CN110289317B - 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 - Google Patents
铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 Download PDFInfo
- Publication number
- CN110289317B CN110289317B CN201910498085.3A CN201910498085A CN110289317B CN 110289317 B CN110289317 B CN 110289317B CN 201910498085 A CN201910498085 A CN 201910498085A CN 110289317 B CN110289317 B CN 110289317B
- Authority
- CN
- China
- Prior art keywords
- synapse
- type
- graphene
- ferroelectric
- pulse signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000000225 synapse Anatomy 0.000 title claims abstract description 164
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 229910021389 graphene Inorganic materials 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000295 complement effect Effects 0.000 title claims abstract description 32
- 230000033228 biological regulation Effects 0.000 title abstract description 6
- 210000004556 brain Anatomy 0.000 claims abstract description 20
- 239000010409 thin film Substances 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000001242 postsynaptic effect Effects 0.000 claims abstract description 5
- 230000003518 presynaptic effect Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 37
- 230000010287 polarization Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 239000010408 film Substances 0.000 claims description 15
- 230000007423 decrease Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000003956 synaptic plasticity Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000006583 body weight regulation Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 239000000463 material Substances 0.000 abstract description 14
- 230000000946 synaptic effect Effects 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 7
- 238000004377 microelectronic Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000002360 preparation method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000005669 field effect Effects 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 239000002033 PVDF binder Substances 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000001259 photo etching Methods 0.000 description 3
- 229920002120 photoresistant polymer Polymers 0.000 description 3
- 229910052697 platinum Inorganic materials 0.000 description 3
