🔬 applied physics

Lorentzian Switching Dynamics in HZO-based FeMEMS Synapses for Neuromorphic Weight Storage

यह शोध पत्र एक फेरोइलेक्ट्रिक MEMS सिनैप्स को प्रदर्शित करता है जो Hf $_{0.5}$ Zr $_{0.5}$ O $_2$ का उपयोग करता है और आंशिक फेरोइलेक्ट्रिक स्विचिंग के माध्यम से पीज़ोइलेक्ट्रिक गुणांक को नियंत्रित करके उच्च-परिशुद्धता, गैर-विनाशकारी न्यूरोमॉर्फिक वेट स्टोरेज प्राप्त करता है, जो लोरेन्ट्ज़ियन वितरण (Lorentzian distribution) और मर्ज़-प्रकार की गतिकी (Merz-type kinetics) का अनुसरण करता है ताकि बिना रीड-डिस्टर्ब के सुदृढ़, बहु-स्तरीय बाइपोलर वेट सक्षम किया जा सके।

मूल लेखक: Shubham Jadhav, Kaustav Roy, Luis Amaro, Thejas Basavarajappa, Madhav Ramesh, Debdeep Jena, Huili, Xing, Amit Lal

प्रकाशित 2026-04-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shubham Jadhav, Kaustav Roy, Luis Amaro, Thejas Basavarajappa, Madhav Ramesh, Debdeep Jena, Huili, Xing, Amit Lal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: एक रोबोट को इंसान के दिमाग की तरह "सोचना" सिखाना

कल्पना कीजिए कि आप एक कंप्यूटर को इंसान के दिमाग की तरह सोचना सिखाने की कोशिश कर रहे हैं। ऐसा करने के लिए, आपको कृत्रिम "सिनैप्स" (मस्तिष्क कोशिकाओं के बीच के संबंध) बनाने होंगे। एक वास्तविक मस्तिष्क में, इन कनेक्शनों में वजन (weights) होते हैं—कुछ मजबूत (उत्तेजक/excitatory), कुछ कमजोर (अवरोधक/inhibitory), और उन्हें बहुत सटीकता से समायोजित किया जा सकता है।

वर्तमान कंप्यूटर चिप्स इसकी नकल करने में संघर्ष करते हैं। वे या तो बहुत कठोर (केवल ऑन/ऑफ) होते हैं या जब आप उन्हें बार-बार पढ़ने की कोशिश करते हैं, तो वे थक जाते हैं और टूट जाते हैं।

यह शोध पत्र HZO (हाफ्नियम-जिरकोनियम ऑक्साइड) नामक एक विशेष सामग्री से बनी एक छोटी, कंपन करती हुई बीम का उपयोग करके इन कृत्रिम सिनैप्स को बनाने का एक नया, चतुर तरीका पेश करता है।

मुख्य विचार: "कंपन करती पियानो की तार"

इस शोध पत्र में वर्णित डिवाइस को एक छोटी, अदृश्य पियानो की तार (एक सूक्ष्म बीम) के रूप में समझें जो दोनों सिरों पर बंधी हुई है।

