CNN-Based Automated Parameter Extraction Framework for Modeling Memristive Devices
Akif Hamid and Orchi Hassan
电阻式随机访问存储器(RRAM)是下一代非易失性存储器(NVM)和内存计算应用程序的有希望的候选者。 紧凑的模型对于分析实验 RRAM 器件的电路和系统级性能至关重要。 然而,大多数现有的RRAM紧凑型模型依靠多个拟合参数来重现设备I-V特性,在大多数情况下,由于参数与可测量的数量没有直接关系,因此它们的提取需要广泛的手动调优,使过程耗时并限制不同设备的适应性。 这项工作提供了一个自动化框架,用于直接从设备I-V特性中提取广泛使用的斯坦福RRAM模型的拟合参数。 该框架使用在合成数据集上训练的卷积神经网络(CNN)来生成初始参数估计值,然后通过三个中心式优化块进行改进,通过参数空间中的自适应二进制搜索来最小化错误。 我们使用四个关键的 NVM 指标评估框架:设置电压、复位电压、滞后环路面积和低电阻状态 (LRS) 斜率。 针对先前报告的斯坦福模型拟合、其他分析模型和实验数据得出的 RRAM 设备特性的基准测试表明,该框架在各种设备特性上实现了低误差,为 RRAM 建模提供了快速、可靠和稳健的解决方案。
Resistive random access memory (RRAM) is a promising candidate for next-generation nonvolatile memory (NVM) and in-memory computing applications. Compact models are essential for analyzing the circuit and system-level performance of experimental RRAM devices. However, most existing RRAM compact models rely on multiple fitting parameters to reproduce the device I-V characteristics, and in most cases, as the parameters are not directly related to measurable quantities, their extraction requires ex...