🔬 applied physics

Multiple spiking functionalities in annealing-optimized Ag/Hf $_{0.5}$ Zr $_{0.5}$ O $_2$ -based memristive neurons

यह शोध पत्र एनिलिंग-अनुकूलित Ag/Hf $_{0.5}$ Zr $_{0.5}$ O $_2$ मेमरिस्टर्स पर आधारित एक ऊर्जा-कुशल कृत्रिम न्यूरॉन प्रस्तुत करता है जो बिना किसी अतिरिक्त इलेक्ट्रॉनिक ओवरहेड के एक सरल सर्किट का उपयोग करके लीकी इंटीग्रेट-एंड-फायर व्यवहार और विभिन्न कोडिंग मोड सहित कई स्पाइकिंग कार्यात्मकताओं को प्रदर्शित करता है।

मूल लेखक: Nikita Zhidkov, Andrei Zenkevich, Anton Khanas

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nikita Zhidkov, Andrei Zenkevich, Anton Khanas

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

कल्पना कीजिए कि आप एक कंप्यूटर के लिए एक सुपर-फास्ट, सुपर-एफिशिएंट (अति-कुशल) मस्तिष्क बनाने की कोशिश कर रहे हैं। अभी, हमारे कंप्यूटर (जैसे कि जिस पर आप यह पढ़ रहे हैं) एक लाइब्रेरियन की तरह बने हैं जो एक विशाल लाइब्रेरी (मेमोरी) और एक डेस्क (प्रोसेसर) के बीच इधर-उधर दौड़ता रहता है। यह "इधर-उधर दौड़ना" बहुत अधिक ऊर्जा खर्च करता है और इसमें समय भी लगता है।

वैज्ञानिक एक नए प्रकार का कंप्यूटर बनाने की कोशिश कर रहे हैं जो मानव मस्तिष्क की तरह अधिक काम करे। एक मस्तिष्क में, जानकारी वहीं प्रोसेस की जाती है जहाँ वह स्टोर होती है, जिसमें "स्पाइक्स" (spikes) नामक सूक्ष्म विद्युत संकेतों का उपयोग किया जाता है। ऐसा करने के लिए, हमें ऐसे सूक्ष्म इलेक्ट्रॉनिक पुर्जों की आवश्यकता है जो सिनैप्स (connections) और न्यूरॉन्स (निर्णय लेने वाले) की तरह कार्य कर सकें।

यह शोध पत्र एक बहुत ही विशेष, सूक्ष्म इलेक्ट्रॉनिक "न्यूरॉन" बनाने के बारे में है जो एक साथ तीन अलग-अलग काम कर सकता है, और वह भी बहुत कम ऊर्जा का उपयोग करके। यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल भाषा में समझाया गया है।

1. समस्या: मस्तिष्क का हिस्सा बनाना कठिन है

एक न्यूरॉन को एक लीकी बाल्टी (टपकती हुई बाल्टी) की तरह समझें।

बाल्टी: यह अन्य न्यूरॉन्स से पानी (बिजली) इकट्ठा करती है।
लीक: यदि कोई पानी नहीं डालता है, तो बाल्टी धीरे-धीरे खाली हो जाती है (यह "लीकी" वाला हिस्सा है)।
नोजल (Spout): एक बार जब पानी का स्तर एक विशिष्ट रेखा (थ्रेशोल्ड) तक ऊँचा हो जाता है, तो बाल्टी अचानक अपना सारा पानी एक झटके में बाहर निकाल देती है (एक "स्पाइक")। फिर, यह खाली होकर शुरू होती है।

एक ऐसा इलेक्ट्रॉनिक भाग बनाना जो बिल्कुल इस लीकी बाल्टी की तरह काम करे, बहुत कठिन है। अधिकांश इलेक्ट्रॉनिक पुर्जे या तो बहुत धीमे होते हैं, बहुत बड़े होते हैं, या वे अपने आप को रीसेट नहीं कर पाते। वैज्ञानिक एक ऐसा छोटा स्विच बनाना चाहते थे जो अपने आप यह "भरने और खाली करने" की क्रिया कर सके।

2. सामग्री: जादुई सैंडविच

वैज्ञानिकों ने अपने न्यूरॉन को सामग्रियों के एक "सैंडविच" का उपयोग करके बनाया:

