【摘要】 神经形态计算对多功能模拟设备的巨大需求是人工智能应用的一个主要问题。

神经形态计算对多功能模拟设备的巨大需求是人工智能应用的一个主要问题。基于判别模型和生成模型的机器学习和深度学习需要一个神经网络，该网络包括存储器、存储器读/写头、状态寄存器和具有模拟权重和偏置参数的存储器写规则。从模拟的角度来看，已经通过硬件实现提出了用于多重累积操作的具有多个非易失性状态的概念器件，该器件用物理存储器和处理器之间的总线取代了权重和偏置值的数据传输。为此，可以基于铁电框架构建各种架构，其中部分极化开关是可能的。例如，在涉及堆叠超薄膜的传统器件中，可变铁电极化可用于具有多个电阻状态的隧道结。此外，在非易失性存储器的单晶体管结构中，已经提出了用类似极化值的铁电场效应调制物质的物理性质。无论用于数据存储调制的机制如何，明确控制铁电极化开关，特别是不饱和铁电极化滞后子回路，是实现这些模拟器件所需性能的关键因素。

最近对神经形态应用的模拟设备的需求需要调制多个非易失性状态。具有多种极化状态的铁电性使得神经形态应用于各种结构。然而，传统铁电材料对铁电极化态的确定性控制存在可及性问题。Kyoungjun Lee报道[1]了铁电HfO2中前所未有的稳定可及性和多极化态的鲁棒稳定性。通过常规电压测量、滞后温度依赖性分析、压电力显微镜、第一线原理计算和蒙特卡罗模拟的结合，我们认为铁电HfO2中前所未有的中间态稳定性是由于成核临界体积小，而铁电偶极子翻转的活化能大。这项工作证明了铁电HfO2在模拟设备应用中实现神经形态计算的潜力。

[1] Lee K, Lee H J, Lee T Y,et al. Stable Subloop Behavior in Ferroelectric Si-Doped HfO2[J].ACS Applied Materials & Interfaces, 2019.

 

免责声明：部分文章整合自网络，因内容庞杂无法联系到全部作者，如有侵权，请联系删除，我们会在第一时间予以答复，万分感谢。