Påverkan av programmeringspulsers egenskaper på vikt-uppdateringskaraktärer hos laddningsfångande IGZO-synapstransistorer

Smartare AI‑hårdvara inspirerad av hjärnan

Dagens artificiella intelligens körs till stor del på strömkrävande digitala kretsar. Denna studie utforskar en annan väg, med speciella elektroniska enheter som beter sig mer som hjärnans synapser och kan lagra inlärning direkt i hårdvaran. Forskarna visar hur noggrann formning av tidsförloppet för spänningspulser kan få dessa små enheter att minnas bättre samtidigt som energiförbrukningen hålls mycket låg — ett steg mot mer effektiva AI‑lösningar i telefoner, sensorer och edge‑apparater.

Små brytare som lär sig som synapser

Arbetet fokuserar på tunnfilmstransistorer tillverkade av amorft indium‑gallium‑zink‑oxid, en transparent halvledare som redan används i vissa displayer. I dessa enheter innehåller ett lågtempererat kiseldioxidlager under kanalen många defekter som tillfälligt kan fånga och släppa elektroner. Varje transistor beter sig som en synaps vars styrka bestäms av hur många elektroner som sitter i dessa fällor, ungefär som biologiska synapser som förstärks eller försvagas när signaler passerar mellan neuroner. Genom att skicka en sekvens elektriska pulser till transistorns gate kan teamet gradvis sänka eller höja den ström som flyter, vilket efterliknar hur synaptisk vikt förändras under inlärning.

Hur pulstiming formar elektroniskt minne

En central fråga är hur varje programmeringspuls bredd påverkar detta elektroniska minne. Författarna jämför tre pulsbreddalternativ på 1,5, 3 eller 6 sekunder samtidigt som andra förhållanden — som pulshöjd, total träningstid och arbetscykel — hålls noggrant kontrollerade. Korta pulser för med sig mindre energi, så färre elektroner flyttar in i djupare fällor, medan mycket långa pulser ger mer tid för enheten att slappna av eller återhämta sig under lässteget. När alla tre pulsscheman ges samma totala på‑ och av‑tid ger mellanalternativet 3 sekunder det största utslaget mellan svagaste och starkaste synapstillstånd, vilket innebär att det erbjuder det största användbara intervallet för att lagra inlärda vikter.

Att skilja verklig inlärning från enkel återhämtning

Eftersom transistorn naturligt drar tillbaka mot sitt ursprungliga tillstånd under avläsning utför teamet en andra uppsättning experiment för att separera denna återhämtning från verklig inlärning. Denna gång fixerar de antalet pulser och återhämtningstiden mellan dem, och justerar arbetscykeln så att längre pulser fortfarande delar samma läsförhållanden. Under denna mer rättvisa jämförelse gäller att ju längre pulsen är, desto fler elektroner fångas i oxidens fällor och desto djupare rör sig enheten in i sitt minnestillstånd. Resultatet är en stadigt ökande dynamisk kvot, ett mått på hur mycket enhetens ledningsförmåga kan ställas in, där 6‑sekunderspulserna ger det bredaste och mest kontrollerbara viktintervallet.

Från enskilda enheter till igenkänning av handskrivna siffror

För att se vad detta betyder för verklig beräkning matar forskarna sin uppmätta enhetsbeteende in i en simulator för en analog AI‑accelerator. De modellerar ett artificiellt neuralt nätverk som känner igen handskrivna siffror från MNIST‑datasetet, och kopplar många av dessa synapstransistorer i en virtuell korsbar array. Eftersom enheterna arbetar vid mycket låg ström i subtröskelområdet kan brus och återhämtningsfenomen sudda ut de lagrade vikterna. Ändå når nätverket igenkänningsnoggrannheter runt 80, 87 respektive 90 procent för pulsbreddarna 1,5, 3 och 6 sekunder. Denna tydliga koppling mellan användbart viktintervall och igenkänningsnoggrannhet visar att bättre kontroll över laddningsfångst direkt förbättrar inlärningskvaliteten.

Varför pulskonstruktion spelar roll för framtidens låg‑energi AI

Enkelt uttryckt visar studien att dessa oxidtransistorer lagrar information beroende på hur länge och hur hårt de pulseras, precis som en hjärnsynaps förändras vid upprepad aktivitet. Mycket korta pulser trycker inte tillräckligt med laddning in i djupa minnestillstånd, medan mycket långa pulser måste balanseras mot hur snabbt enheten glömmer under avläsning. Genom att ställa in både pulsbredd och hur ofta enheten vilar mellan pulser kan ingenjörer utöka minnesintervallet och förbättra mönsterigenkänning utan att höja driftspänningen. Denna insikt pekar mot hjärninspirerad hårdvara som kan köra AI‑uppgifter effektivt genom att lagra och uppdatera kunskap direkt i stora nätverk av synapstransistorer.

Citering: 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

Nyckelord: neuromorf hårdvara, synapstransistor, IGZO, programmeringspulsbredd, analog AI