Wpływ parametrów impulsów programujących na charakterystyki aktualizacji wag w tranzystorach synaptycznych IGZO z pułapkami ładunku

Mądrzejszy sprzęt AI inspirowany mózgiem

Obecnie sztuczna inteligencja działa głównie na energochłonnych cyfrowych układach. To badanie bada alternatywną drogę, wykorzystując specjalne elementy elektroniczne, które zachowują się bardziej jak synapsy mózgowe i potrafią przechowywać naukę bezpośrednio w sprzęcie. Autorzy pokazują, jak precyzyjne kształtowanie czasu trwania impulsów napięcia może sprawić, że te maleńkie urządzenia lepiej zapamiętują przy bardzo niskim zużyciu energii — krok w stronę wydajniejszego AI w telefonach, czujnikach i urządzeniach edge.

Maleńkie przełączniki, które uczą się jak synapsy

Praca koncentruje się na tranzystorach cienkowarstwowych wykonanych z amorficznego tlenku indu-gleb- cynowo-cynkowego (IGZO), przezroczystego półprzewodnika używanego już w niektórych technologiach wyświetlania. W tych urządzeniach warstwa krzemionkowa o niskiej temperaturze pod kanałem zawiera wiele defektów, które tymczasowo mogą pułapkować i uwalniać elektrony. Każdy tranzystor zachowuje się jak synapsa, której siła zależy od liczby elektronów osadzonych w tych pułapkach — podobnie jak biologiczne synapsy wzmacniają lub osłabiają się, gdy sygnały przechodzą między neuronami. Wysyłając sekwencję impulsów elektrycznych na bramkę tranzystora, zespół może stopniowo zmniejszać lub zwiększać przepływ prądu, naśladując zmianę wag synaptycznych podczas uczenia się.

Jak czas impulsu kształtuje pamięć elektroniczną

Kluczowe pytanie brzmi, jak szerokość każdego impulsu programującego wpływa na tę pamięć elektroniczną. Autorzy porównują trzy szerokości impulsów trwające 1,5, 3 i 6 sekund, przy ścisłej kontroli innych warunków, takich jak wysokość impulsu, całkowity czas treningu i współczynnik zajętości. Krótkie impulsy niosą mniejszą energię, więc mniej elektronów przemieszcza się do głębszych pułapek, podczas gdy bardzo długie impulsy dają więcej czasu urządzeniu na relaks lub odzyskiwanie podczas kroków odczytu. Gdy wszystkie trzy schematy impulsów mają ten sam łączny czas włączenia i wyłączenia, przypadek pośredni — 3 sekundy — daje największe rozciągnięcie między najsłabszym a najsilniejszym stanem synaptycznym, co oznacza największy użyteczny zakres do przechowywania wyuczonych wag.

Oddzielanie prawdziwego uczenia od prostego relaksu

Ponieważ tranzystor naturalnie wraca w kierunku stanu początkowego podczas odczytu, zespół przeprowadza drugi zestaw eksperymentów, by oddzielić to odzyskiwanie od rzeczywistego uczenia. Tym razem utrzymują stałą liczbę impulsów i czas regeneracji między nimi, dostosowując współczynnik zajętości tak, by dłuższe impulsy nadal miały te same warunki odczytu. Przy takim uczciwszym porównaniu im dłuższy impuls, tym więcej elektronów zostaje uwięzionych w tlenku i tym głębiej urządzenie wchodzi w swój stan pamięci. Rezultatem jest stopniowo rosnący współczynnik dynamiczny — miara tego, jak bardzo można dostroić przewodność urządzenia — przy czym impulsy 6-sekundowe dają najszerszy i najbardziej kontrolowalny zakres wag.

Od pojedynczych urządzeń do rozpoznawania odręcznych cyfr

Aby zobaczyć, co to znaczy dla rzeczywistych obliczeń, badacze wprowadzają zmierzone zachowanie urządzenia do symulatora analogowego akceleratora AI. Modelują sztuczną sieć neuronową rozpoznającą odręczne cyfry z zestawu danych MNIST, łącząc wiele tych tranzystorów synaptycznych w wirtualną macierz krzyżową. Ponieważ urządzenia pracują przy bardzo niskich prądach w rejonie podprogowym, szum i efekty odzyskiwania mogą rozmazać przechowywane wagi. Mimo to sieć osiąga dokładności rozpoznawania około 80, 87 i 90 procent dla szerokości impulsów 1,5; 3 i 6 sekund, odpowiednio. To ścisłe powiązanie między użytecznym zakresem wag a dokładnością rozpoznawania pokazuje, że lepsza kontrola pułapkowania ładunku bezpośrednio poprawia jakość uczenia.

Dlaczego projekt impulsu ma znaczenie dla przyszłego niskomocowego AI

Mówiąc prosto, badanie pokazuje, że te tlenkowe tranzystory zapamiętują informacje przez to, jak długo i jak silnie są impulsowane, podobnie jak synapsa mózgowa zmienia się przy powtarzającej się aktywności. Bardzo krótkie impulsy nie wtłaczają wystarczająco dużo ładunku do głębokich stanów pamięci, podczas gdy bardzo długie impulsy trzeba zrównoważyć z szybkością zapominania urządzenia podczas odczytu. Poprzez dostrojenie zarówno szerokości impulsu, jak i częstotliwości odpoczynku między impulsami, inżynierowie mogą rozszerzyć zakres pamięci i poprawić rozpoznawanie wzorców bez podnoszenia napięcia zasilania. Ta obserwacja wskazuje na sprzęt inspirowany mózgiem, który może wydajnie wykonywać zadania AI, przechowując i aktualizując wiedzę bezpośrednio w rozległych sieciach tranzystorów synaptycznych.

Cytowanie: 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

Słowa kluczowe: sprzęt neuromorficzny, tranzystor synaptyczny, IGZO, szerokość impulsu programującego, analogowe AI