Эффект резистивного переключения в конденсаторных и кроссбар-структурах на основе поли-п-ксилилена тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Швецов Борис Сергеевич

• Швецов Борис Сергеевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Швецов Борис Сергеевич

Введение

Глава 1. Материалы и структуры с эффектом резистивного переключения и их свойства

1.1. Механизмы резистивного переключения в мемристивных структурах

1.1.1. Окислительно-восстановительная реакция в полимерах

1.1.2. Спин-поляризованный транспорт

1.1.3. Фазовый переход

1.1.4. Дрейф вакансий кислорода

1.1.5. Образование металлических мостиков (электрохимическая металлизация)

1.2. Мемристивный эффект в структурах на основе органических материалов

1.3. Мемристивный эффект в структурах на основе ППК

1.4. Практическое применение мемристивных структур

Выводы к главе

Глава 2. Конденсаторные одиночные и кроссбар-структуры М1/ППК/М2 и методы их исследования

2.1. Синтез конденсаторных одиночных структур М1/ППК/М2 на твердой и гибкой подложках

2.2. Синтез структур М1/ППК/М2 в архитектуре кроссбар

2.3. Исследования структурных особенностей образцов

2.4. Методика исследования электрофизических характеристик

2.4.1. Вольт-амперные характеристики (ВАХ)

2.4.2. Устойчивость к циклическим переключениям

2.4.3. Время хранения резистивных состояний

2.4.4. Измерения БТБР

Выводы к главе

Глава 3. Механизм резистивного переключения структур М1/ППК/М2

3.1. Мемристивные свойства конденсаторных одиночных структур

М1/1111К/М2 на твердых подложках

3.2. Мемристивные свойства конденсаторных одиночных структур

М1/1111К/М2 на гибких подложках

3.3. Мемристивные свойства кроссбар-структур М1/ППК/М2

3.4. Температурные измерения

3.5. Импедансная спектроскопия

3.6. Качественная модель резистивного переключения структур М1/ППК/М2

3.7. Компактная модель резистивного переключения структур М1/ППК/М2 83 Выводы к главе

Глава 4. Импульсные и формальные мемристорные нейроморфные вычислительные системы на основе структур М1/ППК/М2

4.1. Биоподобная пластичность конденсаторных одиночных структур М1/ППК/М2

4.2. Биоподобная пластичность кроссбар-структур М1/ППК/М2

4.3. Дофаминостимулированная модуляция синаптической пластичности в конденсаторных одиночных и кроссбар-структурах М1/ППК/М2

4.4. Ассоциативное обучение в импульсной нейроморфной сети на конденсаторных структурах М1/ППК/М2

4.5. Формальная нейроморфная сеть на основе кроссбар-структур

М1/ППК/М2

Выводы к главе

Заключение

Благодарности

Литература

Введение диссертации (часть автореферата) на тему «Эффект резистивного переключения в конденсаторных и кроссбар-структурах на основе поли-п-ксилилена»

Введение

Наряду с твердотельной электроникой на основе Si, SiGe, GaAs, GaN и др. полупроводниковых материалов, в настоящее время интенсивно развивается органическая электроника, нацеленная, в частности, на разработку различных носимых и/или биосовместимых устройств на базе транзисторов, диодов (светодиодов) и устройств памяти типа мемристоров [1-3]. Мемристор является одним из ключевых элементов для создания нейроморфных вычислительных систем (НВС) и представляет собой резистор с эффектом памяти, имитирующий биологический синапс и сочетающий в себе одновременно функциональные возможности обработки и хранения информации [4-8]. Принцип работы мемристора основан на его обратимом резистивном переключении (РП) под действием сильного электрического поля и хранении возникающего резистивного состояния после снятия электрического поля.

Эффект РП был обнаружен в мемристорах на основе как неорганических, так и органических материалов. Например, в структурах типа металл-диэлектрик-металл (МДМ) на основе оксидов переходных металлов и полупроводников (TiO2 HfO2, Ta2O5, ZrO2 SiO2 и др.) [5,9-19] эффект РП объясняется образованием и разрушением нитевидных хорошо проводящих каналов (филаментов) либо металлических мостиков (conductive bridges). Встречаются случаи, когда оба указанных механизма определяют РП [5]. Кроме того, существуют и другие механизмы, ответственные за РП: фазовые переходы (например, в соединениях GeSbTe) [11,20], спин-поляризованный транспорт в магнитных туннельных переходах [18,21], электрохимическая реакция в органических материалах (полианилин или политиофен с электролитным затвором) [22,23]. При этом значительное внимание было направлено на разработку мемристоров на основе неорганических материалов ввиду их совместимости с кремниевой технологией [4,5,16,24-28]. Несмотря на то, что такая совместимость более сложная в реализации для мемристоров на основе органических материалов, их неоспоримыми преимуществами являются низкая стоимость и широкий спектр

методов изготовления, не требующих специальных условий (высокого вакуума, особо чистых помещений и т. д.) и позволяющих получать функциональные структуры различной архитектуры, в том числе трехмерные и гибкие для носимой электроники [29-37]. Не случайно в последнее время интерес исследователей привлекают мемристивные элементы на основе органических материалов, поскольку они не уступают неорганическим мемристорам по основным характеристикам: отношению сопротивлений в высоко- и низкоомном состояниях

-5

(Roff/Ron > 10 , Ron, Roff - крайние значения сопротивлений в низкоомном (включенном) и высокоомном (выключенном) состояниях МДМ структуры, соответственно), времени хранения состояний (tr более суток), выносливости (количеству циклов переключения без деградации, Ne более 104) и другим [33,3840].

Существенно также, что органические мемристивные элементы обладают высокой степенью гибкости (стабильная работа возможна при продольном скручивании вплоть до 30° [29] и радиусах сгибания до 5 мм [41]), что, наряду с хорошей биосовместимостью, позволяет их использовать для разработки так называемой «умной одежды», которая на протяжении длительного времени может находиться в непосредственном контакте с телом человека не вызывая аллергических реакций. К перспективным структурам такого рода относятся мемристоры на основе полимерных слоев поли-и-ксилилена (также парилен, или ППК), которые нашли широкое применение в электронике и электротехнике благодаря простому и доступному производству, гибкости и биосовместимости [42,43]. А кроме того, благодаря возможности использования ППК в качестве защитного покрытия и диэлектрического (изолирующего) слоя в интегральных микросхемах и тонкопленочных транзисторах, микроэлектромеханических системах, лазерах, волноводах и фотодиодах [44-46].

Несмотря на то, что в мемристивных элементах на основе ППК был продемонстрирован стабильный эффект РП [34], детального изучения его механизма на момент постановки задач данной работы не было проведено. Также

не была исследована пластичность таких мемристоров, т. е. возможность задания в них промежуточных состояний (многоуровневый характер РП). Особый интерес представляет изучение способности изменения резистивного состояния ППК мемристора по биологически правдоподобным алгоритмам, например пластичности, зависящей от длительности задержек между импульсами (spike-timing-dependent plasticity, STDP), который может позволить реализовать автономное обучения НВС без учителя [47-49]. В биологических нейронных сетях обучение достигается через способность синапсов изменять вес, которым определяется эффективность связи нейронов (это свойство называется синаптической пластичностью). Согласно STDP синаптический вес увеличивается, если пресинаптические нейроны генерируют импульс непосредственно перед постсинаптическими (что указывает на причинно-следственную связь), и наоборот, синаптический вес уменьшается, если постсинаптические нейроны генерируют импульс непосредственно перед пресинаптическими (что указывает на нарушение причинно-следственной связи) [48]. Меньшая разница во времени прихода импульсов (спайков) приводит к большему увеличению (или уменьшению) синаптического веса. Это делает механизм STDP основой для автономного обучения НВС без учителя [49]. При этом одним из перспективных подходов в реализации самообучающихся нейронных сетей и НВС является моделирование биоподобных систем с подкреплением, роль которого играет аналог дофамина (основного медиатора вознаграждения в нервной системе млекопитающих) [50]. Отметим, что относительно недавно был подробно изучен механизм влияния дофамина на динамическую синаптическую пластичность STDP [51], что открывает возможность моделирования этого правила обучения с подкреплением как программно, так и аппаратно. Следовательно, мемристоры, изменяющие свою проводимость по механизмам STDP, являются перспективными для аппаратной реализации обучения с подкреплением. В недавней работе [52] был предложен метод дофаминоподобной модуляции окна STDP для неорганических

мемристоров с анионным типом РП. Однако для мемристоров с катионным типом РП в целом (и мемристоров на основе ППК, в частности) такой тип модуляции окна БТБР не исследован.

