[논문 리뷰] Metaplastic and Energy-Efficient Biocompatible Graphene Artificial Synaptic Transistors for Enhanced Accuracy Neuromorphic Computing

Dmitry Kireev, Samuel Liu외 5명|arXiv (Cornell University)|2022. 03. 08.

Advanced Memory and Neural Computing참고 문헌 63인용 수 106

한 줄 요약

이 논문은 건성 Nafion 이온선택성 막을 사용하여 시냅스 가소성을 모방하는 생체친화적인 이중층 그래핀 기반 인공시냅스 트랜지스터(BLAST)를 소개한다. 이는 약 50 aJ/µm²의 초저에너지 스위칭을 실현하여 이전의 2D 물질 기반 시냅스보다 10배 이상 효율적이다. 장치는 메타가소성(metaplasticity)을 보이며, 이상적인 선형 시냅스보다 뉴로모픽 이미지 분류 작업에서 뛰어난 성능을 보여, 에너지 효율적이고 생체통합형 온라인 학습 시스템의 강력한 후보가 된다.

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.

연구 동기 및 목표

• 생체와 직접 통합될 수 있는 에너지 효율적이고 생체친화적인 인공시냅스를 개발하여 뉴로모픽 컴퓨팅에 활용하기 위해.
• 기존 뉴로모픽 장치에서 사용되는 경직되고 독성 물질의 한계를 극복하기 위해 유연하고 생체친화적인 2D 물질인 그래핀과 Nafion을 사용하기 위해.
• 시냅스 사건 당 피코조ule 이하의 에너지 효율성, 즉 생물학적 시냅스 수준에 가까운 성능을 달성하기 위해.
• 인공시냅스에서 메타가소성을 실현하여 선형 시냅스 모델보다 뛰어난 적응형 학습이 가능함을 입증하기 위해.
• 표준 이미지 분류 벤치마크에서의 뉴로모픽 시뮬레이션을 통해 장치 성능을 검증하기 위해.

제안 방법

• 이중층 그래핀 전자 타투를 Nafion-117 막에 전사하여 매크로스케일(mBLAST, 10–100 mm²) 및 마이크로스케일(µBLAST, 약 400 µm²) BLAST 장치를 제작하였다.
• 이동 가능한 수소 이온 클러스터를 포함한 고체 고분자 전해질로 건성 Nafion 막을 사용하여 그래핀 채널 전도도의 수소 이온 게이팅을 구현하였다.
• Nafion을 통해 전류 펄스를 인가하여 양성 이온 클러스터의 이동을 유도하고, 그래핀 인터페이스의 전기적 이중층을 조절하여 채널 전도도를 조절하였다.
• 0.1 V의 드레인-소스 전압을 사용하여 소스-측정 단위를 통해 전도도 변화를 측정하고, 펄스 게이팅 전류를 통해 시냅스 가중치 업데이트를 모의하였다.
• 유지성, 선형성, 안정성 평가를 위해 펄스 열, 휴식 기간, 램프/레벨 테스트 및 온도 의존성 연구를 수행하였다.
• CrossSim을 사용한 뉴로모픽 시뮬레이션을 수행하였으며, 장치의 비선형성, 노이즈 및 공정 변동성을 모델링하기 위해 확률적 룩업 테이블을 활용하여 MNIST, 패션-MNIST 및 UCI-HAR 데이터셋에서 이중층 MLP를 학습시켰다.

실험 결과

연구 질문

• RQ1 생체친화적이고 도시적인 2D 물질 기반 시냅스 트랜지스터가 생물학적 시냅스 수준의 에너지 효율성을 달성할 수 있는가?
• RQ2 건성 Nafion 막의 사용이 그래핀 기반 시냅스 장치에서 안정적이고 반복 가능하며 가역적인 전도도 조절을 가능하게 하는가?
• RQ3 메타가소성을 갖춘 인공시냅스가 딥러닝 작업에서 이상적인 선형 시냅스 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ4 전도도 유지성 및 온도 안정성과 같은 장치 성능이 다양한 장치 크기와 작동 조건에서 어떻게 스케일링되는가?
• RQ5 실험적 장치 특성을 실제 분류 작업을 위한 뉴로모픽 시뮬레이션에서 얼마나 정확하게 모델링할 수 있는가?

주요 결과

• BLAST 장치는 약 50 aJ/µm²의 스위칭 에너지를 달성하여 이전의 2D 물질 기반 인공시냅스 보다 최소 한 계급 이상 낮은 에너지 소비를 보였다.
• 펄스 열 이후 150~200초 동안 전도도 유지는 최소한의 감쇠를 보이며 안정적인 시냅스 상태를 유지함을 입증하였다.
• 다양한 펄스 진폭과 폭에서 전도도 변화가 매우 반복 가능하고 스케일 가능했으며, 광범위한 전도도 수준에서 대칭적이고 선형적인 반응을 보였다.
• 뉴로모픽 시뮬레이션 결과, 메타가소성 BLAST는 MNIST 및 패션-MNIST에서 이상적인 선형 시냅스보다 이미지 분류 작업에서 뛰어난 성능을 보였으며, 학습에서 비선형성의 이점이 입증되었다.
• 0°C에서 80°C까지의 온도 범위에서 우수한 성능을 유지하였고, 전도도 변화가 미미하여 실용적 구현에 적합한 열안정성을 보였다.
• 전도도 차이를 통해 시냅스 가중치를 인코딩하기 위해 쌍체 BLAST 장치를 사용함으로써 동적 범위 요구 사항을 감소시키고 노이즈 커플링을 최소화하여 시뮬레이션 정밀도를 향상시켰다.