เมมริสเตอร์

จากวิกิพีเดีย สารานุกรมเสรี
สัญญลักษณ์ของเมมริสเตอร์

เมมริสเตอร์ (อังกฤษ: memristor) มาจากคำว่า เมมโมรี บวก รีซิสเตอร์ กลายเป็น "ตัวต้านทานหน่วยความจำ") เป็นจินตนาการเดิมในปี ค.ศ. 1971 โดยนักทฤษฎีวงจร Leon Chua ว่าเป็นชิ้นส่วนที่หายไป ซึ่งเป็นชิ้นส่วนอิเล็กทรอนิกส์แบบพาสซีฟเชิงเส้นสองขั้วที่เกี่ยวข้องกับประจุไฟฟ้าและ magnetic flux linkage เมมริสเตอร์กำลังอยู่ในระหว่างการพัฒนาโดยทีมงานต่าง ๆ รวมทั้งฮิวเลตต์แพคการ์ด, SK Hynix และ HRL Lab

แถวของเมมริสเตอร์ 17 ตัวที่สร้างโดยจากสารไทเทเนียมไดอ๊อกไชด์ที่ขาดอ๊อกซิเจนในห้องทดลองของ HP ถ่ายภาพโดยกล้องจุลทรรศน์พลังงานอะตอม เส้นลวดมีความกว้างขนาดประมาณ 50 nm, หรือ 150 atoms กระแสไฟฟ้าที่ไหลผ่านเมมริสเตอร์ขยับอ๊อกซิเจนออกไปทำให้ค่าความต้านทานค่อยๆเปลี่ยนอย่างสม่ำเสมอ

เมื่อกระแสไหลผ่านเมมริสเตอร์ในทิศทางหนึ่ง ความต้านทานของมันจะเพิ่มขึ้น แต่เมื่อกระแสไหลในทิศทางตรงกันข้าม ความต้านทานกลับลดลง เมื่อกระแสหยุดไหล ความต้านทานของเมมริสเตอร์กลับเป็นเท่าเดิม หลังจากนี้เมื่อมีกระแสไหลผ่านอีก ความต้านทานก็จะไม่เปลี่ยนแล้ว

ในปี ค.ศ. 2008 ทีมที่ HP Labs [1] ได้ประกาศการก้าวหน้าของเมมริสเตอร์บนแผ่นฟิล์มบางของไทเทเนียมไดออกไซด์. อุปกรณ์นี้มีวัตถุประสงค์สำหรับใช้เป็นหน่วยความจำนาโนอิเล็กทรอนิคส์, ลอจิกของคอมพิวเตอร์และสถาปัตยกรรมคอมพิวเตอร์ neuromorphic. ในเดือนตุลาคม ค.ศ. 2011 ทีมประกาศว่าจะมีในเชิงพาณิชย์ภายใน 18 เดือนเพื่อทดเแทน Flash ไดร์ฟ, SSD, DRAM และ SRAM. ในเดือนมีนาคม ค.ศ. 2012, ทีมนักวิจัยจาก HRL และมหาวิทยาลัยมิชิแกนประกาศการทำงานเป็นครั้งแรกของเมมริสเตอร์อาร์เรย์ที่สร้างขึ้นบนชิป CMOS.


ทฤษฎี[แก้]

ความสัมพันธ์ระหว่างตัวต้านทาน, ตัวเก็บประจุและตัวเหนี่ยวนำแสดงในภาพด้านขวา

สมมาตรแนวคิดระหว่างตัวต้านทานตัวเก็บประจุตัวเหนี่ยวนำและ memristor
อุปกรณ์ คุณสมบัติ(หน่วย) Differential equation
ตัวต้านทาน ความต้านทาน (โวลท์ต่อแอมป์]], หรือโอห์ม, Ω) R = dV/dI
ตัวเก็บประจุ Capacitance (คูลอมป์ต่อโวลท์, หรือฟารัด, F) C = dq/dV
ตัวเหนี่ยวนำ Inductance (เวบเบอร์ต่อแอมป์, หรือเฮนรี, H) L = dΦm/dI
เมมริสเตอร์ Memristance (เวบเบอร์ต่อคูลอมป์, หรือโอห์ม) M = dΦm / dq

ศักยภาพการใช้งาน[แก้]

เมมริสเตอร์แบบ solid-state หลายตัวสามารถนำมารวมเป็นอุปกรณ์ที่เรียกว่า crossbar latches ซึ่งสามารถแทนที่ทรานซิสเตอร์ในคอมพิวเตอร์ในอนาคตที่มีความหนาแน่นของวงจรสูงกว่ามาก