Классические вычислительные системы, построенные на архитектуре фон Неймана, работают последовательно. В них вычислительные элементы (процессоры) и модули памяти разделены на физически изолированные блоки. В противоположность им, нейроморфные вычислительные системы функционируют параллельно, используя прямые связи между нейронами (вычислительными элементами) - синапсы (элементы памяти). Такой подход устраняет необходимость в общей шине передачи данных, которая значительно увеличивает энергопотребление по сравнению с энергозатратами на сами вычислительные операции. Поэтому ведется интенсивная разработка специализированных чипов для НВС [53]. Для реализации НВС на основе мемристоров необходимо изучение возможности их масштабирования в так называемой кроссбар-геометрии. Кроссбар-структуры представляют собой набор поперечных шин электродов, между которыми находится функциональный слой диэлектрика [54]. В таких структурах мемристоры, находящиеся на пересечениях шин и выступают в роли синаптических весов НВС. На основе кроссбар-массивов можно построить эффективные НВС, так как с их помощью легко реализовать наиболее ресурсоемкую для традиционных вычислительных систем операцию умножения вектора входящих импульсов на матрицу синаптических весов (векторно-матричное умножение, ВМУ) согласно физическим законам (законы Ома и Кирхгофа). В таких структурах информация хранится и обрабатывается непосредственно в элементах памяти, поэтому они отличаются высокой энергоэффективностью. Кроссбар-массивы открывают широкий спектр возможностей в задачах принятия решений, фото- и видеораспознавания, управления беспилотными транспортными средствами и др. В то же время для мемристивных структур на основе ППК ранее не проводилось исследований по их

масштабированию в кроссбар-геометрии, а также по построению на основе таких массивов НВС.

До начала работы над данной диссертацией отсутствовали углубленные исследования механизма резистивного переключения в структурах на основе полимерных слоев ППК, а также их пластичности как в конденсаторных одиночных структурах, так и в геометрии кроссбар. Кроме того, возможность задания резистивных состояний таких структур с использованием биоподобных алгоритмов БТЭР, включая подобие дофаминостимулированной модуляции, ранее не изучалась. Не проводились и исследования перспектив создания формальных и спайковых НВС на базе этих мемристоров. Таким образом, детальный анализ эффекта резистивного переключения в мемристивных структурах с полимерными слоями ППК, а также изучение их применения для реализации синапсов в НВС, обладает значительной научной новизной и является актуальной задачей как с фундаментальной, так и с практической точки зрения.

Цели и задачи работы

Целью данной работы является установление механизма резистивного переключения в мемристивных структурах на основе полимерных слоев ППК, разработка его модельного качественного и количественного описания, изучение пластичности таких структур в конденсаторной и кроссбар-геометриях, а также исследование их потенциала для создания эффективных нейроморфных вычислительных систем.

Для достижения поставленной цели были решены следующие задачи:

1. Синтезированы М1/ППК/М2 мемристивные структуры с верхним электродом М1 и нижним М2 на твердой и гибкой подложках в конденсаторной одиночной и кроссбар-геометриях, где М1 = Си, А1 или Т1, а М2 = 1ТО (оксид индия-олова) или Ли.

2. Изучены ключевые мемристивные параметры структур на основе ППК, включая вольт-амперные характеристики, максимальная величина окна резистивного переключения, время сохранения состояний, пластичность и

выносливость, а также определено влияние материала верхнего электрода на эти показатели.

3. Исследованы структурные и геометрические особенности изготовленных мемристивных устройств на основе ППК и их электрофизические свойства при воздействии постоянного и переменного электрического сигнала для установления механизма резистивного переключения.

4. Разработана компактная феноменологическая модель резистивного переключения для мемристоров на основе ППК.

5. Проанализирована способность изменения проводимости мемристивных структур ППК в соответствии с биоподобным правилом БТЭР, включая модификацию окна БТЭР с использованием подобия дофаминостимулированной модуляции.

6. Продемонстрирована возможность использования ППК мемристоров для построения формальных НВС, способных к обучению распознаванию бинарных образов, а также спайковых НВС с возможностью ассоциативного обучения.

Основные положения, выносимые на защиту:

1. Конденсаторные одиночные и кроссбар-структуры М1/ППК/М2, где М1 = Л§, Си, А1 или Т1, ППК - поли-и-ксилилен и М2 = 1ТО (оксид индия-олова) или Ли, способны обратимо изменять своё резистивное состояние при подаче определенного порогового напряжения и сохранять данное состояние после снятия напряжения. Оптимальным из указанных металлов для верхнего электрода является Си: мемристоры Си/1111К/М2 обладают количеством циклов

-5

резистивного переключения без деградации более 10 и количеством стабильных резистивных состояний не менее 16 при длительности сохранения выбранных резистивных состояний не менее 104 с.

2. Механизм полевого обратимого резистивного переключения М1/ППК/М2 структур основан на образовании (разрушении) отдельных металлических мостиков (филаментов) в слое ППК, сформированных при первых

переключениях за счет электромиграции катионов металла из верхнего электрода при приложении к нему положительного напряжения.

3. Конденсаторные структуры М1/ППК/М2 на гибкой подложке из полиэтиленнафталата демонстрируют стабильные резистивные переключения после многократного (10 раз) изгиба вплоть до радиуса кривизны 10 мм. Зависимость сопротивления от значения тока ограничения при переходе в низкоомное состояние описывается убывающей экспоненциальной функцией.

4. Мемристивные структуры М1/ППК/М2 способны имитировать функцию синаптической пластичности в спайковых нейроморфных вычислительных системах с ассоциативным обучением. Проводимость (вес синапса) мемристивных структур М1/ППК/М2 может изменяться по биоподобному алгоритму пластичности типа БТЭР, зависящей от временных задержек между импульсами, подаваемыми на противоположные электроды мемристора, в том числе в режиме дофаминоподобной модуляции окна БТЭР.

5. Массивы мемристивных структур М1/ППК/М2 могут быть созданы в кроссбар-архитектуре, т. е. в виде отдельных ячеек между нижними и верхними шинами электродов, перпендикулярными друг другу. С использованием таких массивов возможна реализация синаптических весов формальных НВС, способных обучаться распознаванию бинарных образов.

Научная новизна:

1. Установлено, что структуры типа М1/ППК/М2 в конденсаторной одиночной и кроссбар-геометриях обладают стабильными, воспроизводимыми от устройства к устройству и от цикла к циклу, а также многоуровневыми (до 4 бит на одну ячейку) резистивными переключениями, что делает их перспективными для разработки нейроморфных вычислительных систем.

2. Показано, что структуры М1/ППК/М2 на гибкой подложке сохраняют стабильные резистивные переключения при радиусе изгиба вплоть до 10 мм.

3. Разработана компактная феноменологическая модель резистивного переключения для мемристоров на основе ППК, которая описывает формирование и разрушение металлического мостика под воздействием сильного электрического поля.

4. Подтверждена возможность изменения резистивного состояния мемристивных устройств на основе ППК с использованием биоподобного правила БТЭР, что открывает перспективы создания нейроморфных вычислительных систем с частичным самообучением на их основе. Последнее подтверждено реализацией на основе конденсаторных мемристивных структур спайковых НВС, способных к ассоциативному обучению по правилам БТЭР.

5. Продемонстрирована возможность реализации формальных нейроморфных систем на основе массива М1/ППК/М2 мемристоров в кроссбар-архитектуре, которые способны распознавать бинарные образы при обучении методом обратного распространения ошибки.

Практическая значимость работы обусловлена тем, что ее результаты могут быть использованы при разработке органических мемристивных элементов и НВС на их основе, перспективных для применений в нейроморфной носимой электронике. Развитая в работе компактная модель резистивного переключения открывает перспективы разработки НВС с контролируемыми характеристиками на базе органических мемристивных связей, эффективно имитирующих синапсы. Биоподобная мемристивная БТЭР и дофаминоподобная модуляция его окна демонстрируют возможность применения ППК мемристоров при разработке спайковых НВС.

Достоверность результатов обеспечивается использованием современных, проверенных методов исследования на сертифицированном оборудовании, а также согласованием экспериментальных данных с теоретическими

представлениями, основанными на оригинальных и общепринятых физических моделях.

