南科大于洪宇、王中锐课题组在氮化镓感算一体器件及系统领域取得新进展

2024-09-20 科研聚焦 浏览量：938

近日，南方科技大学深港微电子学院于洪宇、王中锐教授课题组在氮化镓感算一体器件及系统领域取得新进展，双方合作在学术期刊Device上发布研究类论文。

物联网（IoT）和人工智能（AI）的快速兴起，促成了智能边缘传感生态系统的发展。其中，智能气体传感器受到了极大关注，并在环境监测、工业安全和医疗信息学等多种应用领域展现出巨大的潜力，智能气体传感器被期望具备能源效率高、小型化和计算友好等特性，以满足智能边缘传感生态系统的需求。然而，传统的智能气体传感系统由于传感器准静态特性、处理器和内存的物理分离以及繁琐的训练算法，面临着硬件和软件的双重挑战。

在硬件方面，传统的智能气体传感系统是准静态的，缺乏提取复杂气体模式的空间或时间特征的能力。因此，需要将气体传感器连接到后端数字计算机进行信号处理。由于传感、内存和处理组件之间的物理分离，这种方法不可避免地会因频繁的模数转换和数据传输而导致显著的能量和时间开销。此外，传统的气体传感机制依赖于基于电荷载流子交换和气体传感材料表面传输的物理吸附和化学反应，这需要较大的器件面积开销，在边缘系统的小型化应用方面存在挑战。在软件方面，利用梯度下降和误差反向传播的传统实时学习方法在计算资源有限的智能边缘传感系统上是难以承受的。

图1. 基于GaN器件的智能气体传感系统。 

针对这些挑战问题，于洪宇、王中锐课题组通过器件-算法协同设计，创新性地利用GaN器件的衰减记忆特性和栅极电压可调性结合储池计算，合作开发了基于GaN器件的智能气体传感系统（图1）。在硬件方面，采用基于GaN的高电子迁移率晶体管（HEMTs）作为气体传感器，基于GaN气体传感器对空间/时间气体模式表现出非线性动态响应并提取其特征，并通过调节传感器的栅极偏压来重新配置这种非线性，从而适应不同的气体动态。此外，GaN HEMTs不仅可以作为气体传感器，还可以作为信号处理器和存储单元，这种传感器内（in-sensor）计算减少了频繁的模数转换需求，并避免了传感器、处理器和内存之间的物理分离，有利于提高系统效率、降低能耗。通过版图布局优化，可以将器件尺寸缩微至几个微米，减少边缘系统的占用空间。在算法方面，我们采用储池计算（reservoir computing-RC）进行复杂气体模式的实时边缘学习。RC系统包括一个由GaN HEMTs物理实现的储备层，而只需要优化一个轻量级的单层读出映射，显著降低了训练复杂。利用具有不同动态响应的多个GaN HEMTs来编码相同的时序气体模式，提高了RC系统的识别能力，能够适应不同气体条件下的多种任务。

在此工作中，团队实验性地展示了这种用于智能气体传感的传感器内储备计算（RC）系统。所制备的GaN HEMTs器件在广泛的温度范围内表现出对气体的可靠电气响应和栅极电压可调的动态特性（图2）。随后，团队利用这些特性开发了一种基于GaN HEMTs的储池计算（RC）系统，用于学习复杂的气体模式，并在两个示例中展示了其应用能力：气体MNIST模式分类识别和大鼠缺血再灌注损伤诊断（图3）。归功于GaN器件的栅极可调非线性动态响应，RC系统分别实现了92.33%和89.28%的准确率，优于不具备栅极可调非线性动态响应的系统（91.28%和71.42%）。此外，与两层全连接神经网络相比，该系统显著降低了99.84%和99.58%的训练成本。为了将所提出的方法扩展到更实际的应用中，我们还进行了复杂气体混合物识别，并在总结了需要时间气体模式分类的潜在实际应用。