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 229910052719 titanium Inorganic materials 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 229910052451 lead zirconate titanate Inorganic materials 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000003570 air Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 229910052786 argon Inorganic materials 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 229910000449 hafnium oxide Inorganic materials 0.000 description 1
- KQHQLIAOAVMAOW-UHFFFAOYSA-N hafnium(4+) oxygen(2-) zirconium(4+) Chemical compound [O--].[O--].[O--].[O--].[Zr+4].[Hf+4] KQHQLIAOAVMAOW-UHFFFAOYSA-N 0.000 description 1
- WIHZLLGSGQNAGK-UHFFFAOYSA-N hafnium(4+);oxygen(2-) Chemical compound [O-2].[O-2].[Hf+4] WIHZLLGSGQNAGK-UHFFFAOYSA-N 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- HFGPZNIAWCZYJU-UHFFFAOYSA-N lead zirconate titanate Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[Ti+4].[Zr+4].[Pb+2] HFGPZNIAWCZYJU-UHFFFAOYSA-N 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L29/00—Semiconductor devices specially adapted for rectifying, amplifying, oscillating or switching and having potential barriers; Capacitors or resistors having potential barriers, e.g. a PN-junction depletion layer or carrier concentration layer; Details of semiconductor bodies or of electrodes thereof ; Multistep manufacturing processes therefor
- H01L29/66—Types of semiconductor device ; Multistep manufacturing processes therefor
- H01L29/68—Types of semiconductor device ; Multistep manufacturing processes therefor controllable by only the electric current supplied, or only the electric potential applied, to an electrode which does not carry the current to be rectified, amplified or switched
- H01L29/76—Unipolar devices, e.g. field effect transistors
- H01L29/772—Field effect transistors
- H01L29/78—Field effect transistors with field effect produced by an insulated gate
- H01L29/78391—Field effect transistors with field effect produced by an insulated gate the gate comprising a layer which is used for its ferroelectric properties
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Theoretical Computer Science (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Ceramic Engineering (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Thin Film Transistor (AREA)
- Semiconductor Memories (AREA)
Abstract
本发明属于微电子器件领域，公开了一种铁电石墨烯晶体管及基于它的互补型突触器件和调控方法，其中铁电石墨烯晶体管包括源电极、漏电极、以及用于连接该源电极与该漏电极的石墨烯沟道，所述石墨烯沟道还通过铁电薄膜介质与顶栅电极相连，从而使得顶栅电极能有效调控沟道电导，实现三端可调的铁电石墨烯晶体管。而上述铁电石墨烯晶体管可在模拟突触中应用，其中，源电极用于模拟突触前，漏电极用于模拟突触后，石墨烯沟道通过电导参量用于模拟突触权重。本发明通过对三端铁电石墨烯晶体管的结构设计及各结构层所采用的具体材料等进行改进，实现了具有源、漏、栅的三端器件，能够更好的与SNN算法相兼容，且能够模拟人脑突触。
Description
技术领域
本发明属于微电子器件领域，更具体地，涉及一种铁电石墨烯晶体管及基于它的互补型突触器件和调控方法，可模拟生物神经突触。
