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

Moderne computers zijn ongelooflijk snel in het verwerken van getallen, maar ze hebben moeite met het soort leren en patroonherkenning dat menselijke hersenen moeiteloos doen. Dit komt omdat traditionele computers hun geheugen, waar gegevens worden opgeslagen, scheiden van hun processors, waar berekeningen plaatsvinden. Om een probleem op te lossen, moet de machine informatie constant heen en weer pendelen tussen deze twee plaatsen, een proces dat enorme hoeveelheden energie verbruikt en alles vertraagt. Wetenschappers proberen een nieuw soort computer te bouwen die de architectuur van de hersenen nabootst, waarbij geheugen en berekening op dezelfde plek plaatsvinden. In de menselijke hersenen gebeurt dit door synapsen, de minuscule verbindingen tussen zenuwcellen die in de loop van de tijd sterker of zwakker kunnen worden om herinneringen op te slaan. Om dit in silicium na te bootsen, ontwikkelen onderzoekers kunstmatige synapsen — elektronische apparaten die hun elektrische weerstand kunnen veranderen om te imiteren hoe biologische verbindingen leren. De uitdaging is geweest om deze apparaten in grote aantallen te maken, met perfecte consistentie, en op een lage genoeg temperatuur om compatibel te zijn met de productielijnen die worden gebruikt voor standaard computerchips.

Een team van onderzoekers heeft nu een belangrijke stap gezet naar het oplossen van dit fabricagepuzzel door een massale array van deze kunstmatige synapsen op een enkele siliciumwafer te creëren. Ze richtten zich op een specifiek materiaal: een ultradunne film van tinoxide, een metaaloxide van slechts enkele atomen dik. Hoewel metaaloxiden veelbelovend zijn voor dit werk omdat ze elektrische ladingen kunnen vangen om informatie op te slaan, is het moeilijk geweest om ze uniform over een groot oppervlak te maken. Eerdere methoden resulteerden vaak in films met gaatjes, ongelijkmatige dikte of onzuiverheden die ervoor zorgden dat de elektronische apparaten faalden of onvoorspelbaar gedrag vertoonden. De onderzoekers hadden een manier nodig om dit materiaal snel en schoon te laten groeien zonder de extreme hitte te gebruiken die de delicate circuits die al op de chip zijn gebouwd, zou beschadigen.

Om dit te bereiken, ontwikkelde het team een techniek die ze elektrostatisch ondersteunde vloeibaar metaalprinten noemen. Ze begonnen met een plas gesmolten tin, een metaal dat bij relatief lage temperaturen vloeibaar is. Terwijl het tin in de lucht zat, vormde zich een natuurlijke, atomair dunne huid van tinoxide op het oppervlak. De onderzoekers veegden dit vloeibare oppervlak vervolgens voorzichtig schoon om de oude, vuile oxidelaag te verwijderen, waardoor een verse, schone huid werd blootgesteld. Ze raakten dit verse oppervlak voorzichtig aan een grote, twee inch brede siliciumwafer. Vanwege de elektrische krachten tussen de materialen liet de dunne oxidehuid de vloeibare tin los en bleef deze aan de siliciumwafer plakken, waardoor een perfecte, uniforme film achterbleef. Dit hele proces vond plaats op een temperatuur van 225 graden Celsius, wat koel genoeg is om compatibel te zijn met de achteraf-stappen van de standaard chipfabricage. Het resultaat was een zuivere, continue laag tinoxide die de hele wafer bedekte, vrij van rimpels of gaten.

Met deze hoogwaardige film in handen bouwden de onderzoekers een raster van 1.024 individuele elektronische apparaten, gerangschikt in een vierkant van 32 bij 32. Elk apparaat fungeert als een memtransistor, een component die zowel een geheugen kan opslaan als een signaal kan verwerken. Wanneer ze de hele grid testten, ontdekten ze dat 96,9% van de apparaten perfect functioneerde. Dit is een opmerkelijk hoog succespercentage, dat de standaarden die vereist zijn voor huidige geheugentechnologieën ruim overtreft. De apparaten vertoonden consistent gedrag over de hele wafer, wat betekent dat één apparaat bijna exact hetzelfde presteerde als zijn buurman. Deze uniformiteit is cruciaal, want als de apparaten te veel variëren, kan de computer niet betrouwbaar leren of dingen onthouden. De onderzoekers ontdekten ook dat de apparaten heel soepel tussen verschillende niveaus van weerstand konden schakelen, waardoor ze een breed scala aan waarden konden opslaan, vergelijkbaar met de variërende sterkte van verbindingen in een echt brein.

Het team zette deze apparaten vervolgens aan het werk door ze te programmeren voor taken die leren vereisen. Eerst gebruikten ze de array om te fungeren als een convolutioneel neuraal netwerk, een type kunstmatige intelligentie dat wordt gebruikt voor beeldverwerking. Ze programmeerden de apparaten met specifieke weerstandspatronen om te fungeren als filters die randen in een afbeelding konden detecteren, zoals de omtrek van een gebouw of een gezicht. Wanneer ze een afbeelding in de hardware voedden, verwerkten de apparaten deze parallel, en de output was bijna identiek aan wat een standaard computerprogramma zou produceren. De hardware was in staat om kenmerken zoals verticale lijnen, horizontale lijnen en reliëfdetails met hoge precisie te extraheren, wat bewees dat de fysieke apparaten complexe wiskundige operaties konden afhandelen zonder een traditionele processor nodig te hebben.

Vervolgens testten de onderzoekers het vermogen van de array om te fungeren als een Hopfield-netwerk, een type geheugensysteem dat een volledige afbeelding kan herinneren, zelfs als er een ruizige of onvolledige versie van wordt gegeven. Ze sloegen verschillende eenvoudige afbeeldingen, zoals een T-shirt, op in het geheugen van het netwerk met behulp van de Fashion-MNIST-dataset. Wanneer ze het netwerk een gecorrumpeerde versie van deze afbeeldingen presenteerden, gevuld met willekeurige ruis, reconstrueerde het systeem de oorspronkelijke, heldere afbeeldingen succesvol. Zelfs wanneer de ruis zeer zwaar was, kon het systeem de afbeelding met hoge nauwkeurigheid herstellen. Wanneer ze deze prestatie vergeleken met vergelijkbare systemen gebouwd met andere soorten geheugentechnologie, waren de tinoxide-apparaten superieur; zij behielden de helderheid waar anderen wazig werden of faalden. Dit suggereert dat de specifieke manier waarop deze tinoxide-apparaten informatie opslaan en ophalen uitzonderlijk stabiel en betrouwbaar is.

Het succes van dit project ligt in de combinatie van een eenvoudige, laagtemperatuur fabricagemethode en de unieke eigenschappen van het tinoxide-materiaal. Door de techniek van vloeibaar metaalprinten te gebruiken, vermeden de onderzoekers de hoge hitte en complexe chemische processen die gewoonlijk de grootte en kwaliteit van deze apparaten beperken. De resulterende kunstmatige synapsen zijn niet alleen uniform en betrouwbaar, maar ook in staat om het zware werk te verrichten dat vereist is voor kunstmatige intelligentie. Dit werk demonstreert dat het mogelijk is om grootschalige, breinachtige computersystemen te bouwen met materialen die compatibel zijn met bestaande chipfabrieken. Hoewel de technologie zich nog in de onderzoeksfase bevindt, brengt het vermogen om dergelijke hoogwaardige, grote arrays van kunstmatige synapsen te creëren de droom van energiezuinige, brein-geïnspireerde computers aanzienlijk dichter bij de realiteit.