ReS2 Charge Trapping Synaptic Device für Gesichtserkennungsanwendung

Hintergrund

Seit dem Aufkommen moderner Computer ist die von Neumann-Struktur, bei der die Recheneinheit vom Speicher getrennt ist, weit verbreitet. Diese Art der Struktur macht die Datenübertragung zwischen Rechenwerk und Speicher zu einem Flaschenhals, der die Verbesserung der Computerleistung erheblich einschränkt [1, 2]. Recheneinheit und Hauptspeicher sind hingegen flüchtige Geräte mit hohem Energieverbrauch und Informationen verschwinden sofort, wenn der Strom abgeschaltet wird [3]. Im Gegensatz dazu ist das menschliche Gehirn ein effizientes Informationsspeicher- und Rechensystem mit hoher Fehlertoleranz und geringem Stromverbrauch (ca sup> 11 Neuronen und 10 ¹⁵ Synapsen [4, 5]. Diese Neuronen gelten als die Rechenmaschinen des Gehirns, die parallel Eingangssignale von Tausenden von Synapsen empfangen. Synaptische Plastizität ist ein biologischer Prozess, der das synaptische Gewicht durch synaptische Aktivitäten verändert, und wird als Quelle des Lernens und des Gedächtnisses angesehen [6].

Die zweidimensionalen (2D) Materialien mit geringer Größe und hervorragenden elektronischen Eigenschaften, wie Graphen, Übergangsmetalldichalkogenide (TMDCs) und schwarzer Phosphor, haben große Aufmerksamkeit auf sich gezogen und wurden erfolgreich in synaptische Bauelemente implementiert [7, 8]. Die TMDCs mit dem symmetrischen Gitter, wie MoS₂ und WSe₂ , wurden umfassend untersucht [9, 10]. Rheniumdisulfid (ReS₂ ) mit einer verzerrt oktaedrischen (1T) Kristallstruktur wurde im neuromorphen Bereich selten erforscht. Die meisten TMDs haben eine direkte Bandlücke in der Monoschicht und eine indirekte Bandlücke in der Multischicht, sodass für eine gute Geräteleistung ein schwer erhältliches Monoschichtmaterial benötigt wird. Allerdings ReS₂ innerhalb von zehn Schichten haben alle eine direkte Bandlücke [11], was bedeutet, dass ReS₂ innerhalb von zehn Schichten können alle gut funktionieren. Außerdem führt die asymmetrische Gitterstruktur zu einer schwächeren Kopplungsenergie zwischen den Schichten, was der Abblätterungsarbeit zugute kommt und somit die Herstellung der synaptischen Vorrichtung viel einfacher macht [12,13,14,15]. In dieser Studie ist ReS₂ Film wird als Kanalmaterial verwendet. Die Kristallstruktur von Monolayer ReS₂ ist in Abb. 1a dargestellt, wobei die Richtungen a und b bezeichnen die zweitkürzeste Achse bzw. die kürzeste Achse in der Basalebene. Basierend auf den vorherigen wissenschaftlichen Untersuchungen und vielen optischen Bildern unseres abgeblätterten ReS₂ Film [13], Richtung b bezeichnet die kristallographische Orientierung mit der höchsten Elektronenbeweglichkeit. Zur Veranschaulichung der elektrischen Eigenschaften unseres ReS₂ synaptisches Gerät besser, Richtung b wird als Richtung des Kanalstroms betrachtet, wie in Abb. 1b gezeigt.

