https://www.cedro.org/images/default-source/0baner/banner_conlicencia-com_ingles.gif?sfvrsn=b51c69a6_10
CEDRO
https://www.cedro.org/images/default-source/0baner/bannercastellanoblog.gif?sfvrsn=b01c69a6_12
CEDRO

Capítulo 5-5º | Chapter 5-5º

¿Futuro de la electrónica: memristores & memoria neuromórfica? | Future of electronics: memristors & neuromorphic memory?



Fig. I A. C5.5.1- Prototipo experimental de HP | HP experimental prototype. Crédito imag. (Youtube,29/11/2016. Federico Ávila). URL:https://youtu.be/4eQHGTSkSe8


Ir al índice principal del libro Go to the main index of the book

Contenidos

Contents

5.5.1.- Introducción

5.5.1.- Introduction

5.5.2.- El memristor no ha dicho su última palabra

5.5.2.- The memristor hasn't said his last word

5.5.3.- Dispositivos de memoria neuromórfica

5.5.3.- Memory devices neuromorphic

5.5.4.- HP ve un gran futuro en el uso de los memristores (conjuntamente con otros dispositivos de memoria) y con la aplicación de otras tecnologías como las fotónicas

5.5.4.- HP sees a great future in the use of the memristors (together with other memory devices) and with the application of other technologies such as photonics


Autor / Author: Juan Antonio Lloret Egea |eu-ai-alliance-3_0.pngMiembro de la Alianza Europea para la IA / Member to the European AI Alliance | ORCID iD iconhttps://orcid.org/0000-0002-6634-3351|| Escrito / Writed: 14/07/2019. Actualizado / Updated: 19/08/2019 |

© 2019. Licencia de uso / License for use: [ Los estados de la inteligencia artificial (IA) | The states of artificial intelligence (AI) ] Creative Commons CC BY-NC-ND |ISSN 2695-3803 | Preprint DOI 10.13140/RG.2.2.17898.47048/1 |

La universidad de Michigan ha desarrollado una computadora basada en el memristor. La clave para una IA más eficiente. Lu ha formado una startup llamada MemryX | The University of Michigan has developed a computer based on memristor. The key to a more efficient AI. Lu has formed a startup called MemryX. (Julio de 2019).


5.5.1.- Introducción | Introduction

Al memristor (El ingeniero Leon Ong Chua fue su inventor) se le considera el 4º elemento electrónico pasivo (relacionada el flujo magnético con la intensidad) además del condensador, la bobina y la resistencia (estos componentes no producen amplificación de corriente y sirven para controlar la intensidad). El memristor es como una resistencia con memoria [R_off / R_on (1,0)] capaz de variar su valor dependiendo de la intensidad de corriente. Aplicaciones y desarrollos tecnológicos como los modelos de sistemas neuronales son sus posibilidades. Su uso se está postulando firmemente para la creación de memorias que retienen el valor incluso aunque la alimentación eléctrica se retire. En el año 2008 ingenieros de HP presentaron un primer prototipo experimental.

En 2018 se cumplieron diez años desde que los investigadores de Hewlett Packard Labs informaron sobre un memristor. A primera vista, su dispositivo de memoria monolítico a nanoescala se asemeja a una resistencia común de dos terminales, pero una inspección más cercana revela algo más complejo. Una vista en sección transversal muestra tres capas para el dispositivo: una capa de 'almacenamiento' hecha de dióxido de titanio intercalada entre dos electrodos de platino. Esta capa de almacenamiento interno se puede reconfigurar dinámicamente a través de la estimulación eléctrica, y esta reconfiguración crea un efecto de memoria en el que la resistencia del dispositivo depende del historial de corriente que ha circulado a través de él. Crucialmente, este estado programado no se pierde una vez que se retira la fuente de alimentación. La funcionalidad de este dispositivo pasivo no puede ser replicada por ninguna combinación de elementos fundamentales del circuito de dos terminales (resistencias, condensadores e inductores).

Ha sido etiquetado como el elemento circuito faltante.