图2. GaN HEMTs器件的气体响应特性表征。

基于GaN HEMTs的传感器内RC系统不仅在低训练复杂度和高能效的情况下实现了高精度分类，还突出了栅极电压可调动态响应对系统学习性能的益处。与其他智能气体传感系统的比较，所提出的方法的主要优点包括：1.首次实现了用于时序气体信号分类的in-sensor RC系统；2.利用栅极电压调制动态显著提高了性能；3.器件响应时间快（<4s）且功耗低（~350nW）。这些发现为开发用于未来物联网应用的智能、高效和实时学习的气体传感器提供了有效的解决方案。

图3. GaN HEMTs储池计算（RC）系统应用：MNIST模式分类和缺血再灌注损伤诊断。

该成果以 “In-sensor Reservoir Computing for Gas Pattern Recognition using Pt-AlGaN/GaN HEMTs” 为题发表于《Device》。香港大学访问博士生蒋洋和南科大-港大联合培养博士生史书慧为论文共同第一作者，南方科技大学于洪宇教授、汪青研究教授、王中锐副教授为论文共同通讯作者。研究工作得到国家自然科学基金、广东省、深圳市、香港基金支持。

于洪宇课题组介绍：

于洪宇教授，南方科技大学深港电子学院院长，国家青年特聘专家、广东省科技创新领军人才，享受深圳市政府特殊津贴，英国工程技术学会会士(Fellow of IET)。主要研究第三/四代半导体等电子信息领域，在半导体器件物理及制造领域累计发表学术论文450余篇，其中SCI 论文200 余篇，包括IEDM、VLSI、EDL、APL等一流电子器件会议及期刊，总他引次数5900余次，H 影响因子为46。申请/授权21 项美国/欧洲专利以及80余项国内专利，其中近30项专利作价近700万进行产学研转化。作为项目负责人，承担超过1亿人民币国家/省/市/以及横向科研项目（包括新加坡主持项目）。成功筹建南科大深港微电子学院（国家示范性微电子学院）、未来通信集成电路教育部工程研究中心、广东省GaN器件工程技术中心、广东省三维集成工程研究中心和深圳市第三代半导体重点实验室。目前，在南方科技大学建有1200平米超净室，具备完整6英寸工艺线，拥有华南地区领先的宽禁带半导体器件和系统的设计/制作/封装/测试平台。

王中锐课题组介绍：

王中锐博士，现任南科大深港微电子学院长聘副教授，国家优秀青年基金（港澳）获得者，Clarivate高被引学者，致力于利用新型忆阻器件和III-V族半导体器件进行具有生物启发性的存内计算和感知计算。重点研究方向研究主要集中在基于新型存算架构的机器学习和类脑计算。通讯作者和第一作者论文发表在Nature Review Materials、Nature Materials、Nature Electronics（4篇）和Nature Machine Intelligence（2篇）等期刊，以及DAC, ICCAD, ICCV等会议。论文在Google Scholar上获得了近16,000次引用（h指数为41），并被40多家新闻媒体报道，包括IEEE Spectrum、Scientific American、Science Daily、Phys.org和ACM通讯等。王中锐博士是IEEE电子器件学会纳米技术委员会的成员，并担任InfoMat、Materials Today Electronics、Frontiers in Neuroscience和APL Machine Learning等期刊的编辑委员会成员。

论文信息：

In-sensor Reservoir Computing for Gas Pattern Recognition using Pt-AlGaN/GaN HEMTs

Yang Jiang†, Shuhui Shi†, Shaocong Wang, Fangzhou Du, Peiran Wang, Ning Lin, Wennao Li, Yi Zhang, Leiwei He, Robert Sokolovskij, Jiaqi He, Mujun Li, Dingchen Wang, Xi Chen, Qing Wang*, Hongyu Yu*, and Zhongrui Wang* († These authors contributed equally)

Device 3, 100550 (2025)

DOI：10.1016/j.device.2024.100550

论文链接：https://www.cell.com/device/fulltext/S2666-9986(24)00472-1