背景技术
类脑计算通过模拟人脑的学习原理，具有高速、低功耗以及自我学习的特点，是替代目前冯诺依曼计算架构的有力竞争者。类脑计算的核心机制是模拟人脑调节前、后级神经元之间突触权重的过程，即突触可塑性。在硬件层面上，用电子器件模拟突触，前级神经元电路模块产生的脉冲，即输入信号，经过轴突和电子突触器件，转化为电流，传递到后级神经元电路模块，在后级神经元模块中进行积分，当超过某个阈值的时候，电路将会放电从而产生输出脉冲，即输出信号。输出信号实际到达的时间和所希望的信号到达时间(期望信号)之间往往存在误差，利用算法和反馈过程调节更新突触权重，从而减少输出信号和期望信号之间的误差。目前利用各种电子器件模拟突触构建人工神经网的研究取得一定的进展，忆阻器是最具代表性的电子突触器件之一。忆阻器是二端器件，上下电极分别连接前后神经元，中间的阻变材料能根据施加在两端的电压改变电导。前级神经元产生的电压信号，经忆阻器产生的电流信号传输到后级神经元激发输出信号，即“读”操作；通过改变忆阻器的电导，即更新权重，以减少输出信号和期望信号之间的误差，即“写”操作。在典型的监督学习任务中，读和写操作交替进行，最终达到学习的效果。基于脉冲频率编码、传输和计算的脉冲神经网络(Spiking Neural Network，SNN)，在信号处理上更接近于人脑，具有低功耗和大容量信息处理的潜在优势。相比目前常用的忆阻器等二端器件，具有非易失性的三端器件与SNN的算法更兼容。利用非易失性的三端器件可以实现其中两端进行信号的传递，另一端用来输入监督信号来调节器件电导(即突触权重)，该方法更有利于执行SNN的监督学习算法。
发明内容
针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种铁电石墨烯晶体管及基于它的互补型突触器件和调控方法，其中通过对三端铁电石墨烯晶体管的结构设计及各结构层所采用的具体材料等进行改进，实现了具有源、漏、栅的三端器件，能够更好的与SNN算法相兼容，且能够模拟人脑突触。本发明基于铁电薄膜栅介质极化的非易失特性以及石墨烯可分别利用电子和空穴导电的特性，通过顶栅调控铁电薄膜的极化，不仅可以实现石墨烯沟道电导非易失性的连续可调，并且可以使器件在n型导电和p型导电之间切换。并且，基于该铁电石墨烯晶体管相应得到的三端互补型电子突触器件，能够适用于脉冲神经网络。
为实现上述目的，按照本发明的一个方面，提供了一种铁电石墨烯晶体管，其特征在于，包括源电极、漏电极、以及用于连接该源电极与该漏电极的具有双极性的石墨烯沟道，所述石墨烯沟道还通过铁电薄膜介质与顶栅电极相连，从而使得顶栅电极能有效调控沟道电导，实现三端可调的铁电石墨烯晶体管。
作为本发明的进一步优选，所述铁电薄膜介质为聚偏二氟乙烯(PVDF)薄膜介质，氧化铪(HfOx)薄膜介质，铪锆氧(HZO)薄膜介质和锆钛酸铅(PZT)薄膜介质中的任意一种；
所述源电极和所述漏电极均采用惰性导电金属材料，优选为Au材料或Pt材料；所述顶栅电极的材料为Au、Pt、Cu、Ti、Ni、Cr和Al中任意一种或几种。
按照本发明的另一方面，本发明提供了上述铁电石墨烯晶体管在模拟突触中的应用，其中，源电极用于模拟突触前，漏电极用于模拟突触后，石墨烯沟道通过电导参量用于模拟突触权重。
作为本发明的进一步优选，所述在模拟突触中的应用具体是在模拟增强型突触或/和减小型突触中的应用；其中，
当石墨烯沟道为n型导电，即电子导电状态时，通过在顶栅电极施加正脉冲信号使石墨烯沟道电导增加，施加负脉冲信号使石墨烯沟道电导减小，从而模拟增强型突触；
当石墨烯沟道为p型导电，即空穴导电状态时，通过在顶栅电极施加正脉冲信号使石墨烯沟道电导减小，施加负脉冲信号使石墨烯沟道电导增加，从而模拟减小型突触。
按照本发明的又一方面，本发明提供了一种模拟人脑神经突触的装置，包括神经突触单元以及与该神经突触单元和后级神经元连接的控制器，所述突触单元具体为上述铁电石墨烯晶体管；该突触单元的漏电极与所述后级神经元相连，源电极用于接收输入脉冲信号，在后级神经元激发输出脉冲信号；一旦前级神经元产生输入脉冲时，使得所述控制器的使能端打开，所述控制器内部产生衰减波形；利用输出信号和期望信号对衰减波形进行采样，采样的值转换成相应幅值的监督脉冲信号输入栅端；进而通过该监督脉冲信号改变铁电薄膜介质的极化状态，从而改变石墨烯沟道的电导，实现脉冲时间依赖突触可塑性功能的模拟。
作为本发明的进一步优选，所述突触单元具体为互补型突触器件，包括使用上述铁电石墨烯晶体管作为增强型突触和减小型突触，其中，所述增强型突触中石墨烯沟道的初始状态为n型导电，所述减小型突触中石墨烯沟道的初始状态为p型导电；所述增强型突触和所述减小型突触两者并联构成互补型突触，所述增强型突触中的源电极和所述减小型突触中的源电极相连，形成该互补型突触器件整体的源电极；所述增强型突触中的漏电极和所述减小型突触中的漏电极相连，形成该互补型突触器件整体的漏电极；该互补型突触器件整体的源电极用于模拟突触前，该互补型突触器件整体的漏电极用于模拟突触后。
按照本发明的又一方面，本发明提供了一种调控上述模拟人脑神经突触的装置的调控方法，
当使用一个n型或p型石墨烯沟道的石墨烯场效应晶体管作为突触单元时，当所述输出脉冲信号和所述期望信号的时序之差绝对值越大，对应采样的位置差别越大，采样波形所得到的差值就越大，使得经过采样，所述控制器输出的所述监督脉冲信号其幅值的绝对值就越大，进而对应权重更大的改变量；当所述输出脉冲信号和所述期望信号的时序之差的绝对值越小，经过采样所述控制器输出的所述监督脉冲信号其幅值就越小对应权重更小的改变量；
当使用一个n型石墨烯沟道的石墨烯场效应晶体管作为突触单元，当所述输出脉冲信号和所述期望信号的时序之差为正时，经过采样，所述控制器输出的所述监督脉冲信号幅值为正，对应权重的增加，使得下个节点所述控制器输出脉冲信号来的更早，更靠近所述期望信号；而当所述输出脉冲信号和所述期望信号的时序之差为负时，所述监督脉冲信号幅值为负，对应权重的减小，使得下个节点所述控制器输出脉冲信号来的更晚，更靠近所述期望信号，从而实现整个电路的收敛；
