あなたの脳を、思考が近所の間を駆け巡る配送トラックのような、活気ある都市だと想像してみてください。従来のコンピュータでは、「センサー」（カメラなど）は荷物（画像）を受け取る配送トラックですが、それらを仕分けして認識するために、中央倉庫（プロセッサ）まで運ばなければなりません。この往復には時間がかかり、多くの燃料（エネルギー）を消費します。現在、科学者たちは、私たちの脳の働きを模倣し、画像が撮影されたその場所で直接仕分けを行うことができる「スマートセンサー」を作ろうとしています。この分野は「ニューロモーフィック・コンピューティング」と呼ばれます。これを実現するために、研究者たちは、私たちの脳細胞が経験を記憶するように、光のパターンを記憶できる「シナプス」と呼ばれる極小の電子スイッチを探しています。これらのスイッチの有望な材料の一つが、二硫化モリブデン（MoS2）と呼ばれる超薄型の二次元シートです。MoS2を微小なトランポリンと考えてみてください。光が当たると、表面に微細な電荷を閉じ込め、電気の通りやすさを変化させます。この変化がメモリとして機能します。しかし、これら微細なトラップ（捕捉）が正確にどのように機能しているのか、そしていかに効率的に設計するかを解明することは、ルールブックを一度も見ることなく、プレイヤーを見ているだけでゲームのルールを推測しようとするようなものでした。
本論文は、これらMoS2光感知シナプスのための新しい「ルールブック」を導入するものです。推測や無秩序な試行錯誤法を用いる代わりに、著者であるムハンメト・アルジュ（Muhammet Arucu）は、実デバイスのデジタルツインとして機能する、精密な物理ベースのモデルを構築しました。シナプスを電気電荷の多層駐車場だと想像してください。光がデバイスに当たると、車（電荷）がドライブインしてくるようなものです。モデルは、この駐車場にいくつかの階層（トラップ状態）があるものとして扱います。一部の車は、アクセスしやすい最上階（短期記憶）に駐車し、他の車は、深く到達しにくい地下室（長期記憶）に駐車します。論文は、この「駐車場」モデルが、異なるパターンの光パルスを受けた際のデバイスの挙動を完璧に予測でき、2種類の異なるタイプのデバイスからの実世界のデータと驚異的な精度で一致することを示しています。
この研究は、いくつかのエキサイティングな発見を行う一方で、古い仮説を覆しています。第一に、これらのデバイスの「記憶」は単なる単純なぼやけではなく、異なるレベルの駐車場を電荷が埋めていく複雑なダンスであることを証明しました。モデルは、これらのデバイスが「忘れる」ように見える速度は、単にトラップ自体の問題ではなく、実際には光パルスの持続時間によって制限されていることを明らかにしました。もし光を長く当てすぎると、高速で動く電荷が見えなくなります。それは、スローシャッターのカメラでハチドリを捉えようとするようなものです。第二に、本論文は、これらのデバイスが示す「促通（ファシリテーション）」（二度目の光パルスに対してより興奮すること）の限界を突き止めました。もしデバイスが線形に振る舞っている場合、その応答が2倍（200%）を超えることはありません。もし研究者がこれ以上の数値を見つけた場合、それはデバイス内部のアンプが余計に働いていることを意味しており、これまで見落とされていた詳細な事実です。
最も重要なことに、本論文はこのモデルを用いて、エンジニアのための「魔法のつまみ」、すなわちメモリをプログラムするための光の明るさを特定しました。光の強度を下げることで、チームはデジタル脳（640個のシナプス・アレイ）を、以前と同じくらい上手く手書き数字を認識できるように訓練できることを示しました。しかも、以前より6.7倍少ないエネルギーで実現しました。これは、アクセルを強く踏み込むのではなく、早めにギアを切り替えることで、車を同じ速さで走らせることができると気づくようなものです。また、モデルを用いることで、メモリが消失するまでの時間をシミュレートすることも可能になり、わずかな「リフレッシュ」（素早いフラッシュ）を行うだけで、システムはマイクロワット未満という、ほとんど電力を消費せずに数時間稼働し続けることができることを示しました。この研究は単にデバイスを説明するだけではありません。私たちは「推測」から「精密なエンジニアリング」へと移行するための、次世代の超効率的な脳型ビジョンセンサーを設計するための、明確な物理ベースの地図を提供しているのです。
