CN112434802B - 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法 - Google Patents

一种实现基于铁电晶体管的自适应随机脉冲神经元的方法 Download PDF

Info

Publication number
CN112434802B
CN112434802B CN202011227945.9A CN202011227945A CN112434802B CN 112434802 B CN112434802 B CN 112434802B CN 202011227945 A CN202011227945 A CN 202011227945A CN 112434802 B CN112434802 B CN 112434802B
Authority
CN
China
Prior art keywords
fefet
ferroelectric
pulse
ferroelectric transistor
neuron
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
Application number
CN202011227945.9A
Other languages
English (en)
Other versions
CN112434802A (zh
Inventor
黄如
罗金
刘天翊
黄芊芊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202011227945.9A priority Critical patent/CN112434802B/zh
Priority to US18/034,287 priority patent/US11868868B2/en
Priority to PCT/CN2020/132032 priority patent/WO2022095160A1/zh
Publication of CN112434802A publication Critical patent/CN112434802A/zh
Application granted granted Critical
Publication of CN112434802B publication Critical patent/CN112434802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/54—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using elements simulating biological cells, e.g. neuron
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03K—PULSE TECHNIQUE
    • H03K3/00—Circuits for generating electric pulses; Monostable, bistable or multistable circuits
    • H03K3/02—Generators characterised by the type of circuit or by the means used for producing pulses
    • H03K3/021—Generators characterised by the type of circuit or by the means used for producing pulses by the use, as active elements, of more than one type of element or means, e.g. BIMOS, composite devices such as IGBT
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/21—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using electric elements
    • G11C11/22—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using electric elements using ferroelectric elements
    • G11C11/223—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using electric elements using ferroelectric elements using MOS with ferroelectric gate insulating film

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Semiconductor Memories (AREA)
  • Non-Volatile Memory (AREA)

Abstract

本发明提出一种实现基于铁电晶体管的自适应随机脉冲神经元的方法，属于神经形态计算中脉冲神经元技术领域。该方法包括铁电晶体管FeFET、N型MOSFET以及通过增强铁电晶体管的铁电材料的极化退化特性形成的L‑FeFET；其中FeFET和N型MOSFET串联结构自适应调制从突触传递过来的电压脉冲信号；L‑FeFET的栅端连接于FeFET的源端，接收调制后的脉冲信号，L‑FeFET模拟生物神经元的积累、泄露、以及随机脉冲发放特性；综上该电路能实现神经元自适应随机脉冲发放的高级功能。本发明与基于传统MOSFET的实现方式相比，可以显著降低硬件开销，有利于大规模的高度互联的脉冲神经网络的硬件实现。