नीचे का बन (Bottom Bun): टाइटेनियम नाइट्राइड (एक धातु)।
फिलिंग (Filling): हाफनियम-ज़िरकोनियम ऑक्साइड (एक विशेष सिरेमिक)।
ऊपर का बन (Top Bun): सिल्वर (एक धातु जो इधर-उधर घूमना पसंद करती है)।

जब आप इस सैंडविच पर बिजली लगाते हैं, तो सिल्वर के सूक्ष्म "धागे" (जैसे सूक्ष्म तार) सिरेमिक फिलिंग के अंदर उगते हैं। जब ये धागे ऊपर और नीचे के हिस्से को जोड़ देते हैं, तो बिजली प्रवाहित होती है। जब ये टूट जाते हैं, तो प्रवाह रुक जाता है। यही इस डिवाइस का मूल आधार है।

3. सीक्रेट सॉस: "दो-चरण वाली बेकिंग"

सबसे बड़ी चुनौती यह थी कि ये सिल्वर के धागे अप्रत्याशित थे। कभी-कभी वे बहुत बड़े हो जाते थे, कभी बहुत छोटे, और कभी वे बनते ही नहीं थे। यह एक केक बनाने की कोशिश करने जैसा था जहाँ ओवन का तापमान लगातार बदल रहा हो, और आपको कभी नहीं पता होता कि केक जला हुआ निकलेगा या कच्चा।

वैज्ञानिकों ने इसे एक दो-चरण वाली बेकिंग प्रक्रिया (जिसे एनिलिंग कहा जाता है) से हल किया:

पहला बेक (नींव): उन्होंने पहले सिरेमिक फिलिंग को बेक किया। इससे उनके अंदर के सूक्ष्म क्रिस्टल व्यवस्थित हो गए, जिससे सिल्वर के चलने के लिए "हाईवे" बन गए।
दूसरा बेक (डिलीवरी): सिल्वर को ऊपर रखने के बाद, उन्होंने इसे फिर से कम तापमान पर बेक किया। इसने सिल्वर परमाणुओं को क्रिस्टल संरचना को बिगाड़े बिना धीरे से उन "हाईवे" में धकेल दिया।

परिणाम: इस दो-चरण वाली रेसिपी ने एक ऐसा स्विच बनाया जो अविश्वसनीय रूप से विश्वसनीय था। यह बहुत कम वोल्टेज पर चालू हो गया (ऊर्जा बचाते हुए) और इसके "ऑफ" स्टेट और "ऑन" स्टेट के बीच बहुत बड़ा अंतर था (जिससे सिग्नल बहुत स्पष्ट हो गया)।

4. सुपरपावर: एक डिवाइस, तीन मोड

आमतौर पर, एक कंप्यूटर चिप को तीन अलग-अलग चीजें करने के लिए तीन अलग-अलग प्रकार के पुजों की आवश्यकता होती है। लेकिन यह नया "Ag/HZO" न्यूरॉन एक 3-इन-1 स्विस आर्मी नाइफ है। केवल वोल्टेज की शक्ति (दबाव या "पुश") को बदलकर, यह तीन अलग-अलग "भाषाएँ" बोल सकता है:

मोड A: "कितनी देर?" कोड (Time-to-First-Spike)
- उपमा: कल्पना कीजिए कि एक धावक शुरुआती रेखा पर खड़ा है। यदि आप उसे हल्का सा धक्का देते हैं, तो उसे दौड़ना शुरू करने में समय लगता है। यदि आप उसे ज़ोर से धक्का देते हैं, तो वह तुरंत दौड़ना शुरू कर देता है।
- यह कैसे काम करता है: इनपुट वोल्टेज जितना मजबूत होगा, न्यूरॉन उतनी ही तेज़ी से "स्पाइक" करेगा। कंप्यूटर डेटा को समझने के लिए स्पाइक करने में लगे समय को पढ़ सकता है।
मोड B: "कितने?" कोड (Number of Spikes)
- उपमा: कल्पना कीजिए कि एक ड्रमर (ढोल बजाने वाला) है। यदि आप ड्रम को हल्का सा थपथपाते हैं, तो वह एक बार चोट करता है। यदि आप ज़ोर से थपथपाते हैं, तो वह लगातार पाँच बार चोट करता है।
- यह कैसे काम करता है: एक मजबूत इनपुट न्यूरॉन को कई स्पाइक्स का एक समूह (बर्स्ट) छोड़ने के लिए प्रेरित करता है। कंप्यूटर डेटा को समझने के लिए हिट्स की संख्या गिनता है।
मोड C: "कितनी तेज़?" कोड (Firing Rate)
- उपमा: कल्पना कीजिए कि एक मेट्रोनोम (लय मापने वाला यंत्र) है। एक हल्का धक्का इसे धीरे-धीरे टिक-टिक करने के लिए बनाता है; एक तेज़ धक्का इसे तेज़ी से टिक-टिक करने के लिए बनाता है।
- यह कैसे काम करता है: न्यूरॉन स्पाइक्स की एक लय में फायरिंग शुरू करता है। इनपुट जितना मजबूत होगा, लय उतनी ही तेज़ होगी। कंप्यूटर डेटा को समझने के लिए लय की गति को पढ़ता है।

