Programlama darbe özelliklerinin yük-güncelleme karakteristikleri üzerindeki etkisi: yük tuzaklayan IGZO sinaptik transistörler

Beyinden Esinlenen Daha Akıllı Yapay Zeka Donanımı

Günümüzde yapay zeka çoğunlukla yüksek güç tüketen dijital çiplerde çalışıyor. Bu çalışma, beyin sinapslarına daha çok benzeyen ve öğrenmeyi doğrudan donanımda depolayabilen özel elektronik aygıtları kullanarak farklı bir yolu araştırıyor. Araştırmacılar, voltaj darbelerinin zamanlamasını dikkatle şekillendirmenin bu küçük aygıtların daha iyi hatırlamasını sağlarken çok az enerji kullandığını gösteriyor; bu, telefonlar, sensörler ve uç cihazlarda daha verimli yapay zekaya doğru bir adım.

Sinapslar Gibi Öğrenen Minik Anahtarlar

Çalışma, amorf indiyum-galyum-çinko oksitten yapılmış ince film transistörler üzerine odaklanıyor; bu saydam yarı iletken bazı ekran teknolojilerinde zaten kullanılıyor. Bu aygıtlarda, kanalın altında düşük sıcaklıkta depo edilmiş silikon oksit tabakası, geçici olarak elektronları tuzaklayabilen çok sayıda kusur içeriyor. Her transistör, bu tuzaklarda kaç elektron bulunduğuna göre ayarlanan bir sinaps gibi davranıyor; tıpkı biyolojik sinapsların nöronlar arasındaki sinyaller geçtikçe güçlenip zayıflaması gibi. Transistörün kapısına bir dizi elektrik darbesi göndererek ekip, akan akımı kademeli olarak düşürebiliyor veya yükseltiyor ve böylece öğrenme sırasında sinaptik ağırlığın nasıl değiştiğini taklit ediyor.

Darbe Zamanlaması Elektronik Belleği Nasıl Şekillendiriyor

Ana soru, her bir programlama darbesinin genişliğinin bu elektronik bellek üzerinde nasıl bir etkisi olduğudur. Yazarlar, darbe yüksekliği, toplam eğitim süresi ve görev döngüsü gibi diğer koşulları sıkı kontrol altında tutarken 1,5, 3 ve 6 saniye süren üç darbe genişliğini karşılaştırıyorlar. Kısa darbeler daha az enerji taşır, bu nedenle daha az elektron daha derin tuzaklara girer; çok uzun darbeler ise okuma adımları sırasında aygıtın gevşemesine veya toparlanmasına daha fazla zaman tanır. Tüm üç darbe şeması aynı toplam açık-kapalı süreye verildiğinde, 3 saniyelik orta aralık en zayıf ve en güçlü sinaptik durumlar arasındaki en büyük salınımı üretir; bu da öğrenilmiş ağırlıkları depolamak için en büyük kullanılabilir aralığı sunduğu anlamına gelir.

Gerçek Öğrenmeyi Basit Gevşemeden Ayırmak

Transistör okuma sırasında doğal olarak başlangıç durumuna doğru geri kaydığı için ekip, bu toparlanmayı gerçek öğrenmeden ayırmak üzere ikinci bir deney seti gerçekleştiriyor. Bu sefer darbelerin sayısını ve aralarındaki toparlanma süresini sabit tutuyorlar, daha uzun darbelerin aynı okuma koşullarını paylaşmasını sağlamak için görev döngüsünü ayarlıyorlar. Bu daha adil karşılaştırma altında, darbe ne kadar uzun olursa oksitte o kadar çok elektron tuzaklanıyor ve aygıt bellek durumuna o kadar derin giriyor. Sonuç, aygıt iletkenliğinin ne kadar ayarlanabileceğinin bir ölçüsü olan dinamik oranının sürekli artması; 6 saniyelik darbeler en geniş ve en kontrol edilebilir ağırlık aralığını veriyor.

Tek Aygıtlardan El Yazısı Rakamları Tanımaya

Bunun gerçek hesaplama için ne anlama geldiğini görmek üzere, araştırmacılar ölçülen aygıt davranışlarını bir analog yapay zeka hızlandırıcı simülatörüne besliyorlar. MNIST veri setinden el yazısı rakamları tanıyan yapay bir sinir ağı modelliyor ve bu sinaptik transistörlerin birçoğunu sanal bir çaprazbar dizisine bağlıyorlar. Aygıtlar alt eşiğin altında çok düşük akımda çalıştığı için, gürültü ve toparlanma etkileri depolanan ağırlıkları bulanıklaştırabiliyor. Buna rağmen ağ, sırasıyla 1,5, 3 ve 6 saniye darbe genişlikleri için yaklaşık %80, %87 ve %90 tanıma doğruluklarına ulaşıyor. Kullanılabilir ağırlık aralığı ile tanıma doğruluğu arasındaki bu yakın izleme, yük tuzaklamanın daha iyi kontrolünün öğrenme kalitesini doğrudan iyileştirdiğini gösteriyor.

Geleceğin Düşük Güçlü Yapay Zekası İçin Darbe Tasarımının Önemi

Basitçe söylemek gerekirse, çalışma bu oksit transistörlerin, tıpkı bir beyin sinapsının tekrar eden aktiviteyle değişmesi gibi, ne kadar uzun ve ne kadar güçlü darbeler uygulandığına göre bilgiyi hatırladığını gösteriyor. Çok kısa darbeler derin bellek durumlarına yeterince yük itmezken, çok uzun darbeler okuma sırasında aygıtın unutma hızına karşı dengelenmelidir. Hem darbe genişliğini hem de darbe aralarındaki dinlenme sıklığını ayarlayarak mühendisler bellek aralığını genişletebilir ve işletme voltajını yükseltmeden desen tanımayı artırabilir. Bu bulgu, bilgiyi doğrudan büyük sinaptik transistör ızgaralarında depolayıp güncelleyerek yapay zeka görevlerini verimli şekilde çalıştırabilecek beyinden esinlenmiş donanıma işaret ediyor.

Atıf: 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

Anahtar kelimeler: nöromorfik donanım, sinaptik transistör, IGZO, programlama darbe genişliği, analog AI