Operaciones de neuronas y sinapsis reconfigurables en un transistor no volátil de conmutación empinada

Área de la Ciencia:

• Ciencias de los materiales
• La neurociencia
• Ingeniería informática

Sus antecedentes:

• Los sistemas neuromórficos tienen como objetivo imitar las redes neuronales biológicas, pero enfrentan desafíos de integración debido a las diferencias de dispositivos.
• Las arquitecturas actuales son a menudo complejas e ineficientes, lo que dificulta la escalabilidad.

Objetivo del estudio:

• Desarrollar un único dispositivo capaz de emular neuronas y sinapsis para mejorar la integración del sistema neuromórfico.
• Para superar las limitaciones de los enfoques actuales de dispositivos heterogéneos en la computación neuromórfica.

Principales métodos:

• Se fabricó un transistor de efecto de campo no volátil de conmutación empinada basado en una heteroestructura CuInP2S6 / h-BN / WSe2.
• La modulación electrostática de la densidad portadora del canal y el nivel de Fermi permitieron la reconfiguración de los modos de neuronas y sinapsis.
• Se utilizaron efectos de puertas ferroeléctricas para mejorar el potencial químico del canal y reducir el sesgo operativo.

Principales resultados:

• El dispositivo demostró con éxito el funcionamiento de las neuronas con fugas de integración y disparo (LiF) mediante el control del nivel de Fermi.
• El modo sináptico se logró desplazando el nivel de Fermi hacia la banda de valencia, permitiendo la funcionalidad modulada por peso.
• Las simulaciones de dispositivo a sistema mostraron una precisión del 95.83% en el reconocimiento facial humano utilizando un solo sistema de neuronas sinapsis integrado.

Conclusiones:

• El transistor de heterostructura propuesto ofrece una solución prometedora para la computación neuromórfica cointegrada y escalable.
• Esta tecnología facilita la emulación eficiente de las funciones neuronales, allanando el camino para el hardware avanzado de IA.