高维物理水库,配有后端兼容的氧化薄膜晶体管
Sahngik A Mun1, Yoon Ho Jang1, Janguk Han1
1Department of Materials Science and Engineering and Inter-university Semiconductor Research Center, College of Engineering, Seoul National University, Seoul 08826, Republic of Korea.
ACS applied materials & interfaces
|August 1, 2024
概括
本研究介绍了一种用于神经形态计算的氧化薄膜晶体管 (TFT). 这种物理储备体现了色的记忆和非线性,在模式识别和时间序列预测方面实现了高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 神经形态工程的神经形态工程
- 设备物理 设备物理
背景情况:
- 神经形态计算旨在模仿人类大脑的效率.
- 物理储库计算为复杂的计算提供了基于硬件的方法.
- 现有的双终端设备在产生高维状态方面存在局限性.
研究的目的:
- 为了展示一种用于神经形态计算的新型物理储备.
- 为了利用其独特的电气性能,利用一氧化薄膜晶体管 (SnO TFTs).
- 为了实现高维储状态,以提高计算性能.
主要方法:
- 制造一个后端线路兼容的SNO TFT.
- 利用电子捕捉和脱落机制来实现记忆效应.
- 利用三终端配置来生成高维状态.
主要成果:
- SnO TFT表现出对储库计算至关重要的记忆力和非线性衰减.
- 在手写数字识别 (NIST数据集) 中获得了94.1%的准确性.
- 在Mackey-Glass时间序列预测中达到0.089的正常化平方根平均误差.
结论:
- SnO TFT 是物理储库计算的一个有前途的平台.
- 三终端设计使两终端设备的性能优于两终端设备.
- 低制造温度 (<250°C) 有助于垂直整合和高密度.
更多相关视频
12:32The Effect of Anodization Parameters on the Aluminum Oxide Dielectric Layer of Thin-Film Transistors
Published on: May 24, 2020
8.7K
11:09Scalable Solution-processed Fabrication Strategy for High-performance, Flexible, Transparent Electrodes with Embedded Metal Mesh
Published on: June 23, 2017
10.1K