материала выступают оксиды различных металлов, фазово-изменяемые материалы или полупроводники с глубокими уровнями дефектов. Известно большое число механизмов резистивного переключения (РП) таких устройств, обусловленных: миграцией кислородных вакансий (Valency Change Materials, VCM), образованием металлических филаментов (Electro-Chemical Metallization, ECM), изменением фазового состава (Phase-Change Memory, PCM), модуляцией туннелирования в магнитных структурах (Spin-Transfer Torque, STT, и др.), сегнетоэлектрическим переходом (Ferroelectric Tunnel Junctions, FTJ) [44], миграцией дефектов в 2D пленках (рис. В.2а, крайняя левая панель), переходом от эмиссии Шоттки к прямому туннелированию (рис. В.2а, 2-ая панель справа), захватом зарядов на глубокие ловушки (рис. В.2а, крайняя правая панель) [45] и другими факторами.

Основными преимуществами устройств на основе неорганических

материалов являются большая скорость работы и длительное время

удержания (сохранения неизменным) резистивного состояния, что позволяет

18

использовать такие устройства в создании надежных и высокопроизводительных НП для аппаратной реализации нейронных сетей.

б)

Step 1

Step 2

Polymer

+ +

+ ■

к + D

Interface modification

Dielectric

Program

Gate

G + + + +

О О ? ©во Electrolyte

+ + + + + + +

Polymer* —► Polymer0

+ S + + D

Рис. В.2. Некоторые механизмы изменения проводимости для мемристивных устройств на основе неорганических (а) [45] и органических (б) [46] материалов.

Для реализации аналоговых НВС на базе мемристоров необходима разработка воспроизводимой технологии формирования массивов мемристивных ячеек (ReRAM, Resistive Random Access Memory) со следующими рекомендуемыми характеристиками [44, 47, 48]:

(I) Стабильность резистивного состояния (retention) > 105 с (в случае

о

периодической перезаписи); > 3x10 с (в отсутствие системы перезаписи);

(II) Выносливость по отношению к циклическим переключениям

с 7

(endurance) >10 - для формальных нейронных сетей, >10 - для импульсных нейронных сетей;

(III) Пластичность (разрядность и точность установки) резистивных состояний > 5 бит, не хуже 3%; отношение сопротивлений в крайних состояниях Rojj/Ron > 50;

(IV) Напряжение переключения VSET = Vreset < 3 В (равенство напряжений SET и RESET желательно с точки зрения схемотехнической реализации); ток переключения Iwrite < 1 мА; вариабельность < 10%;

(V) Время переключения < 1 мкс;

(VI) Напряжение чтения Vread < 1 В, ток чтения Iread < 100 мкА (в состоянии

Ron );

(VII) Дополнительные требования: линейная зависимость тока чтения от количества импульсов напряжения при РП, симметрия кривых потенциации и депрессирования проводимости (для импульсных нейронных сетей, для формальных - опционально) и др.

Следует особо отметить, что, несмотря на достигнутые значительные успехи (например, несколькими компаниями анонсирована коммерциализация бинарной ReRAM [49]), идеальный мемристор, удовлетворяющий всем вышеуказанным требованиям для использования в составе НВС, не найден, и тем более не создана технология промышленного производства массивов таких мемристивных устройств. Следовательно, продолжаются активные исследования и поиск комбинаций материалов, способных удовлетворить большинству предъявляемых технических требований для возможности исполнения аппаратных ускорителей как формальных, так и импульсных ИНС с вычислениями в мемристивной памяти.

Органические материалы также обладают рядом преимуществ, благодаря которым они нашли определенные сферы применения [46]. За счет особенностей механизмов переключения (рис. В.2б, слева направо: образование проводящих филаментов; электрохимическая реакция; образование ловушек зарядов), отличных от таковых для неорганических устройств, удалось расширить спектр задач, решаемых с помощью систем на их основе. Подробное описание преимуществ, способов синтеза и некоторых сфер применений нейроморфных устройств на базе оригинальных органических мемристоров приведено в Главе 2 настоящей диссертационной работы.

Следует отметить, что в многоуровневой модели разработки нейроморфных вычислительных систем, как и других базовых устройств микроэлектроники, выделяется несколько принципиально различных, но взаимодействующих друг с другом уровней [50]. На нижнем, физическом, уровне разработки принципиально новой компонентной базы производится поиск перспективных материалов с мемристивными свойствами и создаются мемристорные элементы на их основе, выступающие в качестве аналогов межнейронных синаптических контактов. На втором, схемотехническом, уровне разрабатываются ключевые функциональные схемы и логические блоки нейроморфной системы, такие как нейрональные вычислительные элементы, массивы мемристоров в кроссбар-архитектуре, цифро-аналоговые и аналогово-цифровые преобразователи, маршрутизатор ядра нейропроцессора для межъядерной коммуникации, контроллер, планировщик ядра, система исправлений ошибок и т.п., а также облик аппаратно-программной платформы в целом. Наконец, на верхнем, информационно-системном, уровне (в упрощенной 3-х-уровневой модели) выделяется разработка нейроморфных моделей и алгоритмов, адаптированных для функционирования на создаваемых нейроморфных системах с их характерными аппаратными и программными ограничениями.

Список литературы диссертационного исследования доктор наук Демин Вячеслав Александрович, 2023 год

Литература

1. Alharbi S., Alrazgan M., Alrashed A., Alnomasi T., Almojel R., Alharbi R., Alharbi S., Alturki S., Alshehri F., Almojil M. Automatic Speech Recognition: Systematic Literature Review // IEEE Access. - 2021. - V.9. -P. 131858-131876. DOI: 10.1109/ACCESS.2021.3112535.

2. Khan S., Naseer M., Hayat M., Zamir S.W., Khan F.S., and Shah M. Transformers in Vision: A Survey // arXiv:2101.01169v5 [cs.CV]. - 2022.

3. Liu Y., Han T., and Ma S., Zhang J., Yang Y., Tian J., He H., Li A., He M., Liu Z., Wu Z., Zhu D., Li X., Qiang N., Shen D., Liu T., and Ge B. Summary of ChatGPT/GPT-4 Research and Perspective Towards the Future of Large Language Models // arXiv:2304.01852 [cs.CL]. - 2023. https://arxiv.org/abs/2304.01852

4. Ahn M., Brohan A., Brown N., Chebotar Y., Cortes O., David B., Finn C., Fu C., Gopalakrishnan K., Hausman K., Herzog A., Ho D., Hsu J., Ibarz J., Ichter B., Irpan A., Jang E., Jauregui R.R., Jeffrey K., Jesmonth S., Nikhil J.J., Julian R., Kalashnikov D., Kuang Y., Lee K.-H., Levine S., Lu Y., Luu L., Parada C., Pastor P., Quiambao J., Rao K., Rettinghouse J., Reyes D., Sermanet P., Sievers N., Tan C., Toshev A., Vanhoucke V., Xia F., Xiao T., Xu P., Xu S., Yan M., Zeng A. Do As I Can, Not As I Say: Grounding Language in Robotic Affordances // arXiv:2204.01691v2 [cs.RO]. - 2022.

5. Kang J. Kim T. PV-MAC: Multiply-and-accumulate unit structure exploiting precision variability in on-device convolutional neural networks // Integration. - 2020. - V.71. - P. 76-85. doi: 10.1016/j.vlsi.2019.11.003.

6. Andrae A.S.G. New perspectives on internet electricity use in 2030 // Engineering and Applied Science Letter. - 2020. V.3, № 2. - P. 19-31. DOI: 10.30538/psrp-easl2020.0038

7. Petit V., Carlini S., Avelar V. Digital economy and climate impact. A bottom-up forecast of the IT sector energy consumption and carbon footprint to 2030 // Sustainability Research Institute's Technical Report, Schneider Electric. -2021.

8. Balasubramanian V. Brain power // PNAS. - 2021. - V.118, № 32. - P. e2107022118. https://doi.org/10.1073/pnas.2107022118.

9. Идеология природоподобных технологий / под ред. Ковальчука М.В. -Физматлит, г. Москва, 2021. - 336 с.

10. Goodfellow I., Bengio Y., Courville A. Deep Learning / MIT Press, 2016. -326 p.

11. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. - 1997. - V.9, № 8. - P. 1735-1780. D0I:10.1162/neco.1997.9.8.1735.

12. Li S., Li W., Cook C., Zhu C., Yanbo G. Independently Recurrent Neural Network (IndRNN): Building a Longer and Deeper RNN // arXiv:1803.04831 [cs.CV]. - 2018.

13. Rosenblatt F. The Perceptron - a perceiving and recognizing automaton // Report 85-460-1. - Cornell Aeronautical Laboratory, 1957.

14. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need // arXiv:1706.03762 [cs.CL]. - 2017.

15. Wan W., Kubendran R., Schaefer C., Eryilmaz S.B., Zhang W., Wu D., Deiss S., Raina P., Qian He, Gao B., Joshi S., Wu H., Wong H.-S.P., Cauwenberghs G. A compute-in-memory chip based on resistive random-access memory // Nature. - 2022. - V.608. - P. 504-512. https://doi.org/10.1038/s41586-022-04992-8

16. Feldman D.E. The spike-timing dependence of plasticity // Neuron. - 2012. -V.75, № 4. - P. 556-571. DOI: 10.1016/j.neuron.2012.08.001.

17. Parisi G.I., Kemker R., Part J.L., Kanan C., Wermter S. Continual Lifelong Learning with Neural Networks: A Review // arXiv:1802.07569v4 [cs.LG]. -2019.

18. Akopyan F., Sawada J., Cassidy A., Alvarez-Icaza R., Arthur J., Merolla P., Imam N., Nakamura Y., Datta P., Nam G.-J., Taba B., Beakes M., Brezzo B., Kuang J.B., Manohar R., Risk W.P., Jackson B., Modha D.S. TrueNorth: Design and Tool Flow of a 65 mW 1 Million Neuron Programmable Neurosynaptic Chip // IEEE Transactions on Computer-Aided Design of

436

Integrated Circuits and Systems - 2015. - V.34, № 10. - P. 1537-1557. DOI: 10.1109/TCAD.2015.2474396.

19. Benjamin B.V., Gao P., McQuinn E., Choudhary S., Chandrasekaran A.R., Bussat J.-M, Alvarez-Icaza R., Arthur J.V., Merolla P.A., and Boahen K. Neurogrid: A Mixed-Analog-DigitalMultichip System for Large-Scale Neural Simulations // Proceedings of the IEEE. - 2014. - V.102, № 5. - P. 1-18.

20. Сайт коммерческой компании BrainChip, реализующей нейроморфные системы на кристалле с торговой маркой Akida собственной разработки. - URL: https://brainchip.com/ (дата обращения 12.05.2023).

21. Vanarse A., Osseiran A., Rassau A., and van der Made P. A Hardware-Deployable Neuromorphic Solution for Encoding and Classification of Electronic Nose Data // Sensors. - 2019. - V.19. - P. 4831. DOI:10.3390/s19224831.

22. Pei J., Deng L., Song S., Zhao M., Zhang Y., Wu S., Wang G., Zou Z., Wu Z., He W., Chen F., Deng N., Wu S., Wang Y., Wu Y., Yang Z., Ma C., Li G., Han W., Li H., Wu H., Zhao R., Xie Y., Shi L. Towards artificial general intelligence with hybrid Tianjic chip architecture // Nature. - 2019. - V.572. -P. 106-111. https://doi.org/10.1038/s41586-019-1424-8.

23. Сайт компании-разработчика нейрочипа «Алтай» ООО «Мотив нейроморфные технологии». - URL: https://motivnt.ru/neurochip-altai/ (дата обращения 12.05.2023).

24. Сбоев А.Г., Рыбка Р.Б., Серенко А.В., Селиванов А.Г., Софонов А.О. Классификация звука импульсной нейронной сетью, удовлетворяющей ограничениям нейропроцессора Алтай и при этом использующей полный динамический диапазон весов // Вестник Военного инновационного технополиса «Эра». - 2022. - Т.3, № 3. - C. 303-311.

25. Davies M., Wild A., Orchard G., Sandamirskaya Y., Guerra G.A. Fonseca, Joshi P., Plank P., and Risbud S.R. Advancing Neuromorphic Computing With Loihi: A Survey of Results and Outlook // Proceedings of the IEEE. -2021. - V.109, № 5. DOI: 10.1109/JPROC.2021.3067593.

26. Schemmel J., Bruderle D., Grubl A., Hock M., Meier K., & Millner S. A wafer-scale neuromorphic hardware system for large-scale neural modeling //

437

Proceedings of the 2010 IEEE Int. Symp. Circ. Syst. (ISCAS). - 2010. - P. 1947-1950.

27. Pehle C., Billaudelle S., Cramer B., Kaiser J., Schreiber K., Stradmann Y., Weis J., Leibfried A., Müller E., Schemmel J. The BrainScaleS-2 Accelerated Neuromorphic System With Hybrid Plasticity // Frontiers in Neuroscience. -2022. - V.16. - P. 795876. D0I:10.3389/fnins.2022.795876.

