Wafer-scale integration of atomically thin metal oxide in memtransistor arrays for artificial neural networks
本文报道了高质量、低温度液态金属打印 SnO 薄膜的晶圆级合成，旨在构建高度均匀且高良率的忆阻晶体管阵列，该阵列成功模拟了突触可塑性，并在基于硬件的神经网络中执行了稳健的图像处理与修复任务。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代计算机在处理数字运算方面速度极快，但在进行人类大脑可以毫不费力完成的那种学习和模式识别方面却显得力不从心。这是因为传统计算机将存储数据的内存与进行计算的处理器分离了。为了解决一个问题，机器必须不断地在两处之间来回传输信息，这个过程消耗了大量的能量并降低了速度。科学家们正试图构建一种模仿大脑架构的新型计算机，即让记忆和计算在同一处发生。在人类大脑中，这是通过突触实现的——突触是神经细胞之间微小的连接点，可以通过随时间增强或减弱来存储记忆。为了在硅片上重现这一点，研究人员正在开发人工突触——这是一种可以通过改变其电阻来模拟生物连接学习方式的电子器件。挑战在于如何大规模制造这些器件，同时保持完美的连贯性，并确保温度足够低，以兼容标准计算机芯片的制造生产线。
现在，一支研究团队通过在单个硅晶圆上制造出大规模的人工突触阵列，在解决这一制造难题方面迈出了重要一步。他们专注于一种特定的材料：一层仅有几个原子厚的超薄锡氧化物薄膜。虽然金属氧化物因其可以捕获电荷来存储信息而在这项工作中颇具前景，但要在大面积表面上实现均匀分布一直是个难题。以往的方法往往会导致薄膜出现孔洞、厚度不均或杂质，从而导致电子器件失效或行为不可预测。研究人员需要一种既能快速、洁净地生长这种材料，又不会使用会损坏芯片上已构建的精细电路的高温的方法。
为了实现这一目标，该团队开发了一种被称为“静电辅助液态金属打印”的技术。他们从一池熔融锡开始，锡在相对较低的温度下呈液态。当锡暴露在空气中时，其表面会自然形成一层原子级的薄锡氧化物皮层。研究人员随后轻轻擦拭这个液态表面以去除任何陈旧、脏污的氧化层，从而露出新鲜、洁净的皮层。接着，他们小心翼翼地将这个新鲜的表面接触到一个两英寸大的大型硅晶圆。由于材料之间的电学作用力，这层薄薄的氧化皮从液态锡上剥离并粘附到硅晶圆上，留下了一层完美且均匀的薄膜。整个过程发生在225摄氏度的温度下，这个温度足以兼容标准芯片制造的后端步骤。其结果是在整个晶圆上覆盖了一层纯净、连续的锡氧化物薄片，没有任何皱褶或间隙。
凭借这样高质量的薄膜，研究人员构建了一个由1,024个独立电子器件组成的网格，排列成32乘32的正方形。每个器件都是一个忆阻器（memtransistor），这是一种既能存储记忆又能处理信号的组件。当他们测试整个网格时，发现其中96.9%的器件都能完美工作。这是一个极高的成功率，远超当前存储技术所要求的标准。这些器件在整个晶圆上表现出一致的行为，这意味着一个器件的表现几乎与它的邻居完全相同。这种均匀性至关重要，因为如果器件差异过大，计算机就无法可靠地学习或记忆事物。研究人员还发现，这些器件可以在不同的电阻水平之间非常平滑地切换，从而能够存储广泛的数值，就像真实大脑中连接强度的变化一样。
随后，研究人员通过编程让这些器件执行需要学习的任务，来测试它们的功能。首先，他们利用该阵列作为一个卷积神经网络，这是一种用于图像处理的人工智能类型。他们用特定的电阻模式对器件进行编程，使其作为能够检测图像边缘（如建筑物或人脸轮廓）的滤波器。当他们将图像输入硬件时，器件进行并行处理，输出结果与标准计算机软件程序产生的结果几乎完全一致。硬件能够高精度地提取诸如垂直线、水平线和浮雕细节等特征，证明了这些物理器件可以在不需要传统处理器的情况下处理复杂的数学运算。
接下来，研究人员测试了该阵列作为霍普菲尔德网络（Hopfield network）的能力，这是一种即使在给定噪声或不完整版本时也能回忆起完整图像的记忆系统。他们使用Fashion-MNIST数据集，将几张简单的图像（如T恤）存储到网络的记忆中。当他们向网络展示带有大量随机噪声的损坏图像时，系统成功重建了原始清晰的图像。即使噪声非常严重，系统仍能高精度地恢复图像。当他们将此性能与使用其他类型存储技术的类似系统进行比较时，锡氧化物器件表现更为优异，在其他技术变得模糊或失效时，它仍能保持清晰。这表明，这些锡氧化物器件存储和检索信息的方式具有极高的稳定性和可靠性。
该项目的成功在于简单的低温制造方法与锡氧化物材料独特属性的结合。通过使用液态金属打印技术，研究人员避免了通常限制此类器件尺寸和质量的高温及复杂化学工艺。由此产生的人工突触不仅均匀可靠，而且能够承担人工智能所需的繁重计算任务。这项工作证明，利用与现有芯片工厂兼容的材料，构建大规模类脑计算系统是可能的。尽管这项技术仍处于研究阶段，但能够创造出如此高质量、大规模的人工突触阵列，使实现高能效、类脑计算机的梦想离现实更近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。