For real-time image processing applications such as a high-speed pattern recognition system, the cellular neural network (CNN) architecture has been studied for many years due to the inherent parallel processing scheme. However, the conventional CMOS-based CNN topology has a very complicated structure with many devices and high DC power consumption. In order to improve the CNN topology, new device technologies are required.
Due to the inherent negative differential resistance (NDR) property obtained at low bias voltage and current levels, an RTD (Resonant Tunneling Diode) has been considered as one of practical quantum effect devices for various analog and digital circuit applications. And memristors have recently been attracted due to their non-volatile memory and variable resistance characteristics. The CNN IC topology based on the RTD and memristor devices is programmable, so the topology can perform various image processing tasks with high density integration, low power consumption, and fast switching speed characteristics.
In this thesis, the memristor-based RTD CNN unit cell for image processing applications has been designed based on the measured characteristics of the fabricated memristors. The unit cell structure consists of the RTDs for the threshold logic operation and memristors for a controllable weight block which allows the unit cell to have several image processing functions such as edge detection, horizontal line detection, and vertical line detection by programming the memristors.
Among various types of memristors, a $Cu_xO$ memristor has been used as a prototype for the CNN unit cell design due to its inherent high HRS/LRS ratio property. The $Cu_xO$ memristors of 50 x 50 $μm^2$, 10 x 10 $μm^2$, and 5 x 5 $μm^2$ have been fabricated and characterized. Uniform DC characteristics have been obtained regardless of the size variation. The reset voltage, set voltage, and reset current are ~0.7 V, ~2.2 V, and ~5 mA, respectively. However, the resistance value of high state increases with decreasing the size, showing 10 kΩ, 105 kΩ, and 2660 kΩ at 50 x 50 $μm^2$, 10 x 10 $μm^2$, and 5 x 5 $μm^2$, respectively. A HRS/LRS ratio of 18345 has been obtained.
The design of the memristor-based RTD CNN unit cell has been conducted with modeled data of the $Cu_xO$ memristor, RTD, and diode. The several image processing functions of the unit cell have been demonstrated by HSPICE simulations, showing a time constant of 0.2 ns and DC power consumption of ~10 μW for each function using the $Cu_xO$ memristor size of 5 x 5 $um^2$ and 0.1 um-RTD technology.
빠른 속도의 패턴 인식 시스템과 같은 실시간 이미지 프로세싱 응용을 위해, 셀룰러 뉴럴 네트워크 (CNN) 구조는 그 고유한 병렬 처리 방식 덕분에 여러 해 동안 많은 연구가 진행되어 왔다. 하지만, 기존의 CMOS 소자에 기반한 CNN 연구는 매우 많은 소자가 필요로 되어 복잡한 구조를 가지고, 높은 DC 소모의 특성을 갖는다. 즉, CNN 구조를 향상시키기 위해서 새로운 소자 기술이 요구되고 있다.
낮은 바이어스 전압과 전류에서 고유한 부성 저항 특성(NDR)을 갖는 RTD (Resonant Tunneling Diode) 소자는 다양한 아날로그 및 디지털 회로 응용에서 양자 효과를 이용한 소자들 중 실용적인 소자로서 여겨진다. 그리고, 멤리스터는 최근에 그 비휘발성 메모리 특성과 가변 저항 특성 때문에 각광받고 있는 소자이다. 그 RTD와 멤리스터 소자를 기반으로 한 CNN IC 구조는 프로그램이 가능하기 때문에 하나의 구조에서 다양한 이미지 프로세싱 기능을 높은 집적도, 낮은 전력 소모, 그리고 빠른 스위칭 속도의 특성들을 가지고 구현할 수 있게 된다.
이 논문에서는, 이미지 프로세싱 응용을 위해 멤리스터 기반의 RTD CNN 단위 셀을 측정된 데이터를 기반으로 하여 디자인하였다. 그 단위 셀 구조는 threshold 로직 기능을 위한 RTD 소자와 weight 조절을 가능하게 하는 멤리스터 소자로 이루어져 있고, 이것은 그 멤리스터 소자를 프로그램 하는 것에 따라서 그 단위 셀이 엣지 검출, 가로선 검출, 세로선 검출과 같은 이미지 프로세싱 기능을 갖게 한다.
다양한 멤리스터 종류 중에서, $Cu_xO$ 멤리스터는 높은 HRS/LRS 비율 특성을 갖기 때문에 CNN 단위 셀 디자인을 위한 시작 모델로서 사용되었다. 그 $Cu_xO$ 멤리스터는 50 x 50 $μm^2$, 10 x 10 $μm^2$, 그리고 5 x 5 $μm^2$ 사이즈로 제작되었고 그 특성이 분석되었으며, 그 결과로, 사이즈 변화와 크게 관계없이 비슷한 DC 특성을 보이는 것이 확인되었다. Reset 전압, set 전압, 그리고 reset 전류는 각각 약 0.7 V, 2.2 V, 그리고 5 mA이다. 그러나, 높은 저항 상태의 저항 값은 사이즈가 작아짐에 따라 증가하였는데, 50 x 50 $μm^2$ 에서 10 kΩ, 10 x 10 $μm^2$ 에서 105 kΩ, 5 x 5 $μm^2$ 에서 2660 kΩ을 갖는다. HRS/LRS 비율은 최대 18345로 확인되었다.
멤리스터 기반 RTD CNN 단위 셀 디자인은 $Cu_xO$ 멤리스터, RTD, 그리고, 다이오드의 모델링 데이터를 이용하여 수행되었다. 그 단위 셀의 몇 가지 이미지 프로세싱 기능들이 구현되는 것이 HSPICE 시뮬레이션을 통해 확인되었으며, 0.1 μm-RTD 기술과 5 x 5 $μm^2$사이즈를 갖는 $Cu_xO$ 멤리스터를 이용한 단위 셀에 대해서 0.2 ns의 time constant 와 약 10 μW의 DC 전력 소모를 보였다.