Description

一种实现基于铁电晶体管的自适应随机脉冲神经元的方法
技术领域
本发明属于神经形态计算中脉冲神经元技术领域，具体涉及一种基于铁电晶体管的自适应随机脉冲神经元的实现方法。
背景技术
随着信息技术的蓬勃发展，人类社会已经步入“数据爆炸”的时代，每年指数式增长的数据量为数据的处理和计算带来了空前的压力。传统冯诺依曼计算架构由于其存算分离的架构特点，数据在存储单元和计算单元之间的传输将引起大量的功耗和能耗的浪费，在如今信息社会乃至智能社会伴随庞大数据量的背景下，这一问题将变得越来越严重。
研究者们受人脑运算模式启发，提出了神经网络(Neural Network)计算架构，以神经元-突触-神经元的连接方式为基础，构建存算一体、高度并行的分布式计算网络，在提高了对复杂数据的处理效率的同时可避免传统冯诺依曼计算架构中“内存墙”引起的功耗和能耗问题。经典的人工神经网络(Artificial Neural Network)中，神经元的功能被抽象为一种数值计算：先加和输入的数据，再通过激活函数得到输出的激活值。目前，人工神经网络在图像识别、自然语言处理、自动驾驶等应用中已表现出超越传统通用计算单元的计算效率，然而与人脑相比，仍存在学习训练周期长、计算硬件开销较大等问题。神经形态计算(Neuromorphic Computing)在神经网络计算架构的基础上进一步模拟人脑，以脉冲形式表达和传递信息，所构建的脉冲神经网络(Spiking Neural Network)具有异步、事件驱动的特性，可进一步缩小机器智能与人脑智能之间的差距，具有能效高、学习速度快、泛化能力强等优势。
与人工神经网络中的神经元不同，脉冲神经元负责整合输入的脉冲信号并输出新的脉冲信号来传递信息，其工作形式模拟生物神经元，对信号的处理过程体现在膜电位的变化上。脉冲神经元的基本功能可以抽象为带泄漏的积累发放(Leaky Integrate-and-Fire,LIF)，同时其也是神经形态计算中应用最广泛的仿生脉冲神经元模型。除了积累发放的基本功能之外，脉冲神经元还具备随机脉冲发放的高级功能，具体体现为一个神经元从静息状态开始，积累输入脉冲直至产生动作电位所需的输入脉冲个数具有随机性，所述随机性利于脉冲神经网络探索问题的解空间。
神经形态计算最终要实现网络整体的硬件化，才能完全摆脱“内存墙”瓶颈的限制。目前，神经形态计算的硬件实现上，已经有许多研究机构和企业研发出了多款神经形态芯片，然而在现有的神经形态计算的硬件化方案中，网络的基本单元——硬件脉冲神经元依然主要基于传统CMOS电路搭建，对脉冲神经元功能的模拟往往依赖由数个MOSFET器件以及电容构成的电路模块，存在硬件开销较大、电路能耗较高等问题，不利于高密度、大规模集成，并可能使网络失去架构层面带来的原本的功耗和能耗优势。此外，利用神经形态计算硬件求解广泛存在的优化问题，还需要实现自适应随机的高级神经元功能，使脉冲神经网络探索问题的解空间，并能逐步收敛至最优解，然而基于传统CMOS电路的实现方式往往需要引入大幅额外硬件开销。
发明内容
针对以上现有技术中存在的问题，本发明提出了一种实现基于铁电晶体管的自适应随机脉冲神经元的方法，与基于传统MOSFET的实现方式相比，本发明在实现脉冲神经网络求解优化问题必须的自适应随机性高级功能的前提下，可以显著降低硬件开销。
本发明提供的技术方案如下：
一种实现基于铁电晶体管的自适应脉冲神经元的方法，硬件包括常规铁电晶体管FeFET、N型MOSFET(NMOS)以及通过增强铁电晶体管的铁电材料的极化退化特性形成铁电晶体管L-FeFET；其中，常规FeFET的栅端和漏端分别接收突触传递来的输入电压脉冲，FeFET的源端连接于N型MOSFET的漏端，N型NMOS源端连接于GND，栅端偏置电压低于其阈值电压，常规FeFET和N型NMOS串联结构自适应调制从突触传递来的电压脉冲信号；L-FeFET的栅端连接于常规FeFET的源端，接收调制后的脉冲信号，L-FeFET模拟生物神经元的积累、泄露、以及随机脉冲发放特性；L-FeFET的源端连接于GND，漏端作为输出端产生电流脉冲，L-FeFET用于模拟生物神经元积累、泄露、脉冲发放的功能；同时铁电极化翻转的本征随机性保证神经元随机脉冲发放的高级功能，从而实现自适应脉冲神经元。
本发明利用常规铁电晶体管FeFET在栅电压脉冲作用下，极化逐渐翻转，调节FeFET阈值电压，从而调节作为传输管的FeFET的阈值电压损失大小的特性，实现对神经元接收电压脉冲的自适应幅度调制；利用增强极化退化特性的L-FeFET在栅电压脉冲作用下电压相关的随机极化翻转特性以及极化强度的退化特性，实现硬件神经元可调随机性的功能；结合两种铁电晶体管的特性实现硬件自适应随机脉冲神经元。
本发明可以通过调节神经元的输入电压脉冲幅度和宽度来调节神经元的随机性大小。
本发明FeFET和N型MOSFET器件串联结构随着输入脉冲数量增多自适应调节传递至L-FeFET的电压脉冲幅度大小，从而实现神经元自适应随机脉冲发放的高级功能。
