Invloed van programmavonkeigenschappen op gewichtsupdatekenmerken van laadvangende IGZO-synapsetransistors

Slimmere AI-hardware geïnspireerd op de hersenen

Huidige kunstmatige intelligentie draait grotendeels op energie-intensieve digitale chips. Deze studie onderzoekt een andere weg, met speciale elektronische devices die meer als hersensynapsen werken en leren direct in hardware kunnen opslaan. De onderzoekers laten zien hoe zorgvuldig vormgeven van de timing van spanningspulsen deze kleine devices beter laat onthouden terwijl ze toch zeer weinig energie gebruiken — een stap richting efficiëntere AI in telefoons, sensoren en edge-apparaten.

Kleine schakelaars die leren als synapsen

Het werk draait om dunne-filmtransistors gemaakt van amorf indium-gallium-zinkoxide, een transparante halfgeleider die al in sommige displaytechnologieën wordt gebruikt. In deze devices bevat een laag siliciumoxide bij lage temperatuur onder het kanaal veel defecten die tijdelijk elektronen kunnen vangen en loslaten. Elke transistor gedraagt zich als een synaps waarvan de sterkte wordt bepaald door hoeveel elektronen in deze valplaatsen zitten, vergelijkbaar met hoe biologische synapsen versterken of verzwakken als signalen tussen neuronen passeren. Door een reeks elektrische pulsen naar de gate van de transistor te sturen, kan het team de stroom die vloeit geleidelijk verlagen of verhogen, wat het veranderen van synaptisch gewicht tijdens leren nabootst.

Hoe puls-timing elektronisch geheugen vormt

Een sleutelvraag is hoe de duur van elke programmeerpuls dit elektronische geheugen beïnvloedt. De auteurs vergelijken drie pulsduren van 1,5, 3 of 6 seconden, terwijl andere condities zoals pulsamplitude, totale trainingstijd en duty cycle strikt worden gecontroleerd. Korte pulsen dragen minder energie, waardoor minder elektronen in dieper gelegen valplaatsen terechtkomen, terwijl zeer lange pulsen meer tijd geven voor het device om te ontspannen of te herstellen tijdens de leesstappen. Wanneer alle drie pulsschema’s dezelfde totale aan- en uit-tijd krijgen, levert de middelste duur van 3 seconden de grootste swing op tussen de zwakste en sterkste synaptische toestanden, wat betekent dat deze de grootste bruikbare range biedt voor het opslaan van geleerde gewichten.

Genuin leren scheiden van simpele relaxatie

Aangezien de transistor tijdens uitlezing van nature terug naar de oorspronkelijke staat neigt, voert het team een tweede reeks experimenten uit om dit herstel van echt leren te scheiden. Deze keer fixeren ze het aantal pulsen en de hersteltijd ertussen, en passen ze de duty cycle aan zodat langere pulsen nog steeds onder dezelfde leescondities vallen. Bij deze eerlijke vergelijking geldt: hoe langer de puls, des te meer elektronen in het oxide worden gevangen en des te dieper het device in zijn geheugenstaat komt. Het resultaat is een gestaag stijgende dynamische ratio — een maat voor hoe sterk de conductantie van het device kan worden bijgesteld — waarbij de pulsen van 6 seconden het breedste en meest beheersbare gewichtbereik geven.

Van individuele devices naar het herkennen van handgeschreven cijfers

Om te zien wat dit voor echte berekeningen betekent, voeren de onderzoekers het gemeten device-gedrag in een simulator voor een analoge AI-versneller. Ze modelleren een kunstmatig neuraal netwerk dat handgeschreven cijfers uit de MNIST-dataset herkent, waarbij veel van deze synapsetransistors worden verbonden in een virtuele crossbararray. Omdat de devices bij zeer lage stromen in het subthresholdgebied werken, kunnen ruis- en herstel-effecten de opgeslagen gewichten vervagen. Desondanks bereikt het netwerk herkenningsnauwkeurigheden rond 80, 87 en 90 procent voor pulsduren van respectievelijk 1,5, 3 en 6 seconden. Deze nauwe samenhang tussen het bruikbare gewichtbereik en de herkenningsnauwkeurigheid toont aan dat betere beheersing van ladingsvangst rechtstreeks de kwaliteit van leren verbetert.

Waarom pulsontwerp ertoe doet voor toekomstige laagvermogen-AI

Kort gezegd laat de studie zien dat deze oxide-transistors informatie onthouden door hoe lang en hoe sterk ze gepulst worden, net zoals een hersensynaps verandert bij herhaalde activiteit. Zeer korte pulsen duwen niet genoeg lading in diepe geheugenstaten, terwijl zeer lange pulsen moeten worden afgewogen tegen hoe snel het device vergeet tijdens het lezen. Door zowel de pulsduur als hoe vaak het device rust tussen pulsen af te stemmen, kunnen ingenieurs het geheugenbereik vergroten en patroonherkenning verbeteren zonder de bedrijfsspanning te verhogen. Dit inzicht wijst op hersengeïnspireerde hardware die AI-taken efficiënt kan uitvoeren door kennis direct op te slaan en bij te werken in grote netwerken van synapsetransistors.

Bronvermelding: 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

Trefwoorden: neuromorf hardware, synapsetransistor, IGZO, pulsduur voor programmeren, analoog AI