用于提升神经形态计算精度的可生物兼容元可塑性高能效石墨烯人工突触晶体管
介观与纳米尺度物理
2022-08-02 v1 无序系统与神经网络
应用物理
摘要
采用冯·诺依曼架构的基于 CMOS 的计算系统在并行数据存储与处理方面相对受限。相比之下，人脑是一个具有极高并行性和能效的活体计算信号处理单元。尽管过去十年涌现出众多神经形态电子器件，但其中大多为刚性或含有对生物系统有毒的材料。本工作中，我们报道了能够模拟突触行为的可生物兼容双层石墨烯人工突触晶体管（BLAST）。BLAST 器件利用干态离子选择膜实现长时程增强，开关能效约 50 aJ/m^2，比先前基于二维材料的人工突触报道至少低一个数量级。该器件展现出独特的元可塑性（一种对可泛化深度神经网络有用的特性），并且我们证明元可塑性 BLAST 在经典图像分类任务中优于理想线性突触。由于开关能量远低于每个生物突触约 1 fJ 的估计值，所提器件是生物接口在线学习的强有力候选者，弥合了人工与生物神经网络之间的鸿沟。
引用
@article{arxiv.2203.04389,
title = {Metaplastic and Energy-Efficient Biocompatible Graphene Artificial Synaptic Transistors for Enhanced Accuracy Neuromorphic Computing},
author = {Dmitry Kireev and Samuel Liu and Harrison Jin and T. Patrick Xiao and Christopher H. Bennett and Deji Akinwande and Jean Anne Incorvia},
journal= {arXiv preprint arXiv:2203.04389},
year = {2022}
}