本发明自适应随机脉冲神经元所使用的常规FeFET具有以下特性：在施加栅电压脉冲时表现出积累作用，即通过在栅上施加电压脉冲，可以调节FeFET器件的阈值电压，从而调节器件的沟道电导。本发明使用的增强极化退化特性的L-FeFET具有以下特性：在施加栅电压脉冲时表现出明显的积累作用，即铁电极化逐渐翻转，并且伴随着随机特性，通过极化调节L-FeFET器件的沟道电导，而在没有栅电压脉冲时表现出积累状态的退化，即铁电极化强度的退化，体现泄漏特性。上述FeFET和L-FeFET可以是采用钙钛矿型铁电(PZT,BFO，SBT)、铁电聚合物(P(VDF-TrFE))等传统铁电材料或HfO2掺Zr(HZO)、HfO2掺Al(HfAlO)、HfO2掺Si、HfO2掺Y等HfO2掺杂型铁电材料，可以是基于MFMIS、MFIS、MFS等结构的，具有上述典型特性的任意一种铁电晶体管器件。
本发明的基于铁电晶体管的自适应随机脉冲神经元的有益效果及相应原理：
1、本发明基于铁电晶体管的自适应随机脉冲神经元利用铁电晶体管在栅电压脉冲作用下铁电极化翻转具备随机性的特点，实现生物神经元脉冲发放随机性的高级功能，相比基于传统CMOS电路的实现方式，显著降低了硬件开销，无需额外电路来实现脉冲神经元的随机发放的功能。
2、本发明基于铁电晶体管的自适应随机脉冲神经元利用铁电晶体管中铁电极化翻转的随机性大小随着接收到的栅电压脉冲的幅度大小和宽度大小改变的特点，实现神经元的随机性大小可调节的高级功能。
3、本发明基于铁电晶体管的自适应随机脉冲神经元利用常规FeFET在栅电压作用下发生极化翻转从而调制沟道电导的特点，只需要一个常规FeFET加一个NMOS即可实现对前级突触传递来的脉冲进行幅度自适应调制，从而实现本发明脉冲神经元的自适应随机性的高级功能，利于硬件脉冲神经网络求解优化问题。相比基于传统CMOS的实现方式，显著降低了硬件开销，无需额外控制来实现神经元脉冲发放随机性自适应调节的功能
附图说明
图1为本发明基于铁电晶体管的自适应随机脉冲神经元的一个实施例的示意图。
具体实施方式
下面结合附图，通过具体实施例，进一步阐述本发明提供的实现基于铁电晶体管的自适应脉冲神经元的方法。
本实施例采用无定形的Hf0.5Zr0.5O2铁电材料实现常规铁电晶体管FeFET；采用部分极化的Hf0.5Zr0.5O2铁电材料实现增强极化退化特性的铁电晶体管L-FeFET。
如图1所示，本实例是基于铁电晶体管实现的自适应随机脉冲神经元，包括常规FeFET、NMOS、和增强极化退化特性的L-FeFET；其中，常规FeFET的栅端和漏端分别接收突触输入的电压脉冲Vin，源端连接于NMOS的漏端；NMOS源端连接于GND，栅端连接于低于其阈值电压的固定电压Vgm；常规FeFET和N型MOSFET串联结构通过动态分压调制从突触传递过来的电压脉冲信号，产生中间信号Vint；Vint作用于L-FeFET的栅端，L-FeFET的源端连接于GND，漏端连接电源电压VDD，L-FeFET的沟道电流作为神经元的电流输出Iout。L-FeFET模拟生物神经元的积累、泄露、以及随机脉冲发放特性。
以本实施例说明本发明的有益效果：
1、初始状态下，L-FeFET拥有较高的VTH，当前级的FeFET传递幅值恒定的电压脉冲Vint作用于L-FeFET栅上时，L-FeFET器件无法充分导通，沟道电导依然较小，没有脉冲输出。与此同时，Vint脉冲会导致铁电极化正向翻转，此过程带有随机性，极化不断积累会导致器件的VTH越来越低。当L-FeFET的VTH足够低时，输入的电压脉冲将使器件充分导通，形成电流脉冲Iout。统计L-FeFET从初始状态开始到发放脉冲所需要积累的输入脉冲的个数，此统计结果呈现一定分布特性。综上所述，本发明的基于铁电晶体管的脉冲神经元利用铁电本征的极化翻转随机特性，实现了生物神经元的随机脉冲发放特性。
2、统计不同幅值、不同脉宽的电压脉冲串作用在L-FeFET栅端时，L-FeFET从初始状态开始到发放脉冲所需要积累的输入脉冲个数的分布特性，脉冲电压幅值和宽度可以调控此分布的均值和方差，即可调节神经元发放脉冲的随机性的大小；综上所述，本发明的基于铁电晶体管的自适应随机脉冲神经元利用铁电晶体管中铁电极化翻转的随机性大小随着接收到的栅电压脉冲的幅度大小和宽度大小改变的特点，可以实现神经元的随机性大小可调节的高级功能。
3、初始状态下，常规FeFET拥有较高的VTH，NMOS栅端偏置电压Vgm低于NMOS的VTH，当FeFET的栅端和漏端接收到突触传递来的输入电压脉冲时，FeFET作为前馈传输管传输漏端的电压信号至源端，产生中间调制信号Vint。且FeFET在电压脉冲传输过程中伴随着阈值损失效应；同时，FeFET栅端电压脉冲导致铁电极化逐渐翻转并且保持，FeFET的VTH逐渐降低，导致FeFET传输输入脉冲时的阈值损失量逐渐减小，产生的中间调制信号Vint脉冲幅度逐渐增大，趋近于FeFET漏端输入电压脉冲的幅值。随接收到前级突触传递的电压脉冲的累积时间增加，作用于L-FeFET栅上的Vint电压脉冲的幅度自适应增大，从而自适应调控神经元发放脉冲的随机性大小。综上所述，本发明的基于铁电晶体管的自适应随机脉冲神经元只需要一个FeFET，一个NMOS和一个L-FeFET即可实现自适应随机脉冲发放的高级功能。相比基于传统CMOS的实现方式，显著降低了硬件开销，无需额外控制电路来实现神经元脉冲发放随机性自适应调节的功能。
最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (5)