Die synaptischen Geräte basierend auf ReS₂ 2D-Material. a Kristallstruktur der Monoschicht ReS₂ . b Optisches Bild eines fünfschichtigen ReS₂ Flocke. Einschub:Source- und Drain-Elektroden strukturiert auf dem ReS₂ Flocke; Richtung b wird als Richtung des Kanalstroms genommen. c Das AFM-Bild und das Höhenprofil des ReS₂ Flocke. d Schematische Darstellung eines 2D-Materials ReS₂ synaptisches Gerät. Die Dicke des Al₂ O₃ , ZrO₂ , und Al₂ O₃ Stapel (von unten) ist 12 nm, 4 nm bzw. 4 nm

Es gab viele Geräte mit unterschiedlichen Strukturen, die erfolgreich synaptische Dynamiken simulierten, wie Kurzzeitplastizität (STP), Langzeitpotenzierung (LTP) und Langzeitdepression (LTD) [16,17,18]. Ein MoS₂ /PTCDA-Hybrid-Heterojunction-Synapse wurde mit effizienter photoelektrischer dualer Modulation nachgewiesen [10]. Eine Kohlenstoff-Nanoröhrchen-Synapse [19] und siliziumbasiertes MoS₂ synapse [20] zeigte dynamische Logik. Die erwähnten Studien konzentrierten sich jedoch nur auf die synaptische Ebene. In einigen Studien wurden verschiedene Leitfähigkeitszustände realisiert, um zu beweisen, dass ihre Geräte zum Aufbau künstlicher neuronaler Netze (KNNs) verwendet werden können, aber sie haben die leitfähigen Zustände nicht zur Berechnung in die KNNs eingebracht [21, 22]. In dieser Arbeit werden 120 kontinuierliche Leitwertzustände moduliert und die entsprechenden Leitwertwerte im trainierten Gesichtserkennungsnetz zur Berechnung verwendet; eine hervorragende Wiedererkennungsrate von 100 % wird erreicht.

Methoden

Die schematische Struktur unserer synaptischen Vorrichtung ist in Abb. 1d gezeigt, wo zu sehen ist, dass ein 70-nm-ITO-Film (Indium-Zinn-Oxid) auf dem SiO₂ . abgeschieden wurde /Si-Substrat als Back-Gate-Elektrode. Das Substrat war ein Si-Wafer mit 200-nm-SiO₂ oben drauf. Es wurde zuerst mit Aceton, Isopropylalkohol und entionisiertem Wasser gereinigt und dann mit N₂ . getrocknet Gas vor der ITO-Abscheidung. Die ITO-Schicht wurde zuerst durch Sputtern abgeschieden und dann bei 400°C im N₂ . getempert Atmosphäre für 10 min durch schnelle thermische Verarbeitung (RTP). Transparente ITO-Elektroden werden verwendet, um Source- und Drain-Elektroden unter Verwendung von Elektronenstrahllithographie genau herzustellen. Die Al₂ O₃ /ZrO₂ /Al₂ O₃ Sandwichstrukturen mit einer Dicke von 12 nm, 4 nm und 4 nm wurden auf dem ITO durch Atomlagenabscheidung (ALD) als Sperrschicht, Elektroneneinfangschicht bzw. Tunnelschicht aufgewachsen. Als nächstes das mechanisch gepeelte ReS₂ Flocken mit einer Dicke von etwa 3,6 nm wurden als Kanal unter den strukturierten Ti/Au-Elektroden abgeschieden. Die Ti/Au-Elektroden mit einer Dicke von 10 nm und 70 nm wurden unter Verwendung der Elektronenstrahllithographie, gefolgt von der Elektronenstrahlverdampfung, als Source bzw. Drain strukturiert. Abbildung 1c zeigt die Rasterkraftmikroskop-Aufnahme unseres 3,6 nm dicken ReS₂ Film (ungefähr fünf Schichten); die Kanallänge wurde auf 1,5 µm ausgelegt (siehe Einschub in Abb. 1b). In dieser Arbeit fungierte das ITO-Backgate als präsynapsisches Neuron und die Ti/Au-Elektroden als postsynapsisches Neuron. Zwischen Source- und Drain-Elektrode wurde eine kleine und konstante Spannung angelegt, während an die ITO-Backgate-Elektrode Impulse angelegt wurden, um die Leistung der synaptischen Vorrichtung zu modulieren.

