基于3D铁电NAND架构的高效能贝叶斯神经网络硬件实现及其在医学图像分析中的应用

本研究针对传统确定性神经网络在不确定性量化方面的局限性，提出了一种基于3D铁电NAND（FeNAND）架构的贝叶斯神经网络（BNN）硬件实现方案。通过增量阶跃脉冲编程（ISPP）技术，研究人员成功实现了权重分布的高效调控，解决了硬件BNN中均值（μ）与标准差（σ）独立调谐的难题。实验表明，该系统在医学图像分类任务中展现出优异的噪声鲁棒性和能量效率，为人工智能在医疗诊断等关键领域的可靠应用提供了新范式。

　　

人工智能的快速发展正在重塑医疗诊断、自动驾驶等关键领域，但传统神经网络存在一个致命缺陷——它们像过度自信的学生，面对模糊问题时仍会给出确定性的错误答案。这种缺陷在医学影像分析中尤为突出，当X光片存在噪声或训练数据不足时，系统可能将肺炎误判为健康组织且毫无自知之明。贝叶斯神经网络（BNN）通过将权重表示为概率分布，为模型赋予了"自知之明"，能主动识别不确定性。然而硬件实现面临巨大挑战：如何在内存阵列中高效生成并调控成千上万个权重分布？

韩国科学技术院（KAIST）的研究团队在《Nature Communications》发表的突破性研究中，巧妙利用了3D铁电NAND（FeNAND）存储器的固有特性。这种基于HfZrO₂（HZO）的铁电存储器具有低操作电压（<5V）和快速切换（<10μs）的优势。研究人员发现，通过调整增量阶跃脉冲编程（ISPP）的电压步长（V_step），可以精确控制存储器单元电流的标准差（σ），而程序验证方法则可精准设定均值（μ）。这种创新方法无需修改现有3D NAND结构，就实现了权重分布的单步编程。

关键技术包括：1）利用24×12 HZO基FeNAND阵列的器件间变异特性生成高斯分布；2）通过ISPP方案调控V_step（0.05-0.20V）实现σ从7.64×10^-9到2.59×10^-8的线性调节；3）采用SPICE仿真验证3D架构下向量矩阵乘法的可行性；4）在16,932张胸部X光数据集上测试噪声鲁棒性。

设备特性
通过透射电镜证实FeNAND单元具有1.18nm SiO₂栅氧层和6.63nm HZO铁电层，极化强度超过50μC/cm²。图2g显示编程态（5.5V脉冲）和擦除态（-5V脉冲）的阈值电压偏移明确，10⁷次循环后仍保持稳定。

权重分布控制
图3c揭示当V_step从0.05V增至0.20V时，100个单元在10nA目标电流下的σ扩大3.4倍。通过联合调节V_end和V_step，实现了10-130nA的μ范围和7.64×10^-9-2.59×10^-8的σ范围（图3g）。

医学应用验证
在含噪声（σ/μ=0.1）的胸部X光分类中，BNN的AUC达0.92，显著高于传统ResNet的0.85（图5f）。图5h的校准曲线显示BNN的预测概率与实际正确率偏差仅±5%，而ResNet存在15%的过度自信。

这项研究首次将商用3D NAND架构成功应用于BNN硬件实现，其页级编程特性使权重分布生成速度提升50倍。与需要重复编程的忆阻器方案相比，FeNAND方案将能耗降低至1/8。该技术为医疗AI系统装上了"不确定性警报器"，当模型遇到可疑病灶时能主动示警，避免误诊。未来通过3D堆叠技术，该架构可扩展至更大规模神经网络，为自动驾驶等安全关键领域提供可靠解决方案。