基于神经网络的深度学习忆阻器多维度性能预测方法

本发明公开了一种基于神经网络的深度学习忆阻器多维度性能预测方法，主要解决现有预测技术设计门槛高、成本高，且开发周期长的问题。方案包括：1)使用TCAD对忆阻器建模，通过调整设计参数仿真获取相应的性能指标，构建样本集并进行随机划分；2)由输入、输出和隐藏层搭建深度学习神经网络模型；3)利用部分样本数据对模型进行训练和验证，再将测试样本输入到训练好的模型中，检验其预测准确率；4)将高准确率神经网络模型作为最终模型，获取当前忆阻器的性能预测结果。本发明通过利用神经网络的自动特征提取和高效率计算能力，快速预测忆阻器的电阻切换行为，优化器件设计参数，加速了忆阻器在存储器和神经形态计算等领域的实际应用。