Ergebnisse und Diskussion

Abbildung 2a zeigt die Übertragungseigenschaften unseres synaptischen Bauelements bei einer Back-Gate-Spannung von 2 V (V _bg =2 V) unter einer festen Drain-Source-Spannung (V _ds ) von 100 auf 700 mV in Schritten von 100 mV ändern. Ein Ein/Aus-Stromverhältnis von über 10 ⁶ beobachtet werden konnte. Die Kurve zeigte den Drain-Source-Strom (I _ds ), die zuerst schnell zunahm und dann gesättigt wurde; die ausgezeichneten Sättigungseigenschaften entsprachen der starken Kanalregulierung durch die ITO-Backgate-Elektrode. Im Gegensatz zu den herkömmlichen Transistoren, die Silizium als untere Gate-Elektrode und SiO₂ . verwenden als Dielektrikum bei der Betriebsspannung von meist mehr als 20 V [23], der Betriebsspannung unseres synaptischen Gerätes mit nur 20 nm Abstand zwischen den ReS₂ Kanal- und ITO-Backgate-Elektrode lag unter 5 V, was die Effizienz der synaptischen Vorrichtung signifikant verbesserte. Der Einschub in Abb. 2a zeigt die superlineare Beziehung unter dem niedrigen V _ds Regime, was einen guten Schottky-Kontakt zwischen den ReS₂ . demonstriert Kanal- und Source- und Drain-Elektroden. Wie in Abb. 2b gezeigt, I _ds –V _bg Hysteresekurve konnte beobachtet werden, wenn V _bg von − 5 auf 5 V geändert und dann bei einer konstanten Vorspannung von 0,1 V (V _ds =0,1 V). Bei den Messungen wurde eine kleine konstante Spannung von 0,1 V zwischen Source- und Drain-Elektrode angelegt, um den postsynaptischen Strom zu „lesen“. Das Speicherfenster, das die Grundlage für die synaptische Leistung bildete, betrug etwa 3,5 V; so ein großes Speicherfenster hat unser ReS₂ Gerät sehr vielversprechend für synaptische Anwendungen [24]. Da die Spitze des Valenzbandes von ZrO₂ war höher als die von Al₂ O₃ , und das untere Ende des Leitungsbandes war niedriger als das von Al₂ O₃ (siehe Einschub in Abb. 2c), ZrO₂ als Zwischenschicht zwischen Aluminiumoxid verwendet, könnte Ladung effektiv einfangen. Die Energiebanddiagramme unter positiver und negativer Back-Gate-Spannung sind in Fig. 2c bzw. d gezeigt. Beim Anlegen einer positiven Spannung werden Elektronen im ReS₂ Kanal würde zuerst durch die Al₂ . tunneln O₃ Tunnelschicht, dann vom ZrO₂ . eingefangen einfangende Schicht. Im Gegensatz dazu, wenn ITO mit einer negativen Spannung angelegt wurde, sammelten sich Elektronen im ZrO₂ Schicht würde an ReS₂ . gesendet Kanal; die Energiebänder sind in Richtung des Kanals gebogen.

Elektrische Eigenschaften des ReS₂ synaptische Geräte. a Übertragungscharakteristik (I _ds –V _bg ) der ReS₂ synaptische Geräte bei einem festen V _ds Änderung von 100 auf 700 mV in Schritten von 100 mV. b Ausgangskennlinie (I _ds –V _ds ) der ReS₂ synaptische Geräte bei einem festen V _bg Änderung von − 2 auf 2 V in Schritten von 1 V. c Hystereseschleife bei V _bg von ± 5 V Sweep-Bereichen. V _ds wurde auf 100 mV gehalten. d Energiebanddiagramm des ReS₂ synaptische Bauelemente mit positiver Back-Gate-Spannung. Einschub:Energieniveaus von Al₂ O₃ und ZrO₂ . e Energiebanddiagramm des ReS₂ synaptische Bauelemente mit negativer Back-Gate-Spannung

