神经网络计算引发了新一轮信息技术革命，也对硬件的性能提出了更高的需求。基于模拟型阻变存储器的存算一体系统可以有效缓解存储墙问题，阻变存储器的可靠性退化问题是影响存算一体系统准确率的关键因素，当前尚缺乏面向神经网络应用的可靠性研究。
本书从神经网络计算的应用需求出发，建立了从器件到系统的跨层次可靠性分析与评估框架；围绕模拟型阻变存储器的数据保持特性建立了适用于多阻态、多温度和多阵列形态的阵列级保持特性退化模型；针对现有的循环耐久性表征方法难以模拟在线训练时权重更新的问题提出了小步长增量阻变方法，并通过阶段式采样模拟阻变曲线证明了循环耐久性的耦合效应是导致在线训练准确率损失的直接原因。
本书可供从事神经网络计算、阻变存储器、可靠性研究的高校师生、科研院所研究人员及相关技术人员阅读参考。

第1章 引言
1.1 神经网络硬件概述
1.2 阻变存储器件与存算一体技术
1.2.1 阻变存储器概述
1.2.2 模拟型阻变存储器概述
1.2.3 基于阻变存储器的存算一体原理
1.3 面向神经网络的阻变存储器可靠性研究现状及挑战
1.3.1 可靠性研究现状
1.3.2 面临的关键问题与挑战
1.4 本书内容安排
第2章 面向神经网络的模拟型阻变存储器可靠性评估方法
2.1 可靠性评估框架
2.2 可靠性评估参数与需求
2.3 可靠性表征方法
2.3.1 模拟型阻变器件单元与阵列
2.3.2 测试系统
2.3.3 测试方法
2.4 可靠性模拟方法
2.5 可靠性影响的量化方法
2.6 本章小结
第3章 面向神经网络的数据保持特性研究
3.1 数据保持特性行为分析与建模
3.1.1 多阻态的数据保持特性分析与建模
3.1.2 多温度的数据保持特性分析与建模
3.1.3 差分阵列的数据保持特性分析与建模
3.2 数据保持特性的物理机理研究
3.3 数据保持特性对神经网络准确率的影响
3.3.1 面向双层感知机的数据保持退化影响评估
3.3.2 面向RESNET-20的数据保持退化影响评估
3.4 本章小结
第4章 面向神经网络的循环耐久性研究
4.1 循环耐久性行为分析与建模
4.1.1 耐擦写次数与动态范围的关系
4.1.2 循环耐久性退化对非线性的影响
4.1.3 循环耐久性退化对开关比的影响
4.2 循环耐久性的物理机理研究
4.3 循环耐久性对神经网络准确率的影响
4.4 本章小结
第5章 总结与展望
5.1 全书工作总结
5.2 本书工作主要创新点
5.3 下一步研究工作的展望
参考文献
在学期间完成的相关学术成果
致谢