Characterization, modeling and simulation of variability and stochastic resonance phenomena in RRAM devices

Abstract

En les darreres dècades, els dispositius electrònics s'han tornat indispensables en la vida quotidiana, impulsant la necessitat de components més petits i eficients. Tot i que la Llei de Moore ha guiat l'escalat dels semiconductors, els límits físics a escala atòmica requereixen tecnologies alternatives. Entre aquestes, els memristors han guanyat atenció pel seu potencial en aplicacions de memòria (RRAM) i més enllà, incloent la lògica, la criptografia i la computació neuromòrfica. En integrar memòria i càlcul, els memristors ofereixen un camí prometedor més enllà de les arquitectures de Von Neumann, essencial per a aplicacions d'intel·ligència artificial i internet de les coses.

Tanmateix, els memristors afronten un repte clau: la variabilitat en les seves característiques de conducció. Aquesta tesi aborda dos aspectes crítics de la tecnologia dels memristors. Primer, se centra en la caracterització i modelatge de la variabilitat intrínseca mitjançant estudis experimentals i models compactes. Segon, investiga l'impacte de la ressonància estocàstica (SR), un fenomen d'amplificació induït pel soroll, en el rendiment dels memristors tant a nivell de dispositiu com de sistema. Donada la naturalesa inherentment sorollosa del cervell, comprendre la SR en sistemes neuromòrfics és crucial per a implementacions pràctiques. Aquestes aportacions contribueixen a l'avenç de la tecnologia RRAM i dels sistemes neuromòrfics basats en memristors.

En las últimas décadas, los dispositivos electrónicos se han vuelto indispensables en la vida cotidiana, impulsando la necesidad de componentes más pequeños y eficientes. Aunque la Ley de Moore ha guiado la miniaturización de los semiconductores, los límites físicos a escala atómica requieren tecnologías alternativas. Entre ellas, los memristores han ganado atención por su potencial en aplicaciones de memoria (RRAM) y más allá, incluyendo la lógica, la criptografía y la computación neuromórfica. Al integrar memoria y cálculo, los memristores ofrecen un camino prometedor más allá de las arquitecturas de Von Neumann, esencial para aplicaciones de inteligencia artificial e internet de las cosas.

Sin embargo, los memristores enfrentan un desafío clave: la variabilidad en sus características de conducción. Esta tesis aborda dos aspectos críticos de la tecnología de los memristores. Primero, se centra en la caracterización y modelado de la variabilidad intrínseca mediante estudios experimentales y modelos compactos. Segundo, investiga el impacto de la resonancia estocástica (SR), un fenómeno de amplificación inducido por el ruido, en el rendimiento de los memristores tanto a nivel de dispositivo como de sistema. Dada la naturaleza inherentemente ruidosa del cerebro, comprender la SR en sistemas neuromórficos es crucial para implementaciones prácticas. Estas aportaciones contribuyen al avance de la tecnología RRAM y de los sistemas neuromórficos basados en memristores.

In recent decades, electronic devices have become indispensable in daily life, driving the need for smaller and more efficient components. While Moore’s Law has guided semiconductor scaling, physical limits at the atomic scale demand alternative technologies. Among these, memristors have gained attention for their potential in memory applications (RRAM) and beyond, including logic, cryptography, and neuromorphic computing. By integrating memory and computation, memristors offer a promising path beyond Von Neumann architectures, essential for artificial intelligence and the internet of things applications. However, memristors face a key challenge: variability in its conduction characteristics. This thesis addresses two critical aspects of memristor technology. First, it focuses on characterizing and modeling intrinsic variability through experimental studies and compact models. Second, it investigates the impact of stochastic resonance (SR), a noise-induced enhancement phenomenon, on memristor performance at both device and system levels. Given the brain’s inherent noisy nature, understanding SR in neuromorphic systems is crucial for practical implementations. These insights contribute to the advancement of RRAM technology and memristor-based neuromorphic systems.