In Abb. 3a wurde ein typischer exzitatorischer postsynaptischer Strom (EPSC) nach Anlegen eines negativen Eingangsimpulses (mit einer Amplitude von − 1 V und einer Dauer von 10 ms) am ITO-Backgate detektiert. Außerdem wurde in Abb. 3b eine hemmende postsynaptische Reaktion auf einen positiven Spannungsimpuls (mit einer Amplitude von 1 µV und einer Dauer von 10 µms) beobachtet, die einer biologischen Synapse ähnlich ist [25]. Das Pulssignal des präsynaptischen Neurons wurde über die Synapse an das postsynaptische Neuron übertragen und in den postsynaptischen Strom (PSC) umgewandelt [26]. Der PSC-Wert wurde durch Pulsamplitude und -dauer bestimmt. Wenn der Puls negativ war, wurden die Elektronen aus den Defekten von ZrO₂ genug Energie gewonnen, um durch das obere Al₂ . zu tunneln O₃ dielektrische Schicht in den ReS₂ Kanal. Der konstante Wert des Stroms war etwas höher als der vorherige Wert (∆PSC =0,04 nA) und konnte lange Zeit gehalten werden. Dieses Phänomen entsprach der Langzeitpotenzierung (LTP) in der biologischen Synapse. Wenn der Puls jedoch positiv war, waren die Elektronen im ReS₂ Kanal getunnelt durch den Al₂ O₃ Schicht unter der Anziehung des elektrischen Feldes und wurden von den Defekten von ZrO₂ . eingefangen . Somit war der konstante Wert des Stroms etwas niedriger als der ursprüngliche Wert und konnte diesen über lange Zeit beibehalten (∆PSC =0,06 nA). Dieser Vorgang entsprach der Langzeitdepression (LTD) in der biologischen Synapse. LTP und LTD stellten ein physiologisches Substrat für das Lernen und das Gedächtnis in synaptischen Geräten bereit. Wenn die negativen Impulse mit einer Amplitude von − 2 V und einer Dauer von 10 ms kontinuierlich mit einem Intervall von 1 s zwischen den Impulsen angelegt wurden, wurde der ansteigende Strom in den beiden Schritten beobachtet, wie in Abb. 3c gezeigt. Die steigenden Stromwerte betrugen 1,6 nA bzw. 1,4 nA. Daher konnte unter den periodischen Gatespannungsimpulsen ein kontinuierlicher und gleichmäßig ansteigender Strom erhalten werden, und der stetige Strom nach der Stimulation könnte lange anhalten, wie in Fig. 3d gezeigt. Diese Erkenntnis lieferte eine Grundlage für den Erhalt der mehreren stabilen leitfähigen Zustände.

Synaptische Leistung des ReS₂ synaptische Geräte. a Der durch den Eingangsimpuls ausgelöste exzitatorische postsynaptische Strom (EPSC) (− 1 V, 10 ms). b Der inhibitorische postsynaptische Strom (IPSC), ausgelöst durch eine präsynaptische Spitze (1 V, 10 ms). c Paar von EPSC-Ausgangsspitzen, ausgelöst durch zwei aufeinanderfolgende Eingangsimpulse (− 2 V, 10 ms und mit einem Intervall von 1 s zwischen den Impulsen). d Retentionseigenschaften des ReS₂ synaptische Geräte nach einer präsynaptischen Spitze von − 3 V und 10 ms

Abbildung 4a zeigt 120 Stromwerte nach Anlegen von 120 negativen Pulsen mit einer Amplitude von – 2 V und einer Dauer von 10 ms und mit einem 1-s-Intervall zwischen den Pulsen. Offensichtlich zeigte die Stromkurve eine ausgezeichnete Linearität, in jedem Zustand wurden 120 wirksame hochstabile Leitfähigkeitszustände erhalten. Unterschiedliche Leitfähigkeitszustände entsprachen unterschiedlichen KNN-Gewichtswerten [27].