当使用一个p型石墨烯沟道的石墨烯场效应晶体管作为突触单元，当所述输出脉冲信号和所述期望信号的时序之差为负时，经过采样，所述控制器输出的所述监督脉冲信号幅值为负，对应权重的增加，使得下个节点所述控制器输出脉冲信号来的更早，更靠近所述期望信号；而当所述输出脉冲信号和所述期望信号的时序之差为正时，所述监督脉冲信号幅值为正，对应权重的减小，使得下个节点所述控制器输出脉冲信号来的更晚，更靠近所述期望信号，从而实现整个电路的收敛。
作为本发明的进一步优选，当使用n型和p型石墨烯场效应晶体管并联作为互补突触器件，所述输出脉冲信号采样值作为施加在p型晶体管栅端上的监督信号的幅值，所述期望脉冲信号采样值作为施加在n型晶体管栅端上的监督信号的幅值；当所述输出脉冲信号和所述期望脉冲信号的时序之差为负时，所述输出脉冲信号采样值大于所述期望脉冲信号采样值，所述p型晶体管电导减小值大于所述n型晶体管电导增加值，总电导等于n型晶体管电导加上p型晶体管电导，因此整体电导减小对应权重的减小，使得下个节点所述控制器输出脉冲信号来的更晚，更靠近所述期望信号；而当所述输出脉冲信号和所述期望脉冲信号的时序之差为正时，n型晶体管的增加值大于p型晶体管的减小值，因此整体电导增加对应权重的增加，使得下个节点输出脉冲信号来的更早，更靠近所述期望信号，从而实现整个电路的收敛。
作为本发明的进一步优选，该调控方法具体是通过向源电极施加脉冲信号来模拟来自前级神经元的输入信号，从漏电极输出的电流脉冲信号在后级神经元激发输出脉冲信号，学习所达到的期望信号，并通过向顶栅电极施加脉冲信号作为模拟突触的监督信号。
作为本发明的进一步优选，输出脉冲信号和期望脉冲信号采样的值的大小和正负转换为顶栅电极施加的对应的监督脉冲信号的大小和正负，通过顶栅电极上施加对应的监督脉冲信号的大小和正负改变铁电薄膜介质的极化状态，从而改变石墨烯沟道的电导呈不断增大变化还是呈不断减小变化的变化方向以及变化速率，实现生物神经突触的权重调节功能的模拟，即脉冲时间依赖突触可塑性功能的模拟。
通过本发明所构思的以上技术方案，与现有技术相比，由于将源、漏电极和石墨烯沟道构成石墨烯晶体管，再将该石墨烯晶体管与铁电薄膜栅介质、顶栅电极构成三明治结构，由此形成铁电石墨烯晶体管。本发明中的铁电石墨烯晶体管是具有源、漏、栅的三端器件，能够更好的与SNN算法相兼容。并且，本发明中的铁电石墨烯晶体管能够模拟人脑突触。
本发明基于铁电薄膜栅介质极化的非易失特性以及石墨烯可分别利用电子和空穴导电的特性。通过顶栅调控铁电薄膜的极化，不仅可以实现石墨烯沟道电导非易失性的连续可调，并且可以使器件在n型导电和p型导电之间切换。进一步地，利用此特性该器件既能模拟增强型(potentiative)突触又能模拟减小型(depressive)突触，两个突触并联构成互补型突触，应用在脉冲监督性学习网络中实现监督学习任务。可见，本发明通过对铁电石墨烯晶体管中铁电薄膜栅介质的调控，可分别实现沟道导电类型为电子或者空穴，从而模拟增强或减小型突触。
当石墨烯导电类型为n型时，铁电石墨烯晶体管为增强型(potentiative)；当石墨烯导电类型为p型时，铁电石墨烯晶体管为减小型(depressive)。增强型时，施加正脉冲时电导增加；减小型时，施加正脉冲电导减小。并且，增强型和减小型突触之间可灵活切换，具体操作方法可以如下：当石墨烯沟道为n型时，可以通过控制器在顶栅施加负脉冲(尤其是幅值较大，时长较宽的负脉冲)，石墨烯导电类型从n型切换到p型；当石墨烯沟道导电类型为p型时，可以通过控制器在顶栅施加正脉冲(尤其是幅值较大，时长较宽的正脉冲)，石墨烯导电类型从p型切换到n型。
本发明中的增强型突触和减小型突触均可单独作为突触在电路中使用，同时增强型突触和减小型突触两者也可并联构成互补型突触。石墨烯沟道具有独特的双极性，既能调控成n型导电，又能调控成p型导电，利用石墨烯的双极性的特性作为互补型突触是本发明的核心亮点。本发明的互补型突触器件中，增强型突触中石墨烯沟道的初始状态为n型导电，减小型突触中石墨烯沟道的初始状态为p型导电，并且初始状态都为重掺杂状态，因此在施加脉冲过程中，其沟道导电状态不会改变永远保持初始态的n型导电或者p型导电，即两种突触实现的突触可塑性功能不同且会稳定的保持各自的突触可塑性功能不随脉冲信号的施加而改变。单独的增强型突触作为突触器件和单独的减小型突触作为突触器件以及增强型和减小型突触两者并联构成一个互补性突触器件都可以构建出完整电路，实现SNN算法，作为突触器件时，源端和漏端模拟突触前和突触后，若为单个器件，控制器和顶栅电极相连，若为互补器件，控制器和互补型突触器件中增强型突触和减小型突触的顶栅电极分别相连，三种不同情况对应三种不同的控制器模块，但实现功能相同。当使用单独的增强型突触器件或者减小型突触器件作为突触时，控制器模块电路较为复杂，当使用增强型和减小型突触器件并联一起作为突触时，大大简化了控制器模块电路，从而简化整个电路设计，这些优点归功于石墨烯的双极性，可以处于n沟道和p沟道两种导电状态，从而模拟不同的突触功能，从单独器件的角度考虑，模拟了更多样化的突触功能，丰富了器件模拟突触器件的实用性，从整个算法电路模块的角度考虑，大大简化了控制器模块的电路设计，通过硬件电路的设计实现了软件的SNN算法。
