研究前沿：Nat Electron-节能记忆电容器，用于神经形态计算

数据密集型计算操作（例如训练神经网络），对于人工智能应用至关重要，但需要消耗大量能源。一种解决方案是开发专门的硬件，神经网络可以直接映射到这些硬件上，例如，可以训练忆阻设备阵列，以实现并行乘法累加运算。近日，德国马克斯普朗克微观结构物理研究所Kai-Uwe Demasius，Stuart Parkin，德国初创企业Semron的Aron Kirschen在Nature Electronics上发文，报道了利用电荷屏蔽原理的记忆电容设备，可以提供一种高能效的方法来实现并行乘法累加操作。同时，制造了一个由 156 微型记忆电容器设备组成的交叉阵列，并用其来训练一个神经网络，可以区分字母“M”、“P”，和“ I”。对这些阵列进行建模表明，这种方法可以提供29,600 每秒每瓦特操作的能效，同时确保高精度（6-8 位）。模拟还表明，这些器件有可能缩小到大约 45 nm 的横向尺寸。

图 1：记忆电容器装置的结构。

图 2：单个器件的测量设置和 CV 曲线。

图 3：交叉开关排列和基本测量。

Fig. 4: Manhattan update training on crossbar.

图 5：TCAD 仿真结果。

文献链接：https://www.nature.com/articles/s41928-021-00649-y

https://doi.org/10.1038/s41928-021-00649-y

本文译自“Nature Electronics ”。