在恶劣的TID-HCI环境中，具有动态错误恢复功能的抗辐射SOI LIF脉冲神经网络

《IEEE Transactions on Electron Devices》：Radiation-Resilient SOI LIF Spiking Neural Networks With Dynamic Error Recovery in Harsh TID-HCI Environment

　　

摘要：

神经形态计算能够降低传统计算所需的功耗和推理延迟。迄今为止，该领域的研究主要集中在开发新型仿生架构、加速器和计算-内存拓扑结构上，以提高分类的鲁棒性，特别是对于功耗受限的物联网（IoT）边缘应用。然而，边缘IoT设备在恶劣且不可预测的环境中运行，这引发了人们对脉冲神经网络（SNN）中人工神经元可靠性的担忧，以及随之而来的分类精度下降问题。本文旨在通过量化基于SOI MOSFET的漏电集成-触发（LIF）神经元及其在极端环境应用中的性能来填补这一空白，例如在低地球轨道（LEO）卫星上运行的设备，这些设备处于易受辐射的环境中，并会经历极端的温度变化，导致热载流子应力（HCS）。令人惊讶的是，我们发现热载流子注入（HCI）和辐射损伤的综合作用可以相互抵消，最终提高了边缘神经形态分类器的生存能力。最后，我们解释了这一违反直觉的结果的物理起源，这对在边缘IoT应用中使用SNN具有重要意义。

I. 引言

随着传统计算方法逐渐达到其极限[1],[2]，半导体行业正在寻求新技术来支持各种新兴应用的持续性能提升。机器智能中对计算能力和内存容量的日益增长的需求对传统的冯·诺伊曼架构[3],[4]提出了挑战，因为这种架构需要无法持续的支持。许多现代系统，如物联网（IoT）和边缘设备[5]，都受到能源的限制。这种情况推动了新的低功耗计算范式的出现，这些范式强调广泛的并行性和分布式计算，其灵感来源于生物神经动力学和神经形态信息处理[6]。“神经形态计算”这一术语最早由Carver Mead在20世纪80年代末提出，最初的实现结合了数字和模拟组件[7],[8]。随着神经形态计算研究的深入，该领域逐渐发展出能够复制人脑生物特性的新型设备。它使用脉冲神经网络（SNN）通过人工神经元中的动作电位或脉冲来处理信息。由于这些网络在产生输出之前不需要处理所有输入，因此它们可以比传统的数字网络更快地处理信息。这些进展旨在实现能源和计算效率，以解决与机器智能相关的复杂现实世界问题[6],[7],[9]。