程序脉冲工程化MoS2–Hf1-xZrxO2 FeFET突触实现噪声鲁棒量化模拟推理硬件

《Advanced Science》：Quantized Analog Inference Hardware Enabled by MoS2–Hf1-xZrxO2 FeFET Synapses

　　

模拟存内计算（analog in-memory computing, IMC）可通过在存内交叉阵列中直接执行矢量–矩阵乘法（vector–matrix multiplication, VMM）加速边缘人工智能（edge-AI）推理，但实际模拟部署受有限权重分辨率和随机编程约束。在此，研究人员展示了程序脉冲工程化的MoS₂–Hf_1-xZr_xO₂（HZO）铁电场效应晶体管（ferroelectric field-effect transistor, FeFET）突触，以及面向噪声鲁棒模拟推理的硬件一致量化机器学习（quantized machine-learning, QML）工作流程。该器件将代表先进逻辑路线图中终极体厚度缩放的原子级薄单层MoS₂沟道与CMOS（complementary metal-oxide-semiconductor）兼容HZO铁电栅堆叠集成。在近矫顽场区工作，成串相同增强/抑制（potentiation/depression, P/D）脉冲产生约100个状态的渐进且可逆多级电导更新，实现无需逐器件程序–验证（program-and-verify）的阵列现实编程。系统脉冲工程提供调节更新粒度和动态范围的自由度，并通过非对称抑制条件实现可用电导窗口的偏移控制。关键地，研究人员利用状态依赖的ΔG统计量化循环间写入变异性，并将测得量化电平和噪声直接纳入训练与评估。以MNIST（手写数字数据库）为基准，噪声感知量化感知训练（quantization-aware training, QAT）在量化电平和噪声缩放范围内优于训练后量化（post-training quantization, PTQ），在低精度和升高噪声下维持高达约97%的测试准确率。这些结果将测得的编程物理与鲁棒量化模拟推理联系起来，并为可扩展FeFET基突触硬件建立实用的器件–算法协同设计原则。

人工神经网络（artificial neural network, ANN）依赖大量可调权重，将权重直接映射到存储器可加速推理中占主导的矢量–矩阵乘法（VMM）。模拟存内计算（IMC）通过向交叉阵列字线施加输入电压矢量并在位线求和电流，以单一物理步骤实现VMM；但可部署的模拟IMC必须面对有限权重分辨率和随机权重更新两个不可分割的硬件现实，因为电导态是离散的且编程有噪声。因此，器件行为到系统准确率的桥接不仅需要可编程突触器件，还需要忠实于阵列实际写入和读取方式的建模与训练策略。铁电场效应晶体管（FeFET）因具有电压控制、非易失、三端且读写分离的电导调制而具吸引力；CMOS兼容的HfO₂基铁电体如Hf_1-xZr_xO₂（HZO）可通过工程化脉冲幅度和持续时间产生部分极化开关中间态。然而关键缩放问题不是中间态是否存在，而是能否用相同脉冲在许多突触上可预测地达到这些态；自适应或增量脉冲方案可改善单器件线性，但通常需要程序–验证反馈和逐突触状态跟踪，在交叉阵列规模下成本高且慢。写入噪声进一步复杂化阵列级部署：即使使用相同脉冲，逐脉冲电导变化仍可循环间波动，造成权重不确定性；若将噪声平均掉，可能高估推理性能。从机器学习角度看，有限电导态自然映射到量化神经网络，量化机器学习（QML）为模拟突触提供原则性语言，但前提是量化电平和噪声统计源自实测器件行为；训练后量化（PTQ）是便利基线，量化感知训练（QAT）则通过在部署时相同离散和噪声约束下优化模型提供鲁棒性路径。为此，研究人员提出基于单层MoS₂–HZO FeFET的程序脉冲工程化突触平台，直接面向相同脉冲可编程性和硬件一致推理；其中单层MoS₂作为终极缩放沟道，超薄体可在厚度极限下实现最强静电栅控，HZO的CMOS兼容性利于与缩放晶体管技术集成。该论文发表于《Advanced Science》。研究将器件编程物理与噪声鲁棒量化推理连接起来，建立可扩展FeFET基突触硬件的器件–算法协同设计原则，对能效边缘AI和神经形态计算具有重要意义。

关键技术方法方面，研究人员制备底栅单层MoS₂–HZO FeFET：以TiN为底栅，热原子层沉积（atomic layer deposition, ALD）10 nm HZO，转移化学气相沉积（chemical vapor deposition, CVD）单层MoS₂并形成In/Au源漏；用Raman和掠入射X射线衍射（grazing-incidence X-ray diffraction, GIXRD）表征材料，用极化–电压（P–V）测HZO铁电性；在真空室温探针台测漏电流–栅压（I_d–V_g）及脉冲编程，在近矫顽区施加相同P/D脉冲并以窄栅压窗口读取电导；以状态依赖ΔG统计和累积分布函数（cumulative distribution function, CDF）量化写入噪声；将实测P/D轨迹与噪声纳入MNIST交叉阵列仿真，并比较PTQ与QAT（35个随机种子）。本研究不涉及临床样本队列。

