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

現代のコンピュータは数値計算においては驚異的な速さを誇りますが、人間の脳が容易に行うような学習やパターン認識には苦戦します。これは、従来のコンピュータが、データの格納場所であるメモリと、計算を行うプロセッサを分離しているためです。問題を解決するために、マシンはこれら二つの場所の間で絶えず情報を往復させなければならず、このプロセスは膨大なエネルギーを消費し、処理速度を低下させます。科学者たちは、メモリと計算が同じ場所で行われる脳のアーキテクチャを模倣した、新しい種類のコンピュータを作ろうとしています。人間の脳では、これは神経細胞間の小さな接合部であるシナプスによって行われており、シナプスは時間の経過とともに強まったり弱まったりすることで記憶を蓄積します。これをシリコン上で再現するために、研究者たちは、生物学的な接続がどのように学習するかを模倣して電気抵抗を変化させることができる電子デバイスである「人工シナプス」を開発しています。課題は、これらのデバイスを大量に、完璧な一貫性を持って、かつ標準的なコンピュータチップに使用される製造ラインと互換性のある十分に低い温度で作ることでした。

研究チームは、これら人工シナプスの大規模なアレイ（配列）を単一のシリコンウェハー上に作成することにより、この製造上のパズルを解決するための重要な一歩を踏み出しました。彼らは特定の材料、すなわち、原子数個分ほどの厚さしかない酸化スズの極薄膜に焦点を当てました。金属酸化物は、電気的に電荷を捕捉して情報を保存できるため、この研究において有望ですが、広い表面全体に均一に作ることが困難でした。従来の方法では、膜に穴が開いたり、厚さが不均一になったり、あるいは不純物が混入したりすることが多く、その結果、電子デバイスが故障したり予測不能な挙動を示したりしていました。研究者たちは、チップ上にすでに構築されている繊細な回路を損傷させるような極端な熱を使用せずに、この材料を迅速かつクリーンに成長させる方法を必要としていました。

これを達成するために、チームは「静電支援型液体金属印刷（electrostatic-assisted liquid metal printing）」と呼ぶ技術を開発しました。彼らは、比較的低い温度で液体となる金属である、溶融スズのプールから開始しました。スズが空気中に置かれると、その表面には自然に原子レベルで薄い酸化スズの皮膜が形成されます。研究者たちは、この液体の表面を軽く拭き取って古い汚れた酸化物層を取り除き、新鮮で清潔な皮膜を露出させました。そして、その新鮮な表面を、直径2インチの大きなシリコンウェハーに慎重に接触させました。材料間の電気的な力によって、薄い酸化物の皮膜が液体スズから剥がれ落ちてシリコンウェハーに付着し、完璧で均一な膜を残しました。このプロセス全体は摂氏225度で行われ、これは標準的なチップ製造の後工程と互換性のある十分に低い温度です。その結果、シワや隙間のない、純粋で連続した酸化スズのシートがウェハー全体を覆うことになりました。

この高品質な膜を手に入れた後、研究者たちは32×32の正方形に配置された1,024個の個別の電子デバイスのグリッドを構築しました。各デバイスは「メモトランジスタ（memtransistor）」として機能し、メモリを保持すると同時に信号を処理することができます。グリッド全体をテストしたところ、96.9%のデバイスが完璧に動作しました。これは、現在のメモリ技術に求められる基準を大幅に上回る、極めて高い成功率です。デバイスはウェハー全体で一貫した挙動を示し、つまり、あるデバイスが隣のデバイスとほぼ全く同じように動作することを意味していました。この一貫性は非常に重要です。なぜなら、デバイス間の差異が大きすぎると、コンピュータは信頼性を持って学習したり記憶したりすることができないからです。また、研究者たちは、デバイスが異なる抵抗レベル間を非常にスムーズに切り替えられることも発見しました。これにより、実際の脳における接続強度の変化のように、幅広い値を保持することが可能になります。

チームは、学習を必要とするタスクを実行するようにこれらのデバイスをプログラムすることで、実際に活用しました。まず、彼らはこのアレイを、画像処理に使用される人工知能の一種である畳み込みニューラルネットワークとして使用しました。彼らは、建物の輪郭や顔のような画像の輪郭を検出できるフィルターとして機能するように、特定の抵抗パターンをデバイスにプログラムしました。画像をハードウェアに入力すると、デバイスは並列に処理を行い、その出力は標準的なコンピュータのソフトウェアプログラムが生成するものとほぼ同一でした。このハードウェアは、垂直線、水平線、およびエンボス加工された詳細などの特徴を高精度に抽出することができ、物理的なデバイスが従来のプロセッサを必要とせずに複雑な数学的操作を処理できることを証明しました。

次に、研究者たちは、ノイズの多い不完全なバージョンからでも完全な画像を想起できるメモリシステムの一種であるホップフィールド・ネットワークとして、このアレイの能力をテストしました。彼らはFashion-MNISTデータセットを使用して、Tシャツのような単純な画像をネットワークのメモリに保存しました。ノザイ（ランダムな静止画）で満たされた、元の画像の破損したバージョンをネットワークに提示した際、システムは元の鮮明な画像を正常に再構成しました。ノイズが非常に激しい場合でも、システムは高い精度で画像を復元することができました。この性能を他のタイプのメモリ技術で構築された同様のシステムと比較したところ、酸化スズデバイスは優れており、他の技術がぼやけたり失敗したりする場面でも明瞭さを維持しました。これは、この酸化スズデバイスの情報保存と検索の仕方が、極めて安定しており信頼できるものであることを示唆しています。

このプロジェクトの成功は、単純で低温の製造方法と、酸化スズという材料のユニークな特性の組み合わせにあります。液体金属印刷技術を用いることで、研究者たちは通常、デバイスの規模や品質を制限する高熱や複雑な化学プロセスを回避することができました。得られた人工シナプスは、均一で信頼性が高いだけでなく、人工知能に必要な重い処理を行うことも可能です。この研究は、既存のチップ工場と互換性のある材料を使用して、大規模な脳型コンピューティングシステムを構築できることを実証しています。この技術はまだ研究段階にありますが、このような高品質で大規模な人工シナプスのアレイを作成できる能力は、エネルギー効率の高い脳型コンピュータという夢を、現実へと大きく近づけています。