เมมริสเตอร์สามารถนำมาทำเป็นหน่วยความจำถาวรได้ ซึ่งมีความจุสูงกว่าฮาร์ดไดร์ฟและเร็วเท่ากับ DRAM โดยแทนที่อุปกรณ์สองอย่างนี้เลย HP สร้างต้นแบบหน่วยความจำของครอสบาร์แลท์ช ที่มีความจุ 100 กิกะบิตในพื้นที่ 1 ตารางเซนติเมตร, และนำเสนอการออกแบบ 3D ที่สามารถปรับขนาดได้ (ประกอบด้วยถึง 1000 ชั้นหรือ 1 petabit ต่อลบซม). ในเดือนพฤษภาคม ค.ศ. 2008 เอชพีรายงานว่าอุปกรณ์ของตนทำได้เพียงประมาณหนึ่งในสิบความเร็วของ DRAM. ความต้านทานของอุปกรณ์จะถูกอ่านด้วยกระแสสลับเพื่อให้ค่าที่เก็บไว้จะไม่ได้รับผลกระทบ. ในพฤษภาคม ค.ศ. 2012 เวลาในการเข้าถึงได้รับการปรับปรุงให้ดีขึ้นถึง 90 นาโนวินาที หรือเร็วขึ้นประมาณหนึ่งร้อยเท่าของหน่วยความจำแฟลชในขณะที่ใช้พลังงานแค่ร้อยละหนึ่งเท่านั้น.

สิทธิบัตรของเมมริสเตอร์จะรวมถึงการประยุกต์ใช้ใน PLC, การประมวลผลสัญญาณ, เครือข่ายประสาท, ระบบควบคุม, คอมพิวเตอร์ reconfigurable, อินเตอร์เฟซคอมพิวเตอร์สมอง และ RFID. อุปกรณ์ที่มีส่วนประกอบของเมมริสเตอร์มีศักยภาพที่อาจถูกนำมาใช้สำหรับวงจรลอจิกที่จะมาแทน CMOS ได้

ในปี ค.ศ. 2009 วงจรอิเล็กทรอนิกส์ง่ายๆที่ประกอบด้วยวงจร LC และ memristor ถูกใช้ในการทดลองเกี่ยวกับพฤติกรรมการปรับตัวของสิ่งมีชีวิตเซลล์เดียว. มันแสดงให้เห็นว่าภายใต้ขบวนของพั้ลส์เป็นระยะ, วงจรจะเรียนรู้และคาดการณ์พั้ลส์ต่อไป คล้ายกับพฤติกรรมของเมือกแม่พิมพ์ polycephalum Physarum ที่ซึ่งความหนืดของช่องทางในเซลล์ตอบสนองต่อการเปลี่ยนแปลงสภาพแวดล้อมเป็นระยะ. การใช้งานของวงจรดังกล่าวอาจรวมถึงการจดจำรูปแบบ

โครงการ DARPA ไซแนปส์ได้ให้ทุน HP Labs ในความร่วมมือกับห้องแลป Neuromorphics มหาวิทยาลัยบอสตัน ในการพัฒนาสถาปัตยกรรม neuromorphic ซึ่งอาจจะขึ้นอยู่กับระบบทีใช้เมมริสเตอร์ ในปี ค.ศ. 2010 Versace และแชนด์เลออธิบายแบบ Moneta (Modular Neural Exploring Traveling Agent). Moneta เป็นรูปแบบเครือข่ายทางประสาทขนาดใหญ่อันแรกที่จะใช้วงจรประสาททั้งสมองเพื่อให้พลังงานตัวแทนเสมือนจริงและตัวแทนหุ่นยนต์ที่ใช้ฮาร์ดแวร์เมมริสเตอร์. การนำเมมริสเตอร์ไปประยุกต์ใช้ในโครงสร้างครอสบาร์ในการก่อสร้างระบบซอล์ฟคอมพิวเตอร์แอนะล็อกก็แสดงให้เห็นโดย Merrikh-Bayat และ Shouraki. พวกเขาแสดงให้เห็นว่าเมมริสเตอร์สามารถทำงานได้อย่างไรร่วมกับตรรกศาสตร์คลุมเคลือในการสร้างระบบการคำนวณระบบประสาทแบบแอนะล็อกด้วยอินพุทและเอ้าท์พุทที่คลุมเคลือ การเรียนรู้ที่อยู่บนพื้นฐานของการสร้างความสัมพันธ์ที่คลุมเครือที่ได้รับแรงบันดาลใจจากการกฏการเรียนรู้ของ Hebbian

Memcapacitors และ meminductors[แก้]

ในปี 2009 Di Ventra, Pershin และ Chua ขยายความคิดของระบบ memristive กับองค์ประกอบของ capacitor และ Inductor ในรูปแบบของ memcapacitors และ meminductors ซึ่งมีคุณสมบัติขึ้นอยู่กับสถานะภาพและประวัติของระบบที่จขยายออกไปในปี 2013 โดย Di Ventra และ Pershin

อ้างอิง[แก้]

  1. [1], รายงานข่าวจาก สวทช.