1.一种实现基于铁电晶体管的自适应随机脉冲神经元的方法，其特征在于，硬件包括铁电晶体管FeFET、N型MOSFET和铁电晶体管L-FeFET；其中，铁电晶体管FeFET的栅端和漏端分别接收突触输入的电压脉冲，铁电晶体管FeFET源端连接于N型MOSFET的漏端，N型NMOS源端连接于GND，栅端偏置在低于其阈值电压的固定电压，铁电晶体管FeFET和NMOS串联结构自适应调制从突触传递过来的电压脉冲信号；铁电晶体管L-FeFET的栅端连接于铁电晶体管FeFET的源端，接收调制后的脉冲信号，铁电晶体管L-FeFET的源端连接于GND，铁电晶体管L-FeFET漏端作为输出端产生电流脉冲，所述铁电晶体管L-FeFET用于模拟生物神经元积累、泄露、脉冲发放的功能；同时铁电极化翻转的本征随机性保证神经元随机脉冲发放功能，从而实现自适应随机脉冲神经元。
2.如权利要求1所述的实现基于铁电晶体管的自适应随机脉冲神经元的方法，其特征在于，通过调节神经元电路的输入电压脉冲幅度和宽度来调节神经元电路的随机性大小。
3.如权利要求1所述的实现基于铁电晶体管的自适应随机脉冲神经元的方法，其特征在于，所述铁电晶体管FeFET和N型MOSFET器件串联结构随着输入脉冲数量增多自适应调节传递至铁电晶体管L-FeFET的电压脉冲幅度大小。
4.如权利要求1所述的实现基于铁电晶体管的自适应随机脉冲神经元的方法，其特征在于，所述铁电晶体管FeFET和铁电晶体管L-FeFET基于MFMIS、MFIS、MFS结构。
5.如权利要求1所述的实现基于铁电晶体管的自适应随机脉冲神经元的方法，其特征在于，所述铁电晶体管FeFET和铁电晶体管L-FeFET器件采用钙钛矿型铁电、铁电聚合物等传统铁电材料或HfO2掺Zr、HfO2掺Al、HfO2掺Si、HfO2掺Y等HfO2掺杂型铁电材料。
CN202011227945.9A 2020-11-06 2020-11-06 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法 Active CN112434802B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011227945.9A CN112434802B (zh) 2020-11-06 2020-11-06 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法
US18/034,287 US11868868B2 (en) 2020-11-06 2020-11-27 Method for implementing adaptive stochastic spiking neuron based on ferroelectric field effect transistor
PCT/CN2020/132032 WO2022095160A1 (zh) 2020-11-06 2020-11-27 一种基于铁电场效应晶体管的自适应随机脉冲神经元的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011227945.9A CN112434802B (zh) 2020-11-06 2020-11-06 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法

