[论文解读] 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 106

一句话总结

该论文提出了一种生物相容性的双层石墨烯基人工突触晶体管（BLAST），通过使用干燥的Nafion离子选择性膜模拟突触可塑性，实现了约50 aJ/µm²的超低能耗开关，能效比以往的二维材料突触高出十倍以上。该器件表现出元可塑性，在神经形态图像分类任务中性能优于理想线性突触，是实现能效高、生物相容的在线学习系统的有力候选。

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.

研究动机与目标

• 开发适用于神经形态计算的节能、生物相容性人工突触，可直接与生物系统接口。
• 通过使用柔性、生物相容的二维材料（如石墨烯和Nafion）克服现有神经形态器件中刚性、有毒材料的局限。
• 实现每个突触事件的亚飞焦耳能效，接近生物突触水平。
• 在人工突触中实现元可塑性，实现优于线性突触模型的自适应学习能力。
• 通过在标准图像分类基准上的神经形态仿真验证器件性能。

提出的方法

• 采用双层石墨烯电子纹身转移至Nafion-117膜上，制备了宏观尺度（mBLAST，10–100 mm²）和微米尺度（µBLAST，~400 µm²）的BLAST器件。
• 利用干燥Nafion膜作为固态聚合物电解质，其含有可移动的质子团簇，实现对石墨烯沟道电导的质子导电栅控。
• 通过Nafion施加电流脉冲，驱动正电荷质子团簇移动，调节石墨烯界面的电双电层，从而调控沟道电导。
• 通过源-测量单元在0.1 V漏源偏置下，施加脉冲栅极电流，测量电导变化，以模拟突触权重更新。
• 开展脉冲串、弛豫期、斜坡/恒定值测试及温度依赖性研究，评估保持性、线性度和稳定性。
• 使用CrossSim进行神经形态仿真，采用随机查找表建模器件非线性、噪声及工艺变异，基于MNIST、Fashion-MNIST和UCI-HAR数据集对两层MLP进行训练。

实验结果

研究问题

• RQ1 基于生物相容性、柔性的二维材料的人工突触晶体管能否实现与生物突触相当的能效？
• RQ2 使用干燥Nafion膜是否能实现石墨烯基人工突触器件中稳定、可重复且可逆的电导调制？
• RQ3 人工突触中的元可塑性能否在深度学习任务中超越理想线性突触模型？
• RQ4 器件性能（包括电导保持性和温度稳定性）在不同器件尺寸和工作条件下如何变化？
• RQ5 实验器件特性在神经形态仿真中能多大程度上被准确建模，以适用于现实世界的分类任务？

主要发现

• BLAST器件实现了约50 aJ/µm²的开关能量，比以往报道的二维材料人工突触低一个数量级以上。
• 器件在脉冲串后150–200秒内表现出长期电导保持性，衰减极小，表明突触状态稳定。
• 电导变化在多种脉冲幅度和宽度下均表现出高度可重复性和可扩展性，且在广泛电导水平范围内呈现对称和线性响应。
• 神经形态仿真表明，具备元可塑性的BLAST在MNIST和Fashion-MNIST图像分类任务中优于理想线性突触，证明了非线性在学习中的优势。
• 器件在0°C至80°C的温度范围内表现出稳健性能，电导变化微小，表明具备良好的热稳定性，适合实际部署。
• 通过使用成对BLAST器件利用电导差值编码突触权重，降低了动态范围需求并减少了噪声串扰，提升了仿真保真度。