Exploration：基于铁电忆容器阵列的超低能耗存内算

受生物大脑启发的神经形态计算于具有高并行性、高能量效率和自适应学习能力等优点。忆阻器的发展促进了神经形态计算的硬件级实现。忆阻器用电导模拟突触权重，通过欧姆定律和基尔霍夫电流定律实现向量矩阵乘法(VMM)操作，应用于神经网络计算。但是因为本征的电流焦耳热效应，这个过程中不可避免地会产生巨大的热量消耗。此外，随着器件尺寸的缩小，该电流驱动器件中的热耗散问题无疑会进一步影响器件的性能，这是实现大规模存算一体硬件的重要挑战。

图1：铁电电容器和MIS变容器垂直堆叠形成的铁电忆容器及其忆容曲线。

基于电荷原理的器件是解决上述挑战的有效途径。忆容器件基于电容原理，信息以电荷而不是电流的形式交互，因此具有更低的功耗。近日上海类脑智能材料与器件研究中心，华东师范大学极化材料与器件教育部重点实验室段纯刚教授团队与上海工程技术大学刘宏波副教授合作，提出了一种铁电电容器与金属-绝缘体-半导体（MIS）变容器垂直堆叠的铁电忆容器模型（图1）。利用铁电畴的非易失性和渐变反转特性以及铁电极化对MIS的电容值的有效调控，该简单堆叠的铁电忆容器实现了可编程的、非易失的、多值的电容态（图2和3）。铁电忆容器件表现出优异的耐疲劳特性和器件均匀性（图4）。研究团队进一步在硅上实现了基于铁电忆容器阵列的超低能耗VMM运算，演示了单层感知神经网络的图像分类任务（图5）。该成果以“Ultralow-power in-memory computing based on ferroelectric memcapacitor network”为题发表在Exploration上。

图2：MFIS结构的铁电忆容器及其忆容特性。

图3：MFMIS结构的铁电忆容器及其忆容特性。

研究团队对比了金属-铁电-绝缘体-半导体（MFIS）结构（图2）和金属-铁电-绝缘体-半导体（MFMIS）结构（图3）的铁电忆容器的忆容特性。中间金属层（M）的引入使得MFMIS结构的铁电忆容器的多值电容态具有更好的非易失性（图3F），其中两端的电容态在大于104 s的时间范围内没有表现出明显的改变（图3D）。

MFMIS结构的铁电忆容器还表现出优异的耐疲劳特性（图4A）和器件均匀性（图4B）。在用三角波形电压对铁电忆容器进行读出时，器件的位移电流强度与读出电压的频率（图4E）和电容值的大小（图4F）均具有线性关系，即I=C×dV/dt，该线性关系可以被用于神经网络的卷积乘加运算。基于铁电忆容器的以上特征，研究团队在硅上实现了基于铁电忆容器阵列的超低能耗VMM运算，并演示了单层感知神经网络的图像分类任务（图5）。值得注意的是，在VMM运算过程中，铁电忆容器只发生了不断的充电和放电过程，在器件层没有能量消耗，这是一种从根源上缓解存算一体芯片中热量耗散问题的有效途径。

图4：MFMIS结构的铁电忆容器的（A）耐疲劳特性、（B）均匀性和（C）频率特性。（D-F）显示了器件的位移电流与电容值的大小和三角波形状读出电压的频率均具有线性关系。该线性关系可以被用于神经网络的卷积乘加运算。

图5：基于铁电忆容器阵列的超低能耗VMM运算和单层感知神经网络图像分类演示。

本项研究工作实现了一种基于铁电效应的新型忆容器，并验证了铁电忆容器在超低能耗存内计算的可行性，为缓解基于忆阻器的存算一体芯片中热量耗散问题提供了新思路。上海类脑智能材料与器件研究中心，华东师范大学极化材料与器件教育部重点实验室朱秋香副教授和田博博教授以及上海工程技术大学刘宏波副教授为文章的通讯作者。

该项研究得到了国家重点研发计划、国家自然科学基金、之江实验室开放课题、上海市科技创新行动计划和华东师范大学“双一流”人才团队平台项目的资助。

论文信息：

Bobo Tian*, Zhuozhuang Xie, Luqiu Chen, Shenglan Hao, Yifei Liu, Guangdi Feng, Xuefeng Liu, Hongbo Liu*, Jing Yang, Yuanyuan Zhang, Wei Bai, Tie Lin,

http://doi.org/10.1002/EXP.20220126

转自：“知社学术圈”微信公众号

如有侵权，请联系本站删除！