[English]

The memristor (The engineer Leon Ong Chua was its inventor) is considered the 4th passive electronic element (related to the magnetic flux with intensity) in addition to the capacitor, the coil and the resistance (these components do not produce current amplification and serve to control the intensity ). The memristor is like a resistor with memory [R_off / R_on (1,0)] capable of varying its value depending on the current intensity. Applications and technological developments such as models of neural systems are their possibilities. Its use is being firmly postulated for the creation of memories that retain value even if the power supply is removed. In 2008 HP engineers presented a first experimental prototype.

In 2018, it was ten years since Hewlett Packard Labs researchers reported on a memristor. At first glance, its nanoscale monolithic memory device resembles a common resistance of two terminals, but closer inspection reveals something more complex. A cross-sectional view shows three layers for the device: a 'storage' layer made of titanium dioxide sandwiched between two platinum electrodes. This internal storage layer can be dynamically reconfigured through electrical stimulation, and this reconfiguration creates a memory effect in which the resistance of the device depends on the current history that has circulated through it. Crucially, this programmed state is not lost once the power supply is removed. The functionality of this passive device cannot be replicated by any combination of fundamental elements of the two-terminal circuit (resistors, capacitors and inductors)C5.5-1.

It has been labeled as the missing circuit element.


5.5.2.-El memristor no ha dicho su última palabra | The memristor hasn't said his last word

C552.png


Fig. I A. C5.5.2- Simulador de circuitos para memristores | Memristor circuits simulator. Crédito imag. (PartSim). URL: http://www.partsim.com/


Existe varios proyectos y líneas de investigación en paralelo:
  • En los memristores de HfO2 que contenían vacantes de oxígeno se observó una modulación gradual de la conductancia, una plasticidad a corto plazo y una potenciación a largo plazo mediante el uso de una estimulación apropiada de picos de voltaje, lo que sugiere la idoneidad para su uso enredes neuronales. La pasivación de las vacantes de oxígeno, confirmada por espectroscopía de absorción de rayos X, se logró en películas de HfO2-xNx mediante la adición de nitrógeno durante el crecimiento. Los dispositivos selectores formados en estas películas exhibieron conmutación de umbral y resistencia diferencial negativa controlada por corriente consistente con transiciones térmicas de aislante accionadas térmicamenteC5.5.2. (Abril de 2016).
  • Un equipo de científicos va a desarrollar una nueva generación de inteligencia artificial emulando procesos neuronales del cerebro humano. El proyecto, (Scientists plan to develop new AI hardware capable of ‘thinking' like a human brain) dirigido por la Universidad de Loughborough, combinará la experiencia de físicos, biólogos, químicos, neurocientíficos y especialistas en inteligencia artificial y tiene como objetivo crear hardware de pensamiento similar al humano. El proyecto tratará de replicar redes neuronales biológicas con chips electrónicos mediante el uso de circuitos con memristores biestables y se espera que permita que las computadoras aprendan cosas como nosotros. (24/05/2019).
  • The CHUA Memristor Center (CMC): la misión del Centro es agrupar la investigación sobre (i) teoría y modelado de RRAM (memristors) con (ii) estudios de simulación y diseño conceptual de arquitecturas de computación analógica y digital y (iii) la configuración de demostradores experimentales. El objetivo a largo plazo del centro es el diseño y la fabricación de circuitos y sistemas de memoria que amplían o mejoran las funcionalidades de los sistemas informáticos electrónicos de última generación. Esto requiere una fuerte interacción entre los tres temas principales, teoría , arquitectura y experimentos, que se acoplan en un ciclo continuo y causal.El Centro es un consorcio interdisciplinario que combina experiencia y recursos de diversos campos de investigación, incluida la informática, la ingeniería eléctrica, la física y la química. El objetivo del consorcio es promover una cooperación intensiva entre investigadores y experimentadores teóricamente inclinados. De hecho, creemos que la escasa comunicación entre estas dos comunidades perjudica el avance en la investigación de miembros. Las actividades incluirán distinguidos investigadores internacionales.La visibilidad del Centro se destacará a través de diversos eventos, incluidos seminarios académicos regulares, talleres científicos nacionales, conferencias de prensa anuales, reuniones internas anuales y publicaciones en revistas revisadas por pares y actas de conferencias internacionales. (11/08/2019).
  • El uso de memristores de matrices de barras cruzadas para acelerar los cálculos es un enfoque prometedor para implementar algoritmos de manera eficiente en redes neuronales profundas. Las primeras demostraciones, sin embargo, se limitan a simulaciones o problemas a pequeña escala; principalmente debido a los desafíos de materiales y a dispositivos que limitan el tamaño de los conjuntos de  memristores de barras cruzadas para  que pueden programarse de manera confiable a valores estables y analógicos, que es el enfoque del trabajo actual. Se demuestra la sintonización analógica de alta precisión y el control de las células de memristor a través de una matriz de 128 × 64, y se evalúa la precisión informática resultante de la multiplicación de matriz de vectores (VMM). La inferencia de red neuronal de capa única se realiza en estas matrices, y se evalúa el rendimiento en comparación con un enfoque digital. El sistema informático Memristor utilizado aquí alcanza una precisión de VMM equivalente a 6 bits, y se logra una precisión de reconocimiento del 89,9% para el conjunto de prueba de dígitos manuscritos MNIST de 10k. Los pronósticos muestran que con memristores integrados (en chip) y escalados, es posible una eficiencia computacional mayor de 100 trillones de operaciones por segundo por vatio.C5.5-3 (Enero de 2018).
    • La universidad de Michigan ha desarrollado una computadora basada en el memristor.

