同时实现突触和光学传感功能来构筑视觉神经突触器件

电子说

1.2w人已加入

描述

当前突触器件的研究大部分集中在证明器件在模拟突触动力学方面的潜力,而不是进一步的功能化突触器件以进行更复杂的学习。在这里,我们在h-BN/WSe2异质结上同时实现突触和光学传感功能来构筑视觉神经突触器件。在视觉神经网络中,该器件可以模仿人类视觉系统的彩色和颜色混合模式识别功能。

我们的突触器件展示了接近线性的权重更新轨迹,同时提供大量变化幅值小于1%的稳定传导状态。该器件采用 0.3 V 的低电压尖峰工作模式,每个尖峰消耗的能量仅为66 fJ。因此,这有助于演示准确且节能的彩色和混色模式识别。这项工作将是迈向神经网络(包括神经传感和训练功能)的重要一步,可用于更复杂的模式识别。

以前的研究都没有试图将突触功能之外的设备功能化,例如,通过将它们与生物识别传感元素(如视觉,听觉和嗅觉传感器)合并。现有工作只证明了大脑皮层中的与二元或灰度MNIST(修改后的国家标准与技术研究院)数据集的信号处理过程。

突触器件与生物特征传感元件的功能集成有望为构成神经传感和训练功能的神经网络的实现提供新的机会,从而能够对复杂(例如,颜色混合和语音混合)模式执行高能效的模式识别任务。在本文中,我们演示了一种具有突触和光学传感功能的视觉神经突触(ONS)器件。

该ONS器件是在范德华 (vdW) 异质结构(h-BN/WSe2)上制造的,它不具有界面缺陷,因此允许调节许多界面陷阱以实现突触功能。通过这些ONS器件形成的视觉神经网络(ONN),模拟了人类视觉系统的彩色和混色模式识别能力。文中把突触器件与迄今为止报道的其他器件进行了比较(见附表1),特别是在权重更新线性度、可用传导状态数、每种状态的稳定性和能效方面。

由于在较短的波长下会发生更多的光学吸收,因此较短的光波长会在恒定的漏极偏置下降低光学传感设备的电阻。这种电阻的降低意味着WSe2中产生更多的载流子,此时WCL中捕获的载流子密度增加。这随后允许根据光波长条件调整ONS器件的突触动态特性。

在这里,光学传感器件和突触器件是在同一个h-BN / WSe2上制造的,这样做是为了使光学感器件具有适当的串联电阻,与突触器件的串联电阻相当,并且能够改变突触特性。如果光学传感器件与突触器件相比具有过大或过小的电阻值,则光学传感器件中通过调整照明条件进行的电阻控制将不利于改变ONS器件的突触特性。
 

神经网络

图1 集成h-BN/WSe2视觉神经突触器件。a. 人体视觉神经系统示意图,集成了h-BN/WSe2光电探测器的h-BN/WSe2的突触器件,以及ONS器件的简化电路。这里的光源是点激光器,波长为655 nm(红色),532 nm(绿色)和405 nm(蓝色),所有波长的固定功率密度(P)均为6 mW cm−2。b. 不同光照条件(无光照和 RGB)下的 ONS 器件h-BN/WSe2的兴奋性和抑制性突触后电流特征及提取的电导变化。c. 不同光照条件下的长期增强和抑制曲线,其中使用振幅为0.3 V的输入脉冲控制突触器件。 d、e不同波长下提取的非线性幅度(d)和有效电导状态数(e)。

实现这种突触器件的第一步是在h-BN顶部创建一个电荷捕获层,用于调整WSe2通道电导率。通过在 h-BN 上用氧等离子体处理形成 WCL,可以实现vdW突触器件,如图2a所示。在突触前和突触后端子之间的电流中观察到迟滞特性,这取决于施加到突触间隙端子的电压(VSCT).发生这种情况是因为被困在 WCL 中的电荷部分屏蔽VSCT从而影响流经突触器件的电流。

神经网络

图2 h-BN/WSe2突触器件的结构和工作机制a. 合成WSe2/WCL/h-BN突触器件和生物突触的功能/结构/结构比较。b. WSe2/WCL/h-BN结构的X-TEM图像。

c/d. 在WSe2/WCL/h-BN结构的横截面上获得的EELS(c)和EDS(d)映射图像。e. 脉冲振幅为0.1V和1V后的电流弛豫曲线,以及脉冲后1s快陷阱和慢陷阱中未恢复电子的贡献率。f. 脉冲后以及快速陷阱中载流子去陷后的能带图。g. 突触后电导的变化和作为氧等离子体处理时间的函数测量的开关能量。这里,所有Vpulse的持续时间为10 ms。

神经网络

图3  h-BN/WSe2突触器件的突触可塑性。a. 不同振幅(0.3 V、0.5 V或1 V)输入脉冲的长期增强和抑制特性。b. 有效电导状态数以及当在每个增强和降低中施加600个脉冲时的LTP/LTD曲线。c 电导状态的稳定性,变化小于1%。d. 在h-BN/WSe2突触器件中获得的峰值时间相关可塑性。尖峰前和尖峰后电压分别向突触前和SCT施加。

神经网络

图4基于人工光学神经网络的彩色和混色模式识别。a. 一种用于识别28×28 RGB图像的ONN。b. 分别由彩色和混色数字图案图像组成的训练和测试数据集的示例。c. 识别率是训练时期数的函数。d. 第12个和第600个训练时期之后的权重映射图像。e. 在第600个训练时期之后的彩色数(蓝色4)和混色数(红色/绿色混合4)的情况下,每个输出神经元的激活值。





审核编辑:刘清

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分