福大团队提出晶体管多神经形态功能器件，将硬件网络速度提高200

　　开发高效的神经形态硬件网络对于实现复杂的人工智能至关重要。受限于冯诺依曼架构，传统计算机的计算效率难以提升。
　　现今，出现了可模仿生物大脑结构和操作的神经形态芯片，其能够高效且节能地运行大数据和人工智能算法等复杂计算机任务。然而，目前已提出的神经形态芯片需要大规模的设备才能构成复杂的网络结构。
　　近日，福州大学物理与信息工程学院陈惠鹏教授团队首次提出一种基于二维材料MXene的多神经形态功能器件——可切换神经元突触晶体管（switchable neuronal-synaptic transistor，简称 SNST ），打破了神经元模块与神经元之间的物理界限。
　　图 | 陈惠鹏（来源：陈惠鹏）
　　研究人员表示，SNST 是一种自上而下、兼具高精度和高效率的可转换神经形态器件，在制造工艺、资源利用率和运算速度等方面，对实现高效、准确神经拟态硬件系统有重要意义。
　　6 月 24 日，相关论文以《用于高效神经形态硬件网络的可编程神经元突触晶体管》（Programmable Neuronal-Synaptic Transistors Based on 2D MXene for High Efficiency Neuromorphic Hardware Network）为题在   Matter   上发表，陈惠鹏教授担任通讯作者，第一作者为福州大学物理与信息工程学院博士生张翔鸿。
　　图 | 相关论文（来源：Matter）
　　据了解，神经形态芯片的基本单元研究主要集中在神经元器件和突触器件两方面，它们是构成生物大脑中神经网络的两个基本单元。据了解，SNST 由 Ag 和 2D MXene (Ti3C2Tx ) 掺杂的聚乙烯醇/氧化铟锡组成，其具有两种不同的电阻切换模式和记忆模式，可以在单个设备上构建人工神经元和突触。
　　研究中，该团队首先测量了 SNST 的突触功能。其具体机制为，对于金属-绝缘体-半导体结构，当栅电极施加足够大的正电压时，半导体/介质界面处有源层的能带向下弯曲，尾态接近费米能级，大量电子积累形成导电通道；若在源极接地的情况下对 SNST 的漏极施加正电压，则大部分电子将通过导电沟道不断地从源极流向漏极。
　　而在富含羟基的 PVA 聚合物中会出现质子传导现象。当施加正 VG 时，正质子 (H+) 向 ITO 通道迁移，负羟基迁移朝向栅电极形成双电层。去除外加电压后，这些带电粒子由于浓度梯度不同，会向与原路径相反的方向扩散，但扩散速度比外加电场引起的漂移速度慢。
　　因此，当施加一系列正电压脉冲时，带电粒子会在 ITO 通道和栅电极的界面处聚集，导致通道中的电流增加。
　　当对 SNST 施加固定电压时，其漏极和源极之间的电流 (以下简称为 ID ) 是由栅极电压脉冲控制。在施加栅极电压脉冲之前，ID 在正电压脉冲期间保持稳定并处于高电平，随着栅极电压脉冲的施加，ID 会突然增加，随后又缓慢恢复到稳定状态，其衰减的速度与栅极电压脉冲的幅度有关，这种行为类似于生物大脑中的兴奋性突触后电流。相应地，抑制性突触后电流的行为也可以通过 SNST 通过向栅电极施加负电压脉冲来模拟。
　　图 | 经典的神经形态芯片（来源：Matter）
　　此外，当向 SNST 的栅极施加一系列电压脉冲时，ID 的响应类似于从短期记忆到长期记忆，且 ID 的响应随着正脉冲数的增加而增强，脉冲后的稳定状态也增强。这些都表明 SNST 具有稳定的突触特性，可胜任神经形态芯片中的人工突触角色。
　　除了突触，神经元是神经形态芯片的另一个重要组成部分，其通过模拟神经元膜上受体接收神经递质，并电位差放电的过程实现累计-爆发的计算。
　　据了解，SNST 的神经元模型类似于一个带有漏极的两端忆阻器，当仅施加一个输入信号时，SNST 可以执行时间积分，并在施加几个脉冲后触发输出尖峰；当产生输出尖峰时，其输出波形的幅度会突然增加到 4 倍以上。而且，SNST 的神经元特性由四个不同的维度控制，这大大提高了其在实际电路中的适用性。
　　图 | SNST 的示意图和 MXene 的分子结构（来源：Matter）
　　具体来说，SNST 的神经元功能机制是，其含有的 Ag +可以吸附在掺杂的 MXene 表面上，促进导电细丝的形成，从而使得 SNST 从高阻切换到低阻；但由于形成的导电丝较脆，脉冲后会被自然溶解和断裂，而在导电丝完全溶解之前下一个导电丝会更加容易形成，反复多次电压脉冲刺激后会导致电流突然增加，致使 SNST 具有神经元的特征。
　　值得一提的是，研究人员表示，在器件数量相同的情况下，基于 SNST 阵列的神经拟态芯片可以改变神经元和突触的比例，再通过对神经元和突触的比例进行编程，可解决硬件资源配置与算法任务要求不匹配的问题，资源利用率提高到近 100%。
　　图 | SNST 的示意图和 MXene 的分子结构（来源：Matter）
　　据悉，研究中，该团队还运用 SNST 开发并演示了可用于真实性数据识别的神经网络，将突触资源和神经元资源的利用率提高近 100%。并且，与传统的神经形态设备相比，其硬件网络的训练速度优化了约 200% 。此外，研究人员基于 SNST 进一步开发了用于人脸识别的硬件系统，准确率高达 80%。
　　参考链接：
　　1.XianghongZhang et al. Programmable Neuronal-Synaptic Transistors Based on 2D MXene for High Efficiency Neuromorphic Hardware Network.   Matter  （2022）https://doi.org/10.1016/j.matt.2022.06.009