中科院物理所金奎娟和葛琛Adv. Mater.：可复制的超薄铁电阈转换用于高性能神经形态计算

【引言】

人工智能，大数据分析，自动驾驶，语音和图像识别等智能任务的迅猛发展，对计算速度和能耗提出了更高的要求。在传统的冯·诺依曼体系结构中，中央处理器和存储器之间的数据传输速率限制了计算机操作速度的提高。包含大约1011个神经元和1015个相互连接的突触的人脑在以极低的能量同时存储和处理信息时特别有效。人脑具有一种特殊的体系结构，可以执行大规模的并行操作并解决复杂的问题。因此，模拟人脑的操作提供了一条应对冯·诺依曼架构瓶颈的途径。通过重新配置突触之间的连接强度来实现人脑的学习行为，这称为突触可塑性。因此，构造可模拟突触可塑性的人工突触装置是实现人工神经网络的关键步骤。

具有多个中间电导状态的两末端忆阻器是合格的突触设备，可以类似于脑突触结构并执行各种突触可塑性任务。科学家们已经提出了各种类型的忆阻器，例如导电细丝存储器，相变存储器（PCM），基于离子迁移的电阻开关存储器以及铁电隧道结（FTJ）。在这些设备中，模拟人工突触设备和执行神经网络操作的有前途的是FTJ，FTJ是一种超薄铁电薄膜，由两个电极夹持，其电阻取决于极化方向。

【成果简介】

在这个工作中，中国科学院物理所的葛琛教授和金奎娟教授展示了一种基于Pt/BaTiO₃/Nb掺杂SrTiO₃ FTJ器件的超低能耗的人工突触。具有金属/铁电/半导体结构的FTJ器件在高电阻状态（HRS）时在半导体表面上具有额外的耗尽区。通过分析随时间变化的传输和压电响应力显微镜测量，研究了FTJ器件的域切换动力学。在此FTJ设备中模仿了基本的突触可塑性。本装置展现出良好的短期和长期可塑性的共存，并且与先前关于长期可塑性的研究不同。这项工作中的监督学习模拟显示了非常高的学习准确度，其中UCI图像数据集为96.5％，而MNIST手写数据集为96.4％。基于超薄铁电域切换的突触设备为建立有效的神经形态网络打开了一种新途径。该成果以题为“Reproducible Ultrathin Ferroelectric Domain Switching for High-Performance Neuromorphic Computing”发表在Adv. Mater.上。

【图文导读】

图1.基于BTO的FTJ设备的示意图和电子特性

a）生物突触的示意图

b）两端Pt/BTO/SNTO FTJ设备的示意图，其中Pt和SNTO电极分别模拟突触前和突触后

c）BTO/SNTO异质结构的PFM平面外相位对比图像

d）BTO/SNTO异质结构的局部相位和幅度磁滞回线

e）（c）中相同区域的C-AFM图像

f）可重复的电流-电压环路为300个循环

图2.FTJ器件的域切换动力学受成核限制切换模型控制

a）多个G-V磁滞回线作为脉冲宽度的函数

b）在各种脉冲幅度下归一化反向面积与脉冲宽度的关系

c）重新缩放的归一化反向面积与NLS模型的拟合参数的函数

d）开关时间随正开关场的倒数而变化，这符合默兹定律

e）切换与电场有关的Lorentz分布的一半最大值的一半宽度

图3. Pt/BTO/SNTO设备的脉冲训练，EPSC演变和STDP特性

a）突触前尖峰触发的瞬时电流

b）在短时程增强模式下以六个频率响应刺激序列而记录的EPSC

c）该器件的松弛性能显示了LTP模式下电流随脉冲数和幅度的变化

d）中间状态的保持特性为2×103 s

e）长期增强和抑制显示500个周期的200个离散状态

f）具有反对称Hebbian学习规则的体重依赖型STDP学习

图4.5×5人工突触阵列中短期增强和长期增强的动态过程

a）字母“I”，“O”和“P”的图像以及相应的三种脉冲序列，每个脉冲序列由十个连续的刺激脉冲组成，持续时间为50 ns，幅度分别为0.9和1.3 V，5和0.5 MHz的脉冲频率被输入到突触阵列中以表示“I”，“O”和“P”

b,d,f）最后一个脉冲后的“I”，“O”和“P”图像

c,e,g）在最后一个脉冲后的25 µs时刻的“I”，“O”和“P”图像。在短期增强模式下记忆字母“I”和“P”，在长期增强模式下记忆字母“O”

图5.FTJ设备中反向传播的仿真

a）三层神经网络的示意图

b）具有交叉开关结构以执行模拟矩阵运算的神经核心的示意图

c）500次循环中长时间增强和抑制过程的重叠图

d）增强和e）抑制的统计ΔG与电导图

针对f）小图像和g）大图像的BTO和STO设备的训练精度

【总结】

在这个工作中，作者展示了使用FTJ具有超低飞焦能量消耗，快速操作速度和高“写入”线性度的高性能电子突触。通过微调所施加的脉冲参数，该设备可以模拟短期和长期可塑性。这些类型的人工突触通过利用强大的铁电域切换动力学以及电导状态的操纵来模拟各种生物突触可塑性。更重要的是，作者认为LTP和STP在同一设备中的共存可以设计出高效的类似于大脑的架构。由这些突触设备组成的带有监督学习的模拟人工神经网络对UCI图像数据集显示了96.5％的极高学习准确度，对于MNIST手写数据集显示了96.4％的极高学习准确度。这些结果证明了该设备通过铁电域切换在节能型神经形态计算中的应用潜力。

文献链接：Reproducible Ultrathin Ferroelectric Domain Switching for High-Performance Neuromorphic Computing. Adv. Mater., 2019, DOI: 10.1002/adma.201905764

本文由tt供稿。 

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。