सामग्री: यह तार एक "स्मार्ट" सामग्री (HZO) से बनी है जिसमें दो महाशक्तियाँ हैं:
- फेरोइलेक्ट्रिक (Ferroelectric): इसमें छोटे आंतरिक चुंबक (डोमेन) होते हैं जो "ऊपर" या "नीचे" की ओर हो सकते हैं।
- पीज़ोइलेक्ट्रिक (Piezoelectric): जब आप इसे बिजली से दबाते हैं, तो यह मुड़ती या कंपन करती है।
पुराने तरीकों के साथ समस्या:
- पुराने कंप्यूटरों में, सिनैप्स के वजन को "पढ़ने" के लिए, आपको उसे बिजली का झटका देना पड़ता था। यह एक स्प्रिंग को जोर से खींचकर यह जांचने जैसा है कि वह कितना खिंचा हुआ है। जांच करने की क्रिया ही खिंचाव को बदल देती है, जिससे अंततः स्प्रिंग टूट जाता है (इसे "रीड डिस्टर्बेंस" कहा जाता है)।
- साथ ही, पुराने तरीके केवल कुछ ही अलग स्तरों को स्टोर कर सकते थे (जैसे एक लाइट स्विच: ऑन या ऑफ)।
नया समाधान (एक "कोमल स्पर्श"):
- बीम को झटके देने के बजाय, शोधकर्ता इसे एक छोटा, कोमल स्पर्श (एक छोटा यांत्रिक कंपन) देते हैं।
- चूंकि बीम उस "स्मार्ट" सामग्री से बनी है, इसलिए यह कितनी कंपन करती है, यह इस पर निर्भर करता है कि इसके आंतरिक चुंबक कितने "ऊपर" बनाम "नीचे" की ओर इशारा कर रहे हैं।
- जादू: कोमल स्पर्श चुंबकों को नहीं बदलता है। यह केवल उन्हें मापता है। इसका मतलब है कि आप इसे बिना तोड़े बार-बार पढ़ सकते हैं।

यह कैसे काम करता है: "स्विचिंग" का उदाहरण

कल्पना करें कि बीम हजारों छोटे, जिद्दी स्विचों (डोमेन) से भरी हुई है।

वजन लिखना (Writing a Weight): एक विशिष्ट वजन सेट करने के लिए, आप एक वोल्टेज पल्स लगाते हैं। यह स्विचों को आदेश देने के लिए चिल्लाने जैसा है।
- यदि आप धीरे चिल्लाते हैं, तो केवल सबसे आज्ञाकारी स्विच ही पलटते हैं।
- यदि आप जोर से चिल्लाते हैं, तो लगभग सभी स्विच पलट जाते हैं।
- आप कितनी जोर से (वोल्टेज) और कितनी देर तक (समय) चिल्लाते हैं, इसे नियंत्रित करके, आप किसी भी संख्या में स्विचों को पलट सकते हैं। यह एक सहज, निरंतर रेंज बनाता है, न कि केवल "ऑन" या "ऑफ"।
वजन पढ़ना (Reading a Weight): इसके बाद आप बीम को धीरे से छेड़ते हैं।
- यदि कई स्विच पलटे हैं, तो बीम मजबूती से कंपन करती है।
- यदि कम स्विच बदले हैं, तो यह कमजोर कंपन करती है।
- कंपन आपको बताता है कि कौन सा वजन स्टोर किया गया था।

"लोरेंट्ज़ियन" वक्र: एक कॉन्सर्ट में भीड़

शोधकर्ताओं ने खोजा कि ये स्विच कैसे व्यवहार करते हैं। वे सभी एक ही समय पर नहीं पलटते। यह एक कॉन्सर्ट में बैंड के शुरू होने का इंतजार कर रही भीड़ की तरह है।

कुछ लोग तुरंत तैयार हो जाते हैं (कम थ्रेशोल्ड)।
कुछ को थोड़े अधिक समय या तेज़ संकेत की आवश्यकता होती है।
कुछ बहुत जिद्दी होते हैं और उन्हें एक विशाल संकेत की आवश्यकता होती है।

जब उन्होंने डेटा को प्लॉट किया, तो इसने एक विशिष्ट आकार बनाया जिसे लोरेंट्ज़ियन वितरण (Lorentzian distribution) कहा जाता है।

रूपक: यह एक बेल कर्व (bell curve) की तरह है, लेकिन इसके "मोटे पूंछ" (fat tails) हैं। इसका मतलब है कि कुछ बहुत जिद्दी स्विच हैं जिन्हें पलटने के लिए बहुत अधिक वोल्टेज की आवश्यकता होती है, और कुछ बहुत उत्सुक स्विच हैं जो लगभग कुछ भी नहीं होने पर ही पलट जाते हैं। अधिकांश बीच में होते हैं।
यह क्यों मायने रखता है: यह "मोटे पूंछ" वाला आकार वास्तव में एक अच्छी बात है! इसका मतलब है कि एक वजन से दूसरे वजन में परिवर्तन बहुत सहज और अनुमानित है। यह डिवाइस को 200 से अधिक अलग-अलग स्तर (7 बिट्स से अधिक की सटीकता) स्टोर करने की अनुमति देता है। यह केवल 2 के बजाय 200 क्लिक वाले वॉल्यूम नॉब जैसा है।

