研究背景

隨著人工智能(AI)技術逐漸滲透到各個應用領域，市場對計算能力的需求正在快速增長。由于馮諾依曼架構中存儲與計算的物理分離，頻繁的數據交互所帶來的能效問題日益嚴峻，芯片行業迫切需要在底層計算架構層面進行創新。將內存計算作為人工智能創新的核心，避免了數據處理帶來的“內存墻”和“功率墻”，顯著提高了數據并行性和能效。隨著新型人工視覺系統的快速發展，對新型視覺器件對外部環境信息的實時采集、高效處理和及時決策提出了新的要求。傳統的人工視覺系統將傳感器物理地分為存儲單元和計算單元，從而在圖像傳感器節點的處理過程中產生非結構化和冗余數據。受人類視網膜的啟發，一種神經形態視覺傳感器可以感知光信號，存儲信號，并對信息進行預處理，可以模仿人類視網膜的功能。集成感知-存儲-計算的神經形態視覺傳感器架構有助于避免馮諾依曼架構中數據處理的功耗瓶頸。這將提高整體效率，減少計算延遲以及冗余數據存儲。

成果簡介

近日，山西師范大學許小紅教授，薛武紅副教授，復旦大學周鵬教授和南方科技大學周菲遲副教授（共同通訊作者）等合作設計了基于全2D SnS₂/h-BN/CuInP₂S₆(CIPS)的鐵電場效應晶體管(Fe-FET)，利用光致鐵電極化反轉實現了優異的存儲性能和多功能感知-記憶-計算視覺模擬。該器件具有超過10⁵的高開/關電流比、>10⁴s的長保留時間、>350個周期的穩定循環壽命和128個多級電流狀態（7位）。此外，本文還模擬了突觸可塑性的基本特征，包括成對脈沖促進(PPF)、短時程可塑性(STP)、長時程可塑性(LTP)、長時程增強和長時程抑制。用于MNIST手寫數字識別的鐵電光電儲備層計算系統達到了93.62%的高精度。此外，本文成功地模擬了視網膜樣的光適應和巴甫洛夫條件反射。這些結果為開發具有感知-記憶-加工一體化的多級存儲器和新型神經形態視覺系統提供了策略。文章以“Integrated In-Memory Sensor and Computing of Artificial Vision Based on Full-vdW Optoelectronic Ferroelectric Field-Effect Transistor”為題發表在著名期刊Advanced Science上。

圖文導讀

圖5. SnS₂/h-BN/CIPS基Fe-FET的光電儲備池計算實現手寫體數字識別。

https://onlinelibrary.wiley.com/doi/10.1002/advs.202305679