Апробация работы. Результаты работы были представлены на российских и международных научных конференциях, симпозиумах и молодежных школах:

1. Международная научная конференция студентов, аспирантов и молодых учёных «Ломоносов-2019», 8-12 апреля 2019 г., Москва, Россия;

2. 62-я Всероссийская научная конференция МФТИ, 18-23 ноября 2019 г., Москва, Россия;

3. XVI Курчатовская междисциплинарная молодежная научная школа, 25 декабря 2019 г., Москва, Россия;

4. XXIV международный симпозиум «Нанофизика и наноэлектроника», 10-23 марта 2020 г., Нижний Новгород, Россия;

5. VIII Международная конференция с элементами научной школы для молодежи «Функциональные наноматериалы и высокочистые вещества», 5-9 октября 2020 г., Суздаль, Россия;

6. Международная научная конференция студентов, аспирантов и молодых учёных «Ломоносов-2020», 10-27 ноября 2020 г., Москва, Россия;

7. 63-я Всероссийская научная конференция МФТИ, 23-29 ноября 2020 г., Москва, Россия;

8. Международная научная конференция студентов, аспирантов и молодых ученых «Ломоносов-2021», 12-23 апреля 2021 г., Москва, Россия;

9. 4th International Conference on Memristive Materials, Divices & Systems Memrisys 2021, 1-4 ноября 2021 г., Цукуба, Япония;

10. XXVI научная конференция по радиофизике 2022, 12-27 мая 2022 г., Нижний Новгород, Россия;

11. Школа молодых ученых 2022, 26 сентября - 1 октября 2022 г., Гурзуф, Крым, Россия;

12. Российский форум Микроэлектроника 2022, 2-8 октября 2022 г., Сочи, Россия;

13. Международная научная конференция студентов, аспирантов и молодых ученых «Ломоносов-2023», 10-21 апреля 2023 г., Москва, Россия;

14. Российский форум Микроэлектроника 2024, 22-27 сентября 2024 г., Сочи, Россия.

Личный вклад автора

Диссертация основана на исследованиях автора, проведенных в период с 2018 по 2024 годы. Личный вклад соискателя заключается в выполнении ключевых экспериментов по исследованию электрофизических свойств одиночных структур на основе ППК и их кроссбар-массивов, анализе их применения в качестве синапсов для построения нейроморфных вычислительных систем, обработке и интерпретации экспериментальных данных, разработке модели резистивного переключения, а также в подготовке публикаций, содержащих основные результаты работы.

Публикации. Основные результаты диссертационного исследования изложены в 10 статьях, 8 из которых опубликованы в журналах, входящих в перечень ВАК и индексируемых в базах данных Web of Science и Scopus (в том числе в пяти журналах из первого квартиля Q1), а также в 14 тезисах российских и международных конференций.

Основные публикации по теме диссертации суммированы в конце Заключения [A1-A10].

Объем и структура работы. Диссертация состоит из введения, четырех глав и заключения. Полный объём диссертации составляет 130 страниц с 59 рисунками и 1 таблицей. Список литературы содержит 142 наименования.

Глава 1. Материалы и структуры с эффектом резистивного переключения и их свойства

Данная глава посвящена обзору литературы по тематике исследований диссертационной работы. В разделе 1.1 рассмотрены известные механизмы РП в различных мемристивных структурах, описаны их особенности, преимущества и недостатки. В разделе 1.2 отдельно уделено внимание эффекту РП, наблюдаемому в органических мемристорах. Раздел 1.3 посвящен мемристивным структурам на основе 1111К. Практическое применение мемристивных устройств, в частности в НВС, рассмотрено в разделе 1.4.

1.1. Механизмы резистивного переключения в мемристивных структурах

Слово «мемристор» происходит от английских «memory» и «resistor» и обозначает элемент цепи, способный «запоминать» свое резистивное состояние.

В 1971 году Леоном Чуа было теоретически предсказано [55] существование мемристора как четвертого фундаментального элемента наряду c резистором, конденсатором и катушкой индуктивности. Но только в 2008 году в HP Labs был экспериментально продемонстрирован мемристор (и впервые назван таковым) на основе диоксида титана [4]. Отличительной особенностью мемристора является нелинейная вольт-амперная характеристика (ВАХ) с гистерезисом (рис. 1.1). При приложении напряжения определенной величины и полярности мемристивная структура может перейти в низкоомное состояние (первая четверть рис. 1.1). При приложении напряжения обратной полярности структура переходит в высокоомное состояние (третья четверть рис. 1.1). Такое поведение и определяет эффект РП.

т-■--■-Г

_I_I__i_I_

-1.0 0.0 1.0 Voltage (V)

Рис. 1.1. Представленная в [4] экспериментальная ВАХ устройства Pt/TiO2-x/Pt.

Мемристивные элементы получили широкое распространение в последнее десятилетие в связи с бурным развитием работ по аппаратной реализации нейронных сетей [56]. Это связано с тем, что мемристоры могут быть использованы для хранения значений весовых коэффициентов сети (рис. 1.2). Аппаратная сборка с включением мемристоров позволяет избежать постоянной передачи данных между вычислительным ядром и памятью, что является основным недостатком традиционной архитектуры фон Неймана. Мемристорные НВС позволяют осуществлять как вычисления, так и хранение весов в рамках одних устройств, предлагая потенциально большее быстродействие и меньшее энергопотребление систем на их основе.

Рис. 1.2. Типичная архитектура искусственной нейронной сети и кроссбар-архитектура мемристивных синапсов [56].

Основу мемристивных устройств обычно составляют тонкие пленки диэлектриков или оксидов, расположенных между двумя хорошо проводящими электродами. Для их создания могут использоваться различные материалы: органические, неорганические или гибридные. Было выявлено множество структур с эффектом резистивного переключения, которые классифицируются в зависимости от механизма этого процесса.

1.1.1. Окислительно-восстановительная реакция в полимерах

В основе этого механизма лежит свойство некоторых полимеров менять проводимость, обусловленное окислительно-восстановительными реакциями, происходящими в активной зоне, где вещество обратимо переходит из восстановленного (высокоомного) состояния в окисленное (низкоомное) и наоборот [57]. Например, в работе [58] показаны обратимые изменения проводимости электрохимического полимерного элемента. На рис. 1.3 зеленые области соответствуют полианилину (ПАНИ) в его окисленном проводящем состоянии, а синие области представляют ПАНИ в восстановленной изолирующей форме. Оранжевые точки представляют ионы лития, стрелки — преобладающее направление движения. На рис. 1.3а показано, как положительный потенциал приложен к первоначально высокоомному устройству

(синяя область). В центральной части представлен профиль электрического потенциала вдоль слоя ПАНИ. Только часть активной зоны обладает потенциалом, превышающим окислительный. Именно в этой области ПАНИ может окислиться и перейти в проводящее состояние. Однако это преобразование изменяет распределение потенциала, в результате чего новые области (сдвинутые влево) достигают окислительного потенциала и также переходят в проводящее состояние. Следовательно, в этом случае будет постепенное смещение границы проводящей зоны, что определяет гораздо более медленную кинетику изменения проводимости для положительного напряжения. На рис. 1.3Ь показано, как к первоначально проводящему элементу приложено отрицательное напряжение. В центральной части показан профиль электрического потенциала вдоль слоя ПАНИ. Вся активная зона находится под восстановительным потенциалом. Таким образом, восстановление и перевод ПАНИ в изолирующее состояние происходит одновременно во всей активной области, что обеспечивает достаточно быструю кинетику восстановления. Однако времена переключения данных устройств лежат в дипазоне от 10 мс до 10 с [59,60], что ограничивает область применения данных структур.

Рис. 1.3. Механизмы изменения проводимости электрохимического полимерного элемента [58]. 1.1.2. Спин-поляризованный транспорт

Мемристор данного типа состоит из нескольких слоев. Когда электронный ток проходит через первый ферромагнитный слой, спин электронов проводимости преимущественно поляризуется вдоль направления намагничивания, и ток становится поляризованным по спину. Спин-поляризованный ток, протекающий через второй ферромагнитный слой, оказывает воздействие на магнитный момент

магнитного слоя за счет взаимодействия между спином электрона проводимости и локальной намагниченностью. Если спины первого и второго слоя сонаправлены, то состояние низкоомное, если противоположны - высокоомное [61]. Например, в работе [21] показано, что магнитные туннельные переходы (МТП) перспективны в качестве энергонезависимых ячеек памяти в высокопроизводительных твердотельных магнитных запоминающих устройствах с произвольным доступом (МЯЛМ). Однако производительность этих устройств в настоящее время ограничена скромным (< 70%) туннельным магнитосопротивлением (ТМС) при комнатной температуре. Гораздо более высокие значения ТМС теоретически предсказаны для идеально упорядоченных (100) монокристаллических МТП в структурах Бе/М^О/Бе. Просвечивающие электронные микрофотографии показывают превосходную морфологию структур МТП с чрезвычайно гладкими и плоскими слоями.

