晶体管材料，最新Nature！一e测试

推荐使用微信扫码登录/注册

使用微信扫码，一键绑定微信，可更快速更及时
更方便的获得订单相关信息与优惠活动

晶体管材料，最新Nature！

2023-12-28 09:08:47 0 2121

研究背景

人工智能和机器学习的爆炸性应用，催生了对能够以节能方式处理海量数据的替代计算方案的迫切需求。传统的数字计算硬件依赖于冯·诺依曼结构，该结构具有不同的存储器和信息处理块，因此必须频繁传输数据，而且速度和功耗特性都不理想，尤其是在海量数据的限制下。神经形态计算是一种规避冯·诺依曼瓶颈的新兴方法，它从人脑中汲取灵感（例如，内存和逻辑的共置、并行处理和超连接），为人工智能/机器学习提供低功耗硬件加速器。神经形态硬件的主要瓶颈是快速、稳定和可扩展的非易失性存储元件，它还能模拟生物神经网络的突触行为。常见的候选元件，如忆阻器，依赖于导电丝的形成和断裂、缺陷迁移、电荷捕获、材料相变和铁电性。这些机制的物理局限性意味着现有的忆阻器件通常具有一个或多个缺点，包括开关速度和耐久性有限、器件与器件之间差异大、形成过程冗余、随机性不可控、工作电压高以及非易失性电导状态数量有限。此外，忆阻突触设备通常不包含作为生物神经网络复杂和可重构学习行为基础的附加功能。

研究成果

在此，美国西北大学MarkC.Hersam教授、波士顿学院Qiong Ma与麻省理工学院PabloJarillo-Herrero教授报告了基于非对称双层石墨烯/六方氮化硼 moiré 异质结构的低功率（20 pW）moiré 突触晶体管的实验实现和室温运行情况。非对称 moiré 电势会产生稳健的电子棘轮态，从而实现电荷载流子的滞后、非易失注入，控制器件的电导。双栅极 moiré 异质结构中的非对称栅极实现了多种生物真实性神经形态功能，如可重新配置的突触反应、基于时空的时间和Bienenstock–Cooper–Munro输入特定适应。通过这种方式，moiré 突触晶体管可实现高效的计算内存设计以及用于人工智能和机器学习的边缘硬件加速器。相关研究工作以“Moiré synaptic transistor with room-temperature neuromorphic functionality”为题发表在顶级期刊《Nature》上。祝贺！

图文速递

图1. 通过电子控制的棘轮机制实现 MST 中的非易失性电荷注入

最近，基于扭曲二维纳米片的 moiré 异质结构已成为一种材料平台，能够承载多种电子现象，如非常规超导、轨道磁性、广义 Wigner 晶体态和相互作用的moiré 激子相。其中，双层石墨烯（BLG）/六方氮化硼（hBN）moiré 异质结构所承载的铁电性尤为突出，是神经形态器件的潜在候选材料。与扭曲 hBN 和过渡金属二硫族化合物异质结构中的滑动铁电性不同，BLG/hBN moiré 铁电性具有非对称 moiré 结构所产生的内在电子源。具体来说，这种结构由Bernal堆叠的 BLG 和两个角度排列大相径庭的 hBN 层夹层组成。在顶部界面，BLG 与顶部 hBN 紧密对齐，形成长程 moiré 势，导致电荷局部化和库仑相互作用增强。在底部界面，BLG 与底部 hBN 故意错位约 30°，这导致电荷分布更加均匀和高度流动。因此，非对称 moiré 图将系统分为局部子系统和流动子系统。这两个子系统在 z 方向上分离，但仍保持库仑耦合。

他们首先考察 MST 的基本特性。漏极电流 (I_D) 是闭环中顶栅偏压 (V_TG) 的函数，同时正向改变 V_TG 范围 (ΔV_TG) （V_TG 扫描轨迹见插图）。每次循环开始时，器件都处于相同状态（V_TG 为 0 V）。当 ΔV_TG低于 1.5 V 时，正向和反向轨迹重叠，但当ΔV_TG 超过 1.5 V 时，则显示出很强的滞后性。当 ΔV_TG 向负方向变化时，也会出现类似的情况。根据电导状态，在扫描循环结束时提取载流子密度，然后分别绘制成 ΔV_TG 的函数。当 ΔV_TG 小于 1.5 V 时，电子密度保持不变，当 ΔV_TG 越大时，电子密度呈线性增长。同样，当 ΔV_TG 较小时，空穴密度保持不变（|ΔV_TG| < 1.5 V），当 |ΔV_TG| 变大时，空穴密度呈线性增加。相应的 moiré 波长为 13.2 nm。

