Einfluss der Eigenschaften von Programmiersignalen auf Gewicht‑Update‑Charakteristika von Ladungsfang‑IGZO‑synaptischen Transistoren

Intelligentere KI‑Hardware, inspiriert vom Gehirn

Künstliche Intelligenz läuft heute meist auf energiehungrigen digitalen Chips. Diese Studie untersucht einen anderen Weg: spezielle elektronische Bauelemente, die eher wie biologische Synapsen funktionieren und Lernen direkt in Hardware speichern können. Die Forschenden zeigen, wie eine präzise Gestaltung der zeitlichen Form von Spannungspulsen diese winzigen Bauteile langlebiger erinnern lässt und dabei sehr wenig Energie verbraucht — ein Schritt zu effizienterer KI in Smartphones, Sensoren und Edge‑Geräten.

Kleine Schalter, die wie Synapsen lernen

Im Zentrum der Arbeit stehen Dünnfilmtransistoren aus amorphem Indium‑Gallium‑Zink‑Oxid (IGZO), einem transparenten Halbleiter, der bereits in Displaytechnologien eingesetzt wird. In diesen Bauteilen enthält eine bei niedriger Temperatur abgeschiedene Siliziumoxid‑Schicht unter dem Kanal viele Defekte, die zeitweise Elektronen einfangen und wieder freigeben können. Jeder Transistor verhält sich wie eine Synapse, deren Stärke davon abhängt, wie viele Elektronen in diesen Fallen sitzen — ähnlich wie biologische Synapsen sich verstärken oder abschwächen, wenn Signale zwischen Neuronen fließen. Durch das Anlegen einer Abfolge elektrischer Pulse an das Gate kann das Team den fließenden Strom schrittweise verringern oder erhöhen und damit das Verhalten synaptischer Gewichtsanpassungen nachahmen.

Wie die Impulszeit elektronisches Gedächtnis formt

Eine zentrale Frage ist, wie die Dauer einzelner Programmiersignale dieses elektronische Gedächtnis beeinflusst. Die Autorinnen und Autoren vergleichen drei Impulsdauern von 1,5, 3 bzw. 6 Sekunden bei gleichzeitig strenger Kontrolle anderer Parameter wie Impulsspannung, Gesamttrainingszeit und Tastverhältnis. Kurze Pulse transportieren weniger Energie, sodass weniger Elektronen in tieferen Fallen landen, während sehr lange Pulse während der Lesephasen mehr Zeit für Relaxation oder Erholung des Bauteils lassen. Wenn alle drei Impulsschemata dieselbe gesamte Ein‑ und Ausschaltzeit erhalten, liefert der mittlere Fall von 3 Sekunden die größte Spannweite zwischen dem schwächsten und stärksten synaptischen Zustand — das heißt, er bietet den größten nutzbaren Bereich zur Speicherung gelernter Gewichte.

Wahres Lernen von einfacher Relaxation trennen

Da der Transistor während der Auslese natürlicherweise zum Ausgangszustand zurückdriftet, führen die Forschenden eine zweite Versuchsreihe durch, um diese Erholung vom tatsächlichen Lernen zu unterscheiden. Diesmal fixieren sie die Anzahl der Pulse und die Erholungszeit zwischen ihnen und passen das Tastverhältnis so an, dass längere Pulse immer noch unter denselben Lesebedingungen stehen. Bei diesem faireren Vergleich gilt: Je länger der Impuls, desto mehr Elektronen werden im Oxid gefangen und desto tiefer bewegt sich das Bauteil in seinen Speicherzustand. Das Ergebnis ist ein stetig wachsendes dynamisches Verhältnis — ein Maß dafür, wie weit die Leitfähigkeit des Bauteils einstellbar ist — wobei die 6‑Sekunden‑Pulse den breitesten und am besten kontrollierbaren Gewichtsbereich liefern.

Von Einzelbauteilen zur Erkennung handgeschriebener Ziffern

Um die praktischen Folgen dieser Ergebnisse zu prüfen, speisen die Forschenden das gemessene Bauteilverhalten in einen Simulator für analoge KI‑Beschleuniger ein. Sie modellieren ein künstliches neuronales Netz zur Erkennung handgeschriebener Ziffern aus dem MNIST‑Datensatz und verschalten viele dieser synaptischen Transistoren zu einer virtuellen Kreuzleisten‑Matrix. Da die Bauteile im Subthreshold‑Bereich bei sehr niedrigen Strömen betrieben werden, können Rauschen und Erholungseffekte die gespeicherten Gewichte verwischen. Dennoch erreicht das Netz Erkennungsraten von etwa 80, 87 bzw. 90 Prozent für Impulsdauern von 1,5, 3 und 6 Sekunden. Diese enge Korrelation zwischen nutzbarem Gewichtsbereich und Erkennungsgenauigkeit zeigt, dass bessere Kontrolle des Ladungsfangs die Lernqualität direkt verbessert.

Warum die Impulsgestaltung für zukünftige energiearme KI zählt

Einfach gesagt zeigt die Studie, dass diese Oxidtransistoren Informationen darüber speichern, wie lange und wie stark sie gepulst werden — ähnlich wie sich eine Gehirnsynapse durch wiederholte Aktivität verändert. Sehr kurze Pulse treiben nicht genügend Ladung in tiefe Speicherzustände, während sehr lange Pulse gegen die Vergessensdynamik während der Auslese abgewogen werden müssen. Durch das Abstimmen sowohl der Impulsdauer als auch der Ruhezeit zwischen Pulsen können Ingenieurinnen und Ingenieure den Speicherbereich vergrößern und die Mustererkennung verbessern, ohne die Betriebsspannung zu erhöhen. Diese Erkenntnis weist auf vom Gehirn inspirierte Hardware hin, die KI‑Aufgaben effizient ausführen kann, indem sie Wissen direkt in großen Netzen aus synaptischen Transistoren speichert und aktualisiert.

Zitation: Ko, Y., Ryu, J., Pi, J. et al. Influence of programming-pulse properties on weight-update characteristics of charge-trapping IGZO synaptic transistors. Sci Rep 16, 15031 (2026). https://doi.org/10.1038/s41598-026-44949-9

Schlüsselwörter: neuromorphische Hardware, synaptischer Transistor, IGZO, Programmierimpulsbreite, analoge KI