Influence des propriétés des impulsions de programmation sur les caractéristiques de mise à jour du poids des transistors synaptiques à piégeage de charge IGZO

Matériel d’IA plus intelligent inspiré du cerveau

L’intelligence artificielle fonctionne aujourd’hui principalement sur des puces numériques énergivores. Cette étude explore une voie différente, utilisant des dispositifs électroniques spéciaux qui se comportent davantage comme des synapses cérébrales et peuvent stocker l’apprentissage directement dans le matériel. Les chercheurs montrent comment le façonnage précis du timing des impulsions de tension peut permettre à ces minuscules dispositifs de mieux retenir l’information tout en consommant très peu d’énergie, une étape vers une IA plus efficace pour les téléphones, capteurs et appareils en périphérie.

Commutateurs minuscules qui apprennent comme des synapses

Le travail porte sur des transistors à film mince fabriqués en oxyde amorphe d’indium, gallium et zinc (IGZO), un semi-conducteur transparent déjà utilisé dans certaines technologies d’affichage. Dans ces dispositifs, une couche d’oxyde de silicium déposée à basse température sous le canal contient de nombreux défauts capables de piéger et de relâcher des électrons de manière transitoire. Chaque transistor se comporte comme une synapse dont la force est déterminée par le nombre d’électrons présents dans ces pièges, de la même manière que les synapses biologiques se renforcent ou s’affaiblissent au passage des signaux entre neurones. En envoyant une séquence d’impulsions électriques sur la grille du transistor, l’équipe peut diminuer ou augmenter progressivement le courant qui le traverse, mimant ainsi les variations du poids synaptique pendant l’apprentissage.

Comment le timing des impulsions façonne la mémoire électronique

Une question clé est de savoir comment la durée (width) de chaque impulsion de programmation affecte cette mémoire électronique. Les auteurs comparent trois largeurs d’impulsion de 1,5, 3 et 6 secondes tout en gardant d’autres conditions — hauteur des impulsions, temps total d’entraînement et cycle de service — strictement contrôlées. Les impulsions courtes transportent moins d’énergie, donc moins d’électrons atteignent les pièges profonds, tandis que les impulsions très longues laissent plus de temps au dispositif pour se relaxer ou récupérer durant les étapes de lecture. Lorsque les trois schémas d’impulsions ont le même temps total de marche et d’arrêt, le cas intermédiaire de 3 secondes produit la plus grande variation entre les états synaptiques les plus faibles et les plus forts, offrant ainsi la plage d’usage la plus large pour stocker des poids appris.

Séparer le véritable apprentissage de la simple relaxation

Parce que le transistor dérive naturellement vers son état initial lors de la lecture, l’équipe réalise une seconde série d’expériences pour dissocier cette récupération de l’apprentissage véritable. Cette fois, ils fixent le nombre d’impulsions et le temps de récupération entre elles, ajustant le cycle de service afin que les impulsions plus longues partagent toujours les mêmes conditions de lecture. Dans cette comparaison plus équitable, plus l’impulsion est longue, plus d’électrons sont piégés dans l’oxyde et plus le dispositif s’enfonce dans son état de mémoire. Le résultat est un ratio dynamique qui augmente régulièrement — une mesure de l’étendue possible de réglage de la conductance du dispositif — les impulsions de 6 secondes donnant la plage de poids la plus large et la plus contrôlable.

Des dispositifs uniques à la reconnaissance de chiffres manuscrits

Pour évaluer l’impact sur le calcul réel, les chercheurs injectent le comportement mesuré des dispositifs dans un simulateur d’accélérateur d’IA analogique. Ils modélisent un réseau de neurones artificiels destiné à reconnaître des chiffres manuscrits du jeu de données MNIST, reliant un grand nombre de ces transistors synaptiques dans une matrice en crossbar virtuelle. Parce que les dispositifs opèrent à des courants très faibles dans la région sous-seuil, le bruit et les effets de récupération peuvent brouiller les poids stockés. Malgré cela, le réseau atteint des précisions de reconnaissance d’environ 80 %, 87 % et 90 % pour des largeurs d’impulsion de 1,5, 3 et 6 secondes, respectivement. Ce suivi étroit entre la plage de poids utilisable et la précision de reconnaissance montre qu’un meilleur contrôle du piégeage de charge améliore directement la qualité de l’apprentissage.

Pourquoi la conception des impulsions compte pour l’IA basse consommation de demain

En termes simples, l’étude montre que ces transistors à oxyde retiennent l’information en fonction de la durée et de l’intensité des impulsions qui leur sont appliquées, tout comme une synapse cérébrale change avec une activité répétée. Des impulsions très courtes n’introduisent pas assez de charge dans des états de mémoire profonds, tandis que des impulsions très longues doivent être équilibrées avec la vitesse à laquelle le dispositif oublie pendant la lecture. En ajustant à la fois la durée des impulsions et la fréquence de repos entre celles-ci, les ingénieurs peuvent étendre la plage de mémoire et améliorer la reconnaissance de motifs sans augmenter la tension de fonctionnement. Cette idée ouvre la voie à un matériel inspiré du cerveau capable d’exécuter des tâches d’IA de façon efficace en stockant et en mettant à jour le savoir directement dans de vastes grilles de transistors synaptiques.

Citation: 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

Mots-clés: matériel neuromorphique, transistor synaptique, IGZO, largeur d’impulsion de programmation, IA analogique