28. Furber S., Galluppi F., Temple S., Plana L. The SpiNNaker Project // Proceedings of the IEEE. - 2014. - V.102, № 5. - P. 652-665. DOI: 10.1109/JPR0C.2014.2304638.

29. Diehl P.U., Cook M. Efficient implementation of STDP rules on SpiNNaker neuromorphic hardware // International Joint Conference on Neural Networks (IJCNN). - 2014. - P. 4288-4295. D0I:10.1109/IJCNN.2014.6889876.

30. Zhang W., Gao B., Tang J., Yao P., Yu S., Chang M.-F., Yoo H.-J., Qian H., Wu H. Neuro-inspired computing chips // Nat. Electron. - 2020. - V.3. - P. 371-382. https://doi.org/10.1038/s41928-020-0435-7

31. Pi S., Li C., Jiang H., Xia W., Xin H., Yang J.J., Xia Q. Memristor crossbar arrays with 6-nm half-pitch and 2-nm critical dimension // Nature Nanotech. -2019. - V.14. - P. 35-39. https://doi.org/10.1038/s41565-018-0302-0

32. Zhou G.D., Wang Z.R., Sun B., Zhou F.C., Sun L.F., Zhao H.B., Hu X., Peng X., Yan J., Wang H., Wang W., Li J., Yan B., Kuang D., Wang Y., Wang L., Duan S.K. Volatile and Nonvolatile Memristive Devices for Neuromorphic Computing // Adv. Electron. Mater. - 2022. - P. 2101127. https://doi.org/10.1002/aelm.202101127

33. Hua Q., Wu H., Gao B., Zhang Q., Wu W., Li Y., Wang X., Hu W., Qian H. // Low-Voltage Oscillatory Neurons for Memristor-Based Neuromorphic Systems // Global Challenges. - 2019. - V.3, № 11. - P. 1900015. https://doi.org/10.1002/gch2.201900015.

34. Feali M.S. Using volatile/non-volatile memristor for emulating the short-and long-term adaptation behavior of the biological neurons // Neurocomputing. -2021. -V.465, № 20. - P. 157-166. https://doi.org/10.1016/j.neucom.2021.08.132.

35. Li X., Tang J., Zhang Q., Gao B., Yang J.J., Song S., Wu W., Zhang W., Yao P., Deng N., Deng L., Xie Y., Qian H., and Wu H. Power-efficient neural network with artificial dendrites // Nat. Nanotechnol. - 2020. - V.15. - P. 776-782. https://doi.org/10.1038/s41565-020-0722-5.

36. Wang W., Pedretti G., Milo V., Carboni R., Calderoni A., Ramaswamy N., Spinelli A.S., Ielmini D. Learning of spatiotemporal patterns in a spiking neural network with resistive switching synapses // Sci. Adv. - 2018. - V.4. -P. eaat4752. DOI:10.1126/sciadv.aat4752.

37. Prezioso M., Mahmoodi M.R., Bayat F.M., Nili H., Kim H., Vincent A., & Strukov D.B. Spike-timing-dependent plasticity learning of coincidence detection with passively integrated memristive circuits // Nat. Commun. -V.9. - P. 5311. https://doi.org/10.1038/s41467-018-07757-y.

38. Roy K., Jaiswal A., Panda P. Towards spike-based machine intelligence with neuromorphic computing // Nature. - 2019. - V.575. - P. 607-617. https://doi.org/10.1038/s41586-019-1677-2.

39. *Nikiruy K.E., Emelyanov A.V., Demin V.A., Sitnikov A.V., Minnekhanov A.A., Rylkov V.V., Kashkarov P.K., Kovalchuk M.V. Dopamine-like STDP modulation in nanocomposite memristors // AIP Advances. - 2019. - V.9, № 6. - P. 065116. https://doi.org/10.1063/1.5111083.

40. Mehonic A., Sebastian A., Rajendran B., Simeone O., Vasilaki E., and Kenyon A.J. Memristors—From In-Memory Computing, Deep Learning Acceleration, and Spiking Neural Networks to the Future of Neuromorphic and Bio-Inspired Computing // Adv. Intell. Syst. - 2020. - V.2. - P. 2000085. https://doi.org/10.1002/aisy.202000085.

41. Xi Y., Gao B., Tang J, Chen A., Chang M.-F., Hu X.S., Spiegel J.V.D., Qian H., Wu H. In-memory Learning with Analog Resistive Switching Memory: A Review and Perspective // Proceedings of the IEEE. - 2021. - V.109, № 1. -P. 14-42. DOI:10.1109/JPROC.2020.3004543.

42. Xu W., Wang J., Yan X. Advances in Memristor-Based Neural Networks // Front. Nanotechnol. - 2021. - V.3. - P. 645995.

43. Yao P., Wu H., Gao B., Tang J., Zhang Q., Zhang W., Yang J.J., & Qian H. Fully hardware-implemented memristor convolutional neural network //

439

Nature. - 2020. - V.577. - P. 641-646. https://doi.org/10.1038/s41586-020-1942-4.

44. Wang Z., Wu H., Burr G.W. Hwang C.S., Wang K.L., Xia Q., Yang J.J. Resistive switching materials for information processing // Nat. Rev. Mater. -2020. - V.5. - P. 173-195. https://doi.org/10.1038/s41578-019-0159-3.

45. Huh W., Lee D., Lee C. Memristors Based on 2D Materials as an Artificial Synapse for Neuromorphic Electronics // Adv. Mater. - 2020. - V.32, № 51. - P. 2002092.

46. van de Burgt Y., Armantas M., Keene S.T., George M., and Alberto S. Organic electronics for neuromorphic computing // Nat. Electron. - 2018. -V.1, № 7. - P. 386-397. D0I:10.1038/s41928-018-0103-3

47. Zhang Y., Wang Z., Zhu J., Yang Y., Rao M., Song W., Zhuo Y., Zhang X., Cui M., Shen L., Huang R., Yang J. Brain-inspired computing with memristors: Challenges in devices, circuits, and systems // Applied Physics Reviews/ - 2020. - V.7, № 1. - P. 011308. https://doi.org/10.1063/1.5124027

48. Huang W., Xia X., Zhu C., Steichen P., Quan W., Mao W., Yang J., Chu L., Li X. Memristive Artificial Synapses for Neuromorphic Computing. // Nano-Micro Letters. - 2021. - V.13. - P. 85. https://doi.org/10.1007/s40820-021-00618-2

49. Zahoor F., Hussin F.A., Isyaku U.B., Gupta S., Khanday F.A. Resistive random access memory: introduction to device mechanism, materials and application to neuromorphic computing // Discover Nano. - 2023. - V.18. -P. 36. https://doi.org/10.1186/s 11671 -023-03775-y

50. Serb A., Prodromakis T. A system of different layers of abstraction for artificial intelligence // arXiv:1907.10508v1 [cs.CY]. - 2019. https://doi.org/10.48550/arXiv.1907.10508. - 2019.

51. Rao M., Tang H., Wu J., Song W., Zhang M., Yin W., Zhuo Ye, Kiani F., Chen B., Liu H., Chen H.-Y., Midya R., Ye F., Jiang H., Wang Z., Wu M., Hu M., Wang H., Xia Q., Ge N., Li Ju, Yang J. J. Thousands of conductance levels in memristors integrated on CMOS // Nature. - 2023. - V.615. - P. 823-829. https://doi.org/10.1038/s41586-023-05759-5

52. Strukov D.B., Snider G.S., Stewart D.R. and Williams R.S. The missing memristor found // Nature. - 2008. - V.453. - P. 80-83. https://doi.org/10.1038/nature06932

53. Banerjee W., Liu Qi, Hwang H. Engineering of defects in resistive random access memory devices // J. Appl. Phys. - 2020. - V.127, № 5. - P. 051101. https://doi.org/10.1063/L5136264

54. Hickmott T.W. Low-frequency negative resistance in thin anodic oxide films // IEEE Trans Electron Devices. - 1962. - V.33, № 9. - P. 2669-2682.

55. Chua L.O. Memristor - the missing circuit element // IEEE Trans. Circuit Theory - 1971. - V.18. - P. 507-519.

56. Chua L.O., Kang S.M. Memristive devices and systems // Proceedings of the IEEE. - 1976. - V.64, № 2. - P. 209-223. DOI: 10.1109/PR0C.1976.10092.

57. Tetzlaff R. Memristors and Memristive Systems / Ed. by R. Tetzlaff. -Springer: New York, Heidelberg, Dordrecht, London, 2014. - 409 p. ISBN 978-1-4614-9067-8.

58. Borghetti J., Li Z., Straznicky J., Li X., Ohlberg D.A.A., Wu W., Stewart D.R., Williams R.S. A hybrid nanomemristor/transistor logic circuit capable of self-programming // Proc. Natl. Acad. Sci. - 2009. - V. 106. - P. 1699.

59. Xia Q., Robinett W., Cumbie M.W., Banerjee N., Cardinali T.J., Yang J.J., Wu W., Li X., Tong W.M., Strukov D.B., Snider G.S., Medeiros-Ribeiro G., Williams R.S. Memristor - CMOS hybrid integrated circuits for reconfigurable logic // Nano Lett. - 2009. - V.9. - P. 3640.

60. Saighi S., Mayr C.G., Serrano-Gotarredona T., Schmidt H., Lecerf G, Tomas J., Grollier J., Boyn S., Vincent A.F., Querlioz D., La Barbera S., Alibart F., Vuillaume D., Bichler O., Gamrat C., Linares-Barranco B. Plasticity in memristive devices for spiking neural networks // Front. Neurosc. - 2015. -V.9. - P. 51.

61. Mehonic A. and Kenyon A.J. Emulating the Electrical Activity of the Neuron Using a Silicon Oxide RRAM Cell // Front. Neurosc. - 2016. - V. 10. - P. 57.

62. Rachmuth G., Shouval H.Z., Bear M.F., Poon C.-S. A biophysically-based neuromorphic model of spike rate- and timing-dependent plasticity // Proc. Natl. Acad. Sci. - 2011. - V.108, № 49. - P. E1266 - E1274.

441

63. Vongehr S., Meng X. The Missing Memristor has Not been Found // Scientific Reports. - 2015. - V.5. - P. 11657.

64. Corinto F., Paolo P., Chua L. A theoretical approach to memristor devices // IEEE J. Emerg. Sel. Topics Curc. Syst. - 2015. - V.5. - P. 2.

65. *Demin V.A. and Erokhin V.V. Hidden symmetry shows what a memristor is // Int. J. Unconventional Computing. - 2016. - V.12. - P. 433-438.

66. Yang J.J., Borghetti J., Murphy D., Stewart D.R., Williams R.S. A Family of Electronically Reconfigurable Nanodevices // Adv. Mat. - 2009. - V.21. - P. 3754-3758.

67. Dong R., Lee D.S., Pyun M.B., Hasan M., Choi H.J., Jo M.S., Seong D.J., Chang M., Heo S.H., Lee J.M., Park H.K., Hwang H. Mechanism of current hysteresis in reduced rutile Ti02 crystals for resistive memory // Appl. Phys. A. - 2008. - V.93. - P. 409-414. https://doi.org/10.1007/s00339-008-4782-x

68. Wong H.S.P., Heng-Yuan L., Shimeng Y., Yi W., Pang-Shiu C., Byoungil L., Frederick T. C., Ming-Jinn T. Metal-Oxide RRAM // Proc. IEEE. - 2012. -V.100, № 6. - P. 1951-1970. DOI: 10.1109/JPR0C.2012.2190369.

69. Pan X., Yang M., Fu X., Zhang N., Xu Y. Defective TiO2 with oxygen vacancies: synthesis, properties and photocatalytic applications // Nanoscale.

- 2013. - V.5. - P. 3601. https://doi.org/10.1039/C3NR00476G.

70. von Witzleben M., Wiefels S., Kindsmuller A., Stasner P., Berg F., Cuppers F, Hoffmann-Eifert S., Waser R., Menzel S., and Bottger U. Intrinsic RESET Speed Limit of Valence Change Memories // ACS Appl. Electr. Mat. - 2021.

- V.3, № 12. - P. 5563-5572. DOI:10.1021/acsaelm.1c00981.

71. Yang J.J., Pickett M.D., Li X. Memristive switching mechanism for metal/oxide/metal nanodevices // Nature nanotechnology. - 2008. - V.3, № 7.

- P. 429- 433.

72. Prodromakis T., Michelakisy K., Toumazou C. Fabrication and electrical characteristics of memristors with TiO2/TiO2-x active layers // Circ. Syst. (ISCAS). Proceed. 2010 IEEE Int. Symp. - 2010. - P. 1520-1522.

73. Gale E.M., Adamatzky A., de Lacy Costello B. Fabrication and modelling of titanium dioxide memristors / RSC Younger Members Symposium. - Poster presented at Royal Society of Chemistry. - 13 June 2012.

