研究背景

随着人工智能(AI)技术逐渐渗透到各个应用领域，市场对计算能力的需求正在快速增长。由于冯诺依曼架构中存储与计算的物理分离，频繁的数据交互所带来的能效问题日益严峻，芯片行业迫切需要在底层计算架构层面进行创新。将内存计算作为人工智能创新的核心，避免了数据处理带来的“内存墙”和“功率墙”，显著提高了数据并行性和能效。随着新型人工视觉系统的快速发展，对新型视觉器件对外部环境信息的实时采集、高效处理和及时决策提出了新的要求。传统的人工视觉系统将传感器物理地分为存储单元和计算单元，从而在图像传感器节点的处理过程中产生非结构化和冗余数据。受人类视网膜的启发，一种神经形态视觉传感器可以感知光信号，存储信号，并对信息进行预处理，可以模仿人类视网膜的功能。集成感知-存储-计算的神经形态视觉传感器架构有助于避免冯诺依曼架构中数据处理的功耗瓶颈。这将提高整体效率，减少计算延迟以及冗余数据存储。

成果简介

近日，山西师范大学许小红教授，薛武红副教授，复旦大学周鹏教授和南方科技大学周菲迟副教授（共同通讯作者）等合作设计了基于全2D SnS₂/h-BN/CuInP₂S₆(CIPS)的铁电场效应晶体管(Fe-FET)，利用光致铁电极化反转实现了优异的存储性能和多功能感知-记忆-计算视觉模拟。该器件具有超过10⁵的高开/关电流比、>10⁴s的长保留时间、>350个周期的稳定循环寿命和128个多级电流状态（7位）。此外，本文还模拟了突触可塑性的基本特征，包括成对脉冲促进(PPF)、短时程可塑性(STP)、长时程可塑性(LTP)、长时程增强和长时程抑制。用于MNIST手写数字识别的铁电光电储备层计算系统达到了93.62%的高精度。此外，本文成功地模拟了视网膜样的光适应和巴甫洛夫条件反射。这些结果为开发具有感知-记忆-加工一体化的多级存储器和新型神经形态视觉系统提供了策略。文章以“Integrated In-Memory Sensor and Computing of Artificial Vision Based on Full-vdW Optoelectronic Ferroelectric Field-Effect Transistor”为题发表在著名期刊Advanced Science上。

图文导读

图5. SnS₂/h-BN/CIPS基Fe-FET的光电储备池计算实现手写体数字识别。

https://onlinelibrary.wiley.com/doi/10.1002/advs.202305679