基于氧化还原的晶体管作为神经形态计算的储存系统
随着人工智能、图像识别、物体检测等领域的重大突破，计算领域近年来发生了一场引人注目的革命。作为一个数据驱动的领域，对大型复杂数据集的高效分析和处理对于计算来说至关重要。为了提高数据驱动任务的效率和速度，研究人员正在探索识别数据中固有的复杂模式和关系的可能性，以开发高性能“神经形态”计算技术。这种尖端方法旨在复制大脑以并行和互连的方式处理信息的能力。通过这样做，它试图构建一个能够将数据转换为适合复杂任务(例如模式识别、
类似于神经网络的物理储存库接收输入信号或数据并与之交互，其组成元素(即神经元及其互连)随时间动态变化。这些储层状态代表了特定点的物理系统，并且在将输入信号转换为高维表示方面发挥着至关重要的作用。然而，确保物理储层的高维性以实现足够多的储层状态是一项具有挑战性的任务。
现在，在《高级智能系统》杂志上发表的一项研究中，由东京理科大学 (TUS) 副教授 Tohru Higuchi 领导的日本研究人员开发了一种基于氧化还原反应的离子门控库 (redox-IGR)，可以实现水库状态数量创历史新高。随着这一进展，Higuchi 博士与启迪科技大学的 Tomoki Wada 先生和 Daiki Nishioka 先生以及日本国立材料科学研究所 (NIMS) 的 Takashi Tsuchiya 博士和 Kazuya Terabe 博士一起提出了以下可能性：将更高性能的神经拟态计算技术转化为现实。
离子门控储液池由栅极、漏极和源极组成，并由电解质隔开，电解质充当控制离子流的介质。向栅极施加电压会触发连接源极和漏极的通道内的氧化还原反应，从而产生可以精确调制的漏极电流。因此，将时间序列数据集转换为栅极电压可以允许相应的输出电流充当不同的储存状态。
在这项研究中，研究人员使用锂(Li +)离子导电玻璃陶瓷(LICGC)作为电解质。在 LICGC 中，与沟道相比，Li +离子的移动速度更快，从而产生两个输出电流——漏极电流和额外的栅极电流，从而有效地将储存状态的数量加倍。此外，通道和电解质中离子传输的不同速率导致漏极电流与栅极电流的响应延迟。这种延迟响应使系统内具有短期记忆能力，使储层能够保留和利用过去输入的信息，这是物理储层的关键要求。
为了制造该器件，研究人员在 0.15 毫米厚的 LICGC 基板上沉积了 200 纳米厚的锂钴氧化物 (LiCoO 2 )薄膜。栅极由锂离子/铂 (Pt) 薄膜组成，而 Pt 薄膜用于漏极和源极。连接漏极和源极的沟道由 100 nm 厚的氧化钨 (VI) (WO 3 ) 薄膜组成。
“我们利用 Li +离子嵌入和解吸到 Li x WO 3薄膜中引起的氧化还原反应，成功地再现了与神经回路类似的电特性，” Higuchi 博士解释道。
该器件展示了卓越的功能，总共实现了 40 种储存状态(20 种来自漏极电流，20 种来自栅极电流)。在求解二阶非线性动态方程时，它的性能优于其他物理储存器，例如忆阻器和自旋转矩装置。最值得注意的是，非线性、短期记忆能力和大量储层状态使该设备能够在二阶非线性自回归移动平均 (NARMA2) 任务中以 0.163 的低均方预测误差进行预测 —基准测试，用于评估水库系统执行复杂非线性运算的性能，并根据过去的输入和输出值预测时间序列输入的未来值。
在解释这一发展对现实生活的影响时，樋口博士总结道：“所开发的系统有潜力成为一种通用技术，未来将在包括计算机和手机在内的各种电子设备中得到应用。”
版权声明：本文由用户上传，如有侵权请联系删除！