"मेर्ज़ लॉ" (Merz Law): समय और वॉल्यूम का संबंध

शोध पत्र में एक नियम (मेर्ज़ लॉ) भी मिला जो समय और वोल्टेज को जोड़ता है।

रूपक: एक भारी पत्थर को धकेलने की कोशिश करने के बारे में सोचें।
- यदि आप बहुत अधिक बल (उच्च वोल्टेज) लगाते हैं, तो यह जल्दी (कम समय में) हिलता है।
- यदि आप हल्का बल (कम वोल्टेज) लगाते हैं, तो आपको समान परिणाम प्राप्त करने के लिए लंबे समय तक धक्का देना होगा।

शोधकर्ताओं ने सिद्ध किया कि उनकी यांत्रिक बीम इसी नियम का पालन करती है। यह उन्हें अविश्वसनीय सटीकता के साथ डिवाइस को प्रोग्राम करने की अनुमति देता है। यदि वे एक विशिष्ट वजन चाहते हैं, तो वे बिल्कुल गणना कर सकते हैं कि कितना वोल्टेज और कितनी देर के लिए लगाना है।

यह एक बड़ी बात क्यों है

गैर-विनाशकारी पठन (Non-Destructive Reading): आप मेमोरी को कितनी भी बार चेक कर सकते हैं बिना उसे मिटाए। यह किताब के पन्नों को फटे बिना उसे पढ़ने जैसा है।
सकारात्मक और नकारात्मक वजन: बीम दो दिशाओं (ऊपर या नीचे) में कंपन कर सकती है, जो "उत्तेजक" (आगे बढ़ो!) और "अवरोधक" (रुको!) संकेतों, दोनों का प्रतिनिधित्व करती है, ठीक एक वास्तविक मस्तिष्क की तरह।
उच्च सटीकता: उन्होंने लगभग 7 बिट्स की सटीकता (200+ स्तर) प्राप्त की। अधिकांश वर्तमान फेरोइलेक्ट्रिक डिवाइस 2 या 3 बिट्स से आगे बढ़ने के लिए संघर्ष करते हैं।
ऊर्जा कुशल: क्योंकि पठन यांत्रिक (कंपन) है न कि विद्युत धारा, यह बहुत कम बिजली का उपयोग करता है और चार्ज लीक नहीं होता है।

सारांश

शोधकर्ताओं ने एक स्मार्ट सामग्री से बनी एक छोटी, कंपन करती पियानो की तार बनाई है। वे वोल्टेज पल्स का उपयोग करके यह ट्यून करते हैं कि कितने आंतरिक "स्विच" पलटते हैं, जिससे तार का कंपन बदल जाता है। वे वजन को पढ़कर समझते हैं, जो तार को नुकसान नहीं पहुँचाता है।

चूंकि स्विच एक अनुमानित, सहज पैटर्न (लोरेंट्ज़ियन कर्व) में पलटते हैं, इसलिए वे सैकड़ों अलग-अलग मेमोरी स्तरों को स्टोर कर सकते हैं। यह अगली पीढ़ी के AI कंप्यूटरों के लिए एक आदर्श, टिकाऊ और ऊर्जा-कुशल बिल्डिंग ब्लॉक बनाता है जो इंसानों की तरह सोचते हैं।

यहाँ शोध पत्र "Lorentzian Switching Dynamics in HZO-based FeMEMS Synapses for Neuromorphic Weight Storage" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूरोमॉर्फिक कंप्यूटिंग के लिए ऐसे सिनैप्टिक तत्वों की आवश्यकता होती है जो उच्च परिशुद्धता (precision), गैर-विनाशकारी पठन (non-destructive readout) और उच्च सहनशक्ति (endurance) के साथ एनालॉग वेट्स (analog weights) को संग्रहीत और अपडेट करने में सक्षम हों। पारंपरिक फेरोइलेक्ट्रिक सिनैप्स (जो FeFETs, FeCAPs, या FTJs पर आधारित हैं) आमतौर पर वेट्स को रेमनेंट पोलराइजेशन ( $P_r$ ) अवस्था में संग्रहीत करते हैं। इन पारंपरिक दृष्टिकोणों में कई गंभीर सीमाएँ हैं:

विनाशकारी पठन (Destructive Readout): पोलराइजेशन अवस्था को पढ़ने से अक्सर फेरोइलेक्ट्रिक डोमेन बाधित होता है, जिससे डिपोलराइजेशन फील्ड और चार्ज इंजेक्शन होता है, जो सहनशक्ति और विश्वसनीयता को कम करता है।
सीमित परिशुद्धता (Limited Precision): इलेक्ट्रिकल रीडआउट की गैर-आदर्शताओं और डोमेन स्विचिंग की असतत प्रकृति के कारण उच्च-बिट रिज़ॉल्यूशन (जैसे, >7 बिट्स) प्राप्त करना कठिन है।
द्विध्रुवीयता का अभाव (Lack of Bipolarity): जटिल सर्किट्री के बिना पारंपरिक उपकरण स्वाभाविक रूप से सकारात्मक (उत्तेजक/excitatory) और नकारात्मक (निरोधात्मक/inhibitory) वेट्स को दर्शाने में संघर्ष करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक फेरोइलेक्ट्रिक MEMS (FeMEMS) आर्किटेक्चर प्रस्तावित करते हैं जो सिनैप्टिक वेट्स को रेमनेंट पोलराइजेशन के बजाय, एक रिलीज़ किए गए Hafnium-Zirconium Oxide (HZO) यूनिमॉर्फ बीम के वॉल्यूम-इंटीग्रेटेड पीज़ोइलेक्ट्रिक गुणांक ( $d_{31,eff}$ ) में संग्रहीत करता है।

डिवाइस संरचना: एक क्लैम्प्ड-क्लैम्प्ड यूनिमॉर्फ बीम जिसमें एक Si सबस्ट्रेट, एक 200-nm SiO₂ इलास्टिक लेयर, एक Ti/Pt बॉटम इलेक्ट्रोड, एक 17-nm HZO फेरोइलेक्ट्रिक फिल्म, एक 3-nm Al₂O₃ कैप, और एक Ti/Pt टॉप इलेक्ट्रोड शामिल है। HZO की मोटाई को एकल-चरण ऑर्थोरोम्बिक संरचना सुनिश्चित करने के लिए अनुकूलित किया गया है।
प्रोग्रामिंग (Write) योजना:
- रीसेट (Reset): दो नेगेटिव ट्राइएंगुलर वोल्टेज पल्स फिल्म को पूरी तरह से "अप" अवस्था में पोल करते हैं।
- राइट (Write): दो ट्राइएंगुलर पल्स जिनका एक विशिष्ट पीक एम्प्लीट्यूड ( $V_p$ ) और चौड़ाई ( $t_p$ ) होती है, जो "डाउन" दिशा में डोमेन को आंशिक रूप से स्विच करती हैं। स्विच किए गए डोमेन का अंश प्रभावी $d_{31,eff}$ को निर्धारित करता है।
रीडआउट (Readout) योजना:
- एक छोटा-आयाम वाला साइनुसोइडल वोल्टेज ( $V_{ac} \ll V_p$ ) टॉप इलेक्ट्रोड पर लगाया जाता है।
- यह एक यांत्रिक कंपन (आउट-ऑफ-प्लेन विस्थापन, $\delta$ ) प्रेरित करता है जो $d_{31,eff}$ के समानुपाती होता है।
- विस्थापन को एक Polytec Laser Doppler Vibrometer (LDV) का उपयोग करके मापा जाता है।
- मुख्य लाभ: यह पठन गैर-विनाशकारी (non-destructive) है; छोटा सिग्नल पोलराइजेशन अवस्था को बाधित नहीं करता है, जिससे बिना किसी ड्रिफ्ट के बार-बार पठन संभव है।
मॉडलिंग दृष्टिकोण: स्विचिंग डायनेमिक्स का विश्लेषण न्यूक्लिएशन-लिमिटेड स्विचिंग (NLS) मॉडल का उपयोग करके किया गया है। लेखक परिकल्पना करते हैं कि स्थानीय स्विचिंग थ्रेशोल्ड का वितरण प्रोग्रामिंग वोल्टेज के लॉगरिदम में एक लोरेंत्ज़ियन (Lorentzian/Cauchy) वितरण का अनुसरण करता है।