442

74. *Khrapovitskaya Yu.V., Maslova N.E., Grishchenko Yu.V., Demin V.A., Zanaveskin M.L. The effect of the memristor electrode material on its resistance to degradation under conditions of cyclic switching // Tech. Phys. Lett. - 2014. - V.40. - P. 87-94. https://doi.org/10.1134/S1063785014040051.

75. *Emelyanov A.V., Demin V.A., Antropov I.M., Tselikov G.I., Lavrukhina Z.V., Kashkarov P.K.. Effect of the thickness of the TiOx /TiO2 layers on their memristor properties // Tech. Phys. - 2015. - V.85. - P. 114-117. https://doi.org/10.1134/S1063784215010077.

76. Liu X., Yin J., Liu Z.G., Yin X.B., Chen G.X., Wang M. Structural characterization of TiO2 thin films prepared by pulsed laser deposition on GaAs (100) substrates // Appl. Surf. Sci. - 2001. - V.174. - P. 35-39. https://doi.org/10.1016/S0169-4332(01)00007-1.

77. Yoon K.J., Lee M.H., Kim G.H., Song S.J., Seok J.Y., Han S., Yoon J.H., Kim K.M., and Hwang C.S. Memristive tri-stable resistive switching at ruptured conducting filaments of a Pt/TiO2/Pt cell // Nanotechnology. - 2012. - V.23, № 18. - P. 185 202. DOI: 10.1088/0957-4484/23/18/185202.

78. Pickett M.D., Strukov D.B., Borghetti J.L. Yang J.J., Snider G.S., Stewart D.R., Williams R.S. Switching dynamics in titanium dioxide memristive devices // J. Appl. Phys. - 2009. - V.106, № 7. - P. 074508. https://doi.org/10.1063/L3236506

79. Akinaga H., Shima H. Resistive Random Access Memory (ReRAM) Based on Metal Oxides // Proc. IEEE. - 2010. - V.98, № 12. - P. 2237-2251. DOI: http://dx.doi.org/10.1109/JPROC.2010.2070830.

80. Lubben M., Wiefels S., Waser R., Valov I. Processes and effects of oxygen and moisture in resistively switching TaOx and HfOx // Adv. Electr. Mat. -2017. - V.4, № 1. - P. 1700458-1-1700458-6. DOI 10.1002/aelm.201700458.

81. Андреева Н.В. Физико-технологические основы мемристивных нанослоевых композиций для аналоговых нейроморфных электронных систем: специальность 01.04.10 «Физика полупроводников»: -Диссертация на соискание ученой степени доктора физико-

443

математических наук / Андреева Наталья Владимировна, Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина). - Москва, 2022. - 303 с.

82. Briggs D., Seah M.P. Practical surface analysis by Auger and x-ray photoelectron spectroscopy / Pub.: Wiley, 1983. - 553 p.

83. Honda K., Sakai A., Sakashita M., Ikeda H., Zaima S., Yasuda Y. Pulsed Laser Deposition and Analysis for Structural and Electrical Properties of HfO2-TiO2 Composite Films // Jpn. J. Appl. Phys. - 2004. - V.43. - P. 1571-1576. DOI: 10.1143/JJAP.43.1571.

84. *Tselikov G.I., Emelyanov A.V., Antropov I.M., Demin V.A., Kashkarov P.K. Effect of TiOx/TiO2 layer thickness on the properties of the pulsed laser deposited memristive device // Phys. Stat. Sol. C. - 2015. - V.12. - P. 229232. https://doi.org/10.1002/pssc.201400123.

85. Hyeonjoong Y., Russell L.P. The efect of weight precision and range on neural network classifer performance // Neurocomputing. - 1994. - V.6. - P. 541-549.

86. *Rylkov V.V., Nikolaev S.N., Demin V.A., Emelyanov A.V., Sitnikov A.V., Nikiruy K.E., Levanov V.A., Presnyakov M.Yu., Taldenkov A.N., Vasiliev A.L., Chernoglazov K.Yu., Vedeneev A.S., Kalinin Yu.E., Granovskii A.B., Tugushev V.V., Bugaev A.S. Transport, Magnetic, and Memristive Properties of a Nanogranular (CoFeB)x(LiNbOy)100-x Composite Material // J. Exp. Theor. Phys. - 2018. - V.126. - P. 353-367. https://doi.org/10.1134/S1063776118020152.

87. *Martyshov M.N., Emelyanov A.V., Demin V.A., Nikiruy K.E., Minnekhanov A.A., Nikolaev S.N., Taldenkov A.N., Ovcharov A.V., Presnyakov M.Yu., Sitnikov A.V., Vasiliev A.L., Forsh P.A., Granovskiy A.B., Kashkarov P.K., Kovalchuk M.V.,Rylkov V.V. Multifilamentary Character of Anticorrelated Capacitive and Resistive Switching in Memristive Structures Based on (Co-Fe-B)x(LiNbO3)100-x Nanocomposite // Phys. Rev. Applied. - 2020. - V.14. - P. 034016. https://doi.org/10.1103/PhysRevApplied. 14.034016.

88. Beloborodov I.S., Lopatin A.V., Vinokur V.M., Efetov K.B. Granular electronic systems // Rev. Mod. Phys. - 2007. - V.79. - P. 469.

89. Гриднев С.А., Калинин Ю.Е., Ситников А.В., Стогней О.В. Нелинейные явления в нано- и микрогетерогенных системах / М.: БИНОМ, Лаборатория знаний, 2012. - 352 с.

90. Шкловский Б.И., Эфрос А.Л. Электронные свойства легированных полупроводников / Наука, Москва, 1979. - 416 с.

91. Mott N.F., Davis E.A. Electronic Processes in Non-Crystalline Materials / Clarendon Press, Oxford, 1979. - 590 p.

92. Adkins C.J. Hopping conductivity in granular metals revisited. In Metal-insulator transitions revisited / Ed. by P.P. Edwards and C.N.R. Rao. - Taylor & Francis, 1995. - Chapter 10.

93. Feigel'man M.V. and Ioselevich A.S. Variable range cotunneling and conductivity of a granular metal //JETP Lett. - 2005. - V.81, № 6. - P. 341347.

94. Beloborodov I.S., Lopatin A.V., and Vinokur V.M. Coulomb effects and hopping transport in granular metals // Phys.Rev. B. - 2005. - V.72. - P. 125121.

95. Mikhailovsky Yu.O., Prudnikov V.N., Chernoglazov K.Yu., Rylkov V.V., Nikolaev S.N., Sitnikov A.V., Kalinin Yu.E., Bartov D., Gerber A., Granovsky A.B. Anomalous Hall Effect in (Co41Fe39B20)x(Al-O)100-x Nanocomposites: Temperature Dependence // Sol. State Phenom. - 2015. -V.233-234. - P. 403-406. D0I:10.4028/www.scientific.net/ssp.233-234.403.

96. Bartov D., Segai A., Karpovski M., Gerber A. Absence of the ordinary and extraordinary Hall effects scaling in granular ferromagnets at metal-insulator transition // Phys.Rev. B. - 2014. - V.90. - P. 144423.

97. Михайловский Ю.О., Прудников В.Н., Рыльков В.В. и др. Логарифмическая температурная зависимость электросопротивления нанокомпозитов (Co41Fe39B20)x(Al-O)100-x // ФТТ. - 2016. - Т.58. - С. 433. https://doi.org/10.1134/S1063783416030227.

98. Pakhomov A.B., and Yan X. Resistivity and Hall resistivity in percolating (NiFe)-SiO2 films // Sol. State Commun. - 1996. - V.99. - P. 139. https://doi.org/10.1016/0038-1098(96)00224-4.

99. Milner A., Gerber A., Groisman B., Karpovsky M., and Gladkikh A. Spin-Dependent Electronic Transport in Granular Ferromagnets // Phys. Rev. Lett. - 1996. - V.76. - P. 475.

100. *Rylkov V.V., Nikolaev S.N., Chernoglazov K.Yu., Demin V.A., Sitnikov A.V., Presnyakov M.Yu., Vasiliev A.L., Perov N.S., Vedeneev A.S., Kalinin Yu.E., Tugushev V.V., Granovsky A.B. Tunneling anomalous Hall effect in nanogranular CoFe-B-Al-O films near the metal-insulator transition // Phys. Rev. B. - 2017. - V.95. - P. 144202.

101. Vedyayev A.V., Ryzhanova N.V., Strelkov N., and Dieny B. Spontaneous Anomalous and Spin Hall Effects Due to Spin-Orbit Scattering of Evanescent Wave Functions in Magnetic Tunnel Junctions // Phys. Rev. Lett. - 2013. -V.110. - P. 247204.

102. Wong K.K. Properties of Lithium Niobate / London: INSPEC, 2002. - 432 p.

103. Udalov O.G., Beloborodov I.S. Competition of the Coulomb and hopping-based exchange interactions in granular magnets // Phys. Rev. B. - 2017. -V.95. - P. 045427.

104. Bedanta S., Eimuller T., Kleemann W., Rhensius J., Stromberg F., Amaladass E., Cardoso S., Freitas P.P. Overcoming the Dipolar Disorder in Dense CoFe Nanoparticle Ensembles: Superferromagnetism // Phys. Rev. Lett. - 2007. -V.98. - P. 176601.

105. Resistive Switching: From Fundamentals of Nanoionic Redox Processes to Memristive Device Applications / Ed. by Ielmini D. and Waser R. - Wiley-VCH Verlag GmbH & Co. KGaA, Boschstr, Weinheim, Germany, 2016. -784 p. ISBN: 978-3-527-33417-9.

106. Cawley D., Halloran J.W., and Cooper A.R. Oxygen Tracer Diffusion in Single-Crystal Alumina // J. Am. Ceram. Soc. - 1991. - V.74. - P. 2086. DOI: 10.1111/j.1151-2916.1991.tb08264.x.

107. Yakopcic C., Wang S., Wang W., Shin E., Boeckl J., Subramanyam G., Taha T.M. Filament formation in lithium niobate memristors supports

446

neuromorphic programming capability // Neural Comput. & Applic. - 2018. -V.30. - P. 3773-3779. https://doi.org/10.1007/s00521-017-2958-z.

108. Pan X., Shuai Y., Wu C., Luo W., Sun X., Zeng H., Zhou S., Bottger R., Ou X., Mikolajick T., Zhang W., and Schmidt H. Rectifying filamentary resistive switching in ion-exfoliated LiNbO3 thin films // Appl. Phys. Lett. - 2016. -V.108. - P. 032904. https://doi.org/10.1063/L4940372.

109. Калинин Ю.Е., Ремизов А.Н., Ситников А.В. Электрические свойства аморфных нанокомпозитов (Co45Fe45Zr10)x(Al2O3)1-x // ФТТ. - 2004. -Т.46, № 11. - С. 2076.

110. Ellis W.C., Greiner E.S. Equilibrium relations in the solid state of the iron-cobalt system // Trans. American Soc. for Metals. - 1941. - V.29. - P. 415432.

111. Гурвич Л.В., Карачевцев Г.В., Кондратьев В.Н., Лебедев Ю.А., Медведев В.А., Потапов В.К., Ходеев Ю.С. Энергия разрыва химических связей. Потенциал ионизации и сродство к электрону / М.: Наука, 1974. - 351 с.

112. Efetov K.B., Tschersich A. Coulomb effects in granular materials at not very low temperatures // Phys. Rev. B. - 2003. - V.67. - P. 174205.

113. *Ситников А.В., Бабкина И.В., Калинин Ю.Е., Никонов А.Е., Копытин М.Н., Никируй К.Э., Ильясов А.И., Черноглазов К.Ю., Николаев С.Н., Васильев А.Л., Емельянов А.В., Демин В.А., Рыльков В.В. Многоуровневый мемристивный элемент на базе наногранулированного композита (CoFeB)x(LiNbO3)100-x с тонкой прослойкой аморфного LiNbO3 // Наноиндустрия. - 2020. - Т.13. Спецвыпуск 5s, Часть III. - С. 688-697.

114. Udalov O.G., Chtchelkatchev N.M., Glatz A., and Beloborodov I.S. Interplay of Coulomb blockade and ferroelectricity in nanosized granular materials // Phys. Rev. B. - 2014. - V.89. - P. 054203.

115. Ielmini D. Resistive switching memories based on metal oxides: mechanisms, reliability and scaling // Semicond. Sci. Technol. - 2016. - V.31, № 6. - P. 063002.

116. del Valle J., Ramirez J. G., Rozenberg M. J., and Schuller I. K. Challenges in materials and devices for resistive-switching-based neuromorphic computing // J. Appl. Phys. - 2018. - V.124. - P. 211101.

117. *Nikiruy K.E., Emelyanov A.V., Demin V.A., Sitnikov A.V., Minnekhanov A.A., Rylkov V.V., Kashkarov P.K., and Kovalchuk M.V. Dopamine-like STDP modulation in nanocomposite memristors // AIP Advances. - 2019. -V.9. - P. 065116.

