Влияние параметров программирующего импульса на характеристики обновления веса в заряд-захватывающих синаптических транзисторах IGZO

Более умное аппаратное обеспечение ИИ, вдохновлённое мозгом

Сегодня искусственный интеллект в основном работает на энергоёмких цифровых чипах. В этом исследовании рассматривается другой путь — использование специальных электронных устройств, которые действуют больше как синапсы мозга и способны хранить обучение непосредственно в аппаратуре. Авторы показывают, как аккуратное формирование временной формы напряжённых импульсов позволяет этим крошечным устройствам лучше запоминать при очень низком энергопотреблении — шаг к более эффективному ИИ для телефонов, сенсоров и периферийных устройств.

Крошечные переключатели, которые учатся как синапсы

Работа сосредоточена на тонкоплёночных транзисторах из аморфного оксида индия-галлия-цинка (IGZO), прозрачного полупроводника, уже применяемого в некоторых дисплейных технологиях. В этих устройствах слой кремнезёма с низкотемпературным отжигом под каналом содержит множество дефектов, которые могут временно захватывать и отпускать электроны. Каждый транзистор ведёт себя как синапс: его сила задаётся числом электронов в этих ловушках, подобно тому, как биологические синапсы усиливаются или ослабевают при прохождении сигналов между нейронами. Посылая последовательность электрических импульсов на затвор транзистора, команда может постепенно понижать или повышать протекающий ток, имитируя изменение синаптического веса при обучении.

Как временные характеристики импульса формируют электронную память

Ключевой вопрос — как ширина каждого программирующего импульса влияет на эту электронную память. Авторы сравнили три длительности импульсов: 1,5; 3 и 6 секунд при жёстком контроле других условий, таких как амплитуда импульса, общее время тренировки и коэффициент заполнения. Короткие импульсы несут меньше энергии, поэтому меньше электронов перемещается в глубокие ловушки, в то время как очень длинные импульсы дают больше времени на релаксацию или восстановление устройства во время шагов считывания. При прочих равных условиях по суммарному времени включения и выключения схема с промежуточной длительностью 3 секунды даёт наибольший размах между самым слабым и самым сильным синаптическим состоянием, то есть обеспечивает самый большой практический диапазон для хранения выученных весов.

Отделение истинного обучения от простой релаксации

Поскольку транзистор естественно дрейфует обратно к исходному состоянию при считывании, команда провела второй набор экспериментов, чтобы отделить это восстановление от подлинного обучения. На этот раз они зафиксировали число импульсов и время восстановления между ними, подстраивая коэффициент заполнения так, чтобы более длинные импульсы всё ещё попадали в одинаковые условия считывания. При таком более честном сравнении чем длиннее импульс, тем больше электронов захватывается в оксиде и тем глубже устройство уходит в своё память-состояние. В результате динамический диапазон (показатель того, насколько можно настроить проводимость устройства) стабильно растёт, причём 6-секундные импульсы дают самый широкий и управляемый диапазон весов.

От одиночных устройств к распознаванию рукописных цифр

Чтобы понять практическое значение, исследователи подставили измеренное поведение устройств в симулятор аналогового ускорителя ИИ. Они моделировали искусственную нейронную сеть для распознавания рукописных цифр из набора MNIST, соединяя множество таких синаптических транзисторов в виртуальную кроссбар-матрицу. Поскольку устройства работают при очень малых токах в субпороговой области, шум и эффекты восстановления могут размывать сохранённые веса. Тем не менее сеть достигает точностей распознавания примерно 80, 87 и 90 процентов для ширин импульса 1,5; 3 и 6 секунд соответственно. Эта плотная связь между практическим диапазоном весов и точностью распознавания показывает, что лучшее управление захватом заряда прямо улучшает качество обучения.

Почему проектирование импульсов важно для энергоэффективного ИИ будущего

Проще говоря, исследование показывает, что эти оксидные транзисторы запоминают информацию в зависимости от того, как долго и с какой силой на них подаются импульсы, аналогично тому, как синапс мозга меняется при повторной активности. Очень короткие импульсы не задвигают достаточный заряд в глубокие состояния памяти, тогда как очень длинные импульсы нужно балансировать с тем, как быстро устройство забывает при считывании. Настраивая как ширину импульса, так и паузы между ними, инженеры могут расширить диапазон памяти и повысить распознавание образов без увеличения рабочего напряжения. Это открытие указывает путь к вдохновлённому мозгом аппаратному обеспечению, которое сможет эффективно выполнять задачи ИИ, сохраняя и обновляя знания непосредственно в больших сетях синаптических транзисторов.

Цитирование: 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

Ключевые слова: нейроморфное оборудование, синаптический транзистор, IGZO, длительность программирующего импульса, аналоговый ИИ