5. यह क्यों महत्वपूर्ण है

यह दो कारणों से एक बड़ी प्रगति है:

ऊर्जा दक्षता (Energy Efficiency): यह छोटा न्यूरॉन लगभग न के बराबर बिजली का उपयोग करता है (प्रति स्पाइक लगभग 0.7 नैनोजूल)। यह एक मेज से गिरने वाले रेत के एक अकेले कण की ऊर्जा के बराबर है। इसका मतलब है कि भविष्य के AI कंप्यूटर विशाल पावर प्लांट की आवश्यकता के बजाय छोटी बैटरी पर चल सकते हैं।
सरलता: क्योंकि एक छोटा डिवाइस तीन अलग-अलग काम कर सकता है, इसलिए हमें तीन अलग-अलग प्रकार के चिप्स बनाने की आवश्यकता नहीं है। इससे जगह बचती है और हार्डवेयर बनाना बहुत सरल हो जाता है।

निष्कर्ष

वैज्ञानिकों ने एक "बेकिंग रेसिपी" खोज निकाली है जिससे एक ऐसा सूक्ष्म इलेक्ट्रॉनिक स्विच बनाया जा सके जो बिल्कुल मस्तिष्क की कोशिका की तरह काम करता है। यह स्विच इतना स्मार्ट है कि यह अपनी व्यवहार शैली को बदल सकता है, और आप इसे कितनी ज़ोर से धक्का देते हैं इसके आधार पर तीन अलग-अलग भाषाएँ बोल सकता है। यह हमें उतने ही कुशल, तेज़ और लचीले कंप्यूटर बनाने के करीब लाता है जैसा कि मानव मस्तिष्क है।

यहाँ शोध पत्र "Multiple spiking functionalities in annealing-optimized Ag/Hf0.5Zr0.5O2-based memristive neurons" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आर्टिफिशियल न्यूरल नेटवर्क (ANNs) की तीव्र प्रगति ने अभूतपूर्व ऊर्जा खपत को जन्म दिया है, जिससे वॉन न्यूमैन आर्किटेक्चर से ऊर्जा-कुशल न्यूरोमॉर्फिक हार्डवेयर की ओर बदलाव आवश्यक हो गया है। जबकि मेमरिस्टिव सिनैप्स (synapses) अच्छी तरह से विकसित हो चुके हैं, स्केलेबल और अत्यधिक पुनरुत्पादनीय (reproducible) आर्टिफिशियल न्यूरॉन्स का निर्माण एक महत्वपूर्ण चुनौती बना हुआ है।

अंतराल (The Gap): मौजूदा मेमरिस्टिव न्यूरॉन्स अक्सर स्विचिंग मापदंडों (थ्रेशोल्ड वोल्टेज $V_{th}$ , ऑन/ऑफ करंट) में उच्च चक्र-से-चक्र परिवर्तनशीलता (cycle-to-cycle variability) से ग्रस्त होते हैं, उनमें बहु-कार्यात्मकता (multi-functionality) का अभाव होता है, और उनकी निर्माण प्रक्रिया जटिल होती है जिसे स्केल करना कठिन है।
आवश्यकता (The Requirement): एक व्यवहार्य आर्टिफिशियल न्यूरॉन के लिए लीकी इंटीग्रेट-एंड-फायर (LIF) मॉडल का भौतिक कार्यान्वयन आवश्यक है, जिसके लिए नेगेटिव डिफरेंशियल रेजिस्टेंस (NDR) वाले थ्रेशोल्ड स्विच (TS), कम $V_{th}$ , उच्च $I_{on}/I_{off}$ अनुपात और स्थिर स्विचिंग की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक Ag/Hf $_{0.5}$ Zr $_{0.5}$ O $_2$ (HZO)/TiN मेमरिस्टिव डिवाइस विकसित किया है और इसके निर्माण को अनुकूलित किया है ताकि न्यूरोनल व्यवहार के अनुकूल वोलेटाइल थ्रेशोल्ड स्विचिंग प्राप्त की जा सके।