Abstracto: memristores y las matrices de barras cruzadas de memristores han sido ampliamente estudiadas para aplicaciones neuromórficas y otras aplicaciones informáticas en memoria. Sin embargo, para lograr un rendimiento óptimo del sistema, es esencial integrar barras transversales de memristores con circuitos periféricos y de control. Se presenta un chip de memristor híbrido totalmente funcional en el que una matriz de barras cruzadas pasivas se integra directamente con circuitos diseñados a medida, que incluyen un conjunto completo de bloques de interfaz de señal mixta y un procesador digital para computación reprogramable. La matriz de barras cruzadas memristor permite el aprendizaje en línea y las operaciones de matriz de vectores hacia adelante y hacia atrás, mientras que la interfaz integrada y los circuitos de control permiten el mapeo de diferentes algoritmos en el chip. El sistema admite la operación de dominio de carga para superar las características no lineales I-V de los dispositivos de memoria mediante modulación de ancho de pulso y convertidores analógicos a digitales personalizados. El chip integrado ofrece todas las funciones necesarias para el hardware informático neuromórfico operacional. En consecuencia, demostramos una red perceptrónica, un algoritmo de codificación disperso y un análisis de componentes principales con una capa de clasificación integrada que utiliza el sistema. Podría conducir al procesamiento de la inteligencia artificial directamente en dispositivos pequeños con limitaciones de energía, como teléfonos inteligentes y sensores. Un procesador de inteligencia artificial para teléfonos inteligentes significaría que los comandos de voz ya no tendrían que enviarse a la nube para su interpretación, acelerando el tiempo de respuesta. "Todo el mundo quiere poner un procesador de inteligencia artificial en los teléfonos inteligentes, pero no quiere que la batería de su teléfono se agote muy rápido", dijo Wei Lu, autor principal del estudio en Nature Electronics.

Era necesario integrar la matriz de memristores con la CPU convencional y otros elementos integrados como convertidores A / D / A y canales de comunicación. Para hacerlo, el equipo de Lu trabajó con el profesor Michael Flynn y el profesor asociado Zhengya Zhang, del departamento de ingeniería eléctrica e informática de la U-M. La fabricación se realizó en las instalaciones de nanofabricación de Lurie de U-M.