3. मुख्य योगदान (Key Contributions)

नया वेट स्टोरेज तंत्र: HZO के पीज़ोइलेक्ट्रिक गुणांक ( $d_{31,eff}$ ) में एनालॉग वेट्स को संग्रहीत करने वाले पहले FeMEMS सिनैप्स का प्रदर्शन किया गया, जो गैर-विनाशकारी मैकेनिकल रीडआउट को सक्षम बनाता है।
मात्रात्मक गतिज मॉडलिंग (Quantitative Kinetic Modeling): मैकेनिकल वेट ट्रांसफर और इलेक्ट्रिकल स्विचिंग का एक कठोर संबंध स्थापित किया गया। लेखकों ने सिद्ध किया कि वेट ट्रांसफर फंक्शन $\log_{10}(V_p)$ में एक लोरेंत्ज़ियन वितरण का पालन करता है और एक Merz-प्रकार के फील्ड-टाइम कानून का पालन करता है।
उच्च-परिशुद्धता अंशांकन (High-Precision Calibration): डिवाइस-टू-डिवाइस विविधताओं से निपटने के लिए मीडियन स्विचिंग थ्रेशोल्ड ( $\mu$ ) और वितरण चौड़ाई ( $w$ ) को निकालने के लिए एक विधि विकसित की गई, ताकि वेट स्तरों का उच्च परिशुद्धता के साथ पूर्वानुमान और अंशांकन किया जा सके।
द्विध्रुवीय क्षमता (Bipolar Capability): डिवाइस स्वाभाविक रूप से सकारात्मक और नकारात्मक वेट्स (धनात्मक और ऋणात्मक $d_{31,eff}$ के माध्यम से) का समर्थन करता है, जो न्यूरल नेटवर्क में उत्तेजक और निरोधात्मक सिनैप्स के लिए आवश्यक है।

4. मुख्य परिणाम (Key Results)

