基于铁电AND型阵列与随机突触权重的硬件原位片上学习(Hardware-Based On-Chip Learning Using a Ferroelectric AND-Type Array With Random Synaptic Weights)

《Advanced Intelligent Systems》:Hardware-Based On-Chip Learning Using a Ferroelectric AND-Type Array With Random Synaptic Weights

【字体: 大 中 小 】 时间:2026年04月08日 来源:Advanced Intelligent Systems 6.1

编辑推荐:

  摘要:机器学习模型复杂度的增长导致参数量急剧增加,大规模计算过程中功耗显著上升。神经形态计算(Neuromorphic Computing)通过矢量—矩阵乘法(Vector-Matrix Multiplication, VMM)减少数据搬移,实现高效存内处理。

  
摘要:机器学习模型复杂度的增长导致参数量急剧增加,大规模计算过程中功耗显著上升。神经形态计算(Neuromorphic Computing)通过矢量—矩阵乘法(Vector-Matrix Multiplication, VMM)减少数据搬移,实现高效存内处理。本研究提出一种新型铁电AND型(Ferroelectric AND-type, FeAND)阵列片上学习方案,采用分离的前向与反向传播突触串阵列。研究人员制备了HZO(Hf0.67Zr0.33O2)基FeAND阵列,并在实验中演示了选择性编程、多级电导调谐及面向神经形态应用的矢量—矩阵乘法功能。为实现高效片上学习,采用反馈对齐(Feedback Alignment)算法,免去权值转置操作,显著降低外围电路复杂度与能耗。最后,通过反映器件特性的硬件感知(hardware-aware)片上学习仿真验证了所提方法的竞争力。
论文解读:《基于铁电AND型阵列与随机突触权重的硬件原位片上学习》
该论文发表于《Advanced Intelligent Systems》,针对大规模机器学习模型参数量激增带来的高功耗问题,以及传统冯·诺依曼架构中数据搬运瓶颈,引入神经形态计算(Neuromorphic Computing)——即利用存内计算方式通过矢量—矩阵乘法(Vector-Matrix Multiplication, VMM)并行处理模拟生物突触权重更新——来降低能耗。目前基于铁电场效应晶体管(Ferroelectric Field-Effect Transistor, FeFET)的突触器件因低工作电压、CMOS兼容性及快速开关特性被视为理想候选,但AND型(AND-type)阵列受限于其串架构无法像NOR型阵列那样在同一阵列内双向完成前向与反向VMM,若采用标准反向传播需实时更新转置权重矩阵,导致读—校验—写(Read-Verify-Write, RVW)方案带来巨大时间与能量开销。为此,研究人员提出采用分离的前向/反向突触阵列并结合反馈对齐(Feedback Alignment)算法使用固定随机权值进行误差反向传播,规避权值转置,在实验制备HZO基FeAND阵列基础上验证其功能与学习效果。研究表明该FeAND阵列可实现选择性编程、32级电导态及线性VMM求和,结合反馈对齐与符号量(sign-only)单脉冲权值更新,在MNIST数据集上达96.65%识别率,且对器件变异与耐久性退化具更强鲁棒性,证明FeAND阵列可作为高能效可扩展突触器件用于存内学习神经形态系统。
主要关键技术方法:
研究人员制备24×12 HZO(Hf0.67Zr0.33O2)基金属—铁电—绝缘体—半导体(Metal-Ferroelectric-Insulator-Semiconductor, MFIS)结构FeAND阵列(栅长1 μm,有源区宽3 μm,SiO21.1 nm / HZO 5.4 nm / TiN 100 nm),通过半导体参数分析仪进行PUND(Positive Up Negative Down)铁电测试、ID–VG转移曲线、程序/擦除脉冲特性、保持与耐久测试;在阵列级验证选择性编程/擦除偏置(含抑制电压Vinhibit)、逐单元与同步多位VMM电流求和、采用递增阶跃脉冲编程(Incremental Step Pulse Programming, ISPP)实现多级电导调制并评估电导线性度;采用反馈对齐算法搭配固定随机反向权值矩阵、符号函数sgn(ΔW)单脉冲更新前向权重,基于提取器件参数做硬件感知MNIST(784?200?10全连接网络)训练仿真,对比片上与片外(off-chip)训练下器件变异系数(σG/μG)及耐久性引起的电导变化对推理精度影响。
