具有低能耗和多阻态的金属氧化物电子突触器件的研究

Artificial neuromorphic computation system has attracted much attention due to its massive parallelism, adaptivity to the varying and complex input information, and tolerance to fault and error. Achieving synaptic devices with low cost, low energy consumption, and high integration density is one of the key scientific issues for neuromorphic system investigation and application. Therefore, research on electronic synapses is a frontier topic of the information and microelectronics area. In this project, to meet the requirement of the electronic synapses for the artificial neuromorphic system, the key scientific issues of the application of metal-oxide based synapses in the neuromorphic system will be investigated and solved, including the intrinsic and non-intrinsic factors to influence the performance of the oxide based synapses, the physical origin of sharp resistance transition and fluctuation in the oxide based synapses, the influence of the resistance variation on the synaptic function, the technical way to eliminate the sharp resistance transition and performance fluctuation in the oxide based synapses, and so on. This project can supply crucial theoretical and technical support for achieving neuromorphic system with large scale and high energy efficiency.

人工神经网络系统具有大规模并行计算、能够适应性学习、容错性高等优点，利用低成本、低能耗、高密度集成的器件实现神经网络系统中神经突触功能，是人工神经网络系统研究和实用的关键科学问题之一，也是当前信息与半导体集成电路科学技术领域前沿的热点研究课题。本项目针对人工神经网络系统中电子突触器件性能的需求，拟开展研究利用金属氧化物忆阻器件作为神经突触功能器件所需要解决的关键科学问题，主要包括：影响氧化物突触器件性能的本征与非本征因素、氧化物突触器件电阻突变和发生波动的物理起因、器件电阻涨落对突触功能实现的影响、抑制氧化物突触器件电阻突变和性能波动的技术解决方案等，为实现氧化物突触器件在大规模、高能效的神经网络系统的应用提供重要的理论与技术基础。

近年来人工智能领域得到突飞猛进的发展，然而运行人工智能核心算法的硬件载体仍存在规模和能效方面的巨大挑战。基于新型忆阻器的电子突触器件具有高密度、低能耗、存储与计算融合等优势，是当前集成电路和人工智能领域共同关注的前沿热点。本项目针对氧化物忆阻器突触器件面临的状态波动、参数离散、精度受限等关键问题开展机理和器件优化方面的研究，通过澄清微观的本征和非本征因素，理解氧化物突触器件中各种非理想效应的产生机理，提出优化器件特性的解决方案，实现低功耗、高速度、多阻态、高一致性的电子突触器件。本项目研究发现氧空位导电通道在电场作用下的雪崩式生长是造成器件电阻突变的关键原因，通过提升器件内部的局域温度和合适的掺杂可以有效调控氧空位的分布，从而得到超过300个电阻态（8bit）的器件，可在纳秒量级的脉冲下编程，每个脉冲的能耗小于1pJ。基于氧空位缺陷理论建立了氧化物突触器件的微观物理模型，并建立了基于蒙特卡洛算法的器件微观模拟方法，可对器件优化提供指导。基于开发的高性能突触器件，成功开发了交叉阵列结构的神经网络，并演示了计算与存储融合的功能，实现了并行神经形态计算和在线学习，比传统计算硬件功耗降低了几个数量级。在本项目的支持下，共发表7篇SCI论文，3篇微电子领域顶级会议IEDM，以及3次邀请报告，申请发明专利3项。本项目的研究成果为新一代高能效类脑计算芯片提供了器件解决方案，推动人工智能计算芯片技术的发展。