La computadora de escala experimental fue probada contra tres algoritmos clásicos de aprendizaje automático. Cada algoritmo se ejecutó con éxito en este chip prototipo.Perceptron, que determina si dos representaciones pertenecen a una "clase" o no. El dispositivo demostró ser capaz de identificar letras griegas imperfectas con una precisión del 100%. La codificación dispersa comprime y clasifica datos como imágenes. La computadora experimental fue capaz de encontrar la forma más eficiente de reconstruir imágenes en un conjunto e identificar patrones con 100% de precisión. Red neuronal de dos capas, que está diseñada para encontrar patrones en datos complejos. En esta prueba, el objetivo era determinar si los datos de detección representaban cáncer de mama maligno o benigno. La tasa de éxito aquí fue del 94,6% C5.5-5. La próxima versión del chip, que según Lu se realizará el próximo año, tendrá CMOS más rápidos y más eficientes y múltiples matrices de memristor. "Usaremos múltiples matrices para mostrar que puede unirlas para formar redes más grandes". Lu ha formado una startup llamada MemryX con el objetivo de comercializar el chip. Su anterior inicio de RRAM, Crossbar, también persigue el espacio de IA. El año pasado, Crossbar firmó un acuerdo con el fabricante de chips aeroespacial Microsemi.


C553_2.jpg


Fig. I A. C5.5.3- Wei Lu se encuentra con el primer autor Seung Hwan Lee, un estudiante de doctorado en ingeniería eléctrica, quien posee la matriz de memristor | Wei Lu stands with first author Seung Hwan Lee, an electrical engineering PhD student, who holds the memristor array. Crédito imag. (Robert Coelius, Michigan Engineeringr). URL: http://cort.as/-MnZF


[English]

There are several projects and research lines in parallel:
  • HfO2 memrisors containing oxygen vacancies and a gradual modulation of conductance, short-term plasticity and long-term potentiation was observed through the use of appropriate stimulation of voltage spikes, which suggests the suitability for use in neural networks.Passivation of oxygen vacancies, confirmed by X-ray absorption spectroscopy, was achieved in HfO2-xNx films by the addition of nitrogen during growth. The selector devices formed in these films exhibited threshold switching and current-controlled negative differential resistance consistent with thermally actuated thermal insulator transitions
  • . (April 2016).
  • Scientists will develop a new generation of artificial intelligence emulating neuronal processes of the human brain. The project, (Scientists plan to develop new AI hardware capable of ‘thinking' like a human brain), led by the University of Loughborough, will combine the experience of physicists, biologists, chemists, neuroscientists and specialists in artificial intelligence and aims to create human-like thinking hardware. The project will try to replicate biological neural networks with electronic chips by using circuits with bistable memorsors and is expected to allow computers to learn things like us. (24/05/2019).
  • The CHUA Memristor Center (CMC): "The Center’s mission is to bundle research on (i) theory and modelling of RRAMs (memristors) with (ii) simulation studies and conceptual design of analogue and digital computing architectures and (iii) the setup of experimental demonstrators. The Center’s long-term goal is the design and manufacturing of memristor circuits and systems extending or improving the functionalities of state-of-the-art electronic computing systems. This requires a strong interaction between the three main topics theory, architecture and experiments, which are coupled in a continuous and causal loop.The Center is an interdisciplinary consortium combining expertise and resources from various fields of research, including computer science, electrical engineering, physics, and chemistry. The aim of the consortium is to promote an intensive cooperation between theoretically-inclined researchers and experimentalists. In fact we believe that the scarce communication between these two communities impair advancement in memristor research. The activities shall involve distinguished international researchers.The visibility of the Center shall be highlighted through various events, including regular academic seminars, national scientific workshops, yearly press conferences, annual internal meetings, and publications in peer-reviewed journals and proceedings of international conferences". (11/08/2019).
  • "Using memristor crossbar arrays to accelerate computations is a promising approach to efficiently implement algorithms in deep neural networks. Early demonstrations, however, are limited to simulations or small‐scale problems primarily due to materials and device challenges that limit the size of the memristor crossbar arrays that can be reliably programmed to stable and analog values, which is the focus of the current work". High‐precision analog tuning and control of memristor cells across a 128 × 64 array is demonstrated, and the resulting vector matrix multiplication (VMM) computing precision is evaluated. Single‐layer neural network inference is performed in these arrays, and the performance compared to a digital approach is assessed. Memristor computing system used here reaches a VMM accuracy equivalent of 6 bits, and an 89.9% recognition accuracy is achieved for the 10k MNIST handwritten digit test set. Forecasts show that with integrated (on chip) and scaled memristors, a computational efficiency greater than 100 trillion operations per second per Watt is possibleC5.5-4 (January 2018).