Publications (2)

Publication Number Publication Date
CN112434802A CN112434802A (zh) 2021-03-02
CN112434802B true CN112434802B (zh) 2022-05-20

Family

ID=74695521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011227945.9A Active CN112434802B (zh) 2020-11-06 2020-11-06 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法

Country Status (3)

Country Link
US (1) US11868868B2 (zh)
CN (1) CN112434802B (zh)
WO (1) WO2022095160A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177637B (zh) * 2021-04-08 2024-01-30 西安电子科技大学 一种神经元模拟装置及其控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860357A (zh) * 2010-06-09 2010-10-13 中国科学院半导体研究所 一种利用时间编码控制权重和信息整合的方法
CN103078055A (zh) * 2013-01-04 2013-05-01 华中科技大学 一种模拟生物神经突触的单元、装置及方法
CN105930903A (zh) * 2016-05-16 2016-09-07 浙江大学 一种数模混合神经网络芯片体系结构
CN109787592A (zh) * 2018-12-21 2019-05-21 西安交通大学 一种随机神经脉冲发生器
CN110232440A (zh) * 2019-06-11 2019-09-13 北京大学 基于铁电晶体管的脉冲神经元电路
CN110309908A (zh) * 2019-06-11 2019-10-08 北京大学 基于铁电晶体管的FeFET-CMOS混合脉冲神经元
CN111244270A (zh) * 2020-01-16 2020-06-05 北京大学 一种模拟生物神经元功能的电子器件及方法
CN111291877A (zh) * 2020-02-26 2020-06-16 北京大学 基于铁电晶体管FeFET的侧抑制神经元电路

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5659361B1 (ja) * 2013-07-04 2015-01-28 パナソニックＩｐマネジメント株式会社 ニューラルネットワーク回路、およびその学習方法
CN106875003B (zh) 2017-01-20 2020-08-04 清华大学 自适应泄漏值神经元信息处理方法和系统
KR20180111156A (ko) * 2017-03-31 2018-10-11 에스케이하이닉스 주식회사 피드-백 라인을 가진 포스트-시냅틱 뉴런을 포함하는 뉴로모픽 소자 및 뉴로모픽 소자의 동작 방법
KR20180133073A (ko) 2017-06-05 2018-12-13 에스케이하이닉스 주식회사 다수의 강유전체 전계 효과 트랜지스터들을 가진 시냅스를 포함하는 뉴로모픽 소자의 시냅스 어레이
US11055610B2 (en) * 2017-06-30 2021-07-06 International Business Machines Corporation Circuit for CMOS based resistive processing unit
US11461620B2 (en) * 2017-07-05 2022-10-04 Samsung Electronics Co., Ltd. Multi-bit, SoC-compatible neuromorphic weight cell using ferroelectric FETs
US10381061B2 (en) * 2017-09-27 2019-08-13 International Business Machines Corporation One-transistor synapse cell with weight adjustment
US10424379B2 (en) * 2017-12-01 2019-09-24 Namlab Ggmbh Polarization-based configurable logic gate
US10963776B2 (en) * 2018-08-24 2021-03-30 Namlab Ggmbh Artificial neuron based on ferroelectric circuit element
US11232824B1 (en) * 2020-12-11 2022-01-25 International Business Machines Corporation Non-volatile analog resistive memory cells implementing ferroelectric select transistors

