高精度ニューロモルフィックコンピューティングのための再構成可能な浮遊ゲートメモリスタ

科学分野:

• 材料科学
• コンピュータ工学
• 神経科学

背景:

• 従来のコンピューティングアーキテクチャは、データ量の増加に伴う限界に直面しています。
• 浮遊ゲートメモリスタは、メモリと計算の統合により、ニューロモルフィックコンピューティングの可能性を提供します。
• 非線形活性化関数のエミュレーションは、ディープニューラルネットワークハードウェアの実装に不可欠です。

研究 の 目的:

• 非線形活性化関数をエミュレートできる再構成可能な浮遊ゲートメモリスタ（FGM）を提示すること。
• ニューロモルフィックシステムのためのデュアルファンクションハードウェアユニットを実証すること。
• FGMベースのディープニューラルネットワークのパフォーマンスを評価すること。

主な方法:

• MoS2/hBN/grapheneヘテロ構造ベースのFGMの製造。
• 状態保持および調整可能なコンダクタンスを含むデバイスパフォーマンスの特性評価。
• バックゲート電圧を使用した、整流線形ユニット（ReLU）およびリーキー整流線形ユニット（Leaky ReLU）のエミュレーション。
• 分類タスクのためのLeNetおよびAlexNetアーキテクチャへのFGMの統合。

主要な成果:

• FGMは安定した導電状態と66個の線形調整可能なコンダクタンス状態を示しました。
• マルチレベルコンダクタンスの調整可能性は、光パルスを使用して達成されました。
• ReLUおよびLeaky ReLU活性化関数のエミュレーションが実証されました。
• FGM統合ディープニューラルネットワークは、活性化関数なしのモデルと比較して、ベンチマークデータセットで推論精度が向上しました。

結論:

• 開発されたFGMは、調整可能なシナプス重みとネイティブな非線形活性化関数の両方として機能するデュアルファンクションユニットとして機能します。
• この技術革新は、完全にハードウェア実装されたニューロモルフィックシステムの道を開きます。
• デバイスのパフォーマンスは、高度な人工知能ハードウェアへの応用をサポートします。