    • The University of Michigan has developed a computer based on memristor.

       

Abstract: Memristors and memristor crossbar matrices have been extensively studied for neuromorphic applications and other computer applications in memory. However, to achieve optimal system performance, it is essential to integrate memristor crossbars with peripheral and control circuits. A fully functional hybrid memristor chip is presented in which a passive crossbar array is directly integrated with custom designed circuits, which include a complete set of mixed signal interface blocks and a digital processor for reprogrammable computing. The memristor crossbar array allows online learning and vector array operations forward and backward, while the integrated interface and control circuits allow mapping of different algorithms on the chip. The system supports load domain operation to overcome the non-linear I-V characteristics of memory devices through pulse width modulation and custom analog to digital converters. The integrated chip offers all the necessary functions for the operational neuromorphic computer hardware. Consequently, we demonstrate a perceptronic network, a scattered coding algorithm and a principal component analysis with an integrated classification layer that uses the system. It could lead to the processing of artificial intelligence directly on small devices with power limitations, such as smartphones and sensors. An artificial intelligence processor for smartphones would mean that voice commands would no longer have to be sent to the cloud for interpretation, speeding up response time. "Everyone wants to put an artificial intelligence processor in smartphones, but they don't want their phone's battery to run out very fast," said Wei Lu, lead author of the study at Nature ElectronicsC5.5-4.

It was necessary to integrate the array of memristors with the conventional CPU and other integrated elements such as A / D / A converters and communication channels. To do this, Lu's team worked with Professor Michael Flynn and Associate Professor Zhengya Zhang, from the U-M Department of Electrical and Computer Engineering. The manufacturing was carried out in the Lurie nanofabrication facilities of U-MC5.5-5.

The experimental scale computer was tested against three classic machine learning algorithms. Each algorithm was successfully executed on this prototype chip. Perceptron, which determines whether two representations belong to a "class" or not. The device proved to be able to identify imperfect Greek letters with 100% accuracy. Sparse coding compresses and classifies data as images. The experimental computer was able to find the most efficient way to reconstruct images in a set and identify patterns with 100% accuracy. Two-layer neural network, which is designed to find patterns in complex data. In this test, the objective was to determine if the detection data represented malignant or benign breast cancer. The success rate here was 94.6%C5.5-5. The next version of the chip, which Lu says will be next year, will have faster and more efficient CMOS and multiple memristor matrices. "We will use multiple matrices to show that you can join them to form larger networks." Lu has formed a startup called MemryX with the aim of marketing the chip. His previous start of RRAM, Crossbar, also pursues the AI space. Last year, Crossbar signed an agreement with aerospace chip maker Microsemi.


C554.png


Fig. I A. C5.5.4- Memristor crossbar array (3X3) lectura ciclo. (a) Lectura del primer elemento en la primera fila, (b) lectura del segundo elemento en la primera fila / Memristor crossbar array (3X3) read cycle. (a) Reading the first element in the first row, (b) reading the second element in the first row. Crédito imag. ( Alex Pappachen James). [Reference: Bit-plane Extracted Moving-object Detection using Memristive Crossbar-CAM Arrays for Edge Computing Image Devices - Scientific Figure on ResearchGate. Available from: https://www.researchgate.net/figure/Memristor-crossbar-array-read-cycle-a-Reading-the-first-element-in-the-first-row-b_fig4_323993150. URL: http://cort.as/-MmAl


Y cada fabricante está buscando la solución final a la construcción del memristor. En GitHUb podemos encontrar un proyecto destinado a analizar, explorar y difundir modelos de memristores. El proyecto pretende ser un esfuerzo de colaboración para recopilar bajo un mismo techo modelos de memoria publicados hasta la fecha. Y agradecen la contribución de otros modelos de otras personas para incorporarlo. Esta iniciativa es llevada a cabo por Knowm, Memristors to Machine Intelligence.

