А.В. Бондарев1
1 Филиал ФГБОУ ВО «Уфимский университет науки и технологий» (г. Кумертау, Россия)

1 Bondarevav@rambler.ru

Постановка проблемы. В настоящее время развитие систем искусственного интеллекта требует создания принципиально новой элементной базы, способной эффективно имитировать работу биологических нейронных сетей. Для реализации нейроморфных архитектур перспективными являются мемристоры – элементы с изменяемым сопротивлением, обладающие эффектом памяти. Тем не менее существующие математические модели мемристоров требуют всестороннего анализа для определения возможностей их применения в системах искусственного интеллекта на основе наноэлектронной элементной базы.

Цель. Провести анализ моделей мемристоров для выявления их потенциала в создании нейроморфных систем искусственного интеллекта.

Результаты. Проведен комплексный анализ линейных и нелинейных моделей дрейфа мемристоров, описывающих зависимость сопротивления от накопленного заряда. Отмечено, что линейная модель предполагает пропорциональное изменение внутренней переменной состояния относительно протекшего заряда, в то время как нелинейная модель учитывает граничные эффекты через введение оконных функций. Рассмотрены механизмы резистивного переключения: миграция ионов под действием электрического поля и формирование проводящих филаментов. Проанализировано униполярное и биполярное переключение с учетом физических процессов в наноразмерных слоях диоксида титана. Выявлены преимущества и ограничения различных типов моделей для применения в нейроморфных системах.

Практическая значимость. Результаты анализа могут быть использованы для выбора оптимальных моделей при проектировании нейроморфных систем искусственного интеллекта на основе мемристорных элементов.

Бондарев А.В. Анализ моделей мемристоров для применения в системах искусственного интеллекта на основе наноэлектронной элементной базы // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 1. С. 46–57. DOI: https://doi.org/10.18127/ j19998554-202601-05

1. Bondarev A.V., Efanov V.N. Dynamic mode of the mathematical model of an electric multipole with memresistive branches in conditions of interval uncertainty // II International Scientific and Practical Conference «Actual problems of the energy complex: mining, production, transmission, processing and environmental protection». 16–17 April 2020. Moscow. P. 012013.
2. Bondarev V.A., Efanov V.N. Investigation of the robustness of nanoelectronic structures based on resonant tunneling elements // Proceedings of International Seminar on Electron Devices Design and Production. 2021. P. 9444533.
3. Memristor // Nanowerk [Электронный ресурс] / URL: https://www.nanowerk.com/memristor.php (дата обращения: 01.05.23).
4. Бабиков А.Е., Бондарев А.В. Мемристорные устройства с использованием органических материалов // Сб. материалов XXI Междунар. науч.-практич. конф. «Достижения и перспективы научных исследований молодежи». Уфа: РИЦ УУНиТ. 2023. С. 655–660.
5. Бондарев А.В., Ефанов В.Н. Анализ динамических процессов в наноэлектронных структурах на базе мемрезистивных элементов // Известия Самарского научного центра Российской академии наук. 2021. Т. 23. № 2 (100). С. 91–97.
6. Бондарев А.В., Ефанов В.Н. Принципы формирования математической модели наноэлектронных компонентов квантовых вычислительных комплексов с мемрезистивными ветвями // Системы управления и информационные технологии. 2020. № 1 (79). С. 4–10.
7. Ильясов А.И., Емельянов А.В., Никируй К.Э. и др. Массивы нанокомпозитных кроссбар-мемристоров для реализации формальных и импульсных нейроморфных систем // Российские нанотехнологии. 2022. Т. 17. № 1. С. 89–97.
8. Кияткин Д.А., Бондарев А.В. Логические элементы на основе мемристоров // Сб. материалов XXI Междунар. науч.-практич. конф. «Достижения и перспективы научных исследований молодежи». Уфа: РИЦ УУНиТ. 2023. С. 691–694.
9. Гудков А., Гогин А., Кик М. и др. Мемристоры – новый тип элементов резистивной памяти для наноэлектроники // Электроника НТБ. 2014. № 9. С. 156–162. [Электронный ресурс] / URL: https://www.electronics.ru/journal/article/4756 (дата обращения: 15.06.23).
10. Найденов Р.Д., Бондарев А.В. Искусственные нейроны на основе наноразмерного мемристорного устройства // Сб. материалов XXI Междунар. науч.-практич. конф. «Достижения и перспективы научных исследований молодежи». Уфа: РИЦ УУНиТ. 2023. С. 694–699.
11. Рябов И.Р., Бондарев А.В. Оперативная память микропроцессорных устройств на основе мемристоров // Сб. материалов XXI Междунар. науч.-практич. конф. «Достижения и перспективы научных исследований молодежи». Уфа: РИЦ УУНиТ. 2023. С. 699–703.
12. Слепичко И.А., Бондарев А.В. Ячейки памяти на основе мемристоров // Сб. материалов XXI Междунар. науч.-практич. конф. «Достижения и перспективы научных исследований молодежи». Уфа: РИЦ УУНиТ. 2023. С. 710–714.
13. Dong J., Wang Y. Memristor-based artificial neural networks for machine learning // IEEE Transactions on Circuits and Systems I: Regular Papers. 2021. V. 68. № 10.
14. Chen L., Wu X., Zhang H. A survey of memristive neural network models in AI applications // ACM Computing Surveys. 2020. V. 53. № 3.
15. Rajendran B., Narayanan V., Karim F. Emerging devices enabling energy-efficient neuromorphic architectures // Frontiers in Neuroscience. 2021.