डिवाइस संरचना (Device Structure):
- बॉटम इलेक्ट्रोड (BE): Si(100) पर 50 nm TiN।
- डाइइलेक्ट्रिक (Dielectric): एटॉमिक लेयर डिपोजिशन (ALD) के माध्यम से विकसित 10 nm HZO।
- टॉप इलेक्ट्रोड (TE): Ag परत (पल्स्ड लेजर डिपोजिशन या ई-बीम इवेपोरेशन द्वारा जमा की गई) जिसमें एक Pt सुरक्षात्मक ओवरलेयर है।
अनुकूलन रणनीति (दो-चरणीय एनीलिंग - Two-Step Annealing):
HZO के क्रिस्टलीकरण और Ag परमाणुओं के प्रसार (जो कंडक्टिव फिलामेंट्स बनाते हैं) को नियंत्रित करने के लिए, लेखकों ने रैपिड थर्मल एनीलिंग (RTA) का उपयोग करते हुए एक विशिष्ट थर्मल एनीलिंग अनुक्रम पेश किया:
1. पोस्ट-डिपोजिशन एनीलिंग (PDA): HZO विकास के बाद 550°C पर 30s के लिए। यह HZO परत को क्रिस्टलाइज करता है, जिससे ग्रेन बाउंड्रीज़ (GB) और ट्रिपल जंक्शन (TJ) बनते हैं जो Ag डिफ्यूजन के लिए पसंदीदा मार्ग के रूप में कार्य करते हैं।
2. पोस्ट-मेटलाइजेशन एनीलिंग (PMA): Ag जमा करने के बाद 350°C पर 60s के लिए। यह HZO की क्रिस्टलीयता को बदले बिना पूर्व-निर्मित GBs/TJs में Ag के प्रसार को सुगम बनाता है।
प्रायोगिक सेटअप (Experimental Setup):
- विद्युत माप Keysight B1500A का उपयोग करके किए गए थे।
- एक सीरीज रेजिस्टर ( $R_s = 2.7$ M $\Omega$ ) को बाहरी रूप से जोड़ा गया था ताकि करंट को सीमित और डिवाइस को स्थिर किया जा सके, जो प्रभावी रूप से LIF सर्किट के "लीकेज" घटक के रूप में कार्य करता है।
- Ag/HZO संरचना की आंतरिक कैपेसिटेंस (capacitance) "मेम्ब्रेन कैपेसिटेंस" के रूप में कार्य करती है।

3. मुख्य योगदान (Key Contributions)

निर्माण अनुकूलन (Fabrication Optimization): डाइइलेक्ट्रिक क्रिस्टलीकरण और मेटल डिफ्यूजन को अलग करने के लिए एक दो-चरणीय एनीलिंग विधि (PDA + PMA) का प्रस्ताव, जिसके परिणामस्वरूप सिंगल-स्टेप एनीलिंग या बिना एनीलिंग वाले डिवाइस की तुलना में बेहतर थ्रेशोल्ड स्विचिंग विशेषताएं प्राप्त हुईं।
बहु-कार्यात्मक स्पाइकिंग न्यूरॉन (Multi-Functional Spiking Neuron): एक एकल मेमरिस्टिव डिवाइस का प्रदर्शन जो केवल इनपुट वोल्टेज आयाम द्वारा नियंत्रित तीन अलग-अलग स्पाइकिंग कोडिंग मोड में कार्य करने में सक्षम है:
- टाइम-टू-फर्स्ट-स्पाइक (TTFS)।
- संख्या (Number of Spikes)।
- फायरिंग रेट (Firing Rate)।
हार्डवेयर दक्षता (Hardware Efficiency): बिना किसी अतिरिक्त इलेक्ट्रॉनिक ओवरहेड (कोई बाहरी कैपेसिटर या जटिल सर्किट नहीं) के LIF न्यूरॉन का कार्यान्वयन, जो केवल मेमरिस्टर और एक सीरीज रेजिस्टर पर निर्भर करता है।

