通过形态相边界神经元的全铁电尖端神经网络
Jangsaeng Kim1,2, Eun Chan Park1, Wonjun Shin3
1Department of Electronic Engineering, Hanyang University, Seoul, 04763, Republic of Korea.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|October 9, 2024
概括
这项研究引入了一种全铁电尖端神经网络 (SNN),使用新型双门晶体管用于人工神经元. 这一突破提高了高级神经形态计算应用的面积和能源效率.
科学领域:
- 神经形态工程的神经形态工程
- 材料科学 材料科学 材料科学
- 设备物理 设备物理
背景情况:
- 尖端神经网络 (SNN) 需要高效的人工神经元和突触来实现硬件.
- 面积和能源效率高的SNN面临着由于不同的神经元和突触功能要求的挑战.
研究的目的:
- 通过共同优化材料特性和设备配置来开发一个全铁电SNN系统.
- 为了利用一个双门 (DG) 形态变异相极限薄膜晶体管 (MPBTFT) 基于泄漏的整合和发射 (LIF) 神经元.
主要方法:
- 晶圆尺度原子层沉积用于材料共优化.
- 对LIF神经元实施DG MPBTFT,消除电容器和重置电路.
- 在单个晶圆上协同集成DG MPBTFT神经元,铁电突触和正常的TFT.
主要成果:
- 基于DG MPBTFT的LIF神经元表现出高可靠性和各种神经元功能.
- 全铁电SNN系统实现了94.9%的高分类精度.
- 协同优化显著提高了人工神经元和突触的性能和功能多功能性.
结论:
- 基于DG MPBTFT的LIF神经元为高度面积和能效的SNNs提供了一条途径.
- 这项工作突出了铁电设备在先进的神经形态计算中的潜力.
- 实现了不同铁电元件在单个晶圆上无协同集成.
更多相关视频
09:54Fabrication of Magnetic Platforms for Micron-Scale Organization of Interconnected Neurons
Published on: July 14, 2021
4.8K
11:52Establishment of an Electrophysiological Platform for Modeling ALS with Regionally-Specific Human Pluripotent Stem Cell-Derived Astrocytes and Neurons
Published on: August 26, 2021
2.2K
