Wafer-scale integration of atomically thin metal oxide in memtransistor arrays for artificial neural networks

Moderne Computer sind unglaublich schnell darin, Zahlen zu verarbeiten, aber sie haben Schwierigkeiten mit der Art des Lernens und der Mustererkennung, die das menschliche Gehirn mühelos bewältigt. Dies liegt daran, dass herkömmliche Computer ihr Gedächtnis, in dem Daten gespeichert werden, von ihren Prozessoren, in denen Berechnungen stattfinden, trennen. Um ein Problem zu lösen, muss die Maschine Informationen ständig zwischen diesen beiden Orten hin und her bewegen, ein Prozess, der enorme Mengen an Energie verbraucht und alles verlangsamt. Wissenschaftler versuchen, eine neue Art von Computer zu bauen, die die Architektur des Gehirns nachahmt, bei der Speicherung und Berechnung am selben Ort stattfinden. Im menschlichen Gehirn geschieht dies durch Synapsen, die winzigen Verbindungsstellen zwischen Nervenzellen, die sich im Laufe der Zeit verstärken oder abschwächen können, um Erinnerungen zu speichern. Um dies in Silizium zu reproduzieren, entwickeln Forscher künstliche Synapsen – elektronische Bauteile, die ihre elektrische Leitfähigkeit ändern können, um die Art und Weise zu imitieren, wie biologische Verbindungen lernen. Die Herausforderung bestand darin, diese Bauteile in großen Mengen, mit perfekter Konsistenz und bei einer ausreichend niedrigen Temperatur herzustellen, die mit den Fertigungslinien für Standard-Computerchips kompatibel ist.

Ein Forschungsteam hat nun einen bedeutenden Schritt zur Lösung dieses Fertigungsrätsels gemacht, indem es ein massives Array dieser künstlichen Synapsen auf einem einzigen Silizium-Wafer erzeugt hat. Sie konzentrierten sich auf ein spezifisches Material: einen ultradünnen Film aus Zinnoxid, ein Metalloxid, das nur wenige Atome dick ist. Während Metalloxide für diese Arbeit vielversprechend sind, da sie elektrische Ladungen speichern können, um Informationen zu bewahren, war es schwierig, sie gleichmäßig über eine große Fläche zu verteilen. Frühere Methoden führten oft zu Filmen mit Löchern, ungleichmäßiger Dicke oder Verunreinigungen, die dazu führten, dass die elektronischen Geräte versagten oder unvorhersehbar reagierten. Die Forscher benötigten eine Möglichkeit, dieses Material schnell und sauber zu züchten, ohne die extreme Hitze zu verwenden, die die bereits auf dem Chip gebauten empfindlichen Schaltkreise beschädigen würde.

Um dies zu erreichen, entwickelte das Team eine Technik, die sie elektrostatisch unterstütztes Flüssigmetall-Drucken nennen. Sie begannen mit einem Pool aus geschmolzenem Zinn, einem Metall, das bei relativ niedrigen Temperaturen flüssig ist. Während das Zinn in der Luft lag, bildete sich auf seiner Oberfläche eine natürliche, atomar dünne Haut aus Zinnoxid. Die Forscher wischten diese flüssige Oberfläche vorsichtig ab, um die alte, verschmutzte Oxidschicht zu entfernen und eine frische, saubene Haut freizulegen. Sie berührten diese frische Oberfläche dann vorsichtig mit einem großen, zwei Zoll großen Silizium-Wafer. Aufgrund der elektrischen Kräfte zwischen den Materialien löste sich die dünne Oxidhaut vom flüssigen Zinn ab und haftete am Silizium-Wafer, wodurch ein perfekter, gleichmäßiger Film zurückblieb. Dieser gesamte Prozess fand bei einer Temperatur von 225 Grad Celsius statt, was niedrig genug ist, um mit den Back-End-Schritten der Standard-Chipfertigung kompatibel zu sein. Das Ergebnis war ein makelloses, kontinuierliches Blatt aus Zinnoxid, das den gesamten Wafer bedeckte, frei von Falten oder Lücken.