Y también se ha creado software para emular el funcionamiento de los memristores. Disponible también en GitHub. ( Este software es para la Memristor Discovery V2 de la imagen de abajo Fig. I A. C5-18, es de código abierto. Las actualizaciones son siempre gratuitas. La aplicación Memristor Discovery es multiplataforma y se ejecuta en las últimas versiones de MacOS, Linux basado en Debian y Windows 10. Requiere que se instale el 'Waveforms Framework' en su sistema).

También existe la posibilidad de utilizar simuladores de circuitos como JSpice (simulador de circuito analógico inspirado en SPICE hecho en Java con énfasis en la simulación de memristores y circuitos analógicos que contienen memristores). O con el simulador de circuitos PartSim.

La carrera por encontrar el memristor físicamente y comercialmente adecuado aún no ha acabado. Y está librándose una dura batalla.


    [English]

    Each manufacturer is looking for the final solution to memristor construction. In GitHUb we can find a project to analyze, explore and disseminate memristors models. The project aims to be a collaborative effort to collect memory models published to date under one roof. And they appreciate the contribution of other models of other people to incorporate it. This initiative is carried out by Knowm, Memristors to Machine Intelligence.

    And software has also been created to emulate the operation of the memristors. Also available on GitHub. (This software is for the Memristor Discovery V2 in the image below Fig. I A. C5-18, it is open source. Updates are always free. The Memristor Discovery application is cross-platform and runs on the latest MacOS versions, Linux based on Debian and Windows 10. Requires the 'Waveforms Framework' to be installed on your system).

    There is also the possibility of using circuit simulators such as JSpice (SPICE-inspired analog circuit simulator made in Java with an emphasis on the simulation of memrisors and analog circuits containing memorsors). Or with the PartSim circuit simulator.

    The race to find the physically and commercially appropriate memristor is not over yet. And a hard battle is being fought.


    c555.png


    Fig. I A. C5.5.5- Un ejemplo comercial de memristor para simulaciones y entrenamiento | A commercial example of memristor for simulations and training. Crédito imag. (Knowm). URL El País: http://cort.as/-MlZx 


    5.5.3.- Dispositivos de memoria neuromórfica  | Memory devices neuromorphic

    *Archivo adjunto en la barra lateral de este capítulo / Attachment in the sidebar of this chapter. Extracto de / Extract from: Emerging Memory Devices for Neuromorphic Computing


    En general, estas tecnologías tienen el potencial de "acelerar significativamente la velocidad de cómputo mientras se reduce el consumo de energía". Probablemente cualquier sistema neuromórfico artificial todavía tendrá que depender de los circuitos CMOS para componentes periféricos, al menos en el futuro previsible.

    Los seis tipos de dispositivos de acceso aleatorio resistivo son (, C5.5-7):

    1. ReRAM (memoria resistiva de acceso aleatorio).
    2. Memristores difusivos.
    3. Memoria de cambio de fase (PCM).
    4. Memoria de acceso aleatorio magneto-resistiva (MRAM) basada en espintrónica.
    5. Transistores ferroeléctricos de efecto de campo (FeFET).
    6. Ttransistores sinápticos Los tomaremos en orden.