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860357A (zh) * 2010-06-09 2010-10-13 中国科学院半导体研究所 一种利用时间编码控制权重和信息整合的方法
CN103078055A (zh) * 2013-01-04 2013-05-01 华中科技大学 一种模拟生物神经突触的单元、装置及方法
CN105930903A (zh) * 2016-05-16 2016-09-07 浙江大学 一种数模混合神经网络芯片体系结构
CN109787592A (zh) * 2018-12-21 2019-05-21 西安交通大学 一种随机神经脉冲发生器
CN110232440A (zh) * 2019-06-11 2019-09-13 北京大学 基于铁电晶体管的脉冲神经元电路
CN110309908A (zh) * 2019-06-11 2019-10-08 北京大学 基于铁电晶体管的FeFET-CMOS混合脉冲神经元
CN111244270A (zh) * 2020-01-16 2020-06-05 北京大学 一种模拟生物神经元功能的电子器件及方法
CN111291877A (zh) * 2020-02-26 2020-06-16 北京大学 基于铁电晶体管FeFET的侧抑制神经元电路

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Bio-inspired neurons based on novel Leaky-FeFET with ultra-low hardware cost and advanced functionality for all ferroelectric neural network;Chen C等;《2019 Symposium on VLSI Technology (VLSI)》;20191231;全文 *
Biologically Plausible Ferroelectric Quasi-Leaky Integrate and Fire Neuron;S. Dutta等;《2019 Symposium on VLSI Technology》;20190725;全文 *
Capacitor-less stochastic leaky-FeFET neuron of both excitatory and inhibitory connections for SNN with reduced;Luo J等;《2019 IEEE International Electron Devices Meeting (IEDM)》;20191231;全文 *
High-performance synaptic transistors for neuromorphic computing;Hai Zhong等;《Chinese Physics B》;20200430;第29卷(第4期);全文 *
基于铁电材料的人工突触器件的研究进展;赵兰天;《功能材料与器件学报》;20200630;第26卷(第3期);全文 *
神经形态器件现状与未来;殷明慧等;《国防科技》;20161231;第37卷(第6期);全文 *
神经形态器件研究进展与未来趋势;王洋昊;《中国科学》;20191226;第65卷(第10期);全文 *
面向神经形态计算的智能芯片与器件技术;王宗巍等;《中国科学基金》;20191231;全文 *

Also Published As

Publication number Publication date
WO2022095160A1 (zh) 2022-05-12
US11868868B2 (en) 2024-01-09
US20230316052A1 (en) 2023-10-05
CN112434802A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN110232440B (zh) 基于铁电晶体管的脉冲神经元电路
CN110309908B (zh) 基于铁电晶体管的FeFET-CMOS混合脉冲神经元电路
CN108985447B (zh) 一种硬件脉冲神经网络系统
Kaneko et al. Ferroelectric artificial synapses for recognition of a multishaded image
CN108880529B (zh) 基于隧穿场效应晶体管的脉冲神经元电路
CN111291877B (zh) 基于铁电晶体管FeFET的侧抑制神经元电路
CN112434802B (zh) 一种实现基于铁电晶体管的自适应随机脉冲神经元的方法
CN110210613B (zh) 一种基于强化学习的脉冲神经网络模拟电路
Zhao et al. Ferroelectric artificial synapses for high-performance neuromorphic computing: Status, prospects, and challenges
Rasche et al. An improved silicon neuron
Wen et al. Associative learning of integrate-and-fire neurons with memristor-based synapses
TWI723878B (zh) 多閘極電晶體及應用其之記憶體裝置
Andreeva et al. Memristive logic design of multifunctional spiking neural network with unsupervised learning
Indiveri et al. A VLSI neuromorphic device for implementing spike-based neural networks
CN113903378B (zh) 一种基于铁电晶体管的延时调制方法
CN112381217B (zh) 一种实现突触具备兴奋和抑制功能的方法
Singh et al. Cloud Hopfield neural network: Analysis and simulation
Mulaosmanovic et al. FeFETs for neuromorphic systems
CN113962373A (zh) 一种实现兼具突触和神经元功能的神经形态器件的方法
CN112396176B (zh) 一种硬件神经网络批归一化系统
Davies-Barton et al. Debt-free intelligence: Ecological information in minds and machines
US11922298B2 (en) Neuron device using spontaneous polarization switching principle
KR20200135148A (ko) 신경망 훈련이 가능한 시냅스 모방 소자
CN113177637B (zh) 一种神经元模拟装置及其控制方法
Ushveridze Understanding Learning through the Lens of Dynamical Invariants

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
GR01 Patent grant
GR01 Patent grant