深港微电子学院周菲迟课题组在Nano Letters发表高性能自整流忆阻器及神经形态计算应用新成果

2023-04-19 科研聚焦 浏览量：17487

南方科技大学深港微电子学院副教授周菲迟团队与中科院半导体所程传同副研究员、黄北举研究员团队合作在高性能自整流忆阻器及神经形态计算领域取得重要进展。相关研究以“A Self-Rectifying Synaptic Memristor Array with Ultrahigh Weight Potentiation Linearity for a Self-Organizing-Map Neural Network”为标题发表在国际顶级期刊Nano Letters上（自然指数期刊，中科院SCI一区）。江碧怡、张恒杰为论文共同第一作者，周菲迟副教授为最后通讯作者，黄北举研究员、程传同副研究员为共同通讯作者，南科大为论文第一通讯单位，该工作也得到了香港理工大学柴杨教授的支持。

背景介绍

与传统的冯·诺依曼计算体系结构相比，基于神经形态器件的神经形态系统能够模仿人脑中生物网络结构和计算方式，展现出高能效、高时间效率、高连接性和鲁棒性强等卓越优势，适用于大数据时代的各种数据密集型和数据非确定型应用。基于氧化物的两端忆阻器由于其可调的电导率、超低能耗、大规模可扩展性、CMOS兼容性和高密度三维集成潜力而常作为神经形态突触器件，用于实现各类神经网络。然而，大规模忆阻器阵列中存在的潜行电流会不仅会导致阵列运算结果无法准确读取且带来额外能耗，导致神经网络的准确率降低，训练能耗增加。相比于已有的将每个RRAM串联到一个晶体管、一个选择器或一个二极管 (1T1R、1S1R、1D1R)等解决方案，具有自我抑制潜行电流功能的自整流(SR)-突触忆阻器不会增加电路的额外消耗和复杂性，在实现高密度和高效的神经形态计算展现了很大的潜力。然而，当前SR -突触忆阻器面临着权值非线性增强和陡降的严峻挑战，阻碍了其在传统人工神经网络(ANN)中的应用。针对这一挑战，该工作提出了一种超高线性度自整流忆阻器突触阵列(Pt/NiO_x/WO_3−x:Ti/W)，具有潜行电流抑制特性和高达0.9997的超高权重增强线性度，且首次提出了一种用于方向识别任务的无监督自组织映射(SOM)神经网络。该网络具备对方向识别数据库中的噪声和SR-突触的非线性权值更新特性的高容忍能力，因此能够在强噪声方向识别任务上达到98%的高准确率。这一工作解决了将自整流突触器件应用于传统神经网络时面临的主要挑战，扩展了将大规模氧化物SR突触阵列应用于高密度、高效和高精度神经形态计算领域的可行性。

器件阵列特性

为了克服上述将SR-突触忆阻器阵列应用于神经网络实现中的挑战，该工作设计了一种双层氧化物SR-突触忆阻器器件，该器件具有氧离子/氧空位分布调制的电阻变化机制，实现了高线性权重增强和可抑制泄漏电流的界面势垒。该器件表现出自整流和单向开关特性，且具有典型的突触行为（图1）。与之前的工作相比，本工作中表现出最高权重更新线性度0.9997(非线性0.0017)。利用此SR-突触忆阻器器件的I-V非线性临界开关特性，其阵列能够实现图像对比度增强和背景滤波功能。（图2）

图 1具有Pt/NiO_x/WO_3−x:Ti/W结构的SR-突触忆阻器特性及机理；(a) SR-突触忆阻器器件结构；(b)突触忆阻器在循环DC信号下展现的开关特性； (c)SR-突触忆阻器的脉冲电导调控特性；(d) 突触忆阻器机理示意图。

图2.基于Pt/NiO_x/WO_3−x:Ti/W自整流突触忆阻器阵列实现的图像噪声过滤。(a) 阵列结构；(b) 将@字符上的像素信息映射到突触阵列的示意图；(c) 通过SR-突触阵列实现的@和%图像噪声过滤。

神经形态计算应用

以该SR-突触忆阻器为基础，该工作建立了一种基于SR-突触阵列的自组织映射(SOM)网络，用于方向识别。SOM网络作为一种受人脑工作模式启发的无监督和自组织神经网络，不仅具有向量编码功能，而且具有受大脑皮层中存在的感觉图启发的拓扑组织功能，适合于聚类和模式识别任务，具有较强的噪声容忍能力。采用SR-突触忆阻器阵列实现的SOM网络不仅对噪声和SR-突触的权值非线性陡降行为表现出较高的抗压能力，同时由于器件具有超高权值增强线性度，使得实现的SOM网络具有较高训练效率和准确性，能够达到98%的高方向识别精度，展现出了对输入图像噪声的鲁棒性。

图3.基于SR-突触记忆器阵列的自组织映射神经网络(SOM)实现的方向识别。(a) SOM神经网络的结构图； (b) 优化的突触（左）和未优化的突触（右）的权重更新特性；(c)优化的突触阵列和未优化的突触阵列实现的SOM神经网络的相应识别精度。(d)训练前和训练1、10、40、100组图片后的权重分布图；(e, f) 基于优化的突触阵列和未优化的突触阵列实现的SOM竞争的36个神经元在方向识别训练过程中的突触权重图。优化的突触非线性度为0.0017，未优化的突触非线性度为4.92。

文章链接

https://pubs.acs.org/doi/10.1021/acs.nanolett.2c03624

A Self-Rectifying Synaptic Memristor Array with Ultrahigh Weight Potentiation Linearity for a Self-Organizing-Map Neural Network, Hengjie Zhang, Biyi Jiang, Chuantong Cheng*, Beiju Huang*, Huan Zhang, Run Chen, Jiayi Xu, Yulong Huang, Hongda Chen, Weihua Pei, Yang Chai, and Feichi Zhou*, Nano Letters, 2023, https://doi.org/10.1021/acs.nanolett.2c03624