Авторы продемонстрировали высокие значения туннельного магнитосопротивления в диапазоне от ~ 120% до ~ 220% при комнатной температуре в осажденных методом распыления (100)-ориентированных магнитных туннельных переходах СоБе/М^О/СоБе, приготовленных на аморфных подложках. В соответствии с такими высокими значениями ТМС эксперименты по туннельной спектроскопии сверхпроводников подтверждают, что туннельные структуры М§0 с ориентацией (100) имеют спиновую поляризацию ~ 85% при низкой температуре (рис 1.4). Высокое ТМС этих структур, а также возможность создавать сложные структуры из этих материалов позволяют предположить, что в ближайшем будущем эти материалы окажут серьезное влияние на технологически важные устройства спинтроники, работающие при комнатной температуре и выше. Например, более высокие уровни сигнала из-за более высоких значений ТМС могут облегчить внедрение усовершенствованных архитектур МЯЛМ, таких как сверхплотная память произвольного доступа в кроссбар-архитерктуре.

Список литературы диссертационного исследования кандидат наук Швецов Борис Сергеевич, 2025 год

Литература

1. Ling H., Liu S., Zheng Z., Yan F. Organic Flexible Electronics // Small Methods.-2018.- Vol. 2, № 10.- P. 1800070.

2. Chen H., Fraser Stoddart J. From molecular to supramolecular electronics // Nat. Rev. Mater.- Springer US, 2021.- Vol. 6, № 9.- P. 804-828.

3. Trukhanov V.A., Kuevda A. V., Dominskiy D.I., Mannanov A.L., Rybalova T. V., Tafeenko V.A., Sosorev A.Y., Konstantinov V.G., Kazantsev M.S., Borshchev O. V., Ponomarenko S.A., Pshenichnikov M.S., Paraschuk D.Y. Strongly polarized surface electroluminescence from an organic light-emitting transistor // Mater. Chem. Front.- Royal Society of Chemistry, 2022.- Vol. 7, № 2.- P. 238-248.

4. Strukov D.B., Snider G.S., Stewart D.R., Williams R.S. The missing memristor found // Nature.- 2008.- Vol. 453, № 7191.- P. 80-83.

5. Lee J.S., Lee S., Noh T.W. Resistive switching phenomena: A review of statistical physics approaches // Appl. Phys. Rev.- 2015.- Vol. 2, № 3.- P. 031303.

6. Antonov I.N., Belov A.I., Mikhaylov A.N., Morozov O.A., Ovchinnikov P.E. Formation of Weighting Coefficients in an Artificial Neural Network Based on the Memristive Effect in Metal-Oxide-Metal Nanostructures // J. Commun. Technol. Electron.- 2018.- Vol. 63, № 8.- P. 950-957.

7. Aguirre F., Sebastian A., Le Gallo M., Song W., Wang T., Yang J.J., Lu W., Chang M.-F., Ielmini D., Yang Y., Mehonic A., Kenyon A., Villena M.A., Roldan J.B., Wu Y., Hsu H.-H., Raghavan N., Sune J., Miranda E., Eltawil A., Setti G., Smagulova K., Salama K.N., Krestinskaya O., Yan X., Ang K.-W., Jain S., Li S., Alharbi O., Pazos S., Lanza M. Hardware implementation of memristor-based artificial neural networks // Nat. Commun.- 2024.- Vol. 15, № 1.- P. 1974.

8. Huang Y., Kiani F., Ye F., Xia Q. From memristive devices to neuromorphic systems // Appl. Phys. Lett.- AIP Publishing LLC, 2023.- Vol. 122, № 11.- P. 110501.

9. Hamaguchi M., Aoyama K., Asanuma S., Uesu Y., Katsufuji T. Electric-field-induced resistance switching universally observed in transition-metal-oxide thin

films // Appl. Phys. Lett.- 2006.- Vol. 88, № 14.- P. 2004-2007.

10. Maldonado D., Belov A.I., Koryazhkina M.N., Jiménez-Molinos F., Mikhaylov A.N., Roldán J.B. A Statistical Study of Resistive Switching Parameters in Au/Ta/ZrO 2 (Y)/Ta 2 O 5 /TiN/Ti Memristive Devices // Phys. status solidi.-2023.- Vol. 220, № 11.- P. 2200520.

11. Zhang W., Mazzarello R., Wuttig M., Ma E. Designing crystallization in phase-change materials for universal memory and neuro-inspired computing // Nat. Rev. Mater.- Springer US, 2019.- Vol. 4, № 3.- P. 150-168.

12. Sharath S.U., Kurian J., Komissinskiy P., Hildebrandt E., Bertaud T., Walczyk C., Calka P., Schroeder T., Alff L. Thickness independent reduced forming voltage in oxygen engineered HfO 2 based resistive switching memories // Appl. Phys. Lett.- 2014.- Vol. 105, № 7.

13. Wang Y., Chen K., Qian X., Fang Z., Li W., Xu J. The x dependent two kinds of resistive switching behaviors in SiO x films with different x component // Appl. Phys. Lett.- 2014.- Vol. 104, № 1.

14. Wang Y.H., Zhao K.H., Shi X.L., Xie G.L., Huang S.Y., Zhang L.W. Investigation of the resistance switching in Au/SrTiO3:Nb heterojunctions // Appl. Phys. Lett.-2013.- Vol. 103, № 3.- P. 1-6.

15. Yang J.J., Zhang M.X., Strachan J.P., Miao F., Pickett M.D., Kelley R.D., Medeiros-Ribeiro G., Williams R.S. High switching endurance in TaOx memristive devices // Appl. Phys. Lett.- 2010.- Vol. 97, № 23.- P. 12-15.

16. Mikhaylov A.N., Belov A.I., Guseinov D. V., Korolev D.S., Antonov I.N., Efimovykh D. V., Tikhov S. V., Kasatkin A.P., Gorshkov O.N., Tetelbaum D.I., Bobrov A.I., Malekhonova N. V., Pavlov D.A., Gryaznov E.G., Yatmanov A.P. Bipolar resistive switching and charge transport in silicon oxide memristor // Mater. Sci. Eng. B Solid-State Mater. Adv. Technol.- Elsevier B.V., 2015.- Vol. 194.- P. 48-54.

17. Mehonic A., Shluger A.L., Gao D., Valov I., Miranda E., Ielmini D., Bricalli A., Ambrosi E., Li C., Yang J.J., Xia Q., Kenyon A.J. Silicon Oxide (SiOx): A

Promising Material for Resistance Switching? // Adv. Mater.- 2018.- Vol. 30, № 43.- P. 1-21.

18. Wang Z., Wu H., Burr G.W., Hwang C.S., Wang K.L., Xia Q., Yang J.J. Resistive switching materials for information processing // Nat. Rev. Mater.- Springer US, 2020.- Vol. 5, № 3.- P. 173-195.

19. Prezioso M., Merrikh Bayat F., Hoskins B., Likharev K., Strukov D. Self-Adaptive Spike-Time-Dependent Plasticity of Metal-Oxide Memristors // Sci. Rep.- 2016.-Vol. 6.- P. 21331.

20. Yamada N., Ohno E., Nishiuchi K., Akahira N., Takao M. Rapid-phase transitions of GeTe-Sb2Te3 pseudobinary amorphous thin films for an optical disk memory // J. Appl. Phys.- 1991.- Vol. 69, № 5.- P. 2849-2856.

21. Parkin S.S.P., Kaiser C., Panchula A., Rice P.M., Hughes B., Samant M., Yang S.H. Giant tunnelling magnetoresistance at room temperature with MgO (100) tunnel barriers // Nat. Mater.- 2004.- Vol. 3, № 12.- P. 862-867.

22. Das B.C., Pillai R.G., Wu Y., Mccreery R.L. Redox-gated three-terminal organic memory devices: Effect of composition and environment on performance // ACS Appl. Mater. Interfaces.- 2013.- Vol. 5, № 21.- P. 11052-11058.

23. Lapkin D.A., Emelyanov A. V., Demin V.A., Erokhin V. V., Feigin L.A., Kashkarov P.K., Kovalchuk M. V. Polyaniline-based memristive microdevice with high switching rate and endurance // Appl. Phys. Lett.- 2018.- Vol. 112, № 4.- P. 043302.

24. Ielmini D. Resistive switching memories based on metal oxides: Mechanisms, reliability and scaling // Semicond. Sci. Technol.- 2016.- Vol. 31, № 6.- P. 063002.

25. Sawa A., Meyer R. Resistive Switching: From Fundamentals of Nanoionic Redox Processes to Memristive Device Applications // Resistive Switching / ed. Ielmini D., Waser R.- Wiley-VCH, 2016.- 457-482 p.

26. Choi B.J., Torrezan A.C., Strachan J.P., Kotula P.G., Lohn A.J., Marinella M.J., Li Z., Williams R.S., Yang J.J. High-Speed and Low-Energy Nitride Memristors //

Adv. Funct. Mater.- 2016.- Vol. 26, № 29.- P. 5290-5296.

