基于层状氧化物材料的神经突触晶体管

Memristors have important potential in neuromorphic memory and computing. However, the application of conventional two-terminal memristors in neuromorphic networks composed of large-scale device arrays is facing sever challenges due to the switching non-linearities, write noises, high operating current, and high power consumption resulted from the uncontrollable filament-based mechanism. Three-terminal memristive devices with filament-free mechanism provide a feasible way to solve these problems. In this project, layered oxide materials will be selected to construct synaptic transistors. The switching mechanism and kinetics of the synaptic transistors and the emulation of the synaptic functions will be investigated systematically. The main objective is to obtain linear analog switching and reduce the write noise (<5%), operating current (<1 nA), and energy consumption (<0.1 pJ) of the synaptic transistors, by which the stability, performance, and energy efficiency of neuromorphic computing network can be improved. This project will involve interdisciplinary utilization including material science, computer science, neuroscience, physics, chemistry, microelectronics and will be meaningful for emerging devices with new principles. With carrying out this project, owning intellectual-property rights and promoting the information technologies will be expected.

忆阻器在神经形态信息存储与计算方面具有巨大的潜在应用。传统两端忆阻器件由于导电通道机制所带来的阻变的非线性、高写入噪声、高工作电流以及高能耗等问题，为其在高集成性神经网络中的应用带来了挑战。具有非导电通道机制的三端忆阻晶体管为解决这些问题提供了可能性。本项目拟以层状氧化物材料为研究对象，构建具有线性连续阻变、低写入噪声（<5%）、低工作电流（<1nA）和低能耗（<0.1pJ）的神经突触晶体管器件。在此基础上，研究突触晶体管工作机理、阻变动力学过程以及神经突触功能的模拟，解决神经突触晶体管在未来神经网络计算过程中的稳定性、准确性和低能耗的问题。该项工作的开展，涉入多个学科领域交叉运用，在新原理器件开发方面具有重要意义，有望获得自主知识产权的信息存储与处理技术，从而推动我国信息技术领域的发展。

电解质栅控晶体管是一种三端忆阻器件，通过在栅极电场驱动电解质中离子移动来调控沟道电阻。本项目基于Nb2O5沟道材料和Li掺杂SiO2电解质材料，构建了全固态氧化物电解质栅控晶体管，并针对器件性能、阵列集成和网络应用等方面开展了系统的研究。这其中包括研究了不同直流、脉冲触发条件下沟道电阻调控机制，验证了器件中Li离子的沟道掺杂调控机制，获得了多态、线性和快速的沟道电导调节，成功模拟了神经突触的长、短时可塑性、脉冲时序依赖可塑性等功能；开发了界面电介质层和硅保护工艺，提升了电解质栅控晶体管多态转变的一致性和稳定性，并通过引入栅极/电解质过渡层减小电解质栅控晶体管的读写延迟；制备了1Kb的氧化物离子晶体管阵列，并基于此阵列实现了脉冲神经网络的训练和推理；开发了1T1E复合突触结构，实现了脉冲神经网络的监督和非监督学习。除此之外，本项目还支持了基于阻变存储器的存内计算算法开发以及芯片设计的工作，包括连续学习、回声状态图神经网络及其小样本学习的算法开发与存内计算实现、基于水凝胶的非线性固化特性实现可自主学习光学神经网络和面向二值神经网络的数字型忆阻器存内计算芯片设计等。这些研究结果是电解质栅控晶体管向其它神经突触器件的延申，同时也是在当前电解质晶体管大规模阵列以及外围电路还是空白的情况下的一种前瞻性探索。随着栅控电解质晶体管在工艺和电路设计上的成熟，也将会应用于电解质栅控晶体管的芯片中。