与后端及柔性衬底兼容的模拟铁电场效应晶体管用于深度神经网络加速器中的精确在线训练
材料科学
2023-02-24 v1 应用物理
摘要
深度神经网络（DNN）的在线训练可通过在模拟存储器交叉阵列中执行原位向量矩阵乘法而显著加速。然而，由于器件非理想性（如非线性、非对称性、有限比特精度以及在受限功耗预算内的动态权重更新范围），训练精度常受影响。在此，我们报道一种基于低热处理预算工艺的三端铁电场效应晶体管，其可高效用作模拟突触晶体管。铁电聚合物 P(VDF-TrFE) 作为栅绝缘体、二维半导体 MoS2 作为 n 型半导体沟道材料，使其适用于柔性与可穿戴衬底集成。通过采用铁电-介电层作为栅叠层，可精确调控 FeFET 的模拟电导。纯铁电器件作为数字非易失性存储器在 ±5V 下运行表现优异，而混合铁电-介电器件由于渐进的铁电畴旋转展现出准连续阻变切换，这对其多比特操作至关重要。混合器件的模拟电导态实现了权重更新的线性与对称，并产生 10^4 的动态电导范围与 >16 个可复现导电态。这些 FeFET 的网络训练实验在 MNIST 手写数据集上展现出 >96% 的分类精度，凸显了其在规模化 DNN 架构中实现的潜力。
引用
@article{arxiv.2302.12030,
title = {Back-end and Flexible Substrate Compatible Analog Ferroelectric Field Effect Transistors for Accurate Online Training in Deep Neural Network Accelerators},
author = {Sayani Majumdar and Ioannis Zeimpekis},
journal= {arXiv preprint arXiv:2302.12030},
year = {2023}
}