图2. 突触反应和 MSTs 的应用

正如生物神经元网络中突触后细胞的去极化程度可通过对突触前细胞的脉冲电刺激而增加（也称为增效）或减少（也称为抑制）一样，棘轮效应可使 BLG/hBN moiré 异质结构表现出类似的突触行为，从而充当突触晶体管。例如，图 2a 的插图显示了一系列不同振幅的 V_TG 脉冲，这些脉冲导致了一系列突触增强和抑制响应。2 号装置与 1 号装置的性质相同。除了 2 号器件的 hBN 层更厚，因此需要更大的栅极偏压才能将类似的电荷载流子浓度引入系统。具体来说，长时程增强（LTP）和长时程抑制（LTD）可从强 LTP 调至中度 LTP，从强 LTD调至中度 LTD。通过这种方式，MST 可以模拟生物突触的 Hebbian 学习，即顶栅连接到前神经元，而源连接到后神经元。MST 还与大规模神经网络（包括基于尖峰的感知器和基于时空的 tempotrons）的交叉阵列架构兼容，并可使用现有的 hBN 和 BLG 生长和转移方法。交叉架构占用的单元大小为 8.75-12.25 F²，具体取决于相邻行之间是否共享源极线。相比之下，单晶体管一个忆阻器交叉开关和静态随机存取存储器单元的单元大小分别为 7 F²和 120-150 F²。由于 MST 的两个栅极是在 hBN/BLG 异质结下面和上面的不同层中处理的，因此与一晶体管一忆阻器的单元面积相当。利用 MST 的突触响应，多层感知器建模，即使设备与设备之间和周期与周期之间的差异达到 10%，手写数字的识别率也能达到 85-90% 以上。虽然多层感知器通过神经元动作电位的放电速率来编码信息，但 tempotron 采用了时空尖峰模式，这种模式被用于生物学上可信的监督学习模型，以补充感知器模型。为了证明 tempotrons 的实用性，MST 被模拟为可将输入模式整合为输出信号的传入器。当输出值超过预定阈值时，神经网络会触发单个尖峰，并将输出值重置为零。通过利用 MST 的可调 LTP/LTD 可塑性，可以在 tempotron 中训练出两个神经元，使其对输入模式分别发射零次和一次。为了测试 tempotron 的稳健性，在输入模式中加入了抖动噪声（用 σ_pre 量化）。当 σ_pre< 5 ms时，抖动噪声的稳定性可观察到，这表明基于 MST 的温度计具有很高的噪声容限。

图3. MSTs 的双栅响应

图4. 基于 MST 的联想学习的特定输入适应性

在 MST 中，V_TG 和 V_BG 提供的对比控制能够实现神经形态的特定输入适应。在 Bienenstock-Cooper-Munro 模型中，输入特定适应是通过双向突触阈值滑动来描述的，适用于视觉皮层中眼睛缺失条件下的生物神经元。从神经形态计算的角度来看，输入特异性适应可以让神经网络主动适应整体活动，保持系统稳定，并模仿大脑中的高阶相关性，此外还可以补充Hebbian/反Hebbian学习规则。最初的生物模型和最近的神经形态硬件演示都依赖于突触后刺激的频率变化来触发特定输入的适应。然而，在神经形态硬件中使用刺激频率作为输入变量具有挑战性，而且速度慢、效率低。相比之下，MST 只需使用 V_TG 和 V_BG 即可实现双向突触阈值滑动，从而克服了这些限制。

结论与展望

总之，他们利用 BLG/hBN moiré 异质结构实现了室温 MSTs。这些 MST 的电子棘轮特性可提供可调的突触响应，适用于基于神经形态刺突的感知器和基于时空的时间感知器。此外，BLG/hBN moiré 异质结构的空间不对称性意味着，双栅 MST 的顶部和底部栅极可分别提供对 moiré 定位点和通道电导的差分控制，从而实现双向突触阈值滑动，适合在神经形态硬件中实现特定输入适应。虽然这里展示的是 BLG/hBN moiré 异质结构，但基于其他扭曲二维纳米片的moiré 异质结构家族不断发展，很可能会产生更多的非易失性突触特性，从而在神经形态计算中发挥作用。如果再加上最近在大面积单晶二维材料生长技术和晶圆级对齐转移方法方面取得的进展，MST 有可能在可实现复杂神经调制和仿生功能的交叉结构中得到扩展。

文献链接：

https://www.nature.com/articles/s41586-023-06791-1

本文为e测试原创，未经允许，禁止转载！