Künstliches neuronales Netz zur Gesichtserkennung. a 120 Leitfähigkeitszustände nach Anlegen von 120 negativen Pulsen (– 2 V, 10 ms und mit einem 1-s-Intervall zwischen den Pulsen). b Das dreischichtige KNN mit 1024 Eingangsneuronen, 256 versteckten Neuronen und 15 Ausgangsneuronen. c Flussdiagramm des Trainings-Anerkennungs-Zyklus

In dieser Arbeit wird ein dreischichtiges künstliches neuronales Netz für Gesichtserkennungsaufgaben vorgeschlagen, und seine Struktur ist in Abb. 4b dargestellt, wobei zu sehen ist, dass die Eingabeschicht aus 1024 Neuronen besteht, die 1024 Pixeln eines Bildes entsprechen. die mittlere (versteckte) Schicht besteht aus 256 Neuronen und die Ausgabeschicht besteht aus 15 Neuronen, die 15 Gesichtsklassen entsprechen.

Die Entwicklung des vorgeschlagenen KNN ist wie folgt. Insgesamt 165 Bilder, darunter 15 Arten von Bildern aus der Yale Face-Datenbank [28], werden für KNN-Training und -Tests verwendet. Acht Bilder jedes Typs werden für das KNN-Training verwendet und die verbleibenden drei Bilder jeder Art werden für KNN-Tests verwendet. Da es sich bei den Modulen um glatte Funktionen in Bezug auf ihre Eingaben und ihre internen Gewichte handelt, können die Mehrschichtarchitekturen durch einfachen stochastischen Gradientenabstieg trainiert werden, und die Gradienten werden im Allgemeinen durch das Backpropagation-Verfahren berechnet [29]. Daher verwenden wir den klassischen Algorithmus der Rückwärtspropagation (BP), um unser Netzwerk aufzubauen und zu zeigen, wie der BP-Algorithmus für unser KNN funktioniert.

In dieser Arbeit X _m stellt ein Eingabeneuron dar, daher kann der Eingabewert eines versteckten Neurons wie folgt ausgedrückt werden:

wo V _mn repräsentiert den Gewichtswert zwischen einem Eingabeneuron X _m und ein verstecktes Neuron Y _in , und alle V _mn Bilden der Matrix V mit insgesamt 1024 × 256 Gewichtungswerten; der Anfangswert dieser Matrix wird zufällig zugewiesen. Die Aktivierungsfunktion der versteckten Schicht ist die Sigmoidfunktion, daher ist der Ausgabewert eines versteckten Neurons gegeben durch:

Somit kann der Eingabewert eines Ausgabeneurons ausgedrückt werden als:

wo W _nk repräsentiert den Gewichtswert zwischen einem versteckten Neuron Y _an und ein Ausgabeneuron Z _ik , und alle W _nk Bilde die Matrix W mit insgesamt 256 × 15 Gewichtswerten; der Anfangswert von W _nk wird ebenfalls zufällig vergeben. Außerdem verwenden wir die Sigmoidfunktion als Aktivierungsfunktion der Ausgabeschicht, sodass der Ausgabewert eines Ausgabeneurons gegeben ist durch:

Vergleicht man die oben berechnete Ausgabe mit der korrekten Ausgabe, kann der Gesamtausgabefehler erhalten werden und wird wie folgt ausgedrückt:

wo O _k ist der richtige Ausgabewert. Bisher wurde der Vorwärtsausbreitungsprozess des Netzwerks vollständig beschrieben. Um die Erkennungsrate zu verbessern, wird der Backpropagation-Prozess benötigt, um die Fehler der Gewichte zu berechnen, und sie werden verwendet, um die Netzwerkgewichte in der nächsten Iteration zu aktualisieren.

