[論文レビュー] Metaplastic and Energy-Efficient Biocompatible Graphene Artificial Synaptic Transistors for Enhanced Accuracy Neuromorphic Computing

Dmitry Kireev, Samuel Liu+5 more|arXiv (Cornell University)|Mar 8, 2022

Advanced Memory and Neural Computing参考文献 63被引用数 106

ひとこと要約

本論文は、ドライNafionイオン選択性膜を用いてシナプス可塑性を模倣する生体適合性で二層構造のグラフェンを用いた人工シナプストランジスタ（BLAST）を導入し、約50 aJ/µm²という超低エネルギーでのスイッチングを達成した。これは、従来の2次元材料を用いたシナプスよりも10倍以上も効率が良い。デバイスはメタプラスティシティを示し、理想的な線形シナプスよりも優れた性能を示し、神経形状画像分類タスクで、エネルギー効率が高く生体統合可能でオンライン学習に適したシステムの強力な候補である。

ABSTRACT

CMOS-based computing systems that employ the von Neumann architecture are relatively limited when it comes to parallel data storage and processing. In contrast, the human brain is a living computational signal processing unit that operates with extreme parallelism and energy efficiency. Although numerous neuromorphic electronic devices have emerged in the last decade, most of them are rigid or contain materials that are toxic to biological systems. In this work, we report on biocompatible bilayer graphene-based artificial synaptic transistors (BLAST) capable of mimicking synaptic behavior. The BLAST devices leverage a dry ion-selective membrane, enabling long-term potentiation, with ~50 aJ/m^2 switching energy efficiency, at least an order of magnitude lower than previous reports on two-dimensional material-based artificial synapses. The devices show unique metaplasticity, a useful feature for generalizable deep neural networks, and we demonstrate that metaplastic BLASTs outperform ideal linear synapses in classic image classification tasks. With switching energy well below the 1 fJ energy estimated per biological synapse, the proposed devices are powerful candidates for bio-interfaced online learning, bridging the gap between artificial and biological neural networks.

研究の動機と目的

• 神経形状コンピューティングに適した、エネルギー効率が良く生体適合性のある人工シナプスの開発。生物学的システムと直接インターフェース可能であることが目的。
• 既存の神経形状デバイスで問題となっている剛性および毒性材料の制限を、グラフェンやNafionを用いた柔軟で生体適合性のある2次元材料によって克服すること。
• シナプスイベントあたりのエネルギー効率をフェムトジュール未満にまで低下させ、生物学的シナプスに近づけること。
• 人工シナプスにおけるメタプラスティシティの実証。これは、線形シナプスモデルよりも優れた適応的学習を可能にする。
• 標準的な画像分類ベンチマークを用いた神経形状シミュレーションを通じて、デバイス性能の妥当性を検証すること。

提案手法

• 二層グラフェン電子タトゥーをNafion-117膜に転写することで、マクロスケール（mBLAST、10–100 mm²）およびマイクロスケール（µBLAST、約400 µm²）のBLASTデバイスを製造した。
• ドライNafion膜を固体高分子電解質として用い、移動性のあるプロトンクラスタを介してグラフェンチャネルの電導度をプロトンゲーティングで制御した。
• Nafionを介して電流パルスを印加し、正に帯電したプロトンクラスタの移動を誘導することで、グラフェン界面における電気二重層を変化させ、チャネル電導度を調整した。
• 0.1 Vのドレイン・ソース電圧とパルスゲート電流を用い、ソース・メジャー機器で電導度変化を測定し、シナプス重みの更新を模倣した。
• 保持特性、線形性、安定性を評価するために、パルス列、リラックス期間、ラムプ/レベルテスト、温度依存性の研究を実施した。
• CrossSimを用いた神経形状シミュレーションを実施。ランダムなルックアップテーブルを用いてデバイスの非線形性、ノイズ、プロセスばらつきをモデル化し、MNIST、Fashion-MNIST、UCI-HARデータセットで2層MLPを学習した。

実験結果

リサーチクエスチョン

• RQ1 生体適合性で柔軟な2次元材料を用いた人工シナプストランジスタは、生物学的シナプスと同等のエネルギー効率を達成できるか？
• RQ2 ドライNafion膜の使用は、グラフェンベースの人工シナプスデバイスにおける安定的で再現可能かつ可逆的な電導度変調を可能にするか？
• RQ3 人工シナプスにおけるメタプラスティシティは、深層学習タスクにおいて、理想的な線形シナプスモデルを上回る性能を示せるか？
• RQ4 デバイスの性能、特に電導度保持特性および温度安定性は、異なるデバイスサイズや動作条件においてどのようにスケーリングされるか？
• RQ5 実験的デバイス特性は、実世界の分類タスクにおいて、神経形状シミュレーションでどれほど正確にモデル化できるか？

主な発見

• BLASTデバイスは、約50 aJ/µm²のスイッチングエネルギーを達成した。これは、従来の2次元材料を用いた人工シナプスの報告値よりも少なくとも1桁以上低い。
• パルス列の後、150–200秒間の間にわずかな減衰しか示さず、安定したシナプス状態を示した。
• 複数のパルス振幅および幅に対して、電導度変化が高く再現可能でスケーラブルであり、広範囲の電導度レベルで対称的かつ線形な応答を示した。
• 神経形状シミュレーションの結果、メタプラスティックなBLASTは、MNISTおよびFashion-MNISTの画像分類タスクで、理想的な線形シナプスを上回る性能を示した。非線形性が学習に優位性をもたらすことが明らかになった。
• 0°C～80°Cの温度範囲で、わずかな電導度変化しか示さず、実用的導入に適した温度安定性を示した。
• 電導度差を用いて合成重みを符号化する2つのBLASTデバイスを組み合わせることで、動的範囲の要件を低減し、ノイズカップリングを最小限に抑え、シミュレーションの忠実度が向上した。