118. Эфрос А.Л. Физика и геометрия беспорядка / М.: Наука, 1982. - 176 с.

119. Nagaosa N., Sinova J., Onoda S., MacDonald A. H., and Ong N. P. Anomalous Hall effect // Rev. Mod. Phys. - 2010. - V.82. - P. 1539.

120. Timopheev A.A., Bdikin I., Lozenko A.F., Stognei O.V., Sitnikov A.V., Los A.V., Sobolev N.A. Superferromagnetism and coercivity in Co-Al2O3 granular films with perpendicular anisotropy // J. Appl. Phys. - 2012. - V.111. - P. 123915. https://doi.org/10.1063/L4730397.

121. Kittel C. Introduction to Solid State Physics / 4th Edition. - John Wiley & Sons Inc., New York, 1971.

122. *Rylkov V., Sitnikov A., Nikolaev S., Emelyanov A., Chernohlazov K., Nikiruy K., Drovosekov A., Blinov M., Fadeev E., Taldenkov A., Demin V., Vedeneev A., Bugaev A., and Granovsky A. Properties of Nanocomposites with Different Concentrations of Magnetic Ions in an Insulating Matrix // IEEE Magn. Lett. - 2019. - V.10. - P. 8910433. DOI: 10.1109/LMAG.2019.2955060.

123. *Rylkov V.V., Sitnikov A.V., Nikolaev S.N., Demin V.A., Taldenkov A.N., Presnyakov M.Yu., Emelyanov A.V., Vasiliev A.L., Kalinin Yu.E., Bugaev A.S., Tugushev V.V., Granovsky A.B. Properties of nanogranular (CoFeB)x(AlOy)100-x and (CoFeB)x(LiNbOy)100-x nanocomposites: Manifestation of superferromagnetic ordering effects // J. Magn. Magn. Mater. - 2018. - V.459. - P. 197-201. https://doi.org/10.1016/i.immm.2017.11.022.

124. Schoen M. A. W., Lucassen J., Nembach H. T., Silva T. J., Koopmans B., Back C. H., Shaw J. M. Magnetic properties of ultrathin 3d transition-metal

binary alloys. I. Spin and orbital moments, anisotropy, and confirmation of Slater-Pauling behavior // Phys. Rev. B. - 2017. -V.95. - P. 134410.

125. Ed. by Barsoukov E., J. Macdonald J.R. Impedance Spectroscopy. Theory, Experiment, and Applications / Wiley-Interscience, 2015. - 616 p. ISBN: 0471-64749-7.

126. Koltunowicz T.N., Zukowski P., Milosavljevic M., Saad A.M., Kasiuk J.V., Fedotova J.A., Kalinin Yu.E., Sitnikov A.V., and Fedotov A.K. AC/DC conductance in granular nanocomposite films (Fe45Co45Zr10)x(CaF2)100-x // Journal of Alloys and Compounds. - 2014. - V.586. - P. S353.

127. Mitsuyu T. and Wasa K. High dielectric constant films of amorphous LiNbO3 prepared by sputtering deposition // Jpn. J. Appl. Phys. - 1981. - V.20. - P. L48.

128. Niklasson G.A. and Granqvist C.G. Optical properties and solar selectivity of coevaporated Co-Al2O3 composite films // J. Appl. Phys. - 1984. - V.55. - P. 3382.

129. Luo Y., Zhao D., Zhao Y., Chiang F., Chen P., Guo M., Luo N., Jiang X., Miao P., Sun Y., Chen A., Lin Z., Li J., Duan W., Cai J., and Wang Y. Evolution of Ni nanofilaments and electromagnetic coupling in the resistive switching of NiO // Nanoscale. - 2015. - V.7. - P. 642.

130. Kotova M.S., Drozdov K.A., Dubinina T.V., Kuzmina E.A., Tomilova L.G., Vasiliev R.B., Dudnik A.O., Ryabova L.I., and Khokhlov D.R. In situ impedance spectroscopy of filament formation by resistive switches in polymer based structures // Sci. Rep. - 2018. - V.8. - P. 9080.

131. Choi B.J., Torrezan A.C., Norris K.J., Miao F., Strachan J.P., Zhang M.X., Ohlberg D.A., Kobayashi N.P., Yang J.J., and Williams R.S. Electrical Performance and Scalability of Pt Dispersed SiO2 Nanometallic Resistance Switch // Nano Letters. - 2013. - V.13. - P. 3213.

132. Li W., Liu X., Wang Y., Dai Z., Wu W., Cheng L., Zhang Y., Liu Q., Xiao X., and Jiang C. Design of high-performance memristor cell using Wimplanted SiO2 films // Appl. Phys. Lett. - 2016. - V.108. - P. 153501.

133. *Rylkov V.V., Demin V.A., Emelyanov A.V., Sitnikov A.V., Kalinin Yu.E., Tugushev V.V., Granovsky A.B. Magnetic metal-nonstoichiometric oxide

449

nanocomposites: structure, transport and memristive properties. - Chapter 13, P. 427-464, in "Novel Magnetic Nanostructures: Unique Properties and Applications"/ Ed. by N. Domracheva, M. Caporali, E. Rentschler. - Elsevier, 2018. - 492 p. ISBN 978-0-12-813594-5. https://doi.org/10.1016/B978-0-12-813594-5.00013-8.

134. Chen J.-Y., Huang C.-W., Chiu C.-H., Huang Y.-T., and Wu W.-W. Switching Kinetic of VCM-Based Memristor: Evolution and Positioning of Nanofilament // Adv. Mater. - 2015. - V.27. - P. 5028.

135. Yang M.K., Ju H., Kim G.H., Lee J.-K., and Ryu H.-C. Direct evidence on Ta-Metal Phases Igniting Resistive Switching in TaOx Thin Film // Sci. Rep. - 2015. - V.5. - P. 14053.

136. Glazman L.I., Matveev K.A. Inelastic tunneling across thin amorphous films // J. Exp. Theor. Phys. - 1988. - V.67, № 6. - P. 1276.

137. Pollak M., Hauser J.J. Note on the anisotropy of the conductivity in thin amorphous films // Phys. Rev. Lett. - 1973. - V.31, № 21. - P. 1304-1307. http ://doi.org/10.1103/PhysRevLett.31.1304.

138. *Demin V.A., Nekhaev D.V., Surazhevsky I.A., Nikiruy K.E., Emelyanov A.V., Nikolaev S.N. , Rylkov V.V. , Kovalchuk M.V. Necessary conditions for STDP-based pattern recognition learning in a memristive spiking neural network // Neural Networks. - 2021. - V.134. - P. 64-75. http://doi.org/10.1016/i.neunet.2020.11.005.

139. *Demin V.A., Iliasov A.I., Rylkov V.V., Kashkarov P.K., Kovalchuk M.V. Multifilamentary resistive switching model for memristor with hopping conductivity // Nanobiotechnology Reports. - 2023. - V.18, № 2. - In press.

140. *Emelyanov A.V., Nikiruy K.E., Serenko A.V., Sitnikov A.V., Presnyakov M.Yu., Rybka R.B., Sboev A.G., Rylkov V.V., Kashkarov P.K., Kovalchuk M.V., Demin V.A. Self-adaptive STDP-based learning of a spiking neuron with nanocomposite memristive weights // Nanotechnology. - 2020. - V.31, №10. - P. 045201. https://doi.org/10.1088/1361-6528/ab4a6d.

141. Larentis S., Nardi F., Balatti S., Gilmer D.C., and Ielmini D. Resistive Switching by Voltage-Driven Ion Migration in Bipolar RRAM—Part II:

Modeling // IEEE Trans. Electron Devices. - 2012. - V.59, № 9. - P. 24682475. https://doi.org/10.1109/TED.2012.2202320.

142. Fusi S., Abbott L. Limits on the memory storage capacity of bounded synapses // Nat. Neurosci. - 2007. - V.10. - P. 485-493. https://doi.org/10.1038/nn1859

143. Ma L.P., Liu J., Yang Y. Organic electrical bistable devices and rewritable memory cells // Applied Physics Letters. - 2002. - V.80, № 16. - P. 29972999.

144. Ouyang J., Chu C.-W., Szmanda C.R., Ma L., and Yang Y. Programmable polymer thin film and non-volatile memory device // Nature Materials. -

2004. - V.3, № 12. - P. 918-922.

145. Gao S., Zeng F., Chen C., Tang G., Lin Y., Zheng Z., Song C., and Pan F. Conductance quantization in a Ag filament-based polymer resistive memory // Nanotechnology. - 2013. - V.24, № 33. - P. 335201.

146. Kondo T., Lee S.M., Malicki M., Domercq B., Marder S.R., and Kippelen, B. A Nonvolatile Organic Memory Device Using ITO Surfaces Modified by Ag-Nanodots // Adv. Func. Mat. - 2008. - V. 18, № 7. - P. 1112-1118.

147. Mukherjee B., Pal A.J. Tuning of electrical bistability in organic devices through electrochemical potential of metal contacts // Organic Electronics. -2006. - V.7, № 5. - P. 249-255.

148. Das B.C., Pillai R.G., Wu Y., McCreery R.L. Redox-Gated Three-Terminal Organic Memory Devices: Effect of Composition and Environment on Performance // ACS Appl. Mat. Interf. - 2013. - V.5, № 21. - P. 1105211058.

149. Chu C.W., Ouyang J., Tseng J.H., Yang Y. Organic Donor-Acceptor System Exhibiting Electrical Bistability for Use in Memory Devices // Adv. Mat. -

2005. - V.17, № 11. - P. 1440-1443.

150. Tseng R.J. Huang J., Ricky J. Ouyang J., Kaner R.B., Yang. Polyaniline Nanofiber/Gold Nanoparticle Nonvolatile Memory // Nano Letters. - 2005. -V.5, № 6. - P. 1077-1080.

151. Chang Y.-C., Wang Y.-H. Resistive Switching Behavior in Gelatin Thin Films for Nonvolatile Memory Application // ACS Appl. Mat. Interf. - 2014.

- V.6, № 8. - P. 5413-5421.

152. Ji Y., Cho B., Song S., Kim T.-W., Choe M., Kahng Y.H., and Lee T. Stable Switching Characteristics of Organic Nonvolatile Memory on a Bent Flexible Substrate // Adv. Mat. - 2010. - V.22, № 28. - P. 3071-3075.

153. Song S., Jang J., Ji Y., Park S., Kim T.-W., Song Y., Yoon M.-H., Ko H.C., Jung G.-Y., and Lee T. Twistable nonvolatile organic resistive memory devices // Organic Electronics. - 2013. - V.14, № 8. - P. 2087-2092.

154. Hosseini N.R., Lee J.-S. Biocompatible and Flexible Chitosan-Based Resistive Switching Memory with Magnesium Electrodes // Adv. Func. Mat.

- 2015. - V.25, № 35. - P. 5586-5592.

155. Cölle M., Büchel M., de Leeuw D.M. Switching and filamentary conduction in non-volatile organic memories // Organic Electronics. - 2006. - V.7, № 5.

- P. 305-312.

156. Joo W.J., Choi T.L., Lee J., Lee S.K., Jung M.S., Kim N., and Kim J.M. Metal Filament Growth in Electrically Conductive Polymers for Nonvolatile Memory Application // The J. of Phys. Chem. B. - 2006. - V.110, № 47. -P. 23812-23816. DOI: 10.1021/jp0649899. PMID: 17125345.

157. Awais M.N., Choi K.H. Memristive Behavior in Electrohydrodynamic Atomized Layers of Poly[2-methoxy-5-(2'-ethylhexyloxy)-(p-phenylenevinylene)] for Next Generation Printed Electronics // Japanese J. Appl. Phys. - 2013. - V.52, № 5S1. - P. 05DA05.

158. Awais M.N., Choi K.H. Resistive Switching in a Printed Nanolayer of Poly(4-vinylphenol) // J. Electr. Mat. - 2013. - V.42, № 6. - P. 1202-1208.

159. Busby Y., Nau S., Sax S., List-Kratochvil E.J.W., Novak J., Banerjee R., Schreiber F., Pireaux J.-J. Direct observation of conductive filament formation in Alq3 based organic resistive memories // J. Appl. Phys. - 2015.

- V.118, № 7. - P. 075501. https://doi.org/10.1063/L4928622

160. Sun B., Liang D., Li X., and Chen P. Nonvolatile bio-memristor fabricated with natural bio-materials from spider silk // J. Mat. Sc.: Mat. Electr. - 2016.

- V.27, № 4. - P. 3957-3962.

161. Lim Z.X., Sreenivasan S., Wong Y.H., Zhao F., Cheong K.Y. Filamentary Conduction in Aloe Vera Film for Memory Application // Procedia Engineering. - 2017. - V.84. - P. 655-662.

162. Sun B., Zhang X., Zhou G., Li P., Zhang Y., Wang H., Xia Y., and Zhao Y. An organic nonvolatile resistive switching memory device fabricated with natural pectin from fruit peel // Organic Electronics. - 2017. - V.42. - P. 181186.

