一种离子栅双模树突器件及其在神经网络加速器中的应用
阅读说明：本技术 一种离子栅双模树突器件及其在神经网络加速器中的应用 (Ion grid dual-mode dendritic device and application thereof in neural network accelerator ) 是由 杨玉超 荆兆坤 黄如 于 2021-09-07 设计创作，主要内容包括：本发明公开了一种离子栅双模树突器件及其在神经网络加速器中的应用,首次提出利用离子栅介质的有机离子漂移过程受控于栅电压幅值与脉宽的特性制备双模树突器件,通过对离子栅器件的栅极输入不同模式的电压信号,使器件具备类似于生物树突的超线性或亚线性两种不同响应模式,从而令人工树突器件具备多模式的非线性信号整合能力。同一个器件对电压脉冲输入具有超线性和亚线性两种整合模式,使得单一器件能够完成复杂的仿生功能,简化了电路设计复杂度；树突的非线性信号整合功能增强了单层神经网络的信号处理能力,使多层神经网络运算简化为单层神经网络运算,降低了神经网络加速器对面积、延时、功耗的需求；器件结构简单,易于集成。(The invention discloses an ion gate dual-mode dendritic device and application thereof in a neural network accelerator, and firstly proposes that the dual-mode dendritic device is prepared by controlling the organic ion drift process of an ion gate medium by the characteristics of gate voltage amplitude and pulse width, and the device has two different response modes of super linearity and sub-linearity similar to biological dendritic by inputting voltage signals of different modes to the gate of the ion gate device, so that the artificial dendritic device has the nonlinear signal integration capability of multiple modes. The same device has two integration modes of super-linearity and sub-linearity for voltage pulse input, so that a single device can complete a complex bionic function, and the complexity of circuit design is simplified; the signal processing capability of the single-layer neural network is enhanced by the dendritic nonlinear signal integration function, so that the multilayer neural network operation is simplified into the single-layer neural network operation, and the requirements of a neural network accelerator on area, time delay and power consumption are reduced; the device has simple structure and is easy to integrate.)
技术领域
本发明属于类脑计算技术领域，具体涉及一种离子栅双模树突器件及其在神经网络加速器中的应用方法。
背景技术
目前主流的处理器均采用冯诺依曼架构，该架构将存储器与运算器分离，使得大量数据需要频繁通过总线传输，造成巨大的运算延时和能耗，限制了运算效率的进一步提升。为突破冯诺依曼瓶颈，包括类脑计算、存内计算等新的计算范式被人们提出。人脑中大量神经元并行存储和处理信息，具有强大的信息处理能力和极低的功耗。类脑计算的核心思想就是通过模拟人脑的结构来构建高效的计算系统，其核心是模拟人脑的突触和神经元。
近年来神经网络加速器的研究取得了许多重要的进展。基于阻变存储器、相变存储器、静态随机存储器等的存内计算系统被提出，实现了高能效的神经网络计算。值得注意的是，大部分的神经网络加速器都采用极度简化的点神经元模型，将神经网络计算划分为线性的乘加运算和非线性激活函数运算两部分，非线性运算仍然需要将数据传输到存储器外部的运算单元中进行，导致多层神经网络运算效率提升困难。生物神经元具有复杂的树突结构，然而目前鲜有研究利用树突的结构与功能进行神经网络计算硬件的设计。树突在神经元信号处理中起重要作用，具体表现为树突能够对其不同分支上的大量突触输入进行不同模式的非线性整合，使得单个神经元就具备强大的信号处理能力。这对于很多神经功能是必须的，例如同时性检测、方向选择等。因此在神经网络加速器设计中引入树突结构有着至关重要的意义，人工树突器件能够为高能效神经网络加速器的设计提供新的思路。
发明内容
为了解决现有技术的以上缺陷或改进需求，本发明首次提出利用离子栅器件对不同输入信号的不同响应模式实现双模人工树突的思路，提供了一种离子栅双模树突器件及其实现方法，利用离子栅介质的有机离子漂移过程受控于栅电压幅值与脉宽的特性，通过对离子栅器件的栅极输入不同模式的电压信号，使离子栅器件具备类似于树突的超线性和亚线性两种不同的响应模式，使得人工树突器件具备多模式的非线性信号整合能力。通过在神经网络加速器的矩阵向量乘加运算模块与非线性神经元运算模块之间引入所述离子栅双模树突器件，能够使单层神经网络具备与多层神经网络相当的信号处理能力。
为实现上述目的，本发明采用的技术方案如下：一种离子栅双模树突器件，包括衬底、沟道层、栅电极、源漏电极和栅介质层，其中，沟道层和源漏电极依次层叠在衬底上；栅电极位于沟道层的侧边，与沟道层没有直接接触；栅介质层覆盖在栅电极、源漏电极以及源漏电极之间的沟道层上方；所述栅介质层为离子液体与有机聚合物调配成的离子胶材料。
上述离子栅双模树突器件中，所述沟道层优选为n型无机半导体材料，如ZnO、InOx、SnS2、MoS2、Bi2Se3、CdSe等，厚度在6nm～100nm之间。
所述栅介质层优选采用1-乙基-3-甲基咪唑鎓双(三氟甲基磺酰基)亚胺(EMIM-TFSI)与聚(4-乙烯基苯酚)(PVP)以一定比例混合调配的离子胶材料，或者是其他离子液体与有机聚合物混合调配的离子胶材料。离子液体与有机聚合物的混合比例通常为质量比1:1至1:50。
所述离子液体为室温离子液体，即阴离子与阳离子组成的有机离子化合物，阳离子包括1-丁基-3-甲基咪唑鎓(BMIM)、1-乙基-3-甲基咪唑鎓(EMIM)、N,N-二乙基-N-甲基(2-甲氧基乙基)铵(DEME)、N,N,N-三甲基-N-丙基铵(TMPA)等，阴离子包括双(五氟乙磺酰基)酰亚胺(BETI)、四氟硼酸根(BF4)、六氟磷酸根(PF6)、二氰铵(DCA)、双(氟磺酰基)酰亚胺(FSI)、双(三氟甲基磺酰基)亚胺(TFSI)等。
所述有机聚合物选自PVP、聚环氧乙烷(PEO)、聚苯乙烯磺酸(PSSH)、聚(乙烯基磷酸-丙烯酸)(P(VPA-AA))、聚(偏氟乙烯-三氟乙烯)(P(VDF-TrFE))、聚烯丙胺酸-聚苯乙烯磺酸(PAH-PSS)中的一种或多种。
所述栅介质层的厚度优选为10nm～2μm。
所述衬底为硅衬底或柔性衬底；所述源漏电极和栅电极的材料选自金属材料、金属氮化物材料、柔性导电材料和二维原子晶体材料，电极厚度为0.3～300nm。
一般的，形成所述源漏电极和栅电极的所述金属材料选自Ti、Cr、Sc、Pd、Au、Pt、Wu、Al中的一种或多种；所述金属氮化物材料为TiN；所述柔性导电材料为ITO；所述二维原子晶体材料为石墨烯。
本发明还提供了上述离子栅双模树突器件的制备方法，包括以下步骤：
1)在衬底上光刻定义沟道层的图形，然后制备沟道层；
2)在沟道层上方光刻定义源漏电极的图形，在沟道层侧面光刻定义栅电极的图形，然后制备源漏电极和栅电极；
3)配置离子胶材料，然后将离子胶材料涂覆在沟道层和栅电极上方，作为栅介质层；
4)将器件加热烘干，使栅介质层中溶剂挥发，并使栅介质层固化。
上述步骤1)中，采用紫外光刻或者电子束光刻的方法定义沟道层图形，然后采用磁控溅射或者反应溅射的方法制备沟道层。
上述步骤2)中，采用紫外光刻或者电子束光刻的方法定义源漏电极和栅电极图形，然后采用电子束蒸发或者磁控溅射的方法制备电极。
上述步骤3)中，采用滴涂或者旋涂的方法涂覆离子胶材料。
上述步骤4)中，采用真空干燥或者热板加热的方法加热烘干器件。
本发明还提供了上述离子栅双模树突器件的调控方法。本发明提供的离子栅双模树突器件作为一种可三端输入的器件，具备离子栅晶体管器件的电学特性，在栅电压直流信号的激励下，器件源漏电流能够随栅电压增大而增大，并随源漏电压增大而呈现饱和趋势；在栅电压连续脉冲信号的激励下，器件源漏电流对不同脉宽的脉冲信号呈现超线性整合响应模式，对不同数量的脉冲信号呈现亚线性整合响应模式，实现双模树突的功能；将上述离子栅双模树突器件引入神经网络加速器的乘加运算和神经元非线性激活运算之间，能够模拟生物神经元中树突的非线性信号整合作用，使单层神经网络具备与多层神经网络相当的信号处理能力。
本发明提供的离子栅双模器件的工作模式调控方法，包括以下几个方面：
(1)在所述离子栅双模树突器件的栅电极输入不同脉宽的固定周期和数量的脉冲信号，在漏电极输入直流读电压，将源电极接地，读取器件源漏电流，则器件源漏电流最大值随着脉宽增加迅速增加；采用这种状态下的离子栅双模树突器件来模拟生物树突对输入信号的超线性整合模式；
(2)在所述离子栅双模树突器件的栅电极输入不同数量的固定脉宽和周期的脉冲信号，在漏电极输入直流读电压，将源电极接地，读取器件源漏电流，则器件源漏电流最大值随着脉冲数量增加呈现饱和趋势；采用这种状态下的离子栅双模树突器件来模拟生物树突对输入信号的亚线性整合模式；
(3)将神经网络加速器的乘加运算输出转换为脉宽调制信号，连接至所述离子栅双模树突器件的栅电极，在漏电极输入直流读电压，源电极接地，读取器件源漏电流，使所述离子栅双模树突器件工作在超线性整合模式；该模式下所述离子栅双模树突器件将神经网络的乘加运算结果进行超线性整合处理，将源漏电流输出到非线性神经元中进行激活函数运算；
(4)将神经网络加速器的乘加运算输出转换为脉冲数量信号，连接至所述离子栅双模树突器件的栅电极，在漏电极输入直流读电压，源电极接地，读取器件源漏电流，使所述离子栅双模树突器件工作在亚线性整合模式；该模式下所述离子栅双模树突器件将神经网络的乘加运算结果进行亚线性整合处理，将源漏电流输出到非线性神经元中进行激活函数运算。
本发明提出的离子栅双模树突器件，具有以下优点：
本发明首次提出采用离子栅器件作为人工树突器件，利用栅电压对离子栅介质中有机离子漂移的调控作用，实现对输入脉冲信号的非线性整合，对实现多模式人工树突器件有着至关重要的意义；同一个器件对电压脉冲输入具有超线性和亚线性两种整合模式，使得单一器件能够完成复杂的仿生功能，简化了电路设计复杂度；树突的非线性信号整合功能增强了单层神经网络的信号处理能力，使多层神经网络运算简化为单层神经网络运算，降低了神经网络加速器对面积、延时、功耗的需求；器件结构简单，易于集成。
附图说明
图1为本发明的离子栅双模树突器件的一个实施例的结构示意图，其中：1-衬底、2-沟道层、3-栅电极、4-源电极、5-漏电极、6-栅介质层。
图2为本发明的离子栅双模树突器件的一个实施例的激励信号输入示意图。
图3为本发明的离子栅双模树突器件的一个实施例的双模树突超线性工作模式示意图。
图4为本发明的离子栅双模树突器件的一个实施例的双模树突亚线性工作模式示意图。
图5为本发明的离子栅双模树突器件的一个实施例在神经网络加速器中的应用示意图，其中：7-乘加运算单元、8-脉宽调制信号输出单元、9-脉冲数量信号输出单元、10-工作在亚线性模式下的离子栅双模树突器件，11-工作在超线性模式下的离子栅双模树突器件、12-人工神经元。
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。
如图1所示，本实施例的离子栅双模树突器件包括：衬底1、沟道层2、栅电极3、源电极4、漏电极5、栅介质层6，其中，沟道层2位于衬底1上，源电极4以及漏电极5位于沟道层2上；栅电极3位于沟道层2的侧边，与沟道层2没有直接接触；栅介质层6覆盖在栅电极3、源电极4、漏电极5以及源漏之间的沟道层2上方；
参见图1，本实施例的一种离子栅双模树突器件的制备步骤如下：
1)采用紫外光刻或电子束光刻等方法在SiO2衬底上定义沟道层2的图形；
2)采用反应溅射或磁控溅射等方法制备沟道层2，并用丙酮剥离，其中沟道层2的材料为ZnO，厚度为50nm；
3)采用紫外光刻或电子束光刻等方法定义栅电极3、源电极4、漏电极5的图形；
4)采用电子束蒸发的方法先制备5nm厚的Ti，再制备50nm厚的Au，制备得到栅电极3、源电极4、漏电极5，并用丙酮剥离；
5)将EMIM-TFSI与PVP按质量比1:10混合调配离子胶材料，并采用滴涂或旋涂等方式将离子胶材料涂覆到沟道层2、栅电极3、源电极4、漏电极5表面，形成栅介质层6，厚度为300nm～1μm；
6)采用真空干燥或热板加热等方法加热烘干器件。
本实施例提供的离子栅双模树突器件在工作时的激励信号输入示意图如图2所示，其中电输入I接离子栅双模树突器件的栅电极3，电输入II接离子栅双模树突器件的漏电极4，电输入III接离子栅双模树突器件的源电极5。
本实施例提供的离子栅双模树突器件在神经网络加速器中的应用方法示意图如图5所示，其中神经网络加速器乘加运算单元7的输出接脉宽调制信号输出单元8、脉冲数量信号输出单元9；脉宽调制信号输出单元8连接工作在超线性模式下的离子栅双模树突器件11，脉冲数量信号输出单元9连接工作在亚线性模式下的离子栅双模树突器件10；工作在亚线性模式下的离子栅双模树突器件10、工作在超线性模式下的离子栅双模树突器件11连接人工神经元12。
以下结合本实施例具体阐述本发明提供的离子栅双模树突器件的调控方法：
(1)通过在上述离子栅双模树突器件的栅电极3输入不同脉宽的固定周期和数量的脉冲信号，在漏电极4输入直流读电压，将源电极5接地，从漏电极4读取器件源漏电流Ids，则器件源漏电流Ids最大值随着脉宽增加迅速增加，如图3所示；采用这种状态下的离子栅双模树突器件来模拟生物树突对输入信号的超线性整合模式；
(2)通过在所述离子栅双模树突器件的栅电极3输入不同数量的固定脉宽和周期的脉冲信号，在漏电极4输入直流读电压，将源电极5接地，从漏电极4读取器件源漏电流Ids，则器件源漏电流Ids最大值随着脉冲数量增加呈现饱和趋势，如图4所示；采用这种状态下的离子栅双模树突器件来模拟生物树突对输入信号的亚线性整合模式。
(3)通过脉宽调制信号输出单元8将神经网络加速器的乘加运算单元7的输出转换为脉宽调制信号，连接至所述工作在超线性模式下的离子栅双模树突器件11，读取器件源漏电流Ids；该模式下所述离子栅双模树突器件将神经网络的乘加运算结果进行超线性整合，将源漏电流Ids输出到人工神经元12中进行非线性激活函数运算；
(4)通过脉冲数量信号输出单元9将神经网络加速器的乘加运算单元7的输出转换为脉冲数量信号，连接至所述工作在亚线性模式下的离子栅双模树突器件10，读取器件源漏电流Ids；该模式下所述离子栅双模树突器件将神经网络的乘加运算结果进行亚线性整合，将源漏电流Ids输出到人工神经元12中进行非线性激活函数运算。
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。