14、硫属化物材料的神经形态器件:原理与应用探索

硫属化物材料的神经形态器件:原理与应用探索

脑启发的神经形态计算凭借高能效执行认知信息处理操作的能力,正逐渐成为即将到来的人工智能物联网(AIoT)时代非冯·诺依曼计算的替代范式。电子人工神经元和突触是构建硬件神经形态系统的两个关键组成部分,而硫属化物器件因其能满足全硬件神经形态系统的要求而备受青睐。

1. 硫属化物材料的开关现象

硫属化物材料的电场诱导电阻开关现象研究可追溯到20世纪60年代。当时,斯坦福·R·奥夫辛斯基首次观察到无序半导体材料在高阻态和导电态之间的快速可逆转变,发现了Ge₁₀Si₁₂As₃₀Te₄₈的挥发性阈值开关(TS)行为,以及砷含量降至5%时的非挥发性记忆开关(MS)效应。此后,相关研究不断推进。

从LRS稳定性角度,硫属化物材料的电阻开关行为可分为非挥发性MS和挥发性TS两类:
- 非挥发性MS :以典型的相变存储器(PCM)为例,初始状态为高阻态(HRS),当施加电压超过阈值电压(Vth)时,器件突然切换到低阻态(LRS),且去除电压后仍保持LRS,可用于存储逻辑变量0和1,这种记忆效应与非晶相到晶相的转变有关。
- 挥发性TS :在特定Vth下,器件从HRS突然切换到LRS,但当施加电压降至保持电压(Vhold)以下时,LRS恢复到HRS,具有挥发性特征。

目前,有三类硫属化物材料能稳定表现出非挥发性MS行为:
|类别|代表材料|特点|
| ---- | ---- | ---- |
|成核主导的GeTe - Sb₂Te₃伪二元合金系统|Ge₁Sb₄Te₇、Ge₁Sb₂Te₄、Ge₂Sb₂Te₅等|具有亚稳

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模分解(VMD)的参数,进而结合卷积神经网络(CNN)双向短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模数和惩罚因子,有效提升了信号分解的准确性稳定性,随后利用CNN提取故障特征,BiLSTM捕捉序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值