163. Joo W.J., Choi T.L., Lee K.H., Chung Y. Study on Threshold Behavior of Operation Voltage in Metal Filament-Based Polymer Memory // J. Phys. Chem. B. - 2007. - V.111, № 27. - P. 7756-7760.

164. Majumdar H.S., Baral J., Laiho A., Ruokolainen J., Ikkala O. and Osterbacka R. Comment on "Memory Effect and Negative Differential Resistance by Electrode-Induced Two-Dimensional Single-Electron Tunneling in Molecular and Organic Electronic Devices" // Adv. Mat. - 2006. - V.18, № 21. -P. 2805-2806.

165. Cai Y. Tan J., YeFan L., Lin M., and Huang R. A flexible organic resistance memory device for wearable biomedical applications // Nanotechnology. -2016. - V.27, № 27. - P. 275206.

166. Chen Y.-C. Yu H.-C., Huang C.-Y., Chung W.-L., Wu S.-L. Nonvolatile Bio-Memristor Fabricated with Egg Albumen Film // Scient. Rep. - 2015. - V.5, № 1. - P. 10022. https://doi.org/10.1038/srep10022.

167. Krishnan K., Tsuruoka T., Mannequin C. and Aono M. Mechanism for Conducting Filament Growth in Self-Assembled Polymer Thin Films for Redox-Based Atomic Switches // Adv. Mat. - 2016. - V.28, № 4. - P. 640648.

168. Kim T.-W. Oh S.-H., Choi H., Wang G., Hwang H., Kim D.-Y., Lee T. Reversible switching characteristics of polyfluorene-derivative single layer film for nonvolatile memory devices // Appl. Phys. Lett. - 2008. - V.92, № 25. - P. 253308.

169. Kumar S. Wang Z., Huang X., Kumari N., Davila N., Strachan J.P., Vine D., Kilcoyne A.L.D., Nishi Y., Williams R.S. Oxygen migration during resistance

switching and failure of hafnium oxide memristors // Appl. Phys. Lett. -2017. - V.110, №. 10. - P. 103503.

170. Tseng R.J., Tsai C., Ma L., Ouyang J., Ozkan C.S., Yang Y. Digital memory device based on tobacco mosaic virus conjugated with nanoparticles // Nature Nanotechnology. - 2006. - V. 1, № 1. - P. 72-77.

171. Lai P.Y., Chen J.S. Electrical bistability and charge transport behavior in Au nanoparticle/poly(N-vinylcarbazole) hybrid memory devices // Applied Physics Letters. - 2008. - V.93, № 15. - P. 153305.

172. Wang Y., Yan X., Dong R. Organic memristive devices based on silver nanoparticles and DNA // Organic Electronics. - 2014. - V.15, № 12. -P. 3476-3481.

173. Sun Y. Lu J., Ai C., Wen D., and Bai X. Multilevel resistive switching and nonvolatile memory effects in epoxy methacrylate resin and carbon nanotube composite films // Organic Electronics. - 2016. - V.32. - P. 7-14.

174. Ji Y., Cha A.-N., Lee S.-A., Bae S., Lee S.H., Lee D.S., Choi H., Wang G., and Kim T.-W. Integrated all-organic 8 x 8 one transistor-one resistor (1T-1R) crossbar resistive switching memory array // Organic Electronics. - 2016.

- V.29. - P. 66-71.

175. Kim T.-W., Choi H., Oh,S.-H., Wang G., Kim D.-Y., Hwang H. and Lee T. One Transistor-One Resistor Devices for Polymer Non-Volatile Memory Applications // Adv. Mat. - 2009. - V.21, № 24. - P. 2497-2500.

176. Scott J.C., Bozano L.D. Nonvolatile Memory Elements Based on Organic Materials // Adv. Mater. - 2007. - V.19, № 11. - P. 1452-1463.

177. Son D.I., You C.H., Kim W.T., Jung J.H., Kim T.W. Electrical bistabilities and memory mechanisms of organic bistable devices based on colloidal ZnO quantum dot-polymethylmethacrylate polymer nanocomposites // Appl. Phys. Lett. - 2009. - V.94, № 13. - P. 132103.

178. Erokhin V., Berzina T., Fontana M.P. Hybrid electronic device based on polyaniline-polyethyleneoxide junction // J. Appl. Phys. - 2005. - V.97, № 6.

- P. 064501.

179. Li Y., Song Y.-J., Zhang X., Wu X., Wang F., and Wang Z. Programmable Polymer Memory Device Based on Hydrophilic Polythiophene and Poly(ionic

454

liquid) Electrolyte // Macromol. Chem. Phys. - 2015. - V.216, № 1. - P. 113121.

180. van de Burgt Y., Lubberman E., Fuller E.J., Keene S.T., Faria G.C., Agarwal S., Marinella M.J., Alec T.A, Salleo A. A non-volatile organic electrochemical device as a low-voltage artificial synapse for neuromorphic computing // Nature Materials. - 2017. - V.16, № 4. - P. 414-418.

181. Wang C. Liu G., Chen Y., Li R.-W., Zhang W., Wang L., and Zhang B. Synthesis and nonvolatile memristive switching effect of a donor-acceptor structured oligomer // J. Mat. Chem. C. - 2015. - V.3, № 3. - P. 664-673.

182. Battistoni S., Dimonte A., Erokhin V. Spectrophotometric characterization of organic memristive devices // Organic Electronics. - 2016. - V.38. - P. 7983.

183. Berzina T., Erokhina S., Camorani P., Konovalov O., Erokhin V., Fontana M.P. Electrochemical Control of the Conductivity in an Organic Memristor: A Time-Resolved X-ray Fluorescence Study of Ionic Drift as a Function of the Applied Voltage // ACS Appl. Mat. Interf. - 2009. - V.1, № 10. -P. 2115-2118.

184. Wei T., Chen G., Zhang S., Chen Y., Hu Y., Jiang R., and Li Y. Nonvolatile organic resistive switching memory based on poly(o-methoxyaniline) film // Microel. Engin. - 2016. - V.162. - P. 85-88.

185. Song S., Cho B., Kim T.W., Ji Y., Jo M., Wang G., Choe M., Kahng Y.H., Hwang H., Lee T. Three-Dimensional Integration of Organic Resistive Memory Devices // Advanced Materials. - 2010. - V. 22, № 44. - P. 50485052.

186. Kim Y., Yoo D., Jang J., Song Y., Jeong H., Cho K., Hwang W.-T., Lee W., Kim T.-W., and Lee T. Characterization of PI:PCBM organic nonvolatile resistive memory devices under thermal stress // Organic Electronics. - 2016. - V.33. - P. 48-54.

187. Qin S., Dong R., Yan X., and Du Q. A reproducible write-(read)n-erase and multilevel bio-memristor based on DNA molecule // Organic Electronics. -2015. - V.22. - P. 147-153.

188. Hosseini N.R., Lee J.-S. Resistive Switching Memory Based on Bioinspired Natural Solid Polymer Electrolytes // ACS Nano. - 2015. - V.9, № 1. -P. 419-426.

189. Ali S., Bae J., Lee C.H., Choi K.H., and Doh Y.H. All-printed and highly stable organic resistive switching device based on graphene quantum dots and polyvinylpyrrolidone composite // Organic Electronics. - 2015. - V.25. -P. 225-231.

190. Awais M.N., Choi K.H. Memristive Behavior in Electrohydrodynamic Atomized Layers of Poly[2-methoxy-5-(2'-ethylhexyloxy)-( p -phenylenevinylene)] for Next Generation Printed Electronics // Japanese J. Appl. Phys. - 2013. - V.52, № 5S1. - P. 05DA05.

191. Erokhina S., Sorokin V., Erokhin V. Polyaniline-based organic memristive device fabricated by layer-by-layer deposition technique // Electr. Mat. Lett. -2015. - V.11, № 5. - P. 801-805.

192. Cho B., Kim T.-W., Song S., Ji Y., Jo M., Hwang H., Jung G.-Y. and Lee T. Rewritable Switching of One Diode-One Resistor Nonvolatile Organic Memory Devices // Advanced Materials. - 2010. - V.22, № 11. - P. 12281232.

193. Erokhina S., Sorokin V., Erokhin V. Skeleton-supported stochastic networks of organic memristive devices: Adaptations and learning // AIP Advances. -2015. - V.5, № 2. - P. 027129.

194. Erokhin V., Berzina T., Gorshkov K., Camorani P., Pucci A., Ricci L., Ruggeri G., Sigala R., and Schuz A. Stochastic hybrid 3D matrix: learning and adaptation of electrical properties // Journal of Materials Chemistry. -2012. - V.22, № 43. - P. 22881.

195. Yuk H., Lu B, Lin S, Qu K, Xu J, Luo J, Zhao X. 3D printing of conducting polymers // Nat. Commun. - 2020. - V.11, № 1. - P. 1604.

196. Mannerbro R., Ranlof M., Robinson N., and Forchheimer R. Inkjet printed electrochemical organic electronics // Synthetic Metals. - 2008. - V.158, № 13. - P. 556-560.

197. *Minnekhanov A.A., Emelyanov A.V., Lapkin D.A., Nikiruy K.E., Shvetsov B.S., Nesmelov A.A., Rylkov V.V., Demin V.A., Erokhin V.V. Parylene

456

Based Memristive Devices with Multilevel Resistive Switching for Neuromorphic Applications // Sci. Rep. -2019. - V.9, № 1. - P. 10800.

198. Wu C, Kim TW, Guo T, Li F, Lee DU, Yang JJ. Mimicking Classical Conditioning Based on a Single Flexible Memristor // Adv. Mater. - 2017. -V.29, № 10. - P. 1602890.

199. *Mikhaylov A., Pimashkin A., Pigareva Y., Gerasimova S., Gryaznov E., Shchanikov S., Zuev A., Talanov M., Lavrov I., Demin V., Erokhin V., Lobov S., Mukhina I., Kazantsev V., Wu H., and Spagnolo B. Neurohybrid Memristive CMOS-Integrated Systems for Biosensors and Neuroprosthetics // Front. Neurosc. - 2020. - V.14. - P. 358. https://doi.org/10.3389/fnins.2020.00358

200. *Lapkin D.A., Emelyanov A.V., Demin V.A., Erokhin V.V., Kashkarov P.K., Kovalchuk M.V., Feigin L.A. Polyaniline-based memristive microdevice with high switching rate and endurance // Applied Physics Letters. - 2018. -V.112. - P. 043302. https://doi.org/10.1063/L5013929

201. Kaake L.G., Zou Y., Panzer M.J., Frisbie C.D., Zhu X.Y. Vibrational Spectroscopy Reveals Electrostatic and Electrochemical Doping in Organic Thin Film Transistors Gated with a Polymer Electrolyte Dielectric // J. Am. Chem. Soc. - 2007. - V.129, № 25. - P. 7824-7830.

202. Erokhin V. Berzina T., Camorani P., and Fontana M.P. On the stability of polymeric electrochemical elements for adaptive networks // Coll. Surf. A: Physicochem. Engin. Aspects. - 2008. - V.321, № 1-3. - P. 218-221.

203. Fuller E.J., Keene ST, Melianas A, Wang Z, Agarwal S, Li Y, Tuchman Y, James C.D, Marinella M.J, Yang J.J, Salleo A, Talin A.A. Parallel programming of an ionic floating-gate memory array for scalable neuromorphic computing // Science. - 2019. - V.364, № 6440. - P. 570-574.

204. *Demin V.A., Emelyanov A.V., Lapkin D.A., Erokhin V.V., Kashkarov P.K., Kovalchuk M.V. Neuromorphic elements and systems as the basis for the physical implementation of artificial intelligence technologies // Crystallogr. Rep. - 2016. - V.61, № 6. - P. 992-1001.

205. Howard G., Bull L., Costello B., Adamatzky A., Erokhin V. A SPICE model of the PEO-PANI memristor // Int. J. Bifurcation Chaos. - 2013. - V.23, № 6.

- P. 1350112.

206. Erokhin V., Fontana M.P. Thin Film Electrochemical Memristive Systems for Bio-Inspired Computation // J. Comput. Theor. Nanosci. - 2011. - V.8, № 3.

- P. 313-330.

207. Erokhin V., Berzina T., Camorani P., Smerieri A., Vavoulis D., Feng, Jianfeng F., Marco P. Material Memristive Device Circuits with Synaptic Plasticity: Learning and Memory // BioNanoSci. - 2011. - V.1, № 1-2. - P. 24-30.

208. Allodi V., Erokhin V., Fontana M.P. Effect of temperature on the electrical properties of an organic memristive device // Journal of Applied Physics. -2010. - V.108, №. 7. - P. 074510.

209. Gorshkov K., Berzina T. On the hysteresis loop of organic memristive device // BioNanoScience. - 2011. - V.1., №. 4. - P. 198-201.

210. Anteo Smerieri, Tatiana Berzina, Victor Erokhin, M. P. Fontana; Polymeric electrochemical element for adaptive networks: pulse mode // Journal of Applied Physics. - 2008. - Vol. 104. - №. 11. - P. 114513.

