28、可编程模拟神经形态集成电路技术解析

可编程模拟神经形态集成电路技术解析

1. 基于事件的神经形态系统基础

在构建外积学习规则时，基于事件的神经形态系统是关键要素。从基础物理知识推导得出了相关的第一性原理模型，如 Duffy 和 Hasler 在 2003 年得出的指数函数。对于 pFET 注入，有一个便于手动计算的简化模型，它将热电子注入电流与沟道电流 (I_s) 和漏源电压 (\Delta V_{ds}) 关联起来：
[I_{inj} = I_{inj0} \left(\frac{I_s}{I_{s0}}\right)^{\alpha} e^{-\Delta V_{ds}/V_{inj}}]
其中，(I_{inj0}) 是 pFET 在参考沟道电流 (I_{s0}) 下的注入电流（此时 (I_s = I_{s0})），(V_{inj}) 是与器件和偏置相关的参数，(\alpha = 1 - \frac{U_T}{V_{inj}})。在 0.5μm CMOS 工艺中，(V_{inj}) 的典型值为 100 - 250mV。

在对这些器件进行仿真时，选择合适的模型至关重要。例如，在仿真一组待编程的浮栅器件时，通常不需要实现隧穿和注入电流，而是要在仿真开始时根据特定编程方案的行为正确设置浮栅电压和偏置电流。在这种操作模式下，可以通过一个非常大的电阻来设置浮栅电压。对于总电容为 100fF 的浮栅节点（小器件），一个 (10^{26} \Omega) 的电阻与 10 年期间 10nm 氧化物在室温下 4μV 的典型电压降是一致的。在某些情况下，可以使用晶体管等效电路来仿真自适应浮栅元件，如电容耦合电流传输器（C4）二阶电路和突触元件，这些技术对于需要快速自适应率的应用本身就是有用的电路。

2. 可编