调制窗口多端离子栅控晶体管的储备池计算
背景介绍
为了克服冯诺依曼瓶颈，提高算力的同时并降低功耗，以人工神经网络（ANN）为架构、新型忆阻器件作为计算单元的全硬件计算平台是一个极具吸引力的课题。其中储备池计算（RC）是一种低训练成本、善于处理复杂时空信息的计算架构。典型的RC系统由储备池层和读出网络组成。作为RC系统的核心，储备池层中丰富的非线性元素在无需训练的情况下即可将输入数据映射到高维空间中。
相反，读出网络需要非易失性存储器的连续电导状态切换特性来进行寸内计算。因此，目前基于忆阻器件的全硬件RC系统通常需要使用两种类型的忆阻器件（易失型和非易失型）才能实现，这无疑为全硬件RC系统带来了制造和集成的复杂性。此外，由于储备池层易失性忆阻器件的时间动力学可调性有限，以及读出层非易失性忆阻器件中多个电导态的线性度较低，目前基于全忆阻器的硬件RC系统在计算效率和精度方面存在瓶颈。
成果简介
为了克服这些挑战，中山大学刘阳辉副教授等人提出了一种结合静电调控和电化学掺杂机制的多端电解质栅控晶体管(MTEGT)。通过多个栅极对沟道的协同调控和改变晶体管的栅极电压工作范围，将具有极宽时间动力学调制窗口（高达两个数量级）的可调易失性动力学和具有高线性度的非易失性存储特性集成到单个晶体管器件中。
除了利用MTEGT中的易失性/非易失性动力学实现了对突触功能的短程可塑性/长程可塑性（STP/LTP）的模拟，并且通过对不同输入模式下MTEGT合理的任务分配构建了一个仅由一种MTEGT就能完全实现的物理RC系统，并将其用于图像识别。此外，MTEGT构成的并行物理储备池计算架构在时间序列预测任务中实现了0.002的超低归一化均方误差。以上研究表明，以MTEGT为代表的多端晶体管将成为下一代低硬件成本和高计算性能的多功能神经形态计算器件的潜在方案之一。
图文导读
3.1基于MTEGT的全硬件RC系统实现方案
该团队报道了一种采用一种多端晶体管器件实现储备池计算的方案。其中储备池层是通过双侧栅对沟道的协同调控实现，读出层则通过底栅对沟道电导的连续改变来实现。
图1.并行储备池架构和MTEGT的示意图
3.2底栅工作模式下晶体管的突触性能测试
得益于底栅模式下晶体管在不同电压范围内能够通过静电调控和电化学掺杂机制对沟道进行短时程/长时程的调控，包括兴奋性后突触电流（EPSC），双脉冲易化（PPF）在内的多种突触行为在MTEGT上被验证。并且在加大脉冲电压强度之后观察到了STP向LTP转变的现象（转变阈值电压约为2.5V），通过在底栅上输入连续30个正/负脉冲，得到了具有良线性度的连续沟道电导变化。
图2.底栅工作模式下MTEGT的电学性能表征及突触行为模拟
3.3侧栅工作模式下多个储池状态的获取
该团队设置了两个侧栅端参与对沟道电导的调控，分别是输入端（G1）和控制端（G2）。G1作为信号输入端，而G2则通过设置不同的偏置电压来改变G1对沟道电导的调控能力。通过这种方法，该团队演示了在同一沟道上获取至少十个具有不同时间动力学的储池状态的过程，并通过提取电流衰减的弛豫时间证明了MTEGT具有宽的时间动力学调制窗口，即在不超过2V的偏置电压变化窗口内（-0.8V~1.0V），电流衰减的时间尺度发生了两个数量级的变化（70ms ~ 11.7 s）。
图3.多侧栅对沟道电导的协同调控
3.4 基于全MTEGT的RC系统用于实现手写字体识别功能
在手写字体是别的任务中，基于全MTEGT的RC系统在100个训练周期后取得了超过83%的识别精度，尽管这一成绩低于混合RC系统（即储备池层采用MTEGT实现而读出层网络的训练仍旧在传统计算平台CPU上进行）的89%，但在功耗方面的领先是巨大的。
图4.基于MTEGT的全硬件RC系统用于执行手写字体识别任务
3.5基于MTEGT的并行RC系统用于实现二阶非线性动力学方程的求解即预测
为了进一步验证基于MTEGT的RC系统在处理时序相关信息的能力，该团队进行了一个二阶非线性动力学方程的求解即预测（NARMA2）任务，预测值与真实值之间的归一化均方误差（NMSE）被用于评估RC系统处理相关信息的能力。在不同规模的物理储备池（M×N，M为并行储备池的个数，N是实际参与计算的时间节点数）的处理后，得到的预测值与真实值之间的NMSE与储备池规模之间的关系如图5（e）所示，其中NMSE最低可达0.002。在与其它类似工作的比较中，基于MTEGT的RC系统无论是在预测精度还是所消耗器件数上都具有明显的优势。
图5.基于MTEGT的并行物理储池用于执行NARMA2任务
文章信息
Liu K, Li J, Li F, et al. A multi-terminal ion-controlled transistor with multifunctionality and wide temporal dynamics for reservoir computing. Nano Research, 2023
- 发表于:
- 原文链接：https://page.om.qq.com/page/O1Ubg7y3owaEGMbPLEL59WQA0
- 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号（企鹅号）传播渠道之一，根据《腾讯内容开放平台服务协议》转载发布内容。
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