211. Smerieri A., Berzina T., Erokhin V., Fontana M.P. A functional polymeric material based on hybrid electrochemically controlled junctions // Materials Science and Engineering: C. - 2008. - V.28., №. 1. - P. 18-22.

212. Berzina T., Smerieri A., Ruggeri G., Bernabo M., Erokhin V., Fontana M.P. Role of the solid electrolyte composition on the performance of a polymeric memristor // Materials Science and Engineering: C. - 2010. - V.30., №. 3. -P. 407-411.

213. Cristofolini L, Fontana MP, Camorani P, Berzina T, Nabok A. Doping-induced conductivity transitions in molecular layers of polyaniline: Optical studies of electronic state changes // Langmuir. - 2009. - V.26., №. 8. - P. 5829-5835.

214. *Malakhova Y.N., Korovin A.N., Lapkin D.A., Malakhov S.N., Shcherban V.V., Pichkur E.B., Yakunin S.N., Demin V.A., Chvalun S.N., Erokhin V.

Planar and 3D fibrous polyaniline-based materials for memristive elements // Soft matter. - 2017. - V.13., №. 40. - P. 7300-7306.

215. Erokhin V., Howard G. D., Adamatzky A. Organic memristor devices for logic elements with memory // International Journal of Bifurcation and Chaos. - 2012. - V.22., №. 11. - P. 1250283.

216. Ерохин В.В. Органические мемристорные приборы и нейроморфные системы: специальность 01.04.07 «Физика конденсированного состояния»: - Диссертация на соискание ученой степени доктора физико-математических наук / Ерохин Виктор Васильевич, Национальный исследовательский центр «Курчатовский институт». -Москва, 2018. - 329 с.

217. Kang T., Neoh K.G., Tan K.L. Polyaniline: A polymer with many interesting intrinsic redox states // Prog. Polym. Sci. - 1998. - V.23., № 2. - P. 277-324.

218. Smerieri A., Erokhin V., Fontana M.P. Origin of current oscillations in a polymeric electrochemically controlled element // J. Appl. Phys. - 2008. -V.103. - P. 094517.

219. Sigala R., Smerieri A., Schuz, A. Camorani P., Erokhin V. Modeling and simulating the adaptive electrical properties of stochastic polymeric 3D networks // Modell. Simul. Mater. Sci. Eng. - 2013. - V.21. - P.075007.

220. *Demin V.A., Erokhin V.V., Kashkarov P.K., Kovalchuk M.V. Electrochemical model of the polyaniline based organic memristive device // Journal of Applied Physics. - 2014. - V.116, № 6. - P. 064507.

221. *Demin V.A., Erokhin V.V., Kashkarov P.K., Kovalchuk M.V. Electrochemical Model of Polyaniline-Based Memristor with Mass Transfer Step // AIP Conference Proceedings - 2015. - V.1648. - P. 280005.

222. Bockris J.O'M., Reddy A.K.N., Gamboa-Aldeco M.E. Modern Electrochemistry. Fundamentals of Electrodics / Second Edition, New York, Boston, Dordrecht, London, Moscow: Kluwer Academic Publishers, 2002. -V.2a,1534 p.

223. Zheludeva S.I., Kovalchuk M.V., Lagomarsino S., Novikova N.N., Bashelkhanov I.N., Erokhin V., Feigin L.A. Observation of evanescent and

standing X-ray waves in region of total external reflection from molecular Langmuir-Blodgett films // JEPT Lett. - 1990. - V.52, № 3. - P. 170-175.

224. Fuller F., Doyle M., Newman J. Relaxation phenomena in lithium-ion-insertion cells // J. Electrochem. Soc. - 1994. - V.141, № 4. - P. 982-990.

225. Stejskal J., Gilbert R. G. Polyaniline. Preparation of a conducting polymer (IUPAC technical report) // Pure and Applied Chemistry. - 2002. - V.74., №. 5. - P. 857-867.

226. *Lapkin D.A., Korovin A.N., Demin V.A., Emelyanov A.V., Chvalun S.N. Organic Memristive Device Based on Polyaniline Film Prepared by Spin Coating // BioNanoScience - 2015. - V.5. - P. 181-184. https://doi.org/10.1007/s12668-015-0177-6.

227. Das B., Szeto B., James D., Wu Y., McCreery R. Ion transport and switching speed in redox-gated 3-terminal organic memory devices // Journal of The Electrochemical Society. - 2014. - V.161, №. 12. - P. H831-H838.

228. *Lapkin D.A., Malakhov S.N., Demin V.A., Chvalun S.N., Feigin L.A. Hybrid polyaniline/polyamide-6 fibers and nonwoven materials for assembling organic memristive elements // Synthetic Metals. - 2019. - V.254. - P. 63-67. DOI: 10.1016/j.synthmet.2019.05.016.

229. *Lapkin D.A., Malakhov S.N., Demin V.A., Chvalun S.N. An Organic Memristive Element Based on Single Polyaniline/Polyamide-6 Fiber // Technical Physics Letters. - 2017. - V.43, № 12. - P. 1102-1104. DOI: 10.1134/S1063785017120227.

230. Berzina T., Erokhin V., Fontana M. P. Spectroscopic investigation of an electrochemically controlled conducting polymer-solid electrolyte junction // Journal of applied physics. - 2007. - V. 101, №. 2. - P. 024501.

231. *Lapkin D.A., Korovin A.N., Malakhov S.N., Emelyanov A.V., Demin V.A., Erokhin V.V.. Optical Monitoring of the Resistive States of a Polyaniline-Based Memristive Device // Advanced Electronic Materials. - 2020. - V.6. -P. 2000511. https://doi.org/10.1002/aelm.202000511

232. Ginder J.M., Epstein A.J., MacDiarmid A.G. Electronic phenomena in polyaniline // Synthetic Metals. - 1989. - V.29, №. 1. - P. 395-400.

233. *Emelyanov A.V., Lapkin D.A., Demin V.A., Erokhin V.V., Battistoni S., Baldi G., Dimonte A., Korovin A.N., Iannotta S., Kashkarov P.K., Kovalchuk M.V. First steps towards the realization of a double layer perceptron based on organic memristive devices // AIP Advances. - 2016. - V.6. - P. 111301. https://doi.org/10.1063/L4966257

234. * Прудников Н.В., Коровин А.Н., Емельянов А.В., Малахова Ю.Н., Демин В.А., Чвалун С.Н., Ерохин В.В. Сравнение политиофеновых мемристорных устройств, изготовленных послойным и центрифужным нанесением // Российские нанотехнологии. - 2019. - Т.14, № 7-8. - С. 71-76.

235. Milano Gianluca, Pedretti Giacomo, Montano Kevin, Ricci Saverio, Hashemkhani Shahin, Boarino Luca, Ielmini Daniele, Ricciardi Carlo. In materia reservoir computing with a fully memristive architecture based on self-organizing nanowire networks // Nature Materials. - 2022. - V.21. - P. 195-202. https://doi.org/10.1038/s41563-021-01099-9

236. Yousefi A., Eslami N., Moaiyeri M.H. A Reliable and Energy-Efficient Nonvolatile Ternary Memory Based on Hybrid FinFET/RRAM Technology // IEEE Access. - 2022. - V.10. - P. 105040-105051. DOI: 10.1109/ACCESS.2022.3211562.

237. *Levanov V.A., Emelyanov A.V., Demin V.A., Nikirui K.E., Sitnikov A.V., Nikolaev S.N., Vedeneev A.S., Kalinin Yu.E., Rylkov V.V.. Memristive Properties of Structures Based on (Co41Fe39B20)x(LiNbO3)100-x Nanocomposites // Journal of Communications Technology and Electronics. -2018. - V.63. - P. 491-496. https://doi.org/10.1134/S1064226918050078

238. *Никируй К.Э., Емельянов А.В., Рыльков В.В., Ситников А.В., Пресняков М.Ю., Кукуева Е.В., Грищенко Ю.В., Миннеханов А.А., Черноглазов К.Ю., Николаев С.Н., Черных И.А., Занавескин М.Л., Демин В.А. Формирование массива мемристивных кроссбар структур на базе нанокомпозита (CoFeB)x(LiNbO3)100-x // Радиотехника и Электроника. - 2019. - Т.64, № 10. - С. 1019-1024. https://doi.org/10.1134/S1064226919100103

239. Hudec B., Paskaleva A., Jancovic P., Derer J., Fedor J., Rosova A., Dobrocka

E., Fröhlich K. Resistive switching in TiO2-based metal-insulator-metal structures with Al2O3 barrier layer at the metal/dielectric interface // Thin Solid Films. - 2014. - V.563. - P. 10.

240. * Rylkov V.V., Nikolaev S.N., Chernoglazov K.Yu., Demin V.A., Sitnikov A.V., Presnyakov M.Yu., Vasiliev A.L., Perov N.S., Vedeneev A.S., Kalinin Yu.E., Tugushev V.V., Granovsky A.B. Tunneling anomalous Hall effect in nanogranular CoFe-B-Al-O films in the vicinity of metal-insulator transition // Physical Review B. - 2017. - V.95. - P. 144202-144213. https://doi.org/10.1103/PhysRevB.95.144202

241. *Nikiruy K.E., Emelyanov A.V., Demin V.A., Rylkov V.V., Sitnikov A.V., Kashkarov P.K. A Precise Algorithm of Memristor Switching to a State with Preset Resistance // Tech. Phys. Lett. - 2018. - V.44. - P. 416-419.

242. Kim K.-H., Gaba S., Wheeler D., Cruz-Albrecht J.M., Hussain T., Srinivasa N., Lu W. A Functional Hybrid Memristor Crossbar-Array/CMOS System for Data Storage and Neuromorphic Applications // Nano Lett. - 2012. - V.12, № 1. - P. 389-395.

243. Nili H., Adam G.C., Hoskins B., Prezioso M., Kim J., Mahmoodi M.R., Bayat

F.M., Kavehei O., Strukov D.B. Hardware-intrinsic security primitives enabled by analogue state and nonlinear conductance variations in integrated memristors // Nature Electronics. - 2018. - V.1. - P. 197-202. https://doi.org/10.1038/s41928-018-0039-7

244. *Рыльков В.В., Емельянов А.В., Николаев С.Н., Никируй К.Э., Ситников А.В., Фадеев Е.А., Демин В.А., Грановский А.Б. Транспортные свойства магнитных наногранулированных композитов с диспергированными ионами в изолирующей матрице (обзор) // ЖЭТФ. - 2020. - Т.158, № 1(7). - С. 164-183.

245. Аронзон Б.А., Ковалев Д.Ю., Рыльков В.В. Неомическая прыжковая квази-2D проводимость и кинетика ее релаксации // ФТП. - 2005. - Т.39, № 7. - С. 844-852.

246. Fatih Gul. Addressing the sneak-path problem in crossbar RRAM devices using memristor-based one Schottky diode-one resistor array // Results in Physics. - 2019. - V.12. - P. 1091-1096. DOI:10.1016/j.rinp.2018.12.092

247. Kim K.-H., Gaba S., Wheeler D., Cruz-Albrecht J.M., Hussain T., Srinivasa N., Lu W. A Functional hybrid memristor crossbar-array/CMOS system for data storage and neuromorphic applications // Nano Lett. - 2012. - V.12, № 1. - P. 389-395.

248. Zidan M.A., Fahmy H.A.H., Hussain M.M., Salama K.N. Memristor-based memory: the sneak paths problem and solutions // Microelectron. J. - 2013. -V.44. - P. 176-183.

249. Srinivasan, V., Chopra, S., et al. Punchthrough-diode-based bipolar RRAM selector by Si epitaxy // IEEE Electron Device Lett. - 2012. - V.33, №10. -P. 1396-1398.

250. Kim S., et al. Performance of threshold switching in chalcogenide glass for 3D stackable selector // Proceedings of Symposium on VLSIT. - 2013. - P. T240-T241.

251. Lee W., et al. Varistor-type bidirectional switch (JMAX > 107A/cm2, selectivity~104) for 3D bipolar resistive memory arrays // Proceedings of Symposium on VLSIT. - 2012. - P. 37-38.

252. Gi S., Yeo I., Chu M., Kim S., Lee B. Fundamental issues of implementing hardware neural networks using memristor // International SoC Design Conference (ISOCC), - 2015. - P. 215-216.

253. Li C, Hu M, Li Y, Jiang H, Ge N, Montgomery E, Zhang J, Song W, Davila N, Graves CE, Li Z, Strachan JP, Lin P, Wang Z, Barnell M, Wu Q, Williams RS, Yang JJ, Xia Q. Analogue signal and image processing with large memristor crossbars // Nat. Electron. - 2018. - V.1. - P. 52-59.

254. Danilin S.N., Shchanikov S.A., Bordanov I.A., Zuev A.D. Using simulation to define the tolerances for the information and physical parameters of memristors-based artificial neural networks // J. Phys.: Conf. Ser. - 2019. -V.1333. - P. 062026.