    ReRAM

    Basado en un modelo de memoria 'deriva' ReRAM es un interruptor electrónico tipo que exhibe no volatilidad, es decir, conservará su estado de resistencia incluso después de que se apague el voltaje. Se puede hacer de varios compuestos, los más comunes son los óxidos de varios tipos. Las principales ventajas de ReRAM son su escalabilidad, compatibilidad CMOS, bajo consumo de energía y modulación de conductancia analógica, todo lo que la convierte en un competidor líder para la memoria de la próxima generación. Su idoneidad para la computación neuromórfica está relacionada con la capacidad del memristor de cambiar su estado en función de la historia de los voltajes aplicados. Como resultado de este comportamiento, tiene las cualidades temporales y análogas de las neuronas biológicas y las sinapsis. Sin embargo, hacer que estos memristores sean más uniformes para que funcionen de manera confiable sigue siendo un desafío. Estado de la comercialización: "Crossbar ha conseguido que Microsemi utilice sus nuevas memorias ReRam, uno de los principales competidores de las memorias 3D XPoint de Intel. El desarrollo de esta nueva tecnología se ha estado realizando durante años en 40 nm y ahora han conseguido un nuevo colaborador capaz de llevar a cabo el proceso de producción en 1X nm". Por supuesto Intel también está en el buen camino, el desarrollo de Intel se deriva de la RAM magnetoresistiva integrada (MRAM) para FinFET de 22nm que Intel informó en IEDM en diciembre de 2018.


    Memorias difusivas

    Basado en un tipo de memristor que usa dinámica difusiva de metales activos, estos memristores pueden emular la plasticidad sináptica utilizando su comportamiento de conductancia único, una característica que les permite olvidar información antigua a corto plazo, al tiempo que bloquean la información más pertinente. Un dispositivo experimental que emparejó memristors difusivos con ReRAM fue capaz de demostrar el aprendizaje no supervisado. No parece haber implementaciones comerciales. Hewlett Packard Enterprise estuvo interesado durante muchos años en los memristores, particularmente por su sistema conceptual, llamado The Machine (que más adelante veremos).


    [English]

    In general, these technologies have the potential to "significantly accelerate the computing speed while reducing energy consumption." Probably any artificial neuromorphic system will still have to rely on CMOS circuits for peripheral components, at least in the foreseeable future.

    The six types of resistive random access devices are (, C5.5-7):

    1. ReRAM (random access resistive memory).
    2. Diffusive memristores.
    3. Phase change memory (PCM).
    4. Magneto-resistive random access memory (MRAM) based on spintronics.
    5. Ferroelectric field effect transistors (FeFET).
    6. Synaptic transistors We will take them in order.
     

    ReRAM

    Based on a 'drift' memory model ReRAM is a type electronic switch that exhibits non-volatility, that is, it will retain its resistance state even after the voltage is turned off. It can be made of several compounds, the most common are oxides of various types. The main advantages of ReRAM are its scalability, CMOS compatibility, low power consumption and analog conductance modulation, all of which make it a leading competitor for next-generation memory. Its suitability for neuromorphic computing is related to the memristor's ability to change its state based on the history of the applied voltages. As a result of this behavior, it has the temporal and analogous qualities of biological neurons and synapses. However, making these memorsors more uniform so that they function reliably remains a challenge. Marketing Status: "Crossbar has managed to get Microsemi to use its new ReRam memories, one of the main competitors of Intel's XPoint 3D memories. The development of this new technology has been going on for 40 nm for years and now they have achieved a new collaborator capable of carry out the production process in 1X nm ". Of course Intel is also on track, Intel's development is derived from the integrated magnetoresistive RAM (MRAM) for 22nm FinFET that Intel reported at IEDM in December 2018.


    Diffusive memories

    Based on a type of memristor that uses diffusive dynamics of active metals, this technology has also drawn the attention of researchers. According to the authors, these memristors are able to emulate synaptic plasticity using their unique conductance behavior, a feature allows them to forget older, short-term information, while locking in more pertinent information. An experimental device that paired diffusive memristors with ReRAM was able to demonstrate unsupervised learning. That work was led by a team of researchers at the University of Massachusetts, which just so happens to include three of the authors of the paper. As of yet, there are no commercial implementations. Hewlett Packard Enterprise was keen for many years on memristors, particularly for its concept system, called The Machine. (which we will see later).