用于高精度神经形态计算的石墨烯记忆突触

记忆交叉开关体系结构正在发展成为用于人工神经网络的强大的内存计算引擎。然而，由最先进的忆阻器提供的有限数量的非易失性电导状态是其硬件实现的一个问题，因为必须将经过训练的权重舍入到最近的电导状态，从而引入可能显著限制推断精度的误差。此外，不能精确地更新权重会导致收敛问题和片上训练速度减慢。在这篇文章中，我们通过引入基于石墨烯的多级(>；16)和具有任意可编程电导状态的非易失性记忆突触来绕过这些挑战。我们还表现出理想的保持能力和编程耐力。最后，我们证明了石墨烯忆阻器实现了基于k-均值聚类的权重分配，与矢量矩阵乘法的均匀权重量化相比，这提供了更高的计算精度，矢量矩阵乘法是任何人工神经网络的重要组成部分。

互补的金属氧化物半导体(CMOS)技术在经历了近50年的持续增长后，最近出现了下降，这就需要替代的计算方法来绕过现有的挑战1。在这方面，一个非常感兴趣的课题是人脑。虽然强大的超级计算机在每秒执行的操作数量上可以与大脑匹敌，甚至超过大脑，但大脑在能量和面积效率方面无可争辩地优越，每瓦能执行5兆到5万亿次操作，第二卷只占0.0012 m3。相比之下，国际商用机器公司的超级计算机峰会每瓦只能执行大约100亿次操作，而面积超过850 m2 3。人工神经网络(ANN)试图通过直接模拟大脑最基本的单元-通过突触连接神经元-神经元来模拟大脑的效率。然而，即使是最复杂的基于神经网络的芯片，如IBM的TrueNorth 4，也缺乏将其扩展到人脑全部容量的能力，而不会变得异常耗电和面积效率低下5。传统的冯·诺伊曼(Von Neumann)架构建立在逻辑和内存物理分离的基础上，天生就无法扩展具有数百万突触重量的神经网络。

生物启发的计算体系结构背后的动机在于这样的系统能够持续适应随时间变化的外部刺激6。对于神经网络来说，这种学习是通过调制分配给神经元之间连接的突触权重来获得的，从而允许重新配置网络的整体连接性7。为了从生物神经元中正确地再现这一功能，神经网络需要一种能够在经历突触活动(施加电流或偏置)时改变和保持其突触权重(电阻/电导)的设备，同时还能够展示模拟行为(具有几种电阻/电导状态)。在这种背景下，与McCulloch和Pitts 8，9开发的第一个计算模型相比，现代ANN取得了巨大的进步，不同的ANN根据它们各自的网络结构和连接结构进行了分类。人工神经网络(ANN)具有大量的计算层，那些具有三层以上的层通常被称为深度神经网络(DNNs)。就本白皮书而言，最感兴趣的层是出现在所有形式的ANN中的全连接(FC)层。在这些层中，来自单个层的所有输出都连接到下一层的所有输入，从而允许该下一层计算所有输出的加权和。这通常是通过对输出8执行向量矩阵乘法(VMM)来实现的。将CMOS技术与传统的冯·诺依曼计算体系结构结合使用时，该过程的能量效率极低。最近的研究表明，通过利用纵横制阵列结构和利用基于物理定律的直接权重更新方案，可以获得更高的效率。阵列中的每个交叉点由具有可调节电导G的材料组成，实质上使每个交叉点成为模拟非易失性存储单元。通过将FC层的权重矩阵映射到交叉开关阵列的电导矩阵，可以以较低的延迟执行VMM，从而避免了von Neumann瓶颈，即在存储器和计算之间的数据穿梭。这种器件的开发得到电阻性随机存取存储器或忆阻器的帮助，其显示能够通过施加短(&1 )、高幅度(>；1 V)电压脉冲10、11、12、13来改变的可编程电导。然而，大多数忆阻器是二进制的，因为它们只具有两种电阻状态：高阻状态(Hr

基于本文测试和讨论的GFET明显的p型性质，可以合理地假设它是捕获在石墨烯/Al2O3界面的H2O解离吸附的结果，很可能是“方法”一节中讨论的石墨烯转移过程的结果。已经注意到类似的工艺导致在石墨烯和多个不同衬底30、33、34的界面处形成陷水附着层。从这一点出发，也可以合理地假设图1D，e中所示的滞后也主要是由捕获的H2O引起的。为了进一步探讨这一现象，我们尝试观察了钝化对GFET磁滞开关的影响。在单独的Al2O3衬底上制备了一组单独的GFET，并通过沉积12 0 nm的PMMA进行钝化。在钝化之后，在钝化的器件上执行图11D，e中讨论和演示的滞后开关测试。这些测试的结果在补充说明2中说明。补充图2a和2b中的正扫描和负扫描的滞后分别与图1D和E中的非常相似。这表明磁滞和磁滞转换与石墨烯通道自由表面上的任何吸附物无关。

然而，这并不排除捕获在石墨烯/Al2O3界面的吸附物的贡献。以前的研究，例如由Woong Kim等人进行的研究。35，确定了在表面钝化后，由于界面上的水的吸附而导致的滞后现象仍然存在。基于这些观察结果，本文讨论的形成过程可能是石墨烯/Al2O3界面水分子在不同吸附模式之间切换的结果。在制造之后，这些分子被认为是解离吸附的，因为所有被测试的GFET的传输特性具有明显的p型特性，并且在观察扫描输出特性时存在明显的滞后。在这些扫描过程中施加的漏极偏压的增加被认为诱导了水分子向分子吸附的转变。OH−分子和H+离子分别结合到Al2 O3表面的AlS位和O S位，与AlS位复合结合，生成的H2 O分子的OH-键相对平行于石墨烯平面.。每次扫描后GFET传输特性的转变支持这一点；随着V DSmax幅度的增加，V Dirac移位越来越负，导致传输特性变为双极性(对于负偏置脉冲)或n型(对于正偏置脉冲)。虽然GFET随后能够在n型和双极态之间显示模拟切换，但它不能返回到指示解离吸附的原始p型特性。此外，在最初的偏置扫描之后，任何后续的扫描都没有表现出任何明显的滞后，这是分子吸附的一个已知特征。这可以在补充图2c和2d中看到。关于迟滞和界面缺陷/吸附物的潜在贡献的进一步讨论可以分别在补充说明3和4中看到。图11f，g所示的特性开关表示GFET至少存在两种不同的电导状态，可通过在石墨烯沟道上施加高源漏偏压来实现。由于编程时间对于任何形式的存储器都是至关重要的因素，因此进行了实验以观察最大化电导状态之间的电导差所需的时间。图1h显示作为V bG的函数的两个状态的电导之间的差(即，在顺序施加幅度为5 V AP的正和负V DS写脉冲电压之后的读栅电压。

.