255. Querlioz D., Bichler O., Dollfus P., Gamrat C. Immunity to device variations in a spiking neural network with memristive nanodevices // IEEE Trans.

463

Nanotechnol. - 2013. - V.12. - P. 288-295. https://doi.Org/10.1109/TNANO.2013.2250995

256. Shahrabi E., Attarimashalkoubeh B., Sandrini J., Leblebici Y. Towards chiplevel reram-cmos co-integration // International Conference on Memristive Materials, Devices and Systems (MEMRYSIS). - 3-6 April 2017. - Athens, Greece. https://doi.org/10.1109/PRIME.2016.7519497

257. Aziza H., Canet P., Postel-Pellerin J., Moreau M., Portal J.M., Bocquet M. ReRAM ON/OFF resistance ratio degradation due to line resistance combined with device variability in 28 nm FDSOI technology // Ultimate Integration on Silicon (EUROSOI-ULIS). - 2017. https://doi.org/10.1109/ULIS.2017.7962594

258. *Demin V.A., Surazhevsky I.A., Emelyanov A.V., Kashkarov P.K., Kovalchuk M.V. Sneak, discharge, and leakage current issues in a high-dimensional 1T1M memristive crossbar // Journal of Computational Electronics - 2020. - V.19. - P. 565-575. https://doi.org/10.1007/s10825-020-01470-0

259. Kim S., Chen J., Chen Y.C., Kim M.H., Kim H., Kwon M.W., Hwang S., Ismail M. Li Y., Miao X.-S., Chang Y.-F., Park B.-G. Neuronal dynamics in HfOx/AlOy-based homeothermic synaptic memristors with low-power and homogeneous resistive switching // Nanoscale. - 2019. - V.11, № 1. - P. 237-245.

260. Yun M.J., Kim S., Kim S., Kim H.D. Memory state protected from leakage current in Ti/SiN/NiN/Pt bilayer resistive random-access memory devices for array applications // Semicond. Sci. Technol. - 2019. - V.34, № 7. - P. 075030.

261. Kvatinsky S., Ramadan M., Friedman E. G., Kolodny A. VTEAM: A General Model for Voltage-Controlled Memristors // IEEE Trans. Circuits Syst. II Express Briefs. - 2015. - V.62. - P. 786-790.

262. Choukroun Y., Kravchik E., Yang F., Kisilev P. Low-bit quantization of neural networks for efficient inference // 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW). - 2019. - P. 30093018. doi: 10.1109/ICCVW.2019.00363.

464

263. Huang K., Ni B., Yang X. Efficient quantization for neural networks with binary weights and low bitwidth activations // 33rd AAAI Conf. Artif. Intell. AAAI 2019, 31st Innov. Appl. Artif. Intell. Conf. IAAI 2019 9th AAAI Symp. Educ. Adv. Artif. Intell. EAAI 2019. - 2019. - V.33. - P. 3854-3861.

264. Shevgoor M., Muralimanohar N., Balasubramonian R., Jeon Y. Improving memristor memory with sneak current sharing // Proc. 33rd IEEE Int. Conf. Comput. Des. ICCD 2015. - 2015. - P. 549-556. doi:10.1109/ICCD.2015.7357164.

265. *Суражевский И.А., Миннеханов А.А., Демин В.А. Модель импульсного нейрона для дофаминоподобного обучения нейроморфных систем с мемристивными синаптическими весами // Российские нанотехнологии. - 2021. - Т.16, № 2. С. 269-277.

266. Yao P., Wu H., Gao B., Eryilmaz S.B., Huang X., Zhang W., Zhang Q., Deng N., Shi L., Philip Wong H.-S., Qian H. Face classification using electronic synapses // Nat. Commun. - 2017. - V.8. - P. 1-8.

267. Kataeva I., Ohtsuka S., Nili H., Kim H., Isobe Y., Yako K., Strukov D. Towards the Development of Analog Neuromorphic Chip Prototype with 2.4M Integrated Memristors // 2019 IEEE Int. Symp. Circuits Syst. - 2019. -P. 1-5.

268. *Суражевский И.А., Никируй К.Э., Емельянов А.В., Рыльков В.В., Демин В.А. Программные и аппаратные реализации основных компонент спайковых и формальных нейронных сетей // Наноиндустрия. - 2020. - Т.96. - С. 570-579.

269. Maass W. Networks of spiking neurons: The third generation of neural network models // Neural Networks. - 1997. - V.10, № 9. - P. 1659-1671.

270. Xiangwen Wang, Xianghong Lin, Xiaochao Dang. Supervised learning in spiking neural networks: A review of algorithms and evaluations // Neural Networks. - 2020. - V. 125. - P. 258-280.

271. Szandala T. Review and Comparison of Commonly Used Activation Functions for Deep Neural Networks // Bio-inspired Neurocomputing. / Bhoi, A., Mallick, P., Liu, CM., Balas, V. (eds). - Springer, Singapore, 2021. -

Studies in Computational Intelligence, 2021. - V.903. https://doi.org/10.1007/978-981-15-5495-7 11

272. Галушкин А.И. Синтез многослойных систем распознавания образов / М.: «Энергия», 1974.

273. Rumelhart D.E., Hinton G.E., Williams R.J., Learning Internal Representations by Error Propagation // Parallel Distributed Processing / Cambridge MA, MIT Press, 1986. - V.1. - P. 318-362.

274. Kandel E., Schwartz J., Jessel T.M. Principles of Neural Science (3rd ed.) / Elsevier, 1991. ISBN 978-0444015624.

275. Gerstner W. Spiking neuron models: single neurons, populations, plasticity / Cambridge University Press, 2002. - 496 p.

276. Tavanaei A., Ghodrati M., Kheradpisheh S.R., Masquelier T., Maida A. Deep learning in spiking neural networks // Neural Networks. - 2019. - V.111. - P. 47-63. https://doi.org/10.1016/j.neunet.2018.12.002

277. Li C., Belkin D., Li Y., Yan P., Hu M., Ge N., Jiang H., Montgomery E., Lin P., Wang Z., Song W., Strachan J.P., Barnell M., Wu Q., Williams R.S., Yang J.J., Xia Q. Efficient and self-adaptive in-situ learning in multilayer memristor neural networks // Nat Commun. - 2018. - V.9. - P. 2385. https://doi.org/10.1038/s41467-018-04484-2

278. Peng Lin, Can Li, Zhongrui Wang, Yunning Li, Hao Jiang, Wenhao Song, Mingyi Rao, Ye Zhuo, Navnidhi K. Upadhyay, Mark Barnell, Qing Wu, J. Joshua Yang and Qiangfei Xia. Three-dimensional memristor circuits as complex neural networks // Nat Electron. - 2020. - V.3. - P. 225-232. https://doi.org/10.1038/s41928-020-0397-9

279. Li C., Wang Z., Rao M., Belkin D., Song W., Jiang H., Yan P., Li Y., Lin P., Hu M., Ge N., Strachan J.P., Barnell M. Wu Q., Williams R.S., Yang J.J., Xia Q. Long short-term memory networks in memristor crossbar arrays // Nat Mach Intell. - 2019. - V.1. - P. 49-57. https://doi.org/10.1038/s42256-018-0001-4

280. Wang Z., Li C., Song W., Rao M., Belkin D., Li Y., Yan P., Jiang H., Lin P., Hu M., Strachan J.P., Ge N., Barnell M., Wu Q, Barto A.G., Qiu Q., Williams R.S., Xia Q., and Yang J.J. Reinforcement learning with analogue memristor

466

arrays // Nat. Electron. - 2019. - V.2. - P. 115-124. https://doi.org/10.1038/s41928-019-0221 -6

281. Alibart F., Zamanidoost E., Strukov D. Pattern classification by memristive crossbar circuits using ex situ and in situ training // Nat Commun. - 2013. -V.4. - P. 2072. https://doi.org/10.1038/ncomms3072

282. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Adam G.C., Likharev K.K., Strukov D.B. Training andoperation of an integrated neuromorphic network based on metal-oxide memristors // Nature. - 2015. - V.521. - P. 61-64. https : //doi.org/10.1038/nature14441

283. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. - 1958. - V.65, № 6. -P. 386-408. https://doi.org/10.1037/h0042519

284. Wasserman P.D. Neural Computing: Theory and Practice / Van Nostrand Reinhold, New York, 1989. - 230 p. ISBN 0442207433().

285. *Demin V.A., Erokhin V.V., Emelyanov A.V., Battistoni S., Baldi G., Iannotta S., Kashkarov P.K., Kovalchuk M.V. Hardware elementary perceptron based on polyaniline memristive devices // Organic Electronics. -2015. - V.25. - P. 16-20. https://doi.org/10.1016/j.orgel.2015.06.015

286. Rosenblatt F. Principles of neurodynamics: Perceptions and the theory of brain mechanism / Spartan Books, Washington, DC, 1961. - 616 p.

287. Shimeng Yu, Zhiwei Li, Pai-Yu Chen, Huaqiang Wu, Bin Gao, Deli Wang, Wei Wu, He Qian. Binary neural network with 16 Mb RRAM macro chip for classification and online training // 2016 IEEE International Electron Devices Meeting (IEDM) / San Francisco, CA, USA, 2016. - P. 16.2.1-16.2.4. DOI: 10.1109/IEDM.2016.7838429.

288. Pincella F., Camorani P., Erokhin V. Electrical properties of an organic memristive system // Appl. Phys. A. - 2011. - V.104. - P. 1039-1046. https://doi.org/10.1007/s00339-011-6399-8

289. Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry / The MIT Press, 1969. - 308 p.

290. *Emelyanov A.V., Lapkin D.A., Demin V.A., Erokhin V.V., Battistoni S., Baldi G., Dimonte A., Korovin A.N., Iannotta S., Kashkarov P.K., Kovalchuk

467

M.V. First steps towards the realization of a double layer perceptron based on organic memristive devices // AIP Advances. - 2016. - V.6. - P.111301. https://doi.org/10.1063/L4966257

291. *Прудников Н.В., Фейгин Л.А., Демин В.А.. Носимый физиологический сенсор с памятью на основе органического мемристора на примере датчика инсулина// Вестник Военного инновационного технополиса «ЭРА». - 2021. - Т.2, № 1. - С. 60-64.

292. Morita Y., Fujiwara H., Noguchi H., Iguchi Y., Nii K., Kawaguchi H., Yoshimoto M. Area Optimization in 6T and 8T SRAM Cells Considering Vth Variation in Future Processes // IEICE Trans. Electron. - 2007. - V.E90-C, № 10. - P. 1949-1956.

293. Choi S, Shin JH, Lee J, Sheridan P, Lu WD. Experimental Demonstration of Feature Extraction and Dimensionality Reduction Using Memristor Networks // Nano Lett. - 2017. - V.17. - P. 3113-3118.

294. Mikhaylov A.N., Morozov O.A., Ovchinnikov P.E., Antonov I.N., Belov A.I., Korolev D.S., Sharapov A.N., Gryaznov E.G., Gorshkov O.N., Pigareva Y.I., Pimashkin A.S., Lobov S.A., Kazantsev V.B. One-Board Design and Simulation of Double-Layer Perceptron Based on Metal-Oxide Memristive Nanostructures // IEEE Trans Emerg Top Comput Intell. - 2018. - V.2, № 5. - P. 371-379.

295. Merrikh-Bayat F, Prezioso M, Chakrabarti B, Nili H, Kataeva I, Strukov D.B. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits // Nat Commun. - 2018. - V.9. - P. 2331.

296. Silva F, Sanz M, Seixas J, Solano E, Omar Y. Perceptrons from memristors // Neural Networks. - 2020. - V.122. - P. 273-278.

297. Cai F, Correll JM, Lee SH, Lim Y, Bothra V, Zhang Z, Flynn MP, Lu WD. A fully integrated reprogrammable memristor-CMOS system for efficient multiply-accumulate operations // Nat Electron. - 2019. - V.2, № 7. - P. 290-299.

298. Sun Z, Pedretti G, Ambrosi E, Bricalli A, Wang W, Ielmini D. Solving matrix equations in one step with cross-point resistive arrays // Proc Natl Acad Sci. -2019. - V.116, № 10. - P. 4123-4128.

468

299. Dowling V.J., Slipko V.A., Pershin Y.V. Probabilistic Memristive Networks: Application of a Master Equation to Networks of Binary ReRAM cells // arXiv:2003.11011v3 [cs.ET]. - 2020.

300. Akhmetov Y, James A.P. Probabilistic neural network with memristive crossbar circuits // IEEE Int Symp Circuits Syst. - 2019. DOI: 10.1109/ISCAS.2019.8702153.

301. Lobo J.L., Del Ser J., Bifet A., Kasabov N. Spiking Neural Networks and online learning: An overview and perspectives // Neural Networks. - 2020. -V.121. - P. 88-100.