4. परिणाम (Results)

विद्युत प्रदर्शन (Electrical Performance):
- अनुकूलित PDA + PMA डिवाइसों ने कम थ्रेशोल्ड वोल्टेज ( $V_{th} \approx 0.5$ V) और उच्च $I_{on}/I_{off}$ अनुपात ( $\approx 10^6$ ) प्राप्त किया।
- स्विचिंग एक एकल चरण (single step) में हुई जिसमें तीव्र संक्रमण (steep transitions) देखे गए, जो सिंगल-स्टेप एनील्ड डिवाइसों में देखी जाने वाली क्रमिक या बहु-चरणीय स्विचिंग के विपरीत है।
- 1,000 चक्रों के सांख्यिकीय विश्लेषण ने $I_{on}$ , $I_{off}$ , और होल्ड वोल्टेज में उच्च स्थिरता दिखाई, जिसमें $V_{th}$ में प्रबंधनीय फैलाव (dispersion) था।
न्यूरोनल व्यवहार (LIF Dynamics):
- TTFS मोड: निरंतर वोल्टेज पल्स के तहत, डिवाइस ने पहले स्पाइक से पहले एक प्रारंभिक "आइडल" (idle) अवधि प्रदर्शित की। इनपुट वोल्टेज बढ़ने के साथ यह विलंबता (latency) तेजी से (exponentially) कम हुई।
- स्पाइक संख्या मोड: डिवाइस के ON अवस्था में जाने से पहले उत्पन्न होने वाले रिलैक्सेशन ऑसिलेशन (स्पाइक्स) की संख्या इनपुट वोल्टेज के साथ रैखिक रूप से बढ़ी।
- फायरिंग रेट मोड: ट्रैपेज़ॉइडल वोल्टेज रैम्प के तहत, डिवाइस ने परिवर्तनशील इंटर-स्पाइक अंतराल के साथ आवधिक स्पाइक्स उत्पन्न किए। तात्कालिक फायरिंग दर इनपुट वोल्टेज के साथ लगभग रैखिक रूप से बढ़ी।
ऊर्जा दक्षता (Energy Efficiency):
- औसत ऊर्जा खपत 0.7 nJ प्रति स्पाइक थी, जो सर्वश्रेष्ठ मॉट (Mott) मेमरिस्टर्स से एक क्रम अधिक कम है और अन्य मेटल-आयन फिलामेंटरी मेमरिस्टर्स के तुल्य है।

5. महत्व (Significance)

स्केलेबिलिटी और सरलता (Scalability and Simplicity): दो-चरणीय एनीलिंग प्रक्रिया मानक सेमीकंडक्टर निर्माण के अनुकूल है, जो फिलामेंट गठन को नियंत्रित करने के लिए अक्सर आवश्यक जटिल लिथोग्राफी या नैनो-पैटर्निंग चरणों से बचती है।
आर्किटेक्चरल लाभ (Architectural Advantage): एक ही डिवाइस में तीन कोडिंग स्कीमों (TTFS, स्पाइक काउंट, फायरिंग रेट) को एकीकृत करके, कई समर्पित हार्डवेयर कोर की आवश्यकता समाप्त हो जाती है। यह SNN एक्सेलेरेटर्स के लिए चिप क्षेत्र और जटिलता को काफी कम करता है।
भविष्य की क्षमता (Future Potential): HZO (एक फेरोइलेक्ट्रिक सामग्री) का उपयोग भविष्य में पुनर्गठनीय (reconfigurable) न्यूरॉन्स की संभावनाओं का सुझाव देता है जहाँ मेम्ब्रेन कैपेसिटेंस को फेरोइलेक्ट्रिक गुणों के माध्यम से ट्यून किया जा सकता है, हालांकि इसे भविष्य के कार्य के विषय के रूप में नोट किया गया है।
प्रभाव (Impact): यह कार्य उच्च पुनरुत्पादकता के साथ जैविक स्पाइकिंग व्यवहार की नकल करने वाले ऊर्जा-कुशल, स्केलेबल न्यूरोमॉर्फिक हार्डवेयर बनाने की दिशा में एक महत्वपूर्ण कदम प्रदान करता है।