虽然已经有现有技术公开了采用铁电材料的三端忆阻器作为突触，但这一现有技术只强调了三端铁电晶体管由于相比较于二端忆阻器多了一端，可同时计算和编程。而本发明强调的不仅在于其可同时计算和编程，同时由于其用了特殊的沟道材料，因其独特的双极性，可以模拟两种不同的突触功能，并使得控制器模块相比较只有单个功能的突触而言可以大大简化。本发明着重强调与自顶向下的思想方法，目前大家所研究的都是基于软件仿真的算法但最终还是要落实到硬件的实施上面，由于这些算法数学公式都较为复杂，硬件实施困难，所以本发明着重强调采用硬件特性简化并优化顶层算法，使之容易对应上硬件的实施。通过找到石墨烯这种双极性沟道材料，可以处于两种不同的导电状态，因此可以模拟更多样化的突触功能，从而大大简化了针对于软件算法的硬件设计。其中石墨烯这一沟道材料的选择较为巧妙，因为沟道材料需要零带隙，同时需要有良好的对称性，石墨烯完美契合了这两点。
本发明中基于铁电石墨烯晶体管的互补型突触器件，是由增强型突触和减小型突触两者并联形成的互补型突触，增强型突触和减小型突触的电导之和为互补型突触的电导。在增强型突触的顶栅施加正脉冲，并且在减小型突触的顶栅施加负脉冲，可实现突触器件电导的快速增加；在增强型突触的顶栅施加负脉冲，并且在减小型突触的顶栅施加正脉冲，可实现突触器件电导的快速减小。
附图说明
图1是本发明实施例1提供的模拟人脑神经突触的铁电石墨烯晶体管示意图。
图2是本发明提供的模拟人脑神经突触的铁电石墨烯晶体管的顶栅转移特性曲线图。
图3是本发明提供的模拟人脑神经突触的铁电石墨烯晶体管的电导随脉冲时间的变化，以及从增强状态到减小状态之间的切换方式。
图4是本发明实施例2提供的模拟人脑突触装置的示意图，其中铁电晶体管模拟人脑突触。
图5是本发明施例2中人脑突触装置中前、后神经元和控制器所发出脉冲的时序图，以及脉冲时序和沟道电导变化之间的关系。
图6是本发明实施例3提供的模拟人脑突触装置的示意图，其中增强型和减小型突触并联构成互补型突触。
图7是本发明施例3中人脑突触装置中前、后神经元和控制器所发出脉冲的时序图，以及脉冲时序，增强型突触沟道电导和减小型突触沟道电导变化之间的关系。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
图1是本发明实施例1提供的模拟人脑神经突触的铁电石墨烯晶体管主体结构示意图。如图1所示，该铁电石墨烯晶体管单元主要包括源电极、漏电极、连接源漏电极的石墨烯沟道、铁电薄膜(即铁电薄膜顶栅介质)和顶栅电极。铁电薄膜与源漏电极和石墨烯沟道连接。其中，源、漏电极可以采用Au或Pt这类惰性金属制成，优选地可在衬底和电极材料之间制备一层Ti、Cr、或Ni金属以增加电极金属和衬底的粘附性。源、漏及顶电极厚度可以为10nm～100nm，石墨烯厚度可以为单层，铁电薄膜厚度可以为20nm～300nm。石墨烯铁电晶体管的制备过程中，为了防止石墨烯的重掺杂导致其电导状态无法被调控。制备工艺过程中需要尽可能地避免空气中光刻胶以及空气中的水氧对石墨烯的影响。石墨烯晶体管的制备方案有两种：一种是先将转移在硅片衬底上的石墨烯利用光刻和刻蚀工艺将石墨烯图形化，再先后用光刻、蒸镀和剥离工艺在图形化的石墨烯上制备源漏电极。另一种是在已经制备好源、漏电极的硅片上转移石墨烯，再用光刻和刻蚀工艺将石墨烯图形化，形成石墨烯沟道。本发明中，优选地采用后一种方案，因为后一种方案中石墨烯只接触了一次光刻胶，相比前一种方案降低了光刻胶的污染程度。另外为了避免空气中水、氧对石墨烯的影响，石墨烯沟道的制备工艺控制在半个小时以内，制备好的石墨烯晶体管立即置于手套箱中(手套箱中为氩气环境，水、氧含量小于5ppm)保存。在制备石墨烯晶体管的过程中，要保证整个过程在超净间内完成，否则很容易在石墨烯上引入杂质，造成石墨烯本身重掺杂，难以调到另一种状态。本发明优化了工艺过程，制备出了掺杂很小的石墨烯晶体管，同时选取合适的电极使其和沟道材料接触良好，使得电子和空穴传输特性具有很好的对称性。通过制备出如此掺杂小且对称的晶体管，可以使之并联用于硬件电路中，从而大大简化了硬件电路的设计。
在具体工作时，以图1所示的铁电石墨烯晶体管执行调制使其产生不同非易失导电状态的操作过程为例，在操作过程中源电极和顶电极分别外接信号源和控制模块，漏电极接后级神经元电路模块。
当石墨烯初始导电状态为n型。控制模块在顶栅施加正脉冲(电场方向朝下)，铁电薄膜中极化方向朝下，在铁电薄膜/石墨烯界面中产生感应电子。脉冲施加后，仍有向下的剩余极化，整体上沟道电导增加。继续施加正脉冲，铁电薄膜中剩余极化增强，沟道电导继续增加。控制模块在顶栅施加负脉冲(电场方向朝上)，铁电薄膜中剩余极化减弱，感应电子浓度降低，沟道电导降低。
当石墨烯初始导电状态为p型。控制模块在顶栅施加正脉冲，铁电薄膜铁电薄膜中极化方向朝下，在铁电薄膜/石墨烯界面中产生感应电子。脉冲施加后，仍有向下的剩余极化，整体上沟道电导降低。继续施加正脉冲，铁电薄膜中剩余极化增强，沟道电导继续减小。控制模块在顶栅施加负脉冲(电场方向朝上)，铁电薄膜中剩余极化减弱，感应电子浓度降低，沟道电导增加。
当石墨烯沟道初始状态为n型时，对应的突触状态为增强型。当石墨烯沟道初始状态为p型时，对应的突触状态为减小型。在顶栅施加一个幅度较大，时间较长(例如16V，10s)的正脉冲，利用铁电极化，可以使石墨烯从p型调制到n型，即突触从减小型到增强型的切换。同样地，在顶栅施加一个幅度较大，时间较长(例如-16V，10s)的负脉冲，利用铁电极化，可以使石墨烯从n型调制到p型，即突触从增强型到减小型的切换。
以石墨烯沟道宽度10μm，长度3μm，源漏电极之前偏压0.05V，顶栅材料为PVDF有机铁电薄膜，厚度70nm为例，图2是本发明的铁电石墨烯晶体管的顶栅转移特性曲线图。图中箭头为电扇电压扫描方向。顶栅电压从负值变为正值的过程中，石墨烯电导先减小后增加，导电状态从p型变为n型；顶栅电压从正值变为负值的过程中，石墨烯电导先减小后增加，导电状态从n型变为p型。体现了器件p型或n型导电状态可由顶栅电压调控切换。顶栅电压来回扫得到的电导曲线有一定的程度回滞，体现出铁电薄膜的铁电特性。本实施例中源漏电压为0.05V。