技術要約：MoS2ベースの光電子シナプスにおける物理ベースのコンパクトモデリングとDTCO
問題提起
センサ内コンピューティングに基づく現在のニューロモーフィック・ビジョン・システムは、電荷トラップ型の光電子シナプス、特に単層MoS2のような二次元半導体を利用したものに依存している。実験的なデバイスは、興奮性後シナプス電流（EPSC）、対パルス促進（PPF）、長期保持といったシナプス挙動を示しているが、この分野には予測可能な物理ベースのモデリング・フレームワークが欠けている。既存の手法は、経験的な二重指数関数フィッティングやルックアップテーブル（LUT）シミュレーションに大きく依存している。これらのアプローチは、根底にあるトラップ・キネティクスを捉えることができず、測定されたものとは異なる刺激プロトコルへの応答を予測することもできず、また、電荷トラップ型デバイスに固有の揮発性に対して構造的に無力である。その結果、デバイスレベルのトラップパラメータとシステムレベルの性能指標を結びつけることにギャップが生じており、設計・技術協調最適化（DTCO）を阻害している。
手法
著者らは、マルチレベルのトラップ・キネティクス・ラダーを滑らかな電界効果トランジスタ（FET）トランスデューサに結合させた、物理ベースのコンパクトモデルを提案している。
- トラップ・キネティクス： モデルは、デバイスをn型MoS2フォトトランジスタとして扱い、光生成された正孔がチャネル／誘電体界面にあるK個の独立したトラップ集団によって捕捉されるものとする。各トラップ集団の占有率は、捕獲断面積、トラップ密度、および放出時定数を含む線形速度方程式によって支配される。極めて重要な点として、一定の照度セグメントを持つ任意の光パルス列に対して、モデルはトラップ占有率の伝搬に関する厳密な閉形式解を導出し、数値積分を回避して高速なアレイレベルのシミュレーションを可能にしている。
- トランスデューサ： 捕捉された電荷は閾値電圧をシフトさせ、それがサブスレッショルドから強反転領域まで有効な滑らかで単一のピースからなるFET式を用いてドレイン電流へとマッピングされる。この式は、指数、二乗則、および線形領域を連続的に捉えている。
- キャリブレーション： モデルは、異なる材料組成と刺激プロトコルを持つ、独立して発表された2つのデバイス（デバイスA：単層MoS2/SiO2トランジスタ、デバイスB：CdSe感作MoS2ヘテロ構造）からのデジタル化された測定値に対してキャリブレーションされた。トラップレベルの数（K）は、赤池情報量基準およびベイズ情報量基準を用いてデバイスごとに選択された。
- システムレベル・シミュレーション： キャリブレーションされたモデルは、手書き数字認識のための単層光電子分類器に展開された。学習は、光によるポテンシエーションのみを用いたマンハッタン・ルールに従い、差動デバイスペアがシナプス重みを表すものとした。
主な貢献
- 厳密な閉形式モデル： マルチレベルのトラップ・ラダーを滑らかなFETトランスデューサに結合したコンパクトモデルを提供し、数値積分なしで任意の光パルス列に対する厳密な解析解を提供する。
- 統一されたフレームワーク： 単一のトラップ・ラダー・フレームワークを用い（トラップ数は情報量基準によって選択）、2つの異なるデバイスタイプにおいて、PPFと数十桁の保持の両方を再現できることを実証した。これは、経験的に報告された緩和定数を独立して回収している。
- 解析的洞察：