302. Xia Q, Yang JJ. Memristive crossbar arrays for brain-inspired computing // Nat Mater. - 2019. - V.18. - P. 309-323.

303. Merolla P.A., Arthur J.V., Alvarez-Icaza R., Cassidy A.S., Sawada J., Akopyan F., Jackson B.L., Imam N., Guo C., Nakamura Y., Brezzo B., Vo I., Esser S.K,. Appuswamy R., Taba B., Amir A., Flickner M.D., Risk W.P., Manohar R., Modha D.S. A million spiking-neuron integrated circuit with a scalable communication network and interface // Science. - 2014. - V.345, № 6197. - P. 668-673.

304. *Demin V.A., Nekhaev D.V. Recurrent Spiking Neural Network Learning Based on a Competitive Maximization of Neuronal Activity // Frontiers in Neuroinformatics. - 2018. - V.12. - P. 79. https://doi.org/10.3389/fninf.2018.00079

305. Stuijt Jan, Sifalakis Manolis, Yousefzadeh Amirreza, Corradi Federico. ^Brain. An Event-Driven and Fully Synthesizable Architecture for Spiking Neural Networks // Frontiers in Neuroscience. - 2021. - V.15. DOI: 10.3389/fnins.2021.664208

306. Oster Matthias, Rodney Douglas, Liu Shih-Chii. Computation with Spikes in a Winner-Take-All Network // Neural Computation. - 2009. - V.21, № 9. - P. 2437-2465. DOI: 10.1162/neco.2009.07-08-829

307. Hu Yuhuang, Liu Shih-Chii, Delbruck Tobi. v2e: From Video Frames to Realistic DVS Events // arXiv:2006.07722v2 [cs.CV]. - 2021. https://doi.org/10.48550/arXiv.2006.07722

308. Caporale N, Dan Y. Spike Timing-Dependent Plasticity: A Hebbian Learning Rule // Annu Rev Neurosci. - 2008. - V.31. - P. 25-46.

309. Kim S., Du C., Sheridan P., Ma W., Choi S., Lu W.D. Experimental demonstration of a second-order memristor and its ability to biorealistically implement synaptic plasticity // Nano Lett. - 2015. - V.15. - P. 2203-2211.

310. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Likharev K., Strukov D.B. Self-Adaptive Spike-Time-Dependent Plasticity of Metal-Oxide Memristors // Sci Rep. - 2016. - V.6. - P. 21331.

311. Jo S.H., Chang T., Ebong I., Bhadviya B.B., Mazumder P., Lu W. Nanoscale memristor device as synapse in neuromorphic systems // Nano Lett. - 2010. -V.10. - P. 1297-1301.

312. Kim S., Kim H., Hwang S., Kim M.H., Chang Y.F., Park B.G. Analog Synaptic Behavior of a Silicon Nitride Memristor // ACS Appl Mater Interfaces. - 2017. - V.9, № 46. - P. 40420-40427.

313. Bi G-Q., Poo M-M. Synaptic Modifications in Cultured Hippocampal Neurons: Dependence on Spike Timing, Synaptic Strength, and Postsynaptic Cell Type // J Neurosci. - 1998. - V.18, № 24. - P. 10464-10472.

314. Maier P., Hartmann F., Rebello Sousa Dias M., Emmerling M., Schneider C., Castelano L.K., Kamp M., Marques G.E., Lopez-Richard V., Worschech L., Höfling S. Mimicking of pulse shape-dependent learning rules with a quantum dot memristor // J Appl Phys. - 2016. - V. 120. - P. 1344503.

315. Covi E., Brivio S., Serb A., Prodromakis T., Fanciulli M., Spiga S. Analog memristive synapse in spiking networks implementing unsupervised learning // Front Neurosci. - 2016. - V.10. - P. 482.

316. Covi E, George R, Frascaroli J, Brivio S, Mayr C, Mostafa H, Indiveri G, Spiga S. Spike-driven threshold-based learning with memristive synapses and neuromorphic silicon neurons // J Phys D. Appl Phys. - 2018.- V.51.- P. 34003.

317. Wang Z, Joshi S, Savel'ev S, Song W, Midya R, Li Y, Rao M, Yan P, Asapu S, Zhuo Y, Jiang H, Lin P, Li C, Yoon JH, Upadhyay NK, Zhang J, Hu M, Strachan JP, Barnell M, Wu Q, Wu H, Williams RS, Xia Q, Yang JJ. 2018.

Fully memristive neural networks for pattern classification with unsupervised learning // Nat. Electron. - 2018. - V.1, №2. - P. 137-145.

318. *Nikiruy K.E., Emelyanov A.V., Rylkov V.V., Sitnikov A.V., Demin V.A. Adaptive Properties of Spiking Neuromorphic Networks with Synapses Based on Memristive Elements // Tech Phys Lett. - 2019. - V.45, № 4. - P. 386390.

319. Serb A., Bill J., Khiat A., Berdan R., Legenstein R., Prodromakis T. Unsupervised learning in probabilistic neural networks with multi-state metal-oxide memristive synapses // Nat Commun. - 2016. - V.7. - P. 12611.

320. Boyn S., Grollier J., Lecerf G., Xu B., Locatelli N., Fusil S., Girod S., Carretero C., Garcia1 K., Xavier S., Tomas J., Bellaiche L., Bibes M., Barthelemy A., Saighi S., Garcia V. Learning through ferroelectric domain dynamics in solid-state synapses // Nat Commun. - 2017. - V.8. - P. 14736.

321. Moraitis T., Sebastian A., Boybat I., Le Gallo M., Tuma T., Eleftheriou E. Fatiguing STDP: Learning from spike-timing codes in the presence of rate codes // Int. Jt. Conf. Neural Networks. - 2017. - P. 1823-1830.

322. Ambrogio S., Ciocchini N., Laudato M., Milo V., Pirovano A., Fantini P., Ielmini D. Unsupervised learning by spike timing dependent plasticity in phase change memory (PCM) synapses // Front Neurosci. - 2016. - V.8. 10. -P. 56.

323. Bill J., Legenstein R. A compound memristive synapse model for statistical learning through STDP in spiking neural networks // Front Neurosci. - 2014. - V.8. - P. 412.

324. Qu L., Zhao Z., Wang L., Wang Y. Efficient and hardware-friendly methods to implement competitive learning for spiking neural networks // Neural Comput Appl. - 2020. - V.32. - P. 13479-13490. D0I:10.1007/s00521-020-04755-4.

325. Lobov S.A., Mikhaylov A.N., Shamshin M., Makarov V.A., Kazantsev V.B. Spatial Properties of STDP in a Self-Learning Spiking Neural Network Enable Controlling a Mobile Robot // Front Neurosci - 2020. - V. 14. - P. 88.

326. Covi E. et al. HfO2-based memristors for neuromorphic applications // Circuits and Systems (ISCAS), 2016 IEEE International Symposium on. -IEEE, 2016. - P. 393-396.

327. Hsieh C.C. et al. A sub-1-volt analog metal oxide memristive-based synaptic device with large conductance change for energy-efficient spike-based computing systems // Applied Physics Letters. - 2016. - V.109, №. 22. - P. 223501.

328. Li Y., Zhong Y., Xu L., Zhang J., Xu X., Sun H., Miao X. Ultrafast synaptic events in a chalcogenide memristor // Scientific reports. - 2013. - V.3. - P. 1619.

329. Li Y., Zhong Y., Zhang J., Xu L., Wang Q., Sun H., Tong H., Cheng X., Miao X. Activity-dependent synaptic plasticity of a chalcogenide electronic synapse for neuromorphic systems //Scientific reports. - 2014. - V.4. - P. 4906.

330. Alpana Nayak, Takeo Ohno, Tohru Tsuruoka, Kazuya Terabe, Tsuyoshi Hasegawa, James K. Gimzewski, Masakazu Aono. Controlling the Synaptic Plasticity of a Cu2S Gap Type Atomic Switch // Advanced Functional Materials. - 2012. - V.22, №. 17. - P. 3606-3613.

331. Ohno T., Hasegawa T., Tsuruoka T., Terabe K., Gimzewski J.K., Aono M. Short-term plasticity and long-term potentiation mimicked in single inorganic synapses // Nature materials. - 2011. - V.10, №. 8. - P. 591.

332. Du Nan, Kiani Mahdi, Mayr Christian, You Tiangui, Bürger Danilo, Skorupa Ilona, Schmidt Oliver, Schmidt Heidemarie. Single pairing spike-timing dependent plasticity in BiFeO3 memristors with a time window of 25 ms to 125 ps // Frontiers in neuroscience. - 2015. - V.9. - P. 227.

333. Panwar N., Rajendran B., Ganguly U. Arbitrary spike time dependent plasticity (STDP) in memristor by analog waveform engineering // IEEE Electron Device Letters. - 2017. - V.38, №. 6. - P. 740-743.

334. Harikesh P.C., Yang C.-Y., Tu D., Gerasimov J.Y., Dar Abdul M., Armada-Moreira A., Massetti M., Kroon R., Bliman D., Olsson R., Stavrinidou E., Berggren M., Fabiano S.. Organic electrochemical neurons and synapses with ion mediated spiking // Nat Commun. - 2022. - V. 13, № 1. - P. 901.

335. *Lapkin D.A., Emelyanov A.V., Demin V.A., Berzina T.S., Erokhin V.V. Spike-timing-dependent plasticity of polyaniline-based memristive element // Microelectronic Engineering. - 2018. - V.185. - P. 43-47. DOI: 10.1016/j.mee.2017.10.017.

336. *Prudnikov N.V., Lapkin D.A., Emelyanov A.V., Minnekhanov A.A., Malakhova Y.N., Chvalun S.N., Demin V.A., Erokhin V.V. Associative STDP-like learning of neuromorphic circuits based on polyaniline memristive microdevices // Journal of Physics D: Applied Physics. - 2020. - V.53, № 41. - P. 414001.

337. Hennequin G., Agnes E.J., Vogels T.P. Inhibitory Plasticity: Balance, Control, and Codependence // Annu. Rev. Neurosci. - 2017. - V.40, № 1. - P. 557-579.

338. Chicca E., Indiveri G. A recipe for creating ideal hybrid memristive-CMOS neuromorphic processing systems // Appl. Phys. Lett. - 2020. - V.116. - P. 120501.

339. Hahnlose R.L.T. On the piecewise analysis of networks of linear threshold neurons // Neural Networks - 1998. - V. 11, № 4. - P. 691-697.

340. Hebb D.O. The organization of behavior / D.O. Hebb. - New York: John Wiley & Sons, 1949. - 365 p.

341. *Суражевский И.А., Никируй К.Э., Емельянов А.В., Рыльков В.В., Демин В.А. Импульсный нейросетевой клссификатор изображений на основе мемристоров // Наноиндустрия. - 2023. - Т.15, №S8-2(113). - С. 470-476.

342. Сайт Центра коллективного пользования «Комплекс моделирования и обработки данных исследовательских установок мега-класса», НИЦ «Курчатовский институт», г. Москва, РФ. - URL: http://ckp.nrcki.ru/ (дата обращения 21.05.2023).

343. *Ильясов А.И., Емельянов А.В., Никируй К.Э., Миннеханов А.А., Кукуева Е.В., Суражевский И.А., Ситников А.В., Рыльков В.В., Демин В.А. Частотно-кодированное управление проводимостью мемристоров на базе наноразмерных слоев LiNbO3 и композита

(Co40Fe40B20)x(LiNbO3)100-x в обучаемых импульсных нейроморфных сетях // Письма в ЖТФ. - 2021. - Т.47, № 13. - С. 3-7.

344. Hennequin G., Agnes E.J., Vogels T.P. Inhibitory plasticity: Balance, control, and codependence // Annual Review of Neuroscience. - 2017. - V.40, № 1. -P. 557-579.

345. Кершбаум Х., Чугунова Е.И. Учение И.П. Павлова о высшей нервной деятельности // Российский медико-биологический вестник им. академика И.П. Павлова. - 2014. - Т.22, № 3. - C. 103-105. DOI: 10.17816/PAVL0VJ20143103-105.

346. Zhang Y., Zeng Z., and Wen S. Implementation of memristive neural networks with spike-rate-dependent plasticity synapses // 2014 International Joint Conference on Neural Networks (IJCNN), Beijing, China, 2014. - P. 2226-2233. DOI: 411 10.1109/IJCNN.2014.6889740.

347. Liu X., Zeng Z., Wen S. Implementation of Memristive Neural Network With Full-Function Pavlov Associative Memory // IEEE Trans. Circuits Syst. Regul. Pap. - 2016. - V.63, № 9. - P. 1454-1463. DOI: 10.1109/TCSI.2016.2570819.

348. Bichler O. et al. Pavlov's Dog Associative Learning Demonstrated on Synaptic-like Organic Transistors // Neural Comput. - 2013. - V.25, № 2. -P. 549-566. DOI:420 10.1162/NECO_a_00377.

349. Babacan Y. and Kacar F. FCS Based Memristor Emulator with Associative Learning Circuit Application // Journal of Electrical and Electronics Engineering. - 2017. - V.17, № 2.- P. 3433-3437.