研究结果:
2.1 Device Fabrication of HZO-Based FeAND Array
研究人员在100 nm SOI衬底上经有源区定义、热ALD依次沉积1.1 nm SiO2与5.4 nm HZO(Hf:Zr前驱体比2:1,330℃),溅射100 nm TiN栅极并干法刻蚀(LG=1 μm),源漏注入P+(1×1015cm?2)后650℃ RTA 30 s使HZO结晶为正交铁电相,后端形成接触与金属化。SEM确认24×12阵列位线(Bit Line, BL)/字线(Word Line, WL)排布,TEM证实TiN/HZO/SiO2/Si堆叠完好。
2.2 Memory Characteristics of FeFET Device
P–V(极化—电压)迟滞测得2Pr>50 μC/cm2,表明强铁电极化翻转。程序(+5 V, 1 μs)/擦除(?5 V, 2 μs)阈值电压漂移ΔVth>1 V,开/关电流比>104(Vread=0.5 V)。30颗器件ID–VG曲线显示编程降Vth、擦除升Vth。室温保持>105s无明显Vth漂移,耐久测试反复±5 V脉冲证实可耐受多次编程/擦除循环,满足突触器件可靠性要求。
2.3 Electrical Characteristics of FeAND Array
原始阵列关态电流为pA级,开/关比>105。施加选通WL=+5 V(编程)或BL/SL=+5 V(擦除),配合未选中单元BL/SL加Vinhibit=2.5 V(编程)或WL加Vinhibit=2.7 V(擦除),实现仅目标单元状态翻转且无扰动。80颗单元编程态平均I≈3.06×10?7A、擦除态≈4.88×10?10A,分布明显分开。九单元独立电流和与同步读SL总电流偏差≈1%,SL电流随编程单元数线性增长,验证VMM电流求和功能。ISPP(步长0.1/0.2 V)使Vth逐步降低实现多级编程,负向阶跃脉冲使Vth上升实现多级擦除;32次递增擦除脉冲获32离散电导态,差分对(G+?G?)等效6 bit突触分辨率;Vread由0.6 V升至1.4 V时电导—脉冲响应线性度改善(高Vread下拉入线性区),低温至85℃线性度趋势一致。
2.4 On-Chip Learning Algorithm and Operation Method
标准反向传播需WT,AND型阵列无法同阵列双向VMM且分离阵列需RVW更新转置权值致高开销。研究人员采用反馈对齐——反向传播固定随机矩阵R不随训练改变,前向阵列更新权重而反向阵列锁存随机权值,省去RVW。权值更新仅依据sgn(ΔW):sgn(ΔW)>0则减G?增有效权,sgn(ΔW)<0则减G+降权,每迭代单程序或擦除脉冲。硬件感知仿真(784?200?10 MLP,MNIST,硬Sigmoid激活,反映实测非线性与32态电导)显示VWL=1.4 V时推理精度96.65%(理想线性电导96.83%,全梯度更新98.35%)。单FeAND细胞推理功耗35 nW(Iavg≈350 nA×VD=0.1 V)。器件变异σG/μG由0增至1时,片上学习精度仅降0.5%,片外学习降38.2%;耐久性引起电导变化同等范围时片上学习降0.75%、片外降≈58%,表明片上学习能在线补偿非理想性。
总结与结论(翻译):
本工作中,研究人员演示了一种利用FeAND阵列实现片上学习的新方案,以提升机器学习系统能效并降低外围电路复杂度。通过制备24×12 HZO基FeAND阵列,研究人员实验验证了器件电学特性及选择性编程、多级电导调制和VMM等神经形态基本功能。借助反馈对齐算法,反向传播中复杂的权值转置操作被固定随机突触权值替代,高效完成权值更新。此外,研究人员分析了偏置条件对电导调制线性度的影响及其对整体片上学习性能的作用。最后,纳入器件变异的硬件感知仿真对比显示,所提片上方案对器件非理想性具强鲁棒性,而片外方案则高度敏感。综上,结果证实了FeAND阵列作为神经形态计算中高能效、可扩展突触器件用于存内学习的潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号