Mit diesem hochwertigen Film in der Hand baute das Team ein Gitter aus 1.024 einzelnen elektronischen Geräten, die in einem 32-mal-32-Quadrat angeordnet waren. Jedes Gerät fungiert als Memtransistor, eine Komponente, die sowohl ein Gedächtnis speichern als auch ein Signal verarbeiten kann. Als sie das gesamte Gitter testeten, stellten sie fest, dass 96,9 % der Geräte perfekt funktionierten. Dies ist eine bemerkenswert hohe Erfolgsquote, die weit über den Standards liegt, die für aktuelle Speichertechnologien erforderlich sind. Die Geräte zeigten ein konsistentes Verhalten über den gesamten Wafer hinweg, was bedeutet, dass ein Gerät fast exakt so funktionierte wie sein Nachbar. Diese Gleichmäßigkeit ist entscheidend, denn wenn die Geräte zu stark variieren, kann der Computer nicht zuverlässig lernen oder sich erinnern. Die Forscher fanden auch heraus, dass die Geräte sehr reibungslos zwischen verschiedenen Widerstandsstufen wechseln konnten, was es ihnen ermöglichte, eine breite Palette von Werten zu speichern, ganz ähnlich wie die variierenden Stärken der Verbindungen in einem echten Gehirn.

Das Team setzte diese Geräte dann ein, indem es sie so programmierte, dass sie Aufgaben erfüllen, die Lernen erfordern. Zuerst nutzten sie das Array, um als konvolutionales neuronales Netzwerk zu fungieren, eine Art künstliche Intelligenz, die für die Bildverarbeitung verwendet wird. Sie programmierten die Geräte mit spezifischen Widerstandsmustern, um als Filter zu fungieren, die Kanten in einem Bild erkennen können, wie etwa die Umrisse eines Gebäudes oder eines Gesichts. Wenn sie ein Bild in die Hardware einspeisten, verarbeiteten die Geräte es parallel, und der Ausgang war nahezu identisch mit dem, was ein Standard-Computerprogramm produzieren würde. Die Hardware war in der Lage, Merkmale wie vertikale Linien, horizontale Linien und erhabene Details mit hoher Präzision zu extrahieren, was bewies, dass die physischen Geräte komplexe mathematische Operationen ohne die Notwendigkeit eines traditionellen Prozessors bewältigen können.

Als Nächstes testeten die Forscher die Fähigkeit des Arrays, als Hopfield-Netzwerk zu fungieren, ein Typ von Gedächtnissystem, das ein vollständiges Bild rekonstruieren kann, selbst wenn ihm eine verrauschte oder unvollständige Version vorgelegt wird. Sie speicherten mehrere einfache Bilder, wie zum Beispiel ein T-Shirt, in das Gedächtnis des Netzwerks unter Verwendung des Fashion-MNIST-Datensatzes. Als sie dem Netzwerk eine korrumpierte Version dieser Bilder präsentierten, die mit zufälligem Rauschen gefüllt war, rekonstruierte das System die ursprünglichen, klaren Bilder erfolgreich. Selbst wenn das Rauschen sehr stark war, konnte das System das Bild mit hoher Genauigkeit wiederherstellen. Beim Vergleich dieser Leistung mit ähnlichen Systemen, die mit anderen Arten von Speichertechnologie gebaut wurden, waren die Zinnoxid-Geräte überlegen, da sie die Klarheit beibehielten, während andere verschwommen wurden oder versagten. Dies deutet darauf hin, dass die spezifische Art und Weise, wie diese Zinnoxid-Geräte Informationen speichern und abrufen, außergewöhnlich stabil und zuverlässig ist.

Der Erfolg dieses Projekts liegt in der Kombination einer einfachen, niedertemperatur-basierten Fertigungsmethode und den einzigartigen Eigenschaften des Zinnoxid-Materials. Durch die Verwendung der Flüssigmetall-Drucktechnik vermieden die Forscher die hohe Hitze und die komplexen chemischen Prozesse, die normalerweise die Größe und Qualität dieser Bauteile einschränken. Die resultierenden künstlichen Synapsen sind nicht nur einheitlich und zuverlässig, sondern auch in der Lage, die schwere Arbeit zu leisten, die für künstliche Intelligenz erforderlich ist. Diese Arbeit zeigt, dass es möglich ist, groß angelegte, gehirnähnliche Rechensysteme mit Materialien zu bauen, die mit bestehenden Chipfabriken kompatibel sind. Obwohl sich die Technologie noch in der Forschungsphase befindet, bringt die Fähigkeit, solch hochwertige, große Arrays von künstlichen Synapsen zu erzeugen, den Traum von energieeffizienten, gehirninspirierten Computern erheblich näher zur Realität.