Dispositif synaptique à piégeage de charge ReS₂ haute performance atteignant 100 % de précision en reconnaissance faciale

Résumé

Les dispositifs synaptiques sous-tendent la prochaine génération de systèmes neuromorphes à haut rendement énergétique et haute vitesse. Nous avons fabriqué une synapse à piégeage de charge basée sur le disulfure de rhénium (ReS₂) anisotrope qui reproduit fidèlement la potentialisation et la dépression à long terme. Pour valider son aptitude aux réseaux de neurones à grande échelle, nous avons entraîné un réseau de neurones artificiels (RNA) à trois couches sur 120 images de la base de données Yale Face et l'avons testé sur 45 images inédites. En mappant les 120 états de conductance finement ajustables du dispositif ReS₂ sur les >10⁵ poids du RNA, le réseau a atteint un taux de reconnaissance parfait de 100 %, démontrant la promesse du dispositif pour les applications neuromorphes pratiques.

Contexte

Les architectures traditionnelles de von Neumann séparent le calcul de la mémoire, créant un goulot d'étranglement de bande passante et une consommation d'énergie élevée. En revanche, le cerveau humain fonctionne avec ≈ 20 W en tirant parti d'un réseau hautement interconnecté de ∼10¹¹ neurones et ∼10¹⁵ synapses. La plasticité synaptique — l'ajustement dynamique du poids synaptique — est le mécanisme central qui permet l'apprentissage et la mémoire.

Les matériaux bidimensionnels (2D), tels que le graphène, les dichalcogénures de métaux de transition (TMDC) et le phosphore noir, sont apparus comme des milieux de canal prometteurs pour les synapses artificielles. Alors que les TMDC à réseau symétrique (MoS₂, WSe₂) dominent la littérature, le disulfure de rhénium (ReS₂) offre une structure 1T distordue avec un gap de bande direct jusqu'à dix couches, simplifiant la fabrication et permettant un piégeage de charge robuste.

Les démonstrations synaptiques précédentes se sont concentrées sur la plasticité à court terme, avec seulement quelques rapports capturant la potentialisation/dépression à long terme et intégrant les états de conductance dans les calculs de RNA. Notre travail comble cette lacune en fournissant un dispositif ReS₂ qui non seulement émule LTP/LTD mais fournit également 120 niveaux de conductance stables utilisables comme poids de RNA.

Méthodes

La pile du dispositif (Figure 1d) comprend une grille arrière ITO de 70 nm sur SiO₂/Si 200 nm, une couche de piégeage de charge Al₂O₃/ZrO₂/Al₂O₃ de 12/4/4 nm déposée par ALD, et un canal ReS₂ exfolié mécaniquement d'environ 3,6 nm (≈ 5 couches) avec des contacts source/drain Ti/Au (10/70 nm). La longueur du canal est de 1,5 µm, et l'orientation du cristal ReS₂ le long de l'axe b est choisie pour sa mobilité électronique supérieure. Des tensions de grille arrière pulsées modulent le dispositif, tandis qu'un biais constant de 0,1 V drain-source lit le courant postsynaptique.

Résultats et discussion

La Figure 2a montre un rapport marche/arrêt >10⁶ à V_ds = 100–700 mV, confirmant un fort contrôle du canal par la grille ITO de 20 nm. Les caractéristiques de transfert présentent une région superlinéaire à bas V_ds, indiquant de bons contacts Schottky. Une fenêtre de mémoire de 3,5 V est observée dans l'hystérésis I_bg (Fig. 2b), reflétant un piégeage de charge efficace dans la couche ZrO₂ (Fig. 2c,d).

Les courants postsynaptiques excitateurs (EPSC) et inhibiteurs (IPSC) sont déclenchés par des impulsions de grille arrière de −1 V/10 ms et +1 V/10 ms, respectivement (Fig. 3a,b). Les impulsions négatives induisent la LTP en injectant des électrons dans le canal ReS₂ ; les impulsions positives produisent la LTD en piégeant des électrons dans ZrO₂. Des impulsions répétées de −2 V avec des intervalles de 1 s produisent une augmentation monotone du courant (Fig. 3c,d), permettant la génération de multiples états de conductance stables.

Après 120 impulsions successives de −2 V, 10 ms, le dispositif présente 120 niveaux de conductance linéairement espacés (Fig. 4a). Ces niveaux se mappent directement sur les >10⁵ valeurs de poids du RNA, comme illustré dans l'architecture RNA à 3 couches (Fig. 4b) : 1024 neurones d'entrée, 256 neurones cachés et 15 classes de sortie. L'entraînement sur 120 images Yale Face et le test sur 45 images inédites, le réseau atteint 100 % de précision après 600 itérations d'entraînement (Fig. 5b). Les distributions de poids convergent vers un ensemble de valeurs dispersées, qui sont ensuite mises en correspondance avec les 120 états de conductance via une transformation linéaire C_j = A I_j + B (A = 1,3769 × 10¹⁰, B = −65,784). La substitution de ces valeurs de conductance dans le RNA préserve le taux de reconnaissance de 100 %, confirmant la viabilité des synapses ReS₂ pour les réseaux de neurones à grande échelle.

Conclusions

Nous avons démontré un dispositif synaptique ReS₂ à empilement diélectrique haute performance qui exhibe de manière fiable la potentialisation et la dépression à long terme. En appliquant 120 impulsions de grille périodiques, le dispositif fournit 120 états de conductance distincts et stables qui remplacent >10⁵ poids de RNA, atteignant une précision parfaite de reconnaissance faciale. Ces résultats établissent le ReS₂ comme une plateforme convaincante pour le matériel neuromorphe.

Disponibilité des données et matériaux

Les auteurs confirment que toutes les données, matériaux et protocoles sont disponibles pour les lecteurs et entièrement contenus dans cet article.

Abréviations

2D :

Bidimensionnel

ALD :

Dépôt de couches atomiques

RNA :

Réseau de neurones artificiels

LTD :

Dépression à long terme

LTP :

Potentialisation à long terme