27. Rylkov V. V., Nikolaev S.N., Demin V.A., Emelyanov A. V., Sitnikov A. V., Nikiruy K.E., Levanov V.A., Presnyakov M.Y., Taldenkov A.N., Vasiliev A.L., Chernoglazov K.Y., Vedeneev A.S., Kalinin Y.E., Granovsky A.B., Tugushev V. V., Bugaev A.S. Transport, Magnetic, and Memristive Properties of a Nanogranular (CoFeB)x(LiNbOy)100-x Composite Material // J. Exp. Theor. Phys.- © Pleiades Publishing, Inc, 2018.- Vol. 126, № 3.- P. 353-367.

28. Леванов В.А., Емельянов А.В., Демин В.А., Никируй К.Э., Ситников А.В., Николаев С.Н., Веденеев А.С., Калинин Ю.Е., Рыльков В.В. Мемристивные Свойства Структур На Основе Нанокомпозита (Co41Fe39B20)X(Linbo3)100-X, "Радиотехника И Электроника" // Радиотехника И Электроника.- 2018.-Vol. 63, № 5.- P. 489-494.

29. Song S., Jang J., Ji Y., Park S., Kim T.W., Song Y., Yoon M.H., Ko H.C., Jung G.Y., Lee T. Twistable nonvolatile organic resistive memory devices // Org. Electron.- Elsevier B.V., 2013.- Vol. 14, № 8.- P. 2087-2092.

30. Ji Y., Cho B., Song S., Kim T.W., Choe M., Kahng Y.H., Lee T. Stable switching characteristics of organic nonvolatile memory on a bent flexible substrate // Adv. Mater.- 2010.- Vol. 22, № 28.- P. 3071-3075.

31. Wang P., Hu M., Wang H., Chen Z., Feng Y., Wang J., Ling W., Huang Y. The Evolution of Flexible Electronics: From Nature, Beyond Nature, and To Nature // Adv. Sci.- 2020.- Vol. 7, № 20.- P. 1-29.

32. Huang Z., Hao Y., Li Y., Hu H., Wang C., Nomoto A., Pan T., Gu Y., Chen Y., Zhang T., Li W., Lei Y., Kim N.H., Wang C., Zhang L., Ward J.W., Maralani A., Li X., Durstock M.F., Pisano A., Lin Y., Xu S. Three-dimensional integrated stretchable electronics // Nat. Electron.- Springer US, 2018.- Vol. 1, № 8.- P. 473-480.

33. Xu Z., Li Y., Xia Y., Shi C., Chen S., Ma C., Zhang C., Li Y. Organic Frameworks Memristor: An Emerging Candidate for Data Storage, Artificial Synapse, and Neuromorphic Device // Adv. Funct. Mater.- John Wiley & Sons, Ltd, 2024.-

Vol. 34, № 16.- P. 2312658.

34. Li Y., Wang Z., Midya R., Xia Q., Joshua Yang J. Review of memristor devices in neuromorphic computing: Materials sciences and device challenges // J. Phys. D. Appl. Phys.- 2018.- Vol. 51, № 50.- P. 0-12.

35. Cai Y., Tan J., YeFan L., Lin M., Huang R. A flexible organic resistance memory device for wearable biomedical applications // Nanotechnology.- IOP Publishing, 2016.- Vol. 27, № 27.- P. 275206.

36. Van De Burgt Y., Melianas A., Keene S.T., Malliaras G., Salleo A. Organic electronics for neuromorphic computing // Nat. Electron.- Springer US, 2018.-Vol. 1, № 7.- P. 386-397.

37. Hosseini N.R., Lee J.S. Biocompatible and Flexible Chitosan-Based Resistive Switching Memory with Magnesium Electrodes // Adv. Funct. Mater.- 2015.-Vol. 25, № 35.- P. 5586-5592.

38. Van De Burgt Y., Lubberman E., Fuller E.J., Keene S.T., Faria G.C., Agarwal S., Marinella M.J., Alec Talin A., Salleo A. A non-volatile organic electrochemical device as a low-voltage artificial synapse for neuromorphic computing // Nat. Mater.- 2017.- Vol. 16, № 4.- P. 414-418.

39. Ielmini D., Wong H.-S.P. In-memory computing with resistive switching devices // Nat. Electron.- 2018.- Vol. 1, № 6.- P. 333-343.

40. Del Valle J., Ramirez J.G., Rozenberg M.J., Schuller I.K. Challenges in materials and devices for resistive-switching-based neuromorphic computing // J. Appl. Phys.- 2018.- Vol. 124, № 21.- P. 211101.

41. Casula G., Busby Y., Franquet A., Spampinato V., Houssiau L., Bonfiglio A., Cosseddu P. A flexible organic memory device with a clearly disclosed resistive switching mechanism // Org. Electron.- Elsevier B.V., 2019.- Vol. 64.- P. 209215.

42. Siddiqui G.U., Rehman M.M., Yang Y.J., Choi K.H. A two-dimensional hexagonal boron nitride/polymer nanocomposite for flexible resistive switching devices // J. Mater. Chem. C.- Royal Society of Chemistry, 2017.- Vol. 5, № 4.-

P. 862-871.

43. Chen Q., Lin M., Wang Z., Zhao X., Cai Y., Liu Q., Fang Y., Yang Y., He M., Huang R. Low Power Parylene-Based Memristors with a Graphene Barrier Layer for Flexible Electronics Applications // Adv. Electron. Mater.- 2019.- Vol. 5, № 9.- P. 1800852.

44. Wang R., Liu Y., Bai B., Guo N., Guo J., Wang X., Liu M., Zhang G., Zhang B., Xue C., Liu J., Zhang W. Wide-frequency-bandwidth whisker-inspired MEMS vector hydrophone encapsulated with parylene // J. Phys. D. Appl. Phys.- IOP Publishing, 2016.- Vol. 49, № 7.

45. Kim B.J., Gutierrez C.A., Meng E. Parylene-Based Electrochemical-MEMS Force Sensor for Studies of Intracortical Probe Insertion Mechanics // J. Microelectromechanical Syst.- 2015.- Vol. 24, № 5.- P. 1534-1544.

46. Le B.Q., Nhan E., Maurer R.H., Jenkins R.E., Lew A.L., Feldmesser H.S., Lander J.R. Miniaturization of space electronics with chip-on-board technology // Johns Hopkins APL Tech. Dig. (Applied Phys. Lab.- 1999.- Vol. 20, № 1.- P. 50-61.

47. Sai'ghi S., Mayr C.G., Serrano-Gotarredona T., Schmidt H., Lecerf G., Tomas J., Grollier J., Boyn S., Vincent A.F., Querlioz D., La Barbera S., Alibart F., Vuillaume D., Bichler O., Gamrat C., Linares-Barranco B. Plasticity in memristive devices for spiking neural networks // Front. Neurosci.- 2015.- Vol. 9, № MAR.- P. 51.

48. Markram H., Lübke J., Frotscher M., Sakmann B. Regulation of Synaptic Efficacy by Coincidence of Postsynaptic APs and EPSPs // Science (80-. ).- 1997.- Vol. 275, № 5297.- P. 213-215.

49. Masquelier T., Guyonneau R., Thorpe S.J. Competitive STDP-based spike pattern learning // Neural Comput.- 2009.- Vol. 21, № 5.- P. 1259-1276.

50. Schultz W. Multiple dopamine functions at different time courses // Annu. Rev. Neurosci.- 2007.- Vol. 30.- P. 259-288.

51. Zhang J.C., Lau P.M., Bi G.Q. Gain in sensitivity and loss in temporal contrast of STDP by dopaminergic modulation at hippocampal synapses // Proc. Natl. Acad.

Sci. U. S. A.- 2009.- Vol. 106, № 31.- P. 13028-13033.

52. Nikiruy K.E., Emelyanov A. V., Demin V.A., Sitnikov A. V., Minnekhanov A.A., Rylkov V. V., Kashkarov P.K., Kovalchuk M. V. Dopamine-like STDP modulation in nanocomposite memristors // AIP Adv.- 2019.- Vol. 9, № 6.- P. 065116.

53. Modha D.S., Akopyan F., Andreopoulos A., Appuswamy R., Arthur J. V., Cassidy A.S., Datta P., DeBole M. V., Esser S.K., Otero C.O., Sawada J., Taba B., Amir A., Bablani D., Carlson P.J., Flickner M.D., Gandhasri R., Garreau G.J., Ito M., Klamo J.L., Kusnitz J.A., McClatchey N.J., McKinstry J.L., Nakamura Y., Nayak T.K., Risk W.P., Schleupen K., Shaw B., Sivagnaname J., Smith D.F., Terrizzano I., Ueda T. Neural inference at the frontier of energy, space, and time // Science (80-. ).- 2023.- Vol. 382, № 6668.- P. 329-335.

54. Gi S., Yeo I., Chu M., Kim S., Lee B. Fundamental issues of implementing hardware neural networks using memristor // ISOCC 2015 - Int. SoC Des. Conf. SoC Internet Everything.- 2016.- P. 215-216.

