人工SiN_z:H突触交叉阵列具有逐渐导电通路,用于高精度的神经形态计算

科学领域:

• 材料科学 材料科学 材料科学
• 神经科学是一个神经科学.
• 计算机工程 计算机工程

背景情况:

• 神经形态计算为·诺伊曼架构提供了一个替代方案,用于高效的大数据处理.
• 人工突触是神经形态计算芯片的关键组成部分,特别是用于图像处理.
• 基于memristor的人工突触因其在高精度图像识别方面的潜力而备受追捧.

研究的目的:

• 使用SiN_z:H记忆器制造和表征人工突触阵列,其梯度为Si/N比.
• 评估这些人工突触在图像识别和学习任务中的表现.
• 调查负责增强突触功能和准确性的潜在机制.

主要方法:

• 制造具有梯度Si/N比率的SiN_z:H记忆器.
• 人工突触阵列的构建.
• 使用图像识别和学习任务进行绩效评估.
• 对温度依赖的I-V特性和导电路径的分析.
• 评估短期和长期的突触可塑性功能.

主要成果:

• 使用SiN_z:H突触阵列实现了93.65%的图像学习高训练精度.
• 确定了一条渐进的Si悬挂键路径作为改善导电率线性的关键.
• 证明了稳定和统一的生物突触功能 (短期和长期的可塑性).
• 路径中的更薄的直径和固定的断开点提高了视觉识别的准确性.

结论:

• SiN_z:H基于memristor的人工突触阵列在图像识别中提供了高精度.
• 梯度Si/N比率和由此产生的导电通路对于突触性能至关重要.
• 这些人造突触表现出强大的生物功能,适合神经形态系统.
• 开发出来的人工突触对人工智能应用有很大的潜力.