[发明专利]纵横式数组装置及其写入方法

说明书

本发明提供一种抑制由潜泄电流导致的写入精度的劣化的纵横式数组装置及其写入方法。本发明的突触数组装置具有电阻变化型存储元件连接而成的纵横式数组、列选择/驱动电路、行选择/驱动电路、以及对所选择的电阻变化型存储元件进行写入的写入单元。写入单元于施加写入电压之前，测定对所选择的列线施加写入电压时产生的潜泄电流，然后，施加具有所测定的潜泄电流与为了进行写入动作而生成的电流的总和的写入电压，藉此向所选择的电阻变化型存储元件进行写入。

技术领域

本发明涉及一种使用电阻变化型存储元件的纵横式数组装置及其写入方法，尤其涉及一种可用于神经元网络(neuron network)的突触数组装置的写入。

背景技术

人工类神经网络(artificial neural network)于图案识别等识别分类技术中作为软件的算法而被引入，其已成为通过高积体的数字互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)技术进行安装的必要技术。通过数字技术安装的类神经网络于功率、规模的方面逐渐达到极限。另一方面，最近几年进行将电阻组件用作突触的类神经网络的研究及开发。

就积体度的观点而言，于纵横式结构中使用了可变电阻组件的突触数组为最佳的结构。特别理想的是使用与CMOS制程具有高亲和性的氧化铪等金属过渡氧化物作为可变电阻组件。图1中示出使用了可变电阻组件的纵横式数组的一例。纵横式数组包括于列方向上延伸存在的多个列线10、以与所述列线10正交的方式于行方向上延伸存在的多个行线20、以及连接于各列线10与行线20之间的交叉部的电阻变化型存储元件30。电阻变化型存储元件30通过施加电压或电流来存储不同的电阻状态。

类神经网络中的学习、亦即将突触的结合强度设定为适当的值主要通过反向传播算法(back propagation algorithm，BPA)来进行。反向传播算法的最重要的部分是于学习期间如何对突触的结合强度进行微调整。然而，于将BPA应用于高积体度的电阻变化型存储元件的纵横式数组时，存在由于潜泄电流(sneak current)的影响而向存储元件的写入精度劣化的大问题。

发明内容

本发明的目的在于解决此种问题，且提供一种抑制由潜泄电流导致的写入精度的劣化的纵横式数组装置及其写入方法。本发明的写入方法向使用了电阻变化型存储元件的纵横式数组进行写入，且包括：测定对纵横式数组的所选择的电阻变化型存储元件施加写入电压时产生的潜泄电流的步骤；对潜泄电流的测定结果予以保持的步骤；以及对所述所选择的电阻变化型存储元件施加将根据所保持的测定结果而再生的潜泄电流与为了进行写入而设定的写入电流合计而成的写入电流的步骤。

本发明的纵横式数组装置具有：纵横式数组，包括多个列线、多个行线、连接于多个列线与多个行线之间的各交叉部的电阻变化型存储元件；列选择单元，选择纵横式数组的列线；行选择单元，选择纵横式数组的行线；以及写入单元，向电阻变化型存储元件进行写入，所述写入单元测定对所选择的电阻变化型存储元件施加写入电压时产生的潜泄电流，并对所述所选择的电阻变化型存储元件施加将基于测定结果而再生的潜泄电流与为了进行写入而设定的写入电流合计而成的写入电流。

根据本发明，测定潜泄电流并根据其测定结果再生潜泄电流，将再生的潜泄电流作为写入电流而施加至所选择的电阻变化型存储元件，因此于进行写入动作时可消除潜泄电流所带来的影响，使电阻变化型存储元件的写入精度更准确。特别是于使用电阻变化型存储元件的突触纵横式数组中，即便于潜泄通路的影响下，亦可容易地进行突触强度的微调整。

附图说明

图1是表示纵横式数组的结构例；

图2是表示本发明实施例的突触数组装置的一例的框图；

图3的(A)表示本实施例的电阻变化型存储元件的结构；

图3的(B)是表示选择器的I-V特性的图表；