Harnessing memristor circuits and device variability in emergent computing applications

Abstract

(English) Nowadays, due to the increasing amount of information and its demanding processing, conventional CMOS technology and von Neumann computing architecture struggle to keep pace, as they meet their respective limitations either from physical or practical standpoints, i.e. miniaturization limits, increasing costs, heat and energy consumption. In this vein, the memristor comes as a promising candidate to push the limits of recent technology and computing. Memristor devices provide unprecedented features for a single nanoelectronic device, such as non-volatile analog information storage with fast and low power operation. However, memristor devices are still in their infancy, as they are still facing major issues that hinder their wide commercialization. The modeling of their dynamical behavior is still being investigated, and we are far from a standard memristor model that accurately captures the characteristics of fabricated memristor devices considering also numerical stability at large-scale simulations. Also the adjustment of its conductivity arises from intrinsically stochastic processes which result in high variability during the operation of the device, also affecting its functionality within a circuit.

Thus, in this thesis, memristor device modeling has been addressed in a two-fold approach. On one hand, working on an existing physics-based memristor model, the necessary mathematical transformations are performed to derive an analytical and transcendental form of the device's dynamical behavior under constant positive and negative stimulus, respectively, enabling the analytical study of the memristor's programming. On the other hand, a probabilistic mathematical framework for stochasticity-aware memristor modeling has been developed based on the master equations of Markov jump processes. The proposed framework captures the probabilistic switching of memristor devices that originates from the device's intrinsic stochasticity, allowing also multi-state stochastic memristor modeling.

In circuit level, memristor's stochasticity imposes detrimental variability on the programming of memristor devices. To tackle this problem, I adopted a counter-intuitive approach based on the nonlinear system phenomenon called Stochastic Resonance (SR), which postulates that a properly selected noisy signal can improve the performance of a nonlinear system. Originally, SR was used to enhance the resistance window of a memristor. Then, in this thesis, that phenomenon was studied for a wider variety of memristor models, including device variability, which was also demonstrated with experimental measurements on single memristor devices. A detailed study on the noise-aided programming of a memristor in ReRAM memory cells, either individually or in an array, has been performed, showcasing the power-efficiency of the proposed noise-aided approach as the nominal programming voltage amplitudes can be reduced in the presence of noise without damaging the programming accuracy.

The beneficial exploitation of memristor's stochasticity within a novel computing paradigm has been investigated during this thesis. Considering an Emerging Computing setup, the Cellular Automata (CA), memristor devices are incorporated into the CA array to expand CA's abilities, utilizing memristor's probabilistic switching, establishing the novel memristor-based Probabilistic CA (MemPCA). Thus, the effect of memristor into the simplest CA form, Elementary CA, is studied, resulting in the improvement of system entropy for a certain amount of switching probability. Moreover, the first transistor-level implementation of ECA with the all-memristor approach has been performed, with memristor devices participating in both cell and rule modules. The proposed novel MemPCA implementation achieves high operation speed, due to the ultra-fast source of entropy per cell, i.e. the memristor device. MemPCA's functionality is showcased in both deterministic and probabilistic operation.

(Català) Actualment, la tecnologia CMOS convencional i l'arquitectura informàtica de von Neumann lluiten per seguir el ritme, ja que compleixen les seves respectives limitacions tant des del punt de vista físic. com a pràctic, és a dir, límits de miniaturització, augment de costos, calor i consum d'energia. En aquest sentit, el memristor es presenta com un candidat prometedor per superar els límits de la tecnologia i la informàtica recents. Els dispositius Memristor ofereixen funcions noves, com ara l'emmagatzematge d'informació analògic no volàtil amb un funcionament ràpid i de baix consum. Tanmateix, els dispositius memristor encara s'enfronten a problemes importants que dificulten la seva comercialització generalitzada. La modelització del seu comportament dinàmic encara s'està investigant, considerant també l'estabilitat numèrica en simulacions a gran escala. També l'ajust de la seva conductivitat sorgeix de processos intrínsecament estocàstics que donen lloc a una gran variabilitat durant el funcionament del dispositiu, afectant també la seva funcionalitat dins d'un circuit.

Així, en aquesta tesi, s'ha abordat el modelatge de dispositius memristors en un enfocament dual. D'una banda, treballant en un model de memristor basat en la física existent, es realitzen les transformacions matemàtiques necessàries per derivar una forma analítica i transcendental del comportament dinàmic del dispositiu sota estímuls constants positius i negatius, respectivament, que permetin l'estudi analític. de programació de memristor. D'altra banda, s'ha desenvolupat un marc matemàtic probabilístic per modelar memristors estocàstics-conscients basat en les equacions mestres dels processos de salt de Markov. El marc proposat captura el canvi probabilístic dels dispositius de memristor que s'origina a partir de l'estocasticitat intrínseca del dispositiu, permetent també la modelització de memristors estocàstics multiestatals.

L'estocasticitat del memristor imposa una variabilitat perjudicial en la programació dels dispositius de memristor. Per abordar aquest problema, vaig adoptar un enfocament contra-intuïtiu basat en el fenomen del sistema no lineal anomenat ressonància estocàstica (SR). Originalment, SR es va utilitzar per millorar la finestra de resistència d'un memristor. Més tard, en aquesta tesi, aquest fenomen es va estudiar per a una varietat més àmplia de models de memristor, inclosa la variabilitat del dispositiu, que també es va demostrar amb mesures experimentals en dispositius de memristor únic. S'ha realitzat un estudi detallat sobre la programació assistida per soroll d'un memristor en cèl·lules de memòria ReRAM, individualment o en matriu, que mostra l'eficiència energètica de l'enfocament proposat assistit per soroll. ja que les amplituds nominals de la tensió de programació es poden reduir en presència de soroll sense danyar la precisió de la programació.

Durant aquesta tesi s'ha investigat l'explotació beneficiosa de l'estocasticitat de memristor dins d'un nou paradigma informàtic. Tenint en compte una configuració informàtica emergent, els autòmats cel·lulars (CA), els dispositius de memristor s'incorporen a la matriu CA per ampliar les capacitats de CA, mitjançant la commutació probabilística de memristor, establint la nova CA probabilística basada en memristor (MemPCA). S'estudia l'efecte del memristor en la forma més simple CA, CA elemental, donant lloc a una entropia del sistema millorada per a una certa probabilitat de commutació. A més, la primera implementació d'ECA a nivell de transistors s'ha dut a terme en un enfocament de tots els memristors, amb dispositius memristors que participen tant en mòduls de cèl·lules com de regles. La nova implementació proposada de MemPCA aconsegueix una alta velocitat de funcionament, a causa de la font ultraràpida d'entropia per cèl·lula, és a dir, el dispositiu memristor. La funcionalitat de MemPCA es mostra tant en operacions deterministes com probabilístiques.