隨著人工智能、物聯(lián)網(wǎng)等新興信息技術的發(fā)展，信息處理已由計算密集型向數(shù)據(jù)密集型轉移，亟需具有非結構化數(shù)據(jù)處理能力的低延時、低能耗邊緣計算系統(tǒng)，滿足終端設備對未來海量非結構化數(shù)據(jù)處理能力的需求。受生物啟發(fā)的脈沖神經(jīng)網(wǎng)絡（SNN）因其使用稀疏、異步的脈沖序列作為輸入/輸出，并以存內(nèi)計算的方式處理信息而具有大規(guī)模并行和低能耗的特點。但要充分發(fā)揮SNN的優(yōu)勢，亟需在硬件方面開發(fā)出緊湊、低功耗、可訓練的新型突觸電子器件。 

　　電解質柵控晶體管（EGT）是一種新型非易失性電子器件，具有滿足上述需求的潛力（參見D. S. Shang, et al. Adv. Intell. Syst. 2020, 2, 2000156; D. S. Shang, et al. Adv. Func. Mater. 2018, 28, 1804170; D. S. Shang, et al. Adv. Mater. 2017, 29, 1700906）。在前期工作中，中科院微電子所微電子器件與集成技術重點實驗室劉明院士團隊的尚大山研究員等人，利用無機氧化物Nb₂O₅和Li摻雜SiO₂作為溝道和柵電解質材料，實現(xiàn)了EGT的大面積陣列制備以及SNN功能演示（參見Y. Li, J. Lu, D. S. Shang, et al., Adv. Mater. 2020, 32, 200301）。但利用EGT構建SNN邊緣計算系統(tǒng)還面臨許多挑戰(zhàn)。首先，由于 EGT 具有類似電池的結構和工作機制，溝道電導更新后會存在自放電現(xiàn)象，導致溝道電導退化，影響網(wǎng)絡的識別精度。其次，原位脈沖時序依賴可塑性（In-situ STDP）是SNN中的重要學習規(guī)則，如何在EGT陣列中實現(xiàn)這種STDP學習規(guī)則是實現(xiàn)低功耗在線學習的關鍵。 

　　針對上述問題，團隊提出了一種One-Transistor-One-EGT（1T1E）結構作為突觸單元。該結構不僅能有效緩解EGT的自放電現(xiàn)象（圖1 a-b），優(yōu)化陣列器件選通問題，還能結合CMOS神經(jīng)元電路靈活、高效地實現(xiàn)STDP學習規(guī)則（圖1 c-d）。根據(jù)突觸單元的測試結果，團隊進一步構建了一種基于時間編碼的SNN。該網(wǎng)絡具有聯(lián)想記憶功能，能夠實現(xiàn)對MNIST數(shù)據(jù)集中手寫數(shù)字圖像的學習和恢復（圖1 e-f），并對EGT器件讀寫噪聲、非線性調(diào)節(jié)等非理想特性展現(xiàn)出了良好的魯棒性（圖1 g-i）。由于采用了時間編碼方式，并結合器件自身的低電流操作，這種基于1T1E突觸單元的SNN在訓練過程和推理過程中的核心峰值能效分別可達 2 pJ/SOP （Picojoule per synaptic operation）和 80 TOPs-1W-1 （Tera operations per second per watt），相比常規(guī)的基于憶阻突觸器件和頻率編碼方式的SNN有了巨大提升。以上結果為構建低能耗的神經(jīng)形態(tài)邊緣計算系統(tǒng)提供了重要參考。 

　　這一成果近期發(fā)表在《先進功能材料》期刊上（Advanced Functional Materials, DOI: 10.1002/adfm.202100042），微電子所博士研究生李悅、中國科學技術大學博士研究生宣自豪為文章的共同第一作者，微電子所尚大山研究員為該文章的通訊作者。 

　　該成果得到了科技部、國家自然科學基金委、中科院和之江實驗室的支持。 

圖1. （a） 1T1E突觸單元結構示意圖；（b） 1T1E突觸單元保持特性；（c）基于1T1E和CMOS神經(jīng)元電路的in-situ STDP學習規(guī)則實現(xiàn)方案；（d）器件溝道電導變化量 （ΔG）隨前、后脈沖時間差（Δt）變化的關系圖；（e）時間編碼示意圖，利用0-200 ms間的分立時間點編碼圖像中五種不同的灰度值；（f）對網(wǎng)絡輸入殘缺并帶有噪聲的數(shù)字“1”圖像，網(wǎng)絡能夠恢復出正確的圖像；器件非理想特性（g）非線性 （h）寫噪聲和 （i）讀噪聲對網(wǎng)絡恢復率的影響規(guī)律，器件特性實測結果也被標出。

論文信息：

One Transistor One Electrolyte-Gated Transistor Based Spiking Neural Network for Power-Efficient Neuromorphic Computing System 

Yue Li, Zihao Xuan, Jikai Lu, Zhongrui Wang, Xumeng Zhang, Zuheng Wu, Yongzhou Wang, Han Xu, Chunmeng Dou, Yi Kang, Qi Liu, Hangbing Lv, Dashan Shang* 

Advanced Functional Materials, 2021, DOI: 10.1002/adfm.202100042