Hochleistungs-ReS₂-Ladungsfalle-Synaptisches Gerät erreicht 100 % Gesichtserkennungsgenauigkeit

Zusammenfassung

Synaptische Geräte bilden die Grundlage der nächsten Generation energieeffizienter, hochgeschwindiger neuromorpher Systeme. Wir haben eine auf anisotropem Rheindisulfid (ReS₂) basierende Ladungsfalle-Synapse gefertigt, die langfristige Potenzierung und Depression getreu reproduziert. Zur Validierung ihrer Eignung für große neuronale Netze trainierten wir ein dreischichtiges künstliches neuronales Netz (ANN) mit 120 Bildern aus der Yale Face-Datenbank und testeten es an 45 unbekannten Bildern. Durch Abbildung von 120 fein einstellbaren Leitfähigkeitszuständen des ReS₂-Geräts auf die >10⁵ Gewichte des ANNs erreichte das Netzwerk eine perfekte Erkennungsrate von 100 %, was das Potenzial des Geräts für praktische neuromorphe Anwendungen demonstriert.

Hintergrund

Traditionelle Von-Neumann-Architekturen trennen Berechnung vom Speicher, was einen Bandbreiten-Flaschenhals und hohen Energieverbrauch schafft. Im Gegensatz dazu operiert das menschliche Gehirn mit ≈ 20 W, indem es ein hochvernetztes Netzwerk von ~10¹¹ Neuronen und ~10¹⁵ Synapsen nutzt. Synaptische Plastizität – die dynamische Anpassung des synaptischen Gewichts – ist der Kernmechanismus, der Lernen und Gedächtnis ermöglicht.

Zweidimensionale (2D) Materialien wie Graphen, Übergangsmetall-Dichalkogenide (TMDCs) und schwarzer Phosphor haben sich als vielversprechende Kanalmedien für künstliche Synapsen erwiesen. Während symmetrisch-gitterige TMDCs (MoS₂, WSe₂) die Literatur dominieren, bietet Rheindisulfid (ReS₂) eine verzerrte 1T-Struktur mit direktem Bandabstand bis zu zehn Lagen, was die Fertigung vereinfacht und robustes Ladungsfangen ermöglicht.

Bisherige synaptische Demonstrationen konzentrierten sich auf kurzfristige Plastizität, mit nur wenigen Berichten, die langfristige Potenzierung/Depression erfassen und Leitfähigkeitszustände in ANN-Berechnungen integrieren. Unsere Arbeit schließt diese Lücke, indem sie ein ReS₂-Gerät bereitstellt, das nicht nur LTP/LTD emuliert, sondern auch 120 stabile Leitfähigkeitsniveaus liefert, die als ANN-Gewichte nutzbar sind.

Methoden

Der Gerätestapel (Abbildung 1d) besteht aus einem 70-nm ITO-Rückengate auf 200-nm SiO₂/Si, einer 12/4/4-nm Al₂O₃/ZrO₂/Al₂O₃-Ladungsfalle-Schicht, die durch ALD gewachsen wurde, und einem mechanisch exfolierten ~3,6-nm (≈ 5-Lagen) ReS₂-Kanal mit Ti/Au Source/Drain-Kontakten (10/70 nm). Die Kanallänge beträgt 1,5 µm, und die ReS₂-Kristallorientierung entlang der b-Achse wurde wegen ihrer überlegenen Elektronenbeweglichkeit gewählt. Gepulste Rückengatesspannungen modulieren das Gerät, während eine konstante 0,1-V Drain-Source-Vorspannung den postsynaptischen Strom ausliest.

Ergebnisse und Diskussion

Abbildung 2a zeigt ein Ein/Aus-Verhältnis >10⁶ bei V_ds = 100–700 mV, was eine starke Kanalsteuerung durch das 20-nm ITO-Gate bestätigt. Die Transferkennlinien zeigen einen superlinearen Niedrig-V_ds-Bereich, was auf gute Schottky-Kontakte hinweist. Ein 3,5-V-Speicherfenster wird in der I_bg-Hysterese beobachtet (Abb. 2b), was effizientes Ladungsfangen in der ZrO₂-Schicht widerspiegelt (Abb. 2c,d).

Exzitatorische postsynaptische Ströme (EPSC) und inhibitorische postsynaptische Ströme (IPSC) werden durch −1 V/10 ms bzw. +1 V/10 ms Rückengate-Pulse ausgelöst (Abb. 3a,b). Negative Pulse induzieren LTP durch Elektroneneinschuss in den ReS₂-Kanal; positive Pulse erzeugen LTD durch Elektronenfangen in ZrO₂. Wiederholte −2 V Pulse mit 1-s-Intervallen erzeugen einen monotonen Stromanstieg (Abb. 3c,d), was die Generierung mehrerer stabiler Leitfähigkeitszustände ermöglicht.

Nach 120 aufeinanderfolgenden −2 V, 10 ms Pulsen zeigt das Gerät 120 linear abgestufte Leitfähigkeitsniveaus (Abb. 4a). Diese Ebenen bilden direkt die >10⁵ ANN-Gewichtswerte ab, wie in der 3-Schicht-ANN-Architektur illustriert (Abb. 4b): 1024 Eingangsneuronen, 256 verborgene Neuronen und 15 Ausgabe-Klassen. Training auf 120 Yale Face-Bildern und Test an 45 unbekannten Bildern erreicht das Netzwerk nach 600 Trainingsiterationen 100 % Genauigkeit (Abb. 5b). Gewichtsverteilungen konvergieren zu einem gestreuten Wertesatz, der dann über eine lineare Transformation C_j = A I_j + B (A = 1,3769 × 10¹⁰, B = −65,784) auf die 120 Leitfähigkeitszustände abgebildet wird. Das Einsetzen dieser Leitfähigkeitswerte in das ANN bewahrt die 100 % Erkennungsrate und bestätigt die Tauglichkeit von ReS₂-Synapsen für große neuronale Netze.

Schlussfolgerungen

Wir haben ein Hoch-k-Dielektrika-gestapeltes ReS₂-Synaptisches Gerät demonstriert, das zuverlässig langfristige Potenzierung und Depression exhibiert. Durch Anlegen von 120 periodischen Gate-Pulsen liefert das Gerät 120 distinkte, stabile Leitfähigkeitszustände, die >10⁵ ANN-Gewichte ersetzen und perfekte Gesichtserkennungsgenauigkeit erreichen. Diese Ergebnisse etablieren ReS₂ als überzeugende Plattform für neuromorphe Hardware.

Verfügbarkeit von Daten und Materialien

Die Autoren bestätigen, dass alle Daten, Materialien und Protokolle für Leser verfügbar sind und vollständig in diesem Artikel enthalten sind.

Abkürzungen

2D:

Zweidimensional

ALD:

Atomlagenabscheidung

ANN:

Künstliches neuronales Netz

LTD:

Langzeitdepression

LTP:

Langzeitpotenzierung