- 創発的時定数： モデルは、二重指数関数フィッティングによって抽出された見かけ上のPPF時定数が、根本的なトラップパラメータではなく、光パルス幅によって制限される創発的な量であることを明らかにしている。パルス幅よりも速いダイナミクスは、フィッティングされた振幅にエイリアシングされる。
- PPFの境界： 線形に蓄積する電荷トラップ型シナプスにおいて、PPF指数は200%を超えられないことが解析的に導出されている。これを超える測定値（例：203.5%）は、必然的にトランスデューサの超線形性（例：二乗則飽和または指数領域）を符号化している。
- DTCOのノブ： プログラミング照度を共最適化変数として特定した。照度を下げることでコンダクタンス・ラダーを再形成し、精度を犠失することなく学習エネルギーを低減できる。
- 保持を考慮した分析： LUTアプローチとは異なり、本フレームワークはトラップ占有率を明示的に追跡するため、推論時の重み減衰、緩やかな学習中の忘却、および光リフレッシュ・スケジューリングの分析が可能となる。
結果
- モデルの精度： デバイスAに対して、モデルはPPF曲線を1.0%以内の誤差で再現し、4桁の保持において平均絶対誤差0.003で保持を再現した。また、経験的な二重指数関数フィッティングでは表現できないPPF「フロア」（約135%）を捉えることに成功した。デバイスBに対しては、わずか2つのトラップレベルを用いて、急峻なサブ秒間の促進と長期的保持（>1500秒）を捉えた。
- 予測能力： PPFと保持のみに基づいてフィッティングされたパラメータを用いた、50パルスの光ポテンシエーション・プロトコルへの応答予測を行うアウトオブサンプル・テストを実施した。予測された時間的ダイナミクスは堅牢であり、測定された曲率はモデルのトランスデューサ形式がカバーする範囲内に収まった。
- エネルギーと精度のトレードオフ： 光プログラミングされたシナプスのアレイにおいて、プログラミング照度を10 mW/cm²から1.5 mW/cm²に下げると、コンダクタンス・ラダーのステップが再形成された。これにより、認識精度を維持またはわずかに向上させつつ（97.4%の浮動小数点リファレンスに対し、92.6%から93.4%へ）、学習エネルギーを6.7倍減少させた（7.7 mJから1.15 mJへ）。
- 保持ダイナミクス： フレームワークは推論時の重み減衰を定量化し、精度が30分間以上94%を維持し、約8時間後にチャンスレベルまで低下することを示した。また、光リフレッシュ戦略を用いることで、サブマイクロワットのスタンバイ電力（例：300秒のリフレッシュ間隔で0.94 µW）で94%の精度フロアを維持できることも示した。
意義
本論文は、経験的なフィッティングを校正された解析可能なトラップ・キネティクス・モデルに置き換えることが、光電子シナプスに対して問いうる質問を根本的に変えるものであると主張している。トラップの物理学とシステム指標を明示的に結びつけることで、本フレームワークは以下を可能にする：
- 予測的DTCO： エネルギー効率を精度を損なうことなく最適化するための設計ノブとして、照度を特定する。
- 保持を考慮した設計： 揮発性が学習（忘却）および推論（重み減衰）に与える影響を定量化する。これは静的なLUTアプローチでは不可能である。
- リザーバーコンピューティングへの架け橋： 揮発性を負債ではなくリソースとして利用するリザーバーコンピューティング・アプリケーションにおいて、校正されたフェーディングメモリ・カーネルを提供する。
- 再現性： トラップの物理学からシステム性能への道を確立し、それが将来のトラップ工学や回路設計を導くことができる、再現可能なプロセスを構築する。
著者らは、電気的なディプレッション（脱離）の振る舞いのモデリング（物理的な脱トラップモデルではないこと）や、現在の放出キネティクスにおける温度依存性の欠如などの限界についても言及しており、これらを将来の拡張領域としている。
毎週最高の electrical engineering 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録