图3是石墨烯电导随顶栅脉冲电压变化的过程。图3中左图对应减小型神经元，即石墨烯沟道为p型。当施加正脉冲时，石墨烯电导降低，施加负脉冲时，石墨烯电导增加。图3中右图对应增强型神经元，即石墨烯沟道为n型。当施加正脉冲时，石墨烯电导增加，施加负脉冲时，石墨烯电导降低。此施例中脉冲宽度为0.5s。通过施加脉宽较长，幅值较大的脉冲(±16V，10s)可实现突触减小/增强型之间的切换。
实施例2
如图4和图5所示，本实施例2是将实施例1中的单个铁电石墨烯晶体管作为人脑突触功能的器件，并与外围电路模块配合实现SNN算法。铁电石墨烯晶体管作为突触，晶体管的源、漏电极分别连接前、后级神经元，顶栅电极和控制器连接。前级神经元产生的脉冲信号由石墨烯沟道传递给后级神经元，后级神经元达到一定的阈值后产生输出脉冲。后级神经元接收的脉冲强度大，达到阈值的时间短；接收的脉冲强度小，达到阈值的时间长。训练过程中，后级神经元产生的输出脉冲在时序上和期望值有误差，控制器通过比较输出信号和期望信号的时序，产生对应的脉冲施加在突触的顶栅电极上，同时改变突触的电导，即调节突触的权重，进而调节输入到后级神经元脉冲的强度，从而达到调节输出信号时序的目的。循环上述过程，最终使输出脉冲的时序和期望信号的时序在一定误差范围内，达到学习的目的。
实施例3
如图6和图7所示，本实施例3是将实施例1中的两种类型的铁电石墨烯晶体管构成一个模拟人脑突触功能的器件并与外围电路配合实现SNN算法。如图5所示，增强型和减小型突触并联构成互补型突触，前级神经元产生的脉冲信号由石墨烯沟道传递给后级神经元，后级神经元达到一定的阈值后产生输出脉冲。训练过程中，后级神经元产生实际的输出信号，该输出信号对波形进行采样，采样得到的值作为施加在减小型突触器件上的脉冲的幅值，从而改变减小型突触的电导。人为定义的监督信号，对波形进行采样，采样得到的值作为施加在增强型突触器件上的脉冲的幅值，从而改变增强型突触的电导。若输出信号和监督信号到来的时间不同，对应增强型突触电导的增加量不等于减小型突触电导的减小量，从而电导改变，使得输出信号和监督信号更加靠近，循环上述过程，最终使输出脉冲的时序和期望信号的时序在一定误差范围内，此时增强型突触的权重增加量约等于减小型突触的权重减小量，从而总权重基本不变，电路最终达到收敛。
本发明所采用的控制器，不论是控制单一铁电石墨烯晶体管的控制器(如图4所示)，还是同时控制一个互补型突触器件内一对铁电石墨烯晶体管的控制器(如图5所示)，均可以直接采用相关现有技术形成这些控制模块，只需要简单的波形发生器，选择器，触发器以及电平保持器即可实现。另外，初始、零偏置时导电状态为n型或p型石墨烯的制备，可以通过采用铁电极化的调控来实现。
另外，本发明可优选使用熔点低的Al材料(熔点为660℃)作为顶栅电极；当然，除了Al外，也可以采用其他金属，如Au，Pt，Cu，Ti，Ni，Cr。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种模拟人脑神经突触的装置，包括神经突触单元以及与该神经突触单元和后级神经元连接的控制器，所述突触单元具体为能够切换n型和p型的铁电石墨烯晶体管，包括源电极、漏电极、以及用于连接该源电极与该漏电极的具有双极性的石墨烯沟道，所述石墨烯沟道还通过铁电薄膜介质与顶栅电极相连，从而使得顶栅电极能有效调控沟道导电类型和电导状态，实现n型和p型两种不同类型的铁电石墨烯晶体管的切换；该突触单元的漏电极与所述后级神经元相连，源电极用于接收输入脉冲信号，在后级神经元激发输出脉冲信号；一旦前级神经元产生输入脉冲时，使得所述控制器的使能端打开，所述控制器内部产生衰减波形；利用输出信号和期望信号对衰减波形进行采样，采样的值转换成相应幅值的监督脉冲信号输入栅端；进而通过该监督脉冲信号改变铁电薄膜介质的极化状态，从而改变石墨烯沟道的电导，实现脉冲神经网络监督学习功能的模拟；
其特征在于，所述突触单元具体为互补型突触器件，包括使用所述能够切换n型和p型的铁电石墨烯晶体管作为增强型突触和减小型突触，其中，所述增强型突触中石墨烯沟道的初始状态为n型导电，所述减小型突触中石墨烯沟道的初始状态为p型导电；所述增强型突触和所述减小型突触两者并联构成互补型突触，所述增强型突触中的源电极和所述减小型突触中的源电极相连，形成该互补型突触器件整体的源电极；所述增强型突触中的漏电极和所述减小型突触中的漏电极相连，形成该互补型突触器件整体的漏电极；该互补型突触器件整体的源电极用于模拟突触前，该互补型突触器件整体的漏电极用于模拟突触后。
2.调控如权利要求1所述装置的调控方法，其特征在于，
当使用n型和p型铁电石墨烯晶体管并联作为互补突触器件，所述输出脉冲信号采样值作为施加在p型晶体管栅端上的监督信号的幅值，期望脉冲信号采样值作为施加在n型晶体管栅端上的监督信号的幅值；当所述输出脉冲信号和所述期望脉冲信号的时序之差为负时，所述输出脉冲信号采样值大于所述期望脉冲信号采样值，所述p型晶体管电导减小值大于所述n型晶体管电导增加值，总电导等于n型晶体管电导加上p型晶体管电导，因此整体电导减小对应权重的减小，使得下个节点所述控制器输出脉冲信号来的更晚，更靠近所述期望信号；而当所述输出脉冲信号和所述期望脉冲信号的时序之差为正时，n型晶体管的增加值大于p型晶体管的减小值，因此整体电导增加对应权重的增加，使得下个节点输出脉冲信号来的更早，更靠近所述期望信号，从而实现整个电路的收敛。
3.如权利要求2所述调控方法，其特征在于，该调控方法具体是通过向源电极施加脉冲信号来模拟来自前级神经元的输入信号，从漏电极输出的电流脉冲信号在后级神经元激发输出脉冲信号，学习所达到的期望信号，并通过向顶栅电极施加脉冲信号作为模拟突触的监督信号。
