范德瓦尔斯铁电晶体管中的奖励调制的峰值定时依赖可塑性用于机器人识别和跟踪
Yi Cao1, Jinhao Liang1, Tao Liu2
1State Key Laboratory of Integrated Chips and Systems, Frontier Institute of Chip and System, Fudan University, Shanghai 200433, China; School of Microelectronics, Fudan University, Shanghai 200433, China.
Science bulletin
|June 24, 2025
概括
研究人员开发了一种新的铁电墨晶体管,以有效地在神经形态系统中实现奖励调制的尖峰时间依赖可塑性 (R-STDP). 这个单一的设备实现了对先进的人工智能应用的超低能耗.
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
- 人工智能的人工智能
背景情况:
- 奖励调节的尖峰时间依赖可塑性 (R-STDP) 对于神经形态系统的适应性学习至关重要.
- 在紧,高能效的单突触器件中实现R-STDP是一个重大挑战.
- 现有的补充金属氧化物半导体 (CMOS) 方法是能源密集型的.
研究的目的:
- 开发一种能够模拟R-STDP学习规则的单一突触装置.
- 为了实现神经形态计算的超低能耗.
- 为了证明设备在实际人工智能任务中的实用性.
主要方法:
- 使用一个二维的铁电晶体管架构.
- 通过电场进行工程电荷传输 (热电辐射和道) 以控制极化.
- 在单个设备中重新配置STDP和anti-STDP状态之间的突触可塑性.
主要成果:
- 在一个单一的memtransistor中实现了忠实R-STDP仿真,能量消耗极低 (~1.3nJ),比CMOS低10^6倍.
- 使用R-STDP进行训练的构建尖端神经网络 (SNN),用于机器人识别和跟踪.
- 证明了高精度 (在MNIST上为95.1%) 和SNNs的快速趋同.
- 在用于目标追踪的机器人手臂控制系统中展示了85.5%的成功率.
结论:
- 铁电墨晶体管是紧和节能的神经形态系统的可行硬件构建块.
- 这项技术可以实现高效的R-STDP实施,推进交互式人工智能代理.
- 该设备为更具适应性和强大的神经形态计算应用程序提供了一条途径.
更多相关视频
10:40A Fabrication and Measurement Method for a Flexible Ferroelectric Element Based on Van Der Waals Heteroepitaxy
Published on: April 8, 2018
8.3K
09:49In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx
Published on: May 13, 2020
4.2K