55. Chua L.O. Memristor—The Missing Circuit Element // IEEE Transactions on Circuit Theory.- 1971.- Vol. 18, № 5.- 507-519 p.

56. Xu W., Wang J., Yan X. Advances in Memristor-Based Neural Networks // Front. Nanotechnol.- 2021.- Vol. 3, № March.- P. 1-14.

57. Howard G.D., Bull L., De Lacy Costello B., Adamatzky A., Erokhin V. A spice model of the peo-pani memristor // Int. J. Bifurc. Chaos.- 2013.- Vol. 23, № 6.-P. 130112.

58. Erokhin V., Fontana M.P. Electrochemically controlled polymeric device: a memristor (and more) found two years ago [Electronic resource] // International Conference on Nano-Networks.- 2008.- P. arXiv:0807.0333.

59. Serenko M. V., Prudnikov N. V., Emelyanov A. V., Stupnikov A.A., Malakhova Y.N., Savinov D. V., Erokhin V. V. Resistive switching kinetics of electrolyte-gated polyaniline-based memristive devices // Org. Electron.- North-Holland, 2024.- Vol. 126.- P. 107002.

60. Prudnikov N. V., Malakhova Y.N., Emelyanov A. V., Borshchev O. V., Skorotetcky M.S., Polinskaya M.S., Peregudova S.M., Barteneva V.M., Demin V.A., Feigin L.A., Chvalun S.N., Ponomarenko S.A., Erokhin V. V. Pulse Programming of Resistive States of a Benzothieno[3,2-B][1]-Benzothiophene-Based Organic Memristive Device with High Endurance // Phys. Status Solidi -Rapid Res. Lett.- 2022.- Vol. 16, № 2.- P. 1-8.

61. Sun Z., Bi X., Li H., Wong W.F., Zhu X. STT-RAM cache hierarchy with multiretention MTJ designs // IEEE Trans. Very Large Scale Integr. Syst.- 2014.-Vol. 22, № 6.- P. 1281-1293.

62. Elliott S.R. Chalcogenide Phase-Change Materials: Past and Future // Int. J. Appl. Glas. Sci.- 2015.- Vol. 6, № 1.- P. 15-18.

63. Tuma T., Pantazi A., Le Gallo M., Sebastian A., Eleftheriou E. Stochastic phase-change neurons // Nat. Nanotechnol.- Nature Publishing Group, 2016.- Vol. 11, № 8.- P. 693-699.

64. Wright C.D. Phase-change devices: Crystal-clear neuronal computing // Nat. Nanotechnol.- Nature Publishing Group, 2016.- Vol. 11, № 8.- P. 655-656.

65. Prezioso M., Merrikh-Bayat F., Hoskins B.D., Adam G.C., Likharev K.K., Strukov D.B. Training and operation of an integrated neuromorphic network based on metal-oxide memristors // Nature.- 2015.- Vol. 521, № 7550.- P. 61-64.

66. Lee M.J., Lee C.B., Lee D., Lee S.R., Chang M., Hur J.H., Kim Y.B., Kim C.J., Seo D.H., Seo S., Chung U.I., Yoo I.K., Kim K. A fast, high-endurance and scalable non-volatile memory device made from asymmetric Ta2O5-xx/TaO2-xbilayer structures // Nat. Mater.- 2011.- Vol. 10, № 8.- P. 625-630.

67. Kwon D.H., Kim K.M., Jang J.H., Jeon J.M., Lee M.H., Kim G.H., Li X.S., Park G.S., Lee B., Han S., Kim M., Hwang C.S. Atomic structure of conducting nanofilaments in TiO2 resistive switching memory // Nat. Nanotechnol.- Nature Publishing Group, 2010.- Vol. 5, № 2.- P. 148-153.

68. Govoreanu B., Kar G.S., Chen Y.Y., Paraschiv V., Kubicek S., Fantini A., Radu I.P., Goux L., Clima S., Degraeve R., Jossart N., Richard O., Vandeweyer T., Seo

K., Hendrickx P., Pourtois G., Bender H., Altimime L., Wouters D.J., Kittl J.A., Jurczak M. 10*10nm2 Hf/HfOx crossbar resistive RAM with excellent performance, reliability and low-energy operation // Tech. Dig. - Int. Electron Devices Meet. IEDM.- 2011.- P. 729-732.

69. Cheng C.H., Chin A., Yeh F.S. Novel Ultra-low power RRAM with good endurance and retention // 2010 Symposium on VLSI Technology.- IEEE, 2010.-№ 5.- P. 85-86.

70. Jiang H., Han L., Lin P., Wang Z., Jang M.H., Wu Q., Barnell M., Yang J.J., Xin H.L., Xia Q. Sub-10 nm Ta Channel Responsible for Superior Performance of a HfO2 Memristor // Sci. Rep.- 2016.- Vol. 6.- P. 1-8.

71. Rao M., Tang H., Wu J., Song W., Zhang M., Yin W., Zhuo Y., Kiani F., Chen B., Jiang X., Liu H., Chen H.-Y., Midya R., Ye F., Jiang H., Wang Z., Wu M., Hu M., Wang H., Xia Q., Ge N., Li J., Yang J.J. Thousands of conductance levels in memristors integrated on CMOS // Nature.- 2023.- Vol. 615, № 7954.- P. 823829.

72. Valov I., Waser R., Jameson J.R., Kozicki M.N. Electrochemical metallization memories - Fundamentals, applications, prospects // Nanotechnology.- 2011.-Vol. 22, № 25.- P. 254003.

73. Wang Z., Joshi S., Savel'ev S.E., Jiang H., Midya R., Lin P., Hu M., Ge N., Strachan J.P., Li Z., Wu Q., Barnell M., Li G.L., Xin H.L., Williams R.S., Xia Q., Yang J.J. Memristors with diffusive dynamics as synaptic emulators for neuromorphic computing // Nat. Mater.- 2017.- Vol. 16, № 1.- P. 101-108.

74. Milano G., Raffone F., Bejtka K., Carlo I. De, Fretto M., Pirri F.C., Cicero G., Ricciardi C., Ilia V. Electrochemical rewiring through quantum conductance effects in single metallic memristive nanowires // Nanoscale Horizons.- Royal Society of Chemistry, 2024.- Vol. 9.- P. 416-426.

75. Liu Y.H., Zhu L.Q., Feng P., Shi Y., Wan Q. Freestanding Artifi cial Synapses Based on Laterally Proton-Coupled Transistors on Chitosan Membranes // Adv. Mater.- 2015.- Vol. 27.- P. 5599-5604.

76. Fu Y., Kong L., Chen Y., Wang J. Flexible Neuromorphic Architectures Based on Self-Supported Multi-Terminal Organic Transistors Flexible Neuromorphic Architectures Based on Self-Supported Multi-Terminal Organic Transistors // Appl. Mater. Interfaces.- 2018.- Vol. 10, № 38.- P. 26443-26450.

77. Erokhina S., Sorokin V., Erokhin V. Skeleton-supported stochastic networks of organic memristive devices: Adaptations and learning // AIP Adv.- 2015.- Vol. 5.- P. 027129.

78. Lapkin D.A., Malakhov S.N., Demin V.A., Chvalun S.N., Feigin L.A. Hybrid polyaniline/polyamide-6 fibers and nonwoven materials for assembling organic memristive elements // Synth. Met.- Elsevier, 2019.- Vol. 254, № March.- P. 6367.

79. Erokhin V., Berzina T., Gorshkov K., Camorani P., Pucci A. Stochastic hybrid 3D matrix: learning and adaptation of electrical properties // J. Mater. Chem.- 2012.-Vol. 22.- P. 22881-22887.

80. Fu T., Liu X., Gao H., Ward J.E., Liu X., Yin B., Wang Z., Zhuo Y., Walker D.J.F., Yang J.J., Chen J., Lovley D.R., Yao J. Bioinspired bio-voltage memristors // Nat. Commun.- Springer US, 2020.- Vol. 11.- P. 1861.

81. Eskandari F., Shabani P., Yousefi R. PAni-based complementary resistive switches: the effects of Ag on physical properties and switching mechanism // Appl. Phys. A Mater. Sci. Process.- Springer Berlin Heidelberg, 2021.- Vol. 127, № 4.- P. 1-9.

82. Liu S., Zeng J., Wu Z., Hu H., Xu A., Huang X., Chen W., Chen Q., Yu Z., Zhao Y., Wang R., Han T., Li C., Gao P., Kim H., Baik S.J., Zhang R. An ultrasmall organic synapse for neuromorphic computing // Nat. Commun.- 2023.- Vol. 14.-P. 7655.