गैर-विनाशकारी पठन और रैखिकता (Non-Destructive Readout & Linearity): मैकेनिकल विस्थापन ( $\delta$ ) स्विच किए गए डोमेन अंश के सीधे समानुपाती है। बार-बार पठन से नगण्य ड्रिफ्ट देखा गया, और एक निश्चित वोल्टेज पर विस्थापन का मानक विचलन 1 nm से कम था।
पोलराइजेशन के साथ सहसंबंध: रेमनेंट पोलराइजेशन परिवर्तन ( $\Delta P$ ) और मैकेनिकल विस्थापन ( $\delta$ ) के समकालिक मापन ने पुष्टि की कि दोनों सिग्मोइडल ट्रांज़िशन का पालन करते हैं। मैकेनिकल कोएर्सिव वोल्टेज ( $V_{c,mech} = 5.05$ V) इलेक्ट्रिकल कोएर्सिव वोल्टेज ( $V_{c,elec} = 5.23$ V) के बहुत करीब था, जो यह प्रमाणित करता है कि $d_{31,eff}$ डोमेन आबादी को सटीक रूप से दर्शाता है।
लोरेंत्ज़ियन वितरण (Lorentzian Distribution): विभिन्न पल्स चौड़ाई के लिए स्विचिंग कर्व्स ( $\delta$ $δ$ बनाम $V_p$ $V_{p}$ ) को लॉजिस्टिक फंक्शन के साथ सफलतापूर्वक फिट किया गया, जो एक लोरेंत्ज़ियन वितरण से प्राप्त हुआ है।
- पाया गया कि वितरण चौड़ाई ( $w$ ) पल्स की चौड़ाई से लगभग स्वतंत्र थी, जो एक स्थिर डिसऑर्डर लैंडस्केप का संकेत देती है।
- मीडियन थ्रेशोल्ड ( $\mu$ ) $\log(t_p)$ के साथ रैखिक रूप से शिफ्ट हुआ, जो Merz स्केलिंग के अनुरूप है।
Merz Law पैरामीटर्स: मीडियन थ्रेशोल्ड को पल्स की चौड़ाई के विरुद्ध रिग्रेशन करके, लेखकों ने एक आयामहीन घातांक (dimensionless exponent) $\alpha = 3.62$ और एक अंतर्निहित स्विचिंग समय $\tau_\infty \approx 14 \times 10^{-15}$ s निकाला। ये मान HZO और PZT फिल्मों के स्थापित साहित्य के अनुरूप हैं।
वेट रिज़ॉल्यूशन: प्रायोगिक डेटा पर एक सख्त मोनोटोनिक सबसीक्वेंस फ़िल्टर का उपयोग करके, डिवाइस ने ~200 विशिष्ट वेट स्तरों को हल करने की क्षमता प्रदर्शित की, जो >7-बिट परिशुद्धता (~7.6 बिट्स) के बराबर है।
यूनिवर्सल कोलैप्स (Universal Collapse): जब डेटा को रिड्यूस्ड कोऑर्डिनेट्स ( $z = (\log V_p - \mu)/w$ ) का उपयोग करके रीस्केल किया गया, तो सभी डेटासेट एक ही पैरामीटर-फ्री मास्टर कॉची कर्व (Cauchy curve) पर समाहित (collapse) हो गए, जो स्विचिंग सांख्यिकी की सार्वभौमिकता की पुष्टि करता है।

5. महत्व (Significance)

यह कार्य फेरोइलेक्ट्रिक मेमोरी की मौलिक सीमाओं को संबोधित करके न्यूरोमॉर्फिक हार्डवेयर में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है:

विश्वसनीयता: पठन तंत्र को स्टोरेज तंत्र से अलग करके (मैकेनिकल रीड बनाम इलेक्ट्रिकल स्टोरेज), यह डिवाइस रीड-डिस्टरब त्रुटियों को समाप्त करता है, जिससे सहनशक्ति (endurance) काफी बढ़ जाती है।
स्केलेबिलिटी: एक सरल, CMOS-संगत HZO प्रक्रिया के साथ >7-बिट परिशुद्धता प्राप्त करने की क्षमता इस आर्किटेक्चर को बड़े पैमाने पर न्यूरोमॉर्फिक सिस्टम के लिए अत्यधिक स्केलेबल बनाती है।
एल्गोरिद्मिक एकीकरण: स्विचिंग डायनेमिक्स (लोरेंत्ज़ियन वितरण और Merz law) की मात्रात्मक समझ प्रोग्रामिंग पल्स के सटीक अंशांकन की अनुमति देती है। यह उन मजबूत लर्निंग एल्गोरिदम के डिजाइन को सक्षम बनाता है जो डिवाइस विविधताओं और एजिंग (aging) की भरपाई कर सकते हैं।
ऊर्जा दक्षता: पारंपरिक FeFET रीडआउट के लिए आवश्यक चार्ज इंजेक्शन की तुलना में मैकेनिकल रीडआउट में न्यूनतम ऊर्जा की आवश्यकता होती है, और डिवाइस में शून्य स्टैंड-बाय लीकेज प्रदर्शित होता है।

निष्कर्षतः, यह शोध पत्र दर्शाता है कि HZO-आधारित FeMEMS सिनैप्स पारंपरिक फेरोइलेक्ट्रिक सिनैप्स के लिए एक मजबूत, उच्च-परिशुद्धता और गैर-विनाशकारी विकल्प प्रदान करते हैं, जो कुशल इन-मेमोरी कंप्यूटिंग के लिए उच्च-बिट-डेप्थ न्यूरोमॉर्फिक हार्डवेयर का मार्ग प्रशस्त करते हैं।