In den obigen mathematischen Ausdrücken ist ∆V _mn und ∆W _nk repräsentieren jeweils die Fehler von V _mn und W _nk ; Nachdem wir die Fehler zum ursprünglichen Gewicht hinzugefügt haben, erhalten wir das aktualisierte Gewicht V _mn ^′ und W _nk ^′ ; μ ist die Lernrate und μ = 0,06. Nach dem Aktualisieren der Gewichte wird dem KNN ein neues Bild zugeführt und der Gewichtungsaktualisierungsprozess wird wiederholt, bis alle 120 Bilder für das Training verwendet wurden. Als nächstes verwenden wir das trainierte Netzwerk, um die restlichen 45 Bilder zu identifizieren und die Erkennungsrate zu berechnen. Der KNN-Testprozess erfordert nur den Vorwärtsausbreitungsprozess. Jedes zum Testen verwendete Bild erhält nach einer Vorwärtsausbreitung 15 Ausgabewerte. Der Ausgabewert spiegelt die Wahrscheinlichkeit wider, dass das Eingabebild von einem bestimmten Typ ist. Die Ausgabe mit dem maximalen Wahrscheinlichkeitswert wird ausgewählt, und der entsprechende Typ ist der Typ des vom Netzwerk identifizierten Eingabebildes. Die Erkennungsergebnisse werden mit der Standardausgabe verglichen; alle richtig identifizierten Bilder werden gezählt und ihre Gesamtzahl beträgt n . In jedem Trainings-Anerkennungs-Zyklus beträgt die Erkennungsrate r wird gegeben durch:

Im Allgemeinen ist die Erkennungsrate der Ersterkennung sehr gering, und in unserem KNN mit 256 versteckten Neuronen beträgt die Ersterkennungsrate nur 17,78%. Der obige Trainingserkennungsprozess wird wiederholt, bis die maximale Erkennungsrate erreicht ist. Der gesamte Trainings-Erkennungs-Zyklus ist in Abb. 4c dargestellt.

Wie in Fig. 5a gezeigt, waren während des KNN-Entwicklungsprozesses die maximale Erkennungsrate und die steigende Geschwindigkeit der Erkennungsrate (Trainingsgeschwindigkeit) bei einer unterschiedlichen Anzahl von versteckten Neuronen unterschiedlich. Eine größere Anzahl versteckter Neuronen führte zu einer höheren maximalen Erkennungsrate und einer schnelleren Anstiegsgeschwindigkeit, aber auch zu einem erhöhten Energieverbrauch, sodass ein gewisser Kompromiss eingegangen werden sollte. Im Fall von 256 versteckten Neuronen erreichte die Erkennungsrate nach 600 Iterationen des Trainings 100 %, wie in Abb. 5b gezeigt. Da dies definitiv die maximal erreichbare Erkennungsrate war, haben wir in unserem KNN die Anzahl der versteckten Neuronen auf 256 gesetzt. Die Verteilung der Gewichtswerte nach verschiedenen Trainings-Test-Zyklen ist in Abb. 5c dargestellt und zeigt, dass Gewichte wurden nach mehr Zyklen stärker gestreut, dh um eine höhere Erkennungsrate zu erreichen, mussten die Gewichte im KNN angepasst werden. Sobald wir die maximale Erkennungsrate erreicht haben, werden die Matrizen V und W mit dem optimalen Gewichtswert erhalten. Um besser zu demonstrieren, dass unser ReS₂ Gerät ist für KNN geeignet, alle Gewichtswerte in den Gewichtsmatrizen V und W wurden durch die Leitwerte des Geräts ersetzt. Wir haben I . verwendet _j (j = 1, 2, 3⋯120), um 120 Leitwertwerte darzustellen, die nach 120 Zyklen erhalten wurden, und wir haben eine lineare Transformation der ursprünglichen Leitwertwerte vorgenommen, sodass der Leitwertbereich mit dem Gewichtsbereich übereinstimmt, der wie folgt angegeben wurde:

Realisierung der Gesichtserkennung. a Erkennungsratenkurve bei unterschiedlicher Anzahl versteckter Neuronen (32, 64, 128 und 256). b Erkennungsratenkurve bei 256 versteckten Neuronen; die Wiedererkennungsrate erreicht nach fast 600 Trainings-Test-Epochen 100 %. c Die Verteilung der Gewichtswerte nach 10 bis 90 (in 20er Schritten) Trainingsepochen. d Die Verteilung der Gewichtswerte nach 100 bis 600 (in 100er Schritten) Trainingsepochen. e Anerkennungsquote nach der Ersetzung; die Gewichtswerte wurden nach 100~500 Trainingsepochen ersetzt (in 100er Schritten)

wobei C _j repräsentiert den Gewichtswert nach der linearen Transformation. Im Fall von 600 Zyklen waren die linearen Transformationskoeffizienten A = 1,3769 × 10 ¹⁰ und B =  − 65.784. Als nächstes haben wir jedes C . abgezogen _j von jedem Gewichtswert und ersetzt den Gewichtswert durch C _j das den kleinsten absoluten Wert nach der Subtraktion hatte; nämlich berechneten wir min|V _mn − C _j |, min|W _nk − C _j | und ersetzte jeden Gewichtswert durch das entsprechende C _j . Auf diese Weise haben wir neue V . erhalten und W Gewichtsmatrizen, bei denen alle Gewichtswerte durch C . ersetzt wurden _n . Dann haben wir unsere neuen Gewichtsmatrizen in KNN-Tests verwendet und die KNN-Erkennungsrate von 100 % erreicht, was bewies, dass unsere 120 Leitfähigkeitszustände perfekt als Gewichtswerte im KNN verwendet werden können. Zum Zwecke der weiteren Analyse haben wir die Gewichtswerte nach 100~500 Trainingszyklen (in Schritten von 100) ersetzt, und die nach dem Ersetzen erhaltenen Identifikationsergebnisse stimmen vollständig mit dem ursprünglichen überein, wie in Abb. 5d gezeigt. Dies beweist, dass diese 120 Stromwerte über 10 ⁵ . perfekt ersetzen könnten Gewichtswerte zur Berechnung. Durch weitere Erhöhung der Anzahl der Gate-Impulse konnten mehr Leitfähigkeitszustände erreicht werden, was bewies, dass unser ReS₂ Gerät könnte in einem großen neuronalen Netzwerksystem verwendet werden.

Schlussfolgerungen

In dieser Arbeit stellen wir einen High-k-Dielektrikumstapel basierend auf 2D ReS₂ vor synaptische Vorrichtung und demonstrieren einige grundlegende synaptische Verhaltensweisen wie Langzeitpotenzierung und Langzeitdepression. Die Ergebnisse zeigen, dass unser ReS₂ Gerät kann die synaptische Leistung gut simulieren. Außerdem wird ein KNN konstruiert, um die Anwendung des vorgeschlagenen Geräts in künstlichen neuronalen Netzen zu beweisen. Durch Anlegen von 120 periodischen Gatespannungsimpulsen werden 120 effektive, klar unterschiedene Leitfähigkeitszustände erhalten, und sie werden verwendet, um mehr als 10 ⁵ . zu ersetzen Gewichte im KNN zur Gesichtserkennung. Die Wiedererkennungsrate von 100 % wird nach dem Austausch erreicht. Dieses hervorragende Ergebnis zeigt, dass unser ReS₂ Synapse kann verwendet werden, um ein künstliches neuronales Netzwerk aufzubauen.

Verfügbarkeit von Daten und Materialien

Die Autoren erklären, dass die Materialien, Daten und zugehörigen Protokolle den Lesern zur Verfügung stehen und alle für die Analyse verwendeten Daten in diesem Artikel enthalten sind.

Abkürzungen

2D:

Zweidimensional

ALD:

Atomlagenabscheidung

ANN:

Künstliches neuronales Netzwerk

LTD:

Langzeitdepression

LTP:

Langzeitpotenzierung