4.如权利要求2所述调控方法，其特征在于，输出脉冲信号和期望脉冲信号采样的值的大小和正负转换为顶栅电极施加的对应的监督脉冲信号的大小和正负，通过顶栅电极上施加对应的监督脉冲信号的大小和正负改变铁电薄膜介质的极化状态，从而改变石墨烯沟道的电导呈不断增大变化还是呈不断减小变化的变化方向以及变化速率，实现生物神经突触的权重调节功能的模拟，即脉冲时间依赖突触可塑性功能的模拟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498085.3A CN110289317B (zh) | 2019-06-10 | 2019-06-10 | 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498085.3A CN110289317B (zh) | 2019-06-10 | 2019-06-10 | 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110289317A CN110289317A (zh) | 2019-09-27 |
| CN110289317B true CN110289317B (zh) | 2022-02-15 |
Family
ID=68003693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910498085.3A Active CN110289317B (zh) | 2019-06-10 | 2019-06-10 | 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110289317B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111029409B (zh) * | 2019-10-31 | 2023-06-02 | 上海集成电路研发中心有限公司 | 一种性能可调的晶体管 |
| CN111048582B (zh) * | 2020-01-10 | 2021-07-13 | 福州大学 | 一种调节金属氧化物突触晶体管突触可塑性的方法 |
| CN113257913A (zh) * | 2020-02-12 | 2021-08-13 | 中国科学院物理研究所 | 基于铁电畴反转的突触三端器件 |
| CN111291877B (zh) * | 2020-02-26 | 2022-05-20 | 北京大学 | 基于铁电晶体管FeFET的侧抑制神经元电路 |
| CN111403485B (zh) * | 2020-03-29 | 2021-07-27 | 华中科技大学 | 一种新型铁电晶体管及其制备方法 |
| CN112381217B (zh) * | 2020-11-06 | 2022-05-20 | 北京大学 | 一种实现突触具备兴奋和抑制功能的方法 |
| CN112397392B (zh) * | 2020-11-16 | 2023-09-12 | 西交利物浦大学 | 仿生突触晶体管及其制备方法 |
| CN116711084A (zh) * | 2021-03-09 | 2023-09-05 | 华为技术有限公司 | 一种铁电晶体管、存储阵列、存储器及制备方法 |
| CN113688978A (zh) * | 2021-08-12 | 2021-11-23 | 华东师范大学 | 一种基于三端突触器件的联想学习神经网络阵列 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019066959A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | FERROELECTRIC NEURONS AND SYNAPES |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10892330B2 (en) * | 2016-07-06 | 2021-01-12 | International Business Machines Corporation | FET based synapse network |
| KR20180116842A (ko) * | 2017-04-18 | 2018-10-26 | 에스케이하이닉스 주식회사 | 강유전체 트랜지스터를 포함하는 뉴로모픽 소자의 시냅스 시스템 |
| US20190108437A1 (en) * | 2017-10-10 | 2019-04-11 | Fu-Chang Hsu | Two and three-dimensional neural network arrays |
-
2019
- 2019-06-10 CN CN201910498085.3A patent/CN110289317B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019066959A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | FERROELECTRIC NEURONS AND SYNAPES |
Non-Patent Citations (2)
| Title |
|---|
| "Graphene based Field Effect Transistors for Novel Nonvolatile Memories";Jia-Hui Xie et al;《IEEE》;20170803;第1-3页 * |
| Jia-Hui Xie et al."Graphene based Field Effect Transistors for Novel Nonvolatile Memories".《IEEE》.2017,第1-3页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110289317A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110289317B (zh) | 铁电石墨烯晶体管及基于它的互补型突触器件和调控方法 | |
