用于神经启发计算的忆阻纳米粒子/有机混合突触晶体管

大量努力被投入于研究与新兴纳米技术相关的新计算范式，这些技术应补充和/或为经典的 Von Neumann/CMOS 结合提供替代方案。在各种方案中，脉冲神经网络 (Spiking Neural Network, SNN) 似乎是一个有效的候选者。(i) 在功能方面，利用相对脉冲时序进行信息编码的 SNN 被认为在从大脑汲取灵感方面最为有效，能够对识别或分类中的复杂任务进行快速高效的信息处理。(ii) 在技术方面，SNN 可能最能从纳米器件中获益，因为 SNN 架构对缺陷器件和性能波动具有内在容忍度。在此，我们利用一类称为纳米粒子有机器件场效应晶体管 (Nanoparticle Organic Memory Field Effect Transistor, NOMFET) 的新型突触晶体管 (synapstor，即 synapse-transistor)，演示了大脑中一种基本且原始的学习功能——脉冲时序依赖可塑性 (Spike-Timing-Dependent Plasticity, STDP)。我们表明，这种学习功能是通过由金纳米粒子和有机半导体薄膜自组装而成的简单混合材料获得的。除了模拟生物突触外，我们还演示了施加脉冲的形状如何定制 STDP 学习功能。此外，实验和建模表明该突触晶体管是一种忆阻器件。最后，这些突触晶体管成功与模拟突触前和突触后神经元的 CMOS 平台耦合，并在常用的器件模拟器上开发了行为宏模型。