混合神经形态硬件具有节省2D突触和CMOS神经元用于字符识别
Siwei Xue1, Shuiyuan Wang1, Tianxiang Wu2
1Shanghai Key Laboratory for Future Computing Hardware and System, School of Microelectronics, Fudan University, Shanghai 200433, China.
Science bulletin
|September 15, 2023
概括
本研究介绍了使用2D MoS2 (二硫化) 突触和CMOS神经元进行高效模式识别的紧型神经形态硬件. 这种混合方法可以显著降低系统尺寸和能源消耗,同时保持高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机工程 计算机工程
- 神经科学是一个神经科学.
背景情况:
- 神经形态计算提供了高效的数据处理,但由于众多的人工突触和神经元,它面临着系统大小和能量方面的挑战.
- 像MoS2这样的二维 (2D) 材料由于其仿生塑性和高效的计算能力,对人工突触充满了希望.
- 2D材料与成熟的CMOS技术的混合集成为先进的神经形态系统提供了一个有吸引力的方法.
研究的目的:
- 开发一个紧和节能的神经形态硬件系统.
- 为了证明将2D MoS2突触阵列与CMOS神经电路集成的可行性.
- 为了实现高性能模式识别,减少组件数量.
主要方法:
- 制造一个混合的神经形态硬件平台,集成2D MoS2突触阵列和CMOS神经电路.
- 使用频率编码和特征提取进行信息处理.
- 使用数字对模拟转换器来操作系统.
主要成果:
- 这种由12个MoS2突触和3个CMOS神经元组成的混合系统成功地识别了字母和数字字符.
- 莫斯2突触表现出逐渐调整的重量可塑性,而CMOS神经元则处理频率编码的尖峰.
- 实现了98.8%的高识别精度,每次识别能耗低11.4μW.
结论:
- 开发的突触和神经元节省混合神经形态硬件为紧和计算效率高的系统提供了可行的解决方案.
- 这种方法为下一代神经形态设备铺平了道路,增强了集成密度和可计算性.
- 成功的整合凸显了二维材料在推进神经形态工程方面的潜力.
