基于HfO$_x$S$_y$/HfS$_2$ 记忆体的高精度推断

我们展示了使用基于二维范德华半导体的阻性存储器（hafnium disulfide, HfS$_2$）实现对手写数字MNIST数据集（$\sim$98.00$\%$）和RGB图像CIFAR-10数据集（$\sim$86.80$\%$）的高精度分类。这些存储器通过干法热氧化制造，形成垂直交叉栏HfO$_x$S$_y$/HfS$_2$器件，具有高度有序的氧化物-半导体结构。我们的器件在无需电凝形或电流限制的情况下工作，表现出多状态、非易失阻性开关，允许电压脉冲群调节电阻。使用低能量 potentiation 和 depression 脉冲（0.7V-0.995V, 160ns-350ns），我们实现了31（$\sim$5位）稳定导电态，具有良好的线性度、对称性和低波动性，且在100个循环次数中表现良好。从这些实验器件中提取的关键性能指标——如权重更新、量化和保持——用于将阻性存储器作为权重来模拟神经网络。神经网络在领先的数字硬件（CUDA核心）上训练，提取基准推断精度。使用IBM的模拟硬件加速套件（AIHWKIT）修改和重新映射预训练网络中的数字权重，基于我们器件的特性。模拟考虑了导电线性度、器件波动和转换器分辨率等因素。在两个图像识别任务中，我们展示了卓越的性能，与领先的技术相当，仅有$<$0.07$\%$和$<$1.00$\%$的推断精度差异分别对应于MNIST和CIFAR-10数据集。无需电凝形、无需电流限制、快速开关、低能耗和高精度分类表现出HfO$_x$S$_y$/HfS$_2$基阻性存储器用于能源效率神经网络加速和神经形态计算的潜力。