研究结果方面，2.1 Analog Crossbar Inference and Quantized Synapses：研究人员建立将MNIST全连接网络映射到FeFET交叉阵列的概念框架，每个器件电导对应突触权重，推理时通过位线电流求和实现VMM；比较相同脉冲与增量脉冲方案后，采用符合阵列并行操作的相同脉冲模式，并明确保留循环间电导波动而非平均；指出有限电导态需用量化机器学习处理，PTQ和QAT用于获得匹配硬件约束的模型。由此得出结论：相同脉冲操作是阵列兼容路径，硬件一致量化建模是连接器件与推理的必要环节。2.2 Device Structure and Ferroelectric Memory Properties：通过器件制备、GIXRD、Raman、P–V和I_d–V_g测量，确认HZO正交相关极性相和单层MoS₂沟道；P–V显示清晰铁电滞回，矫顽电压约+2.5 V和?1.7 V；FeFET呈逆时针铁电滞回，存储窗口起始与电容器矫顽电压对应，ON/OFF比约10⁵–10⁶；多电导态在V_g=0下保持至少2×10⁴ s。结论是器件具备稳健非易失多态存储基础。2.3 Near-Coercive Synaptic Operation and Device-Informed Crossbar Accuracy：在近矫顽区施加相同增强（+3.0 V）和抑制（?1.8 V）脉冲，并在窄栅压窗口测量I_d–V_g以跟踪脉冲诱导电导变化；P/D轨迹平滑且近均匀，不同脉冲数100–400呈自相似缩放并增加可及中间态，#200条件在5000脉冲循环中稳定；器件知情交叉阵列仿真中，理想数字参考约94%，#200器件模型约91%，#300/#400相近；抑制写入噪声会显著提高模拟准确率。结论是相同脉冲可实现多级突触行为且写入噪声不可忽略。2.4 Pulse-Engineered Modulation Of Weight Dynamic Range And Resolution：通过系统改变脉冲幅度和宽度研究P/D曲线，发现同时增强P/D会扩大动态范围但在固定脉冲数下使电导粒度变粗；仅调增强强度主要设定P/D环跨度和电平密度；仅调抑制强度主要垂直移动可用电导窗口而不显著改变动态范围；ΔG可由有效编程刺激调节。结论是脉冲工程提供无需改变器件结构即可调节动态范围、有效权重分辨率和窗口偏移的设计自由度。2.5 Quantized Neural-Network Modeling: PTQ vs QAT With Device-Derived Noise：在784–128–64–10全连接MNIST网络中纳入实测电导统计，比较PTQ与噪声感知QAT；无噪声100级时QAT接近Float32理想准确率（约97%–98%），PTQ较低且波动；1×实测噪声下QAT保持接近无噪声，PTQ明显退化；5×和10×噪声下PTQ快速下降而QAT较稳健，仅30×极端噪声下两者均严重损失；5–100级范围内QAT对级数和≤5×噪声弱依赖，即使5级仍接近高精度，PTQ随级数降低和噪声增加系统性下降；权重直方图显示在10级和5×噪声下PTQ与QAT分布相似但QAT准确率高数个百分点。结论是噪声感知QAT对充分利用量化、有噪声模拟突触至关重要。

讨论部分总结：研究人员强调写入噪声是模拟推理的关键约束，若平均化会过度乐观估计准确率，显式保留实测逐脉冲波动才能获得硬件一致评估；在器件派生量化和写入噪声条件下，QAT在低精度与噪声区域比PTQ更一致地保持准确率，形成“硬件一致、噪声感知训练”的协同设计原则。研究结论部分翻译如下：总之，研究人员实现了一种单层MoS₂–HZO FeFET作为可重构突触晶体管，在相同编程脉冲下支持渐进、多级增强和抑制。通过将超薄体MoS₂沟道与CMOS兼容HZO铁电栅堆叠配对，该器件为非易失、电压可编程电导调制提供了与缩放相关的平台。通过系统程序脉冲工程，研究人员证明可在不改变器件结构的情况下调节突触P/D特性：相同电压脉冲产生渐进电导更新，调节脉冲幅度和宽度可调制更新步长、动态范围以及权重轨迹的有效线性。相同脉冲操作下可辨别电导态数量多，表明一种简单、阵列兼容的途径，可在交叉阵列规模神经形态硬件中实现多级权重存储。在系统层面，研究人员将实验测得器件行为——包括有限电导态和循环间写入变异性——集成到神经网络推理模型，以获得硬件一致性能估计。这种器件知情方法表明写入噪声是关键约束：若将其平均掉，准确率可能被高估；显式保留则可现实评估推理鲁棒性。在量化机器学习框架内，研究人员进一步在器件派生量化和写入噪声条件下比较PTQ与噪声感知QAT。QAT在低精度和噪声区域比PTQ更一致地保持准确率，建立实用协同设计原则：在本质量化、有噪声模拟突触上实现鲁棒推理需要硬件一致、噪声感知训练。总之，这些结果连接脉冲级铁电编程物理与噪声鲁棒量化推理，突出单层MoS₂–HZO FeFET突触是通向能效、可扩展边缘AI和神经形态计算系统的有前景路径。