中科院物理所金奎娟和葛琛Adv. Mater.：可復制的超薄鐵電閾轉換用于高性能神經形態計算

【引言】

人工智能，大數據分析，自動駕駛，語音和圖像識別等智能任務的迅猛發展，對計算速度和能耗提出了更高的要求。在傳統的馮·諾依曼體系結構中，中央處理器和存儲器之間的數據傳輸速率限制了計算機操作速度的提高。包含大約1011個神經元和1015個相互連接的突觸的人腦在以極低的能量同時存儲和處理信息時特別有效。人腦具有一種特殊的體系結構，可以執行大規模的并行操作并解決復雜的問題。因此，模擬人腦的操作提供了一條應對馮·諾依曼架構瓶頸的途徑。通過重新配置突觸之間的連接強度來實現人腦的學習行為，這稱為突觸可塑性。因此，構造可模擬突觸可塑性的人工突觸裝置是實現人工神經網絡的關鍵步驟。

具有多個中間電導狀態的兩末端憶阻器是合格的突觸設備，可以類似于腦突觸結構并執行各種突觸可塑性任務。科學家們已經提出了各種類型的憶阻器，例如導電細絲存儲器，相變存儲器（PCM），基于離子遷移的電阻開關存儲器以及鐵電隧道結（FTJ）。在這些設備中，模擬人工突觸設備和執行神經網絡操作的有前途的是FTJ，FTJ是一種超薄鐵電薄膜，由兩個電極夾持，其電阻取決于極化方向。

【成果簡介】

在這個工作中，中國科學院物理所的葛琛教授和金奎娟教授展示了一種基于Pt/BaTiO₃/Nb摻雜SrTiO₃ FTJ器件的超低能耗的人工突觸。具有金屬/鐵電/半導體結構的FTJ器件在高電阻狀態（HRS）時在半導體表面上具有額外的耗盡區。通過分析隨時間變化的傳輸和壓電響應力顯微鏡測量，研究了FTJ器件的域切換動力學。在此FTJ設備中模仿了基本的突觸可塑性。本裝置展現出良好的短期和長期可塑性的共存，并且與先前關于長期可塑性的研究不同。這項工作中的監督學習模擬顯示了非常高的學習準確度，其中UCI圖像數據集為96.5％，而MNIST手寫數據集為96.4％。基于超薄鐵電域切換的突觸設備為建立有效的神經形態網絡打開了一種新途徑。該成果以題為“Reproducible Ultrathin Ferroelectric Domain Switching for High-Performance Neuromorphic Computing”發表在Adv. Mater.上。

【圖文導讀】

圖1.基于BTO的FTJ設備的示意圖和電子特性

a）生物突觸的示意圖

b）兩端Pt/BTO/SNTO FTJ設備的示意圖，其中Pt和SNTO電極分別模擬突觸前和突觸后

c）BTO/SNTO異質結構的PFM平面外相位對比圖像

d）BTO/SNTO異質結構的局部相位和幅度磁滯回線

e）（c）中相同區域的C-AFM圖像

f）可重復的電流-電壓環路為300個循環

圖2.FTJ器件的域切換動力學受成核限制切換模型控制

a）多個G-V磁滯回線作為脈沖寬度的函數

b）在各種脈沖幅度下歸一化反向面積與脈沖寬度的關系

c）重新縮放的歸一化反向面積與NLS模型的擬合參數的函數

d）開關時間隨正開關場的倒數而變化，這符合默茲定律

e）切換與電場有關的Lorentz分布的一半最大值的一半寬度

圖3. Pt/BTO/SNTO設備的脈沖訓練，EPSC演變和STDP特性

a）突觸前尖峰觸發的瞬時電流

b）在短時程增強模式下以六個頻率響應刺激序列而記錄的EPSC

c）該器件的松弛性能顯示了LTP模式下電流隨脈沖數和幅度的變化

d）中間狀態的保持特性為2×103 s

e）長期增強和抑制顯示500個周期的200個離散狀態

f）具有反對稱Hebbian學習規則的體重依賴型STDP學習

圖4.5×5人工突觸陣列中短期增強和長期增強的動態過程

a）字母“I”，“O”和“P”的圖像以及相應的三種脈沖序列，每個脈沖序列由十個連續的刺激脈沖組成，持續時間為50 ns，幅度分別為0.9和1.3 V，5和0.5 MHz的脈沖頻率被輸入到突觸陣列中以表示“I”，“O”和“P”

b,d,f）最后一個脈沖后的“I”，“O”和“P”圖像

c,e,g）在最后一個脈沖后的25 μs時刻的“I”，“O”和“P”圖像。在短期增強模式下記憶字母“I”和“P”，在長期增強模式下記憶字母“O”

圖5.FTJ設備中反向傳播的仿真

a）三層神經網絡的示意圖

b）具有交叉開關結構以執行模擬矩陣運算的神經核心的示意圖

c）500次循環中長時間增強和抑制過程的重疊圖

d）增強和e）抑制的統計ΔG與電導圖

針對f）小圖像和g）大圖像的BTO和STO設備的訓練精度

【總結】

在這個工作中，作者展示了使用FTJ具有超低飛焦能量消耗，快速操作速度和高“寫入”線性度的高性能電子突觸。通過微調所施加的脈沖參數，該設備可以模擬短期和長期可塑性。這些類型的人工突觸通過利用強大的鐵電域切換動力學以及電導狀態的操縱來模擬各種生物突觸可塑性。更重要的是，作者認為LTP和STP在同一設備中的共存可以設計出高效的類似于大腦的架構。由這些突觸設備組成的帶有監督學習的模擬人工神經網絡對UCI圖像數據集顯示了96.5％的極高學習準確度，對于MNIST手寫數據集顯示了96.4％的極高學習準確度。這些結果證明了該設備通過鐵電域切換在節能型神經形態計算中的應用潛力。

文獻鏈接：Reproducible Ultrathin Ferroelectric Domain Switching for High-Performance Neuromorphic Computing. Adv. Mater., 2019, DOI: 10.1002/adma.201905764

本文由tt供稿。?

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。