[发明专利]一种基于易失性三维忆阻器的三维储备池及其制作方法

说明书

本发明提供了一种基于易失性三维忆阻器的三维储备池及其制作方法，三维储备池中每个通孔内的存储层、选择层和电极层构成一个忆阻器即形成一个储备池单元，基于叠层结构以及多个通孔形成一种基于易失性三维忆阻器的三维储备池，具体的本发明采用基于三维忆阻器动态特性产生的虚拟节点构建三维储备池，首先构建界面型忆阻器通过电学测试证实其易失特性，并基于该易失性忆阻器制备垂直三维阵列，通过肖特基势垒调节器件动态特性，三维储备池的不同层分别对应不同层的储备池，通过对不同层的器件分别调控来构建不同的存储池，增加了虚拟节点的丰富性，提高了系统的并行度和识别准确率，并减小了系统的面积。

技术领域

本发明涉及半导体技术领域，更具体地说，涉及一种基于易失性三维忆阻器的三维储备池及其制作方法。

背景技术

随着人工智能技术和应用的快速发展，传统计算范式由于冯·诺依曼瓶颈和摩尔定律趋缓限制，亟需更高能效和算力的计算范式，而类脑计算正是其中最具有潜力的一种计算范式。

忆阻器由于其特殊的器件特性，在人工神经网络的硬件实现方面有着巨大的优势，目前人们对忆阻器的研究大多集中在运用其模拟阻变特性和非易失性在阵列上实现乘加运算，但是对于利用忆阻器的动态特性和非线性的研究相对较少。

储备池计算是一种合理处理时序信号的简单高效的类脑算法，源于H.Jaeger等2001年提出的回声状态网络(Echo State Network)，及W.Maass等2002年提出的液体状态机(Liquid State Machine)，近年来引起了学术界的广泛关注。

储备池计算利用忆阻器固有的非线性和易失特性构建储备池，和传统RNN(Recurrent Neural Network)网络相比，储备池代替了中间层，只需训练储备池到输出层的除数连接权重，大大简化了网络的训练过程。

目前储备池计算已经被广泛应用于时间序列预测、模式识别、无线通讯等领域，之前基于忆阻器的储备池计算的报道中都是用平面忆阻器阵列构建储备池网路。

但是，在信息爆炸时代，面临更多、更复杂的任务，同时需要满足小型化、低功耗和高准确率的要求，并进一步提高RC系统的能效和并行度，加快RC系统处理信息的速度，实现对输入信号的实时处理，那么就需要更高密度的器件并与储备池的网络结构进行优化结合。

发明内容

有鉴于此，为解决上述问题，本发明提供一种基于易失性三维忆阻器的三维储备池及其制作方法，技术方案如下：

一种基于易失性三维忆阻器的三维储备池，所述三维储备池包括：

叠层结构，所述叠层结构包括依次层叠设置的第一材料层，以及位于相邻两个所述第一材料层之间的第二材料层，所述第一材料层和所述第二材料层的材料不同；

多个贯穿所述第一材料层和所述第二材料层的通孔，所述通孔暴露出第一层所述第一材料层；

在所述通孔的内侧壁上依次设置的存储层、选择层和电极层。

优选的，在上述三维储备池中，多个所述通孔阵列排布。

优选的，在上述三维储备池中，所述第一材料层的厚度为10nm-200nm。

优选的，在上述三维储备池中，所述第二材料层的厚度为5nm-100nm。

优选的，在上述三维储备池中，所述存储层的厚度为2.5nm-6nm。

优选的，在上述三维储备池中，所述选择层的厚度为5nm-20nm。

优选的，在上述三维储备池中，所述第一材料层的材料为SiO₂；

所述第二材料层的材料为TiN或TaN。