忆阻器阵列的制备
- 结构与材料：
使用界面型Pd/渐变TiOx/Ti忆阻器器件，构建在带有100 nm SiO2基底的硅片上。底部电极（BE）以10 µm间距和半间距线宽使用正光刻胶（GXR-601）通过光刻方法进行图案化。之后，通过电子束蒸发沉积55 nm Ti层，并使用剥离工艺去除剩余光刻胶。
- 氧化过程：
通过阳极氧化过程形成渐变氧浓度TiOx层。将12 nm Ti层的BEs浸入含有0.05 M NaOH和0.05 M NH4F的水溶液中，在室温下通电3分钟，电压为10 V，合规电流为2 mA。
- 顶部电极（TE）：
以相同光刻方法在10 µm间距和半间距线宽进行图案化。通过电子束蒸发沉积90 nm Pd层，并通过剥离工艺去除光刻胶。为形成更渐变的氧分布，样品在448 K下退火2小时。通过图案化和反应离子刻蚀去除辅助阳极氧化过程的虚拟层，以抑制将形成的垫片之间的漏电流。最后，通过电子束蒸发堆叠Au (20 nm)/Al (150 nm)层金属形成垫片，并通过剥离工艺去除光刻胶。
电气测量
- 单个忆阻器器件的I-V曲线：
使用高性能参数分析仪（Keithley, catalogue no. 4200A-SCS）进行测量。
- 单个忆阻器器件的脉冲响应：
通过定制的测量系统进行测量，该系统由数据采集工具（National Instruments, catalogue no. USB-6363）和低噪声电压前置放大器（SR560）组成。数据采集工具同时生成输入电压脉冲并测量由前置放大器转换的输出电压。
- 忆阻器阵列的器件间变化：
使用读脉冲（1.6 V, 320 µs）通过模拟计算单元进行测量。
- 模拟计算单元的电气特性：
通过连续传输包括Nset、tread和读时间单位的输入数据，并接收8位ADC输出来测量。对于每个输入数据值，为忆阻器阵列中相同BE线上的所有忆阻器生成同步相同的电压脉冲。通过包含运算放大器（Texas Instruments, catalogue no. OPA2810）、积分电容（820 pF）和8位ADC（Texas Instruments, catalogue no. ADC08831）的读出电路测量电流。
线性量化
- 积分器输出电压的计算：
使用积分电容（Cinteg）将来自同一列的N个忆阻器单元的Icell和tread的乘积成比例地累积。通过ADC将累积的电荷线性量化。
神经网络的预训练和在设备上的训练
- 预训练：
在计算机上初始化参数W，并通过梯度下降更新W以最小化目标函数。预训练完成后，将W量化为整数并更新到忆阻器阵列中。
- 在设备上的训练：
随机初始化W的每个元素为随机整数，并通过忆阻器阵列进行矩阵乘法来获得潜在变量Z、背景L和前景S的模拟值。
实时视频处理的硬件平台
- 硬件连接与数据传输：
将制备的忆阻器阵列通过探针卡连接到基于FPGA的硬件系统。使用手机作为现场相机捕获原始视频数据。个人计算机（PC）接收大型RGB视频数据（640×480），并使用Python将其转换为灰度32×16视频数据。PC通过USB v.3.0将输入视频数据、设置脉冲信息和操作参数传输到FPGA（Xilinx XC7A200T），FPGA根据接收到的数据生成数字控制信号。
- 视频处理与可视化：
PC接收矩阵乘法的结果，并使用Python进行简单的操作（加法、减法、移位）以进行反向传播，然后可视化实时视频处理的原始数据和结果数据。
图像质量评估指标
- 峰值信噪比（PSNR）和结构相似性指数（SSIM）：
用于评估模拟输出和真实图像之间的像素级一致性。分别计算每个帧的这些指标，然后计算它们的平均值。PSNR通过考虑最大可能信号功率与影响图像质量的噪声功率之间的比率来量化信号保真度，而SSIM通过考虑亮度、对比度和结构方面来衡量结构相似性。
视频处理模拟与设备变化
- 模拟器实现：
实现了一个模拟器来复制视频处理工作流程中的物理操作，包括训练和推理两个主要阶段。在训练阶段优化可学习矩阵W，并在推理阶段使用优化后的W将视频分解为背景和前景部分。模拟器通过引入可调参数来准确模拟物理忆阻器设备中的矩阵乘法过程，包括器件间变化、循环间变化和量化位数。