83. Wang H., Meng F., Cai Y., Zheng L., Li Y., Liu Y., Jiang Y., Wang X., Chen X. Sericin for Resistance Switching Device with Multilevel Nonvolatile Memory // Adv. Mater.- 2013.- Vol. 25, № 38.- P. 5498-5503.

84. Goswami S., Matula A.J., Rath S.P., Hedstrom S., Saha S., Annamalai M.,

Sengupta D., Patra A., Ghosh S., Jani H., Sarkar S., Motapothula M.R., Nijhuis C.A., Martin J., Goswami S., Batista V.S., Venkatesan T. Robust resistive memory devices using solution-processable metal-coordinated azo aromatics // Nat. Mater.- 2017.- Vol. 16.- P. 1216-1224.

85. Chen Q., Wang Z., Lin M., Qi X., Yu Z., Wu L., Bao L., Ling Y., Qin Y., Cai Y., Huang R. Homogeneous 3D Vertical Integration of Parylene-C Based Organic Flexible Resistive Memory on Standard CMOS Platform // Adv. Electron. Mater.-2021.- Vol. 7, № 2.- P. 1-9.

86. Jo S.H., Chang T., Ebong I., Bhadviya B.B., Mazumder P., Lu W. Nanoscale memristor device as synapse in neuromorphic systems // Nano Lett.- 2010.- Vol. 10, № 4.- P. 1297-1301.

87. Yang J.J., Strukov D.B., Stewart D.R. Memristive devices for computing // Nat. Nanotechnol.- Nature Publishing Group, 2013.- Vol. 8, № 1.- P. 13-24.

88. Mead C. Neuromorphic Electronic Systems // Proceedings of the IEEE.- 1990.-Vol. 78, № 10.- P. 1629-1636.

89. Backus J. Can Programming Be Liberated from the von Neumann Style ? A Functional Style and Its Algebra of Programs // Commun. ACM.- 1978.- Vol. 21, № 8.- P. 613-641.

90. Cavin R.K., Lugli P., Zhirnov V. V. Science and Engineering Beyond Moore ' s Law // Proc. IEEE.- IEEE, 2012.- Vol. 100.- P. 1720-1749.

91. Jeong D.S., Kim I., Ziegler M., Kohlstedt H. Towards artificial neurons and synapses : a materials point of view // RSC Adv.- 2013.- Vol. 3.- P. 3169-3183.

92. Jeong D.S., Hwang C.S. Nonvolatile Memory Materials for Neuromorphic Intelligent Machines // Adv. Mater.- 2018.- Vol. 30, № 42.- P. 1704729.

93. Ziegler M., Wenger C., Chicca E., Kohlstedt H., Ziegler M., Wenger C., Chicca E., Kohlstedt H. Tutorial : Concepts for closely mimicking biological learning with memristive devices : Principles to emulate cellular forms of learning Tutorial : Concepts for closely mimicking biological learning with memristive devices : Principles to emulate cellular // J. Appl. Phys.- 2018.- Vol. 124, № 15.- P.

152003.

94. Indiveri G., Ieee S.M. Neuromorphic Electronic Circuits for Building Autonomous Cognitive Systems // Proc. IEEE.- 2014.- Vol. 102, № 9.- P. 1367-1388.

95. Bliss T.V.P., L0mo T. Long-lasting potentiation of synaptic transmission in the dentate area of the anaesthetized rabbit following stimulation of the perforant path, 232(2), 331-356. doi:10.1113/jphysiol.1973.sp010273 // J. Physiol.- 1973.-Vol. 232, № 2.- P. 331-356.

96. Izawa J., Shadmehr R. On-Line Processing of Uncertain Information in Visuomotor Control // J. Neurosci.- 2008.- Vol. 28, № 44.- P. 11360-11368.

97. Faisal A.A., Selen L.P.J., Wolpert D.M. Noise in the nervous system // Nat. Rev. Neurosci.- 2008.- Vol. 9, № april.- P. 292-303.

98. Chater N., Tenenbaum J.B., Yuille A. Probabilistic models of cognition: Conceptual foundations // Trends Cogn. Sci.- 2006.- Vol. 10, № 7.- P. 287-291.

99. Wolpert D.M., Kording K.P. Bayesian integration in sensorimotor learning // Lett. to Nat.- 2004.- Vol. 427, № 6971.- P. 244-247.

100. Choi Y., Oh S., Qian C., Park J.H., Cho J.H. Vertical organic synapse expandable to 3D crossbar array // Nat. Commun.- Springer US, 2020.- Vol. 11, № 1.- P. 4595.

101. Park H.L., Kim M.H., Kim H., Lee S.H. Self-Selective Organic Memristor by Engineered Conductive Nanofilament Diffusion for Realization of Practical Neuromorphic System // Adv. Electron. Mater.- 2021.- Vol. 7, № 8.- P. 1-10.

102. Wang J.J., Hu S.G., Zhan X.T., Yu Q., Liu Z., Chen T.P., Yin Y., Hosaka S., Liu Y. Handwritten-Digit Recognition by Hybrid Convolutional Neural Network based on HfO2 Memristive Spiking-Neuron // Sci. Rep.- 2018.- Vol. 8, № 1.- P. 12546.

103. Hu M., Graves C.E., Li C., Li Y., Ge N., Montgomery E., Davila N., Jiang H., Williams R.S., Yang J.J., Xia Q., Strachan J.P. Memristor-Based Analog Computation and Neural Network Classification with a Dot Product Engine // Adv. Mater.- 2018.- Vol. 30, № 9.- P. 1-10.

104. Jiang H., Li C., Zhang R., Yan P., Lin P., Li Y., Yang J.J., Holcomb D., Xia Q. A provable key destruction scheme based on memristive crossbar arrays // Nat. Electron.- Springer US, 2018.- Vol. 1, № 10.- P. 548-554.

105. Rosenblatt F. The Perceptron - A Perceiving and Recognizing Automaton // Report 85, Cornell Aeronautical Laboratory.- 1957.- P. 460-461.

106. Kim J.E., Kim B., Kwon H.T., Kim J., Kim K., Park D.W., Kim Y. Flexible Parylene C-Based RRAM Array for Neuromorphic Applications // IEEE Access.-2022.- Vol. 10.- P. 109760-109767.

107. Lanza M., Waser R., Ielmini D., Yang J.J., Goux L., Suñe J., Kenyon A.J., Mehonic A., Spiga S., Rana V., Wiefels S., Menzel S., Valov I., Villena M.A., Miranda E., Jing X., Campabadal F., Gonzalez M.B., Aguirre F., Palumbo F., Zhu K., Roldan J.B., Puglisi F.M., Larcher L., Hou T.H., Prodromakis T., Yang Y., Huang P., Wan T., Chai Y., Pey K.L., Raghavan N., Dueñas S., Wang T., Xia Q., Pazos S. Standards for the Characterization of Endurance in Resistive Switching Devices // ACS Nano.- 2021.- Vol. 15, № 11.- P. 17214-17231.

108. Никируй К.Э., Емельянов А.В., Демин В.А., Рыльков В.В., Ситников А.В., Кашкаров П.К. Прецизионный Алгоритм Переключения Мемристора В Состояние С Заданным Сопротивлением // Письма В Журнал Технической Физики.- 2018.- Vol. 44, № 10.- P. 20.

109. Lübben M., Valov I. Active Electrode Redox Reactions and Device Behavior in ECM Type Resistive Switching Memories // Adv. Electron. Mater.- 2019.- Vol. 5, № 9.- P. 1-8.

110. Lee C.D., Meng E. Mechanical Properties of Thin-Film Parylene-Metal-Parylene Devices // Front. Mech. Eng.- 2015.- Vol. 1, № September.- P. 1-14.

111. Wang Z., Li C., Song W., Rao M., Belkin D., Li Y., Yan P., Jiang H., Lin P., Hu M., Strachan J.P., Ge N., Barnell M., Wu Q., Barto A.G., Qiu Q., Williams R.S., Xia Q., Yang J.J. Reinforcement learning with analogue memristor arrays // Nat. Electron.- Springer US, 2019.- Vol. 2, № 3.- P. 115-124.

112. Мацукатова А.Н. Эффекты резистивного переключения в структурах на

основе поли-п-ксилилена с наночастицами серебра: дис. ... канд. физ.-мат. наук: 1.3.8 / Мацукатова А.Н. - М., 2022, 123 с.

113. Nili H., Adam G.C., Hoskins B., Prezioso M., Kim J., Mahmoodi M.R., Bayat F.M., Kavehei O., Strukov D.B. Hardware-intrinsic security primitives enabled by analogue state and nonlinear conductance variations in integrated memristors // Nat. Electron.- Springer US, 2018.- Vol. 1, № 3.- P. 197-202.