| CN106992249B (zh) | 一种具有量子电导效应的离子型忆阻器 | |
| Mikhaylov et al. | One-board design and simulation of double-layer perceptron based on metal-oxide memristive nanostructures | |
| WO2015001697A1 (ja) | ニューラルネットワーク回路、およびその学習方法 | |
| CN110416312B (zh) | 一种低功耗神经突触薄膜晶体管及其制备方法 | |
| CN110739393B (zh) | 一种仿生突触器件及其制作方法及其应用 | |
| EP1349110A2 (en) | Integrated circuit apparatus and neuro element | |
| Subramaniam et al. | Spike-timing-dependent plasticity using biologically realistic action potentials and low-temperature materials | |
| CN107346449B (zh) | 可同时计算和编程的神经形态电路 | |
| Tu et al. | A wide-range operating synaptic device based on organic ferroelectricity with low energy consumption | |
| Kumar et al. | Y 2 O 3-based crossbar array for analog and neuromorphic computation | |
| Zhao et al. | Recent progress on neuromorphic synapse electronics: from emerging materials, devices, to neural networks | |
| US11586899B2 (en) | Neuromorphic device with oxygen scavenging gate | |
| US11121259B2 (en) | Metal-oxide-based neuromorphic device | |
| Zhao et al. | Bio-synapse behavior controlled by interface engineering in ferroelectric tunnel memristors | |
| Lin et al. | Design of all-phase-change-memory spiking neural network enabled by Ge-Ga-Sb compound | |
| CN111081875A (zh) | 一种铁电极化调控的人工突触器件及其制备方法 | |
| Niu et al. | Multilevel state ferroelectric La: HfO2-based memristors and their implementations in associative learning circuit and face recognition | |
| Afshari et al. | Unsupervised learning in hexagonal boron nitride memristor-based spiking neural networks | |
| Liu et al. | A bi-functional three-terminal memristor applicable as an artificial synapse and neuron | |
| Bamao et al. | Realization of memristor and synaptic simulation behaviors based on LiNbOx | |
| Marukame et al. | Lithium-ion-Based Resistive Devices of LiCoO 2/LiPON/Cu With Ultrathin Interlayers of Titanium Oxide for Neuromorphic Computing | |
| Yang et al. | Universal and convenient optimization strategies for three-terminal memristors | |
| CN112018236A (zh) | 一种基于pzt的忆阻器件、其制备方法及其应用 | |
| Chang et al. | Modeling and implementation of oxide memristors for neuromorphic applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Miao Xiangshui Inventor after: Zhou Yue Inventor after: He Yuhui Inventor after: Chen Yangyang Inventor before: Miao Xiangshui Inventor before: He Yuhui Inventor before: Chen Yangyang Inventor before: Zhou Yue |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |