在传感器计算实现使用完全CMOS兼容的TiN/HfO基于神经电阻阵列
Haizhong Zhang1,2, Peng Qiu1, Yaoping Lu1
1College of Physics and Information Engineering, Fuzhou University, Fuzhou 350116, China.
ACS sensors
|September 14, 2023
概括
这项研究介绍了一种新的传感器内神经形计算 (ISNC) 系统,使用CMOS兼容的TiN/HfO2神经晶体. 这一突破使得数据密集型人工智能应用程序中的有效,准确的信息识别成为可能.
科学领域:
- 材料科学与工程 材料科学与工程
- 神经形态计算是一种神经形态计算.
- 人工智能 硬件 硬件
背景情况:
- 人工智能和感官数据的扩散,由于传感器,内存和计算单元之间的数据移动,造成了重大的能源效率挑战.
- 现有的异质整合方法,如片,可以减少数据的移动,但不能解决物理分离组件的基本能源开支.
- 大脑启发的传感器内神经形计算 (ISNC) 为数据密集型应用提供了解决方案,但材料和制造不兼容性阻碍了开发.
研究的目的:
- 为了克服材料和制造不兼容性问题,开发传感器内神经形态计算 (ISNC) 系统.
- 实现一个完全CMOS兼容的神经电阻阵列,直接在感觉设备内实现稳定高效的神经形态处理.
主要方法:
- 开发和实施一个完全CMOS兼容的TiN/HfO2基神经istor阵列.
- 对于多层次模拟调制,分散和热稳定性的神经电阻阵列的表征.
- 将神经电阻阵列集成到ISNC系统中,用于传感数据处理和信息识别.
主要成果:
- TiN/HfO2神经istor阵列表现出稳定,可复制的神经形态计算,具有多层次模拟调制和最小分散.
- 该设备甚至在125°C时也没有显著的导电降解,除了可调节的传感器和多存储器功能外.
- 该ISNC系统实现了93%的高信息识别准确度,展示了频率选择性和活动依赖的可塑性.
结论:
- 开发的CMOS兼容的TiN/HfO2神经istor阵列有效地解决了ISNC系统开发中的关键挑战.
- 这项工作为人工智能应用提供了一条可行的途径,以实现负担得起的,高效的感官神经形态系统.
- 演示的性能突显了ISNC在边缘的先进,节能数据处理方面的潜力.