114. Mikhaylov A.N., Guseinov D. V., Belov A.I., Korolev D.S., Shishmakova V.A., Koryazhkina M.N., Filatov D.O., Gorshkov O.N., Maldonado D., Alonso F.J., Roldán J.B., Krichigin A. V., Agudov N. V., Dubkov A.A., Carollo A., Spagnolo B. Stochastic resonance in a metal-oxide memristive device // Chaos, Solitons and Fractals.- Elsevier Ltd, 2021.- Vol. 144.- P. 110723.

115. Guan W., Liu M., Long S., Liu Q., Wang W. On the resistive switching mechanisms of Cu/ZrO2:Cu/Pt // Appl. Phys. Lett.- 2008.- Vol. 93, № 22.- P. 22-25.

116. Bid A., Bora A., Raychaudhuri A.K. Temperature dependence of the resistance of metallic nanowires of diameter >15 nm: Applicability of Bloch-Grüneisen theorem // Phys. Rev. B - Condens. Matter Mater. Phys.- 2006.- Vol. 74, № 3.-P. 1-8.

117. Zhao Y., Zhang Z., Zhang Y., Li Y., He Z., Yan Z. Large-scale synthesis of Cu nanowires with gradient scales by using "hard" strategies and size effects on electrical properties // CrystEngComm.- 2013.- Vol. 15, № 2.- P. 332-342.

118. Gao S., Song C., Chen C., Zeng F., Pan F. Reply to "comment on 'dynamic processes of resistive switching in metallic filament-based organic memory devices'" // J. Phys. Chem. C.- 2013.- Vol. 117, № 22.- P. 11881-11882.

119. Wang W., Wang M., Ambrosi E., Bricalli A., Laudato M., Sun Z., Chen X., Ielmini D. Surface diffusion-limited lifetime of silver and copper nanofilaments in resistive switching devices // Nat. Commun.- Springer US, 2019.- Vol. 10, № 1.-P. 81.

120. González-Cordero G., Pedro M., Martin-Martinez J., González M.B., Jiménez-

Molinos F., Campabadal F., Nafría N., Roldán J.B. Analysis of resistive switching processes in TiN/Ti/HfO2/W devices to mimic electronic synapses in neuromorphic circuits // Solid. State. Electron.- 2019.- Vol. 157, № April.- P. 25-33.

121. Kvatinsky S., Friedman E.G., Kolodny A., Weiser U.C. TEAM: Threshold adaptive memristor model // IEEE Trans. Circuits Syst. I Regul. Pap.- IEEE, 2013.- Vol. 60, № 1.- P. 211-221.

122. Ntinas V., Ascoli A., Tetzlaff R., Sirakoulis G.C. A Complete Analytical Solution for the on and off Dynamic Equations of a TaO Memristor // IEEE Trans. Circuits Syst. II Express Briefs.- IEEE, 2019.- Vol. 66, № 4.- P. 682-686.

123. González-Cordero G., Jiménez-Molinos F., Roldán J.B., González M.B., Campabadal F. In-depth study of the physics behind resistive switching in TiN/Ti/HfO2/W structures // J. Vac. Sci. Technol. B, Nanotechnol. Microelectron. Mater. Process. Meas. Phenom.- 2017.- Vol. 35, № 1.- P. 1-6.

124. Garcia-Redondo F., Gowers R.P., Crespo-Yepes A., Lopez-Vallejo M., Jiang L. SPICE Compact Modeling of Bipolar/Unipolar Memristor Switching Governed by Electrical Thresholds // IEEE Trans. Circuits Syst. I Regul. Pap.- 2016.- Vol. 63, № 8.- P. 1255-1264.

125. Huang P., Liu X.Y., Chen B., Li H.T., Wang Y.J., Deng Y.X., Wei K.L., Zeng L., Gao B., Du G., Zhang X., Kang J.F. A Physics-Based Compact Model of Metal-Oxide-Based RRAM DC and AC Operations // IEEE Trans. Electron Devices.-2013.- Vol. 60, № 12.- P. 4090-4097.

126. Villena M.A., Jiménez-Molinos F., Roldán J.B., Suñé J., Long S., Lian X., Gámiz F., Liu M. An in-depth simulation study of thermal reset transitions in resistive switching memories // J. Appl. Phys.- 2013.- Vol. 114, № 14.- P. 144505.

127. Glazman L.I., Matveev K.A. Inelastic tunneling across thin amorphous films // Sov. Phys. JETP.- 1988.- Vol. 67, № 6.- P. 1276-1282.

128. Emelyanov A. V., Nikiruy K.E., Iliasov A.I., Tsyvkunova E.A., Surazhevsky I.A., Demin V.A., Lin Y., Tao Y., Rylkov V. V. Compact Model for Describing the

Plasticity of Memristors Based on Nanolayers of LiNbO3 and (Co-Fe-B)x(LiNbO3)100-x Composite According to the Biosimilar STDP Rule // Nanobiotechnology Reports.- 2023.- Vol. 18, № S2.- P. S421-S426.

129. Menzel S., Tappertzhofen S., Waser R., Valov I. Switching kinetics of electrochemical metallization memory cells // Phys. Chem. Chem. Phys.- 2013.-Vol. 15, № 18.- P. 6945-6952.

130. Licari J.J. Coating Materials for Electronic Applications // Noyes Publication. -2003.

131. Harper C.A. Handbook of Plastics, Elastomers, and Composites.- 2002.

132. Никируй К.Э., Емельянов А.В., Рыльков В.В., Ситников А.В., Демин В.А. Адаптивные Свойства Спайковых Нейроморфных Сетей С Синаптическими Связями На Основе Мемристивных Элементов // Письма В Журнал Технической Физики.- 2019.- Vol. 45, № 8.- P. 19.

133. Foncelle A., Mendes A., J^drzejewska-Szmek J., Valtcheva S., Berry H., Blackwell K.T., Venance L. Modulation of spike-timing dependent plasticity: Towards the inclusion of a third factor in computational models // Front. Comput. Neurosci.- 2018.- Vol. 12, № July.- P. 1-21.

134. Gurney K.N., Humphries M.D., Redgrave P. A New Framework for Cortico-Striatal Plasticity: Behavioural Theory Meets In Vitro Data at the Reinforcement-Action Interface // PLoS Biol.- 2015.- Vol. 13, № 1.- P. e1002034.

135. Schultz W. Predictive reward signal of dopamine neurons // J. Neurophysiol.-1998.- Vol. 80, № 1.- P. 1-27.

136. Martyshov M.N., Emelyanov A.V., Demin V.A., Nikiruy K.E., Minnekhanov A.A., Nikolaev S.N., Taldenkov A.N., Ovcharov A.V., Presnyakov M.Y., Sitnikov A.V., Vasiliev A.L., Forsh P.A., Granovsky A.B., Kashkarov P.K., Kovalchuk M.V., Rylkov V.V. Multifilamentary Character of Anticorrelated Capacitive and Resistive Switching in Memristive Structures Based on (Co-Fe-B)x(LiNbO3)100-x Nanocomposite // Phys. Rev. Appl.- American Physical Society, 2020.- Vol. 14, № 3.- P. 034016.

137. Nikiruy K.E., Surazhevsky I.A., Demin V.A., Emelyanov A. V. Spike-Timing-Dependent and Spike-Shape-Independent Plasticities with Dopamine-Like Modulation in Nanocomposite Memristive Synapses // Phys. Status Solidi Appl. Mater. Sci.- 2020.- Vol. 217, № 18.- P. 1-6.

138. Surazhevsky I.A., Minnekhanov A.A., Demin V.A. Spiking Neuron Model for Dopamine-Like Learning of Neuromorphic Systems with Memristive Synaptic Weights // Nanobiotechnology Reports.- 2021.- Vol. 16, № 2.- P. 253-260.

139. Dayan P., Kakade S., Montague P.R. Learning and selective attention.- 2000.-Vol. 3, № november.- P. 1218-1223.

140. Gantt W., Pavlov I., Volborth G., Cannon W. Experimental psychology and psychopathology in animals // Lect. Cond. Reflexes.- 1928.- Vol. 1.- P. 47-60.

141. Ziegler M., Soni R., Patelczyk T., Ignatov M., Bartsch T., Meuffels P., Kohlstedt H. An Electronic Version of Pavlov ' s Dog // Adv. Funct. Mater.- 2012.- Vol. 22.- P. 2744-2749.

142. Wang Z., Rao M., Han J., Zhang J., Lin P., Li Y., Li C., Song W., Asapu S., Midya R., Zhuo Y., Jiang H., Yoon J.H., Upadhyay N.K., Joshi S., Hu M., Strachan J.P., Barnell M., Wu Q., Wu H., Qiu Q., Williams R.S., Xia Q., Yang J.J. Capacitive neural network with neuro-transistors // Nat. Commun.- 2018.- Vol. 9, № 2018.-P. 3208-3217.