In₂Se₃ Synthesized by the FWF Method for Neuromorphic Computing

FWF法合成In₂Se₃用于神经形态计算

第一作者: Jaeho Shin

通讯作者: Yimo Han, James M. Tour

莱斯大学、光云大学、加州大学伯克利分校

DOI: 10.1002/aelm.202400603

Advanced Electronic Materials • 2024年

论文亮点

        开发了flash-within-flash (FWF) 焦耳加热方法，实现了克级规模的单相α-In₂Se₃晶体合成
基于α-In₂Se₃制备的铁电场效应晶体管(FS-FET)展示了优异的突触行为和神经形态计算能力，在MNIST模式识别中达到约87%的准确率

研究背景

二维铁电半导体因其原子级厚度和固有极化特性，在内存计算和神经形态应用中具有巨大潜力，能够实现高集成密度和低能耗
In₂Se₃具有合适的带隙(1.39eV)和室温面内/面外铁电特性，居里温度高于200°C，但传统方法难以合成纯相且产量有限
传统闪速焦耳加热(FJH)方法要求前驱体具有一定导电性，需要添加导电添加剂，可能产生副产物

研究方法

本研究采用flash-within-flash (FWF) 焦耳加热方法合成α-In₂Se₃晶体：

使用双层石英管结构：外管填充冶金焦炭(导电材料)，内管放置铟颗粒和硒粉末前驱体(摩尔比1:3)
对外管施加300V电压，通过焦耳效应产生>2000°C高温，通过热传导使内管前驱体反应
反应在3秒内完成，可实现克级规模的α-In₂Se₃合成
使用不同占空比(10%, 20%, 50%)的脉冲放电，实现动力学辅助的合成过程
通过TEM、XRD、XPS、拉曼光谱和PFM等手段对产物进行表征
制备α-In₂Se₃基FS-FET器件，研究其电学特性和突触行为
构建单层神经网络进行MNIST模式识别模拟，评估器件性能

主要结论

FWF方法成功实现了克级规模单相α-In₂Se₃晶体的合成，无需导电添加剂，避免了副产物的产生
α-In₂Se₃ FS-FET器件展示了典型的n型半导体行为，开关比>10⁴，具有可调控的滞后记忆窗口
器件展示了短期可塑性(STP)、长期增强/抑制(LTP/LTD)和脉冲频率依赖性可塑性(SRDP)等多种突触行为，在重复电脉冲下表现出优异的可靠性
基于α-In₂Se₃突触器件的单层神经网络在MNIST模式识别中达到了约87%的准确率，接近理想数值权重88%的准确率

材料合成与表征

图1: FWF合成α-In₂Se₃及材料表征。(a)FWF合成示意图;(b)300V FWF反应电流曲线;(c)ADF-STEM图像和傅里叶变换(插图);(d)XRD谱;(e)拉曼光谱;(f)In和Se的XPS谱

分析结果: FWF方法成功合成了高结晶度的单相α-In₂Se₃。XRD结果显示所有衍射峰与六方α-In₂Se₃相(卡片号: 00-034-1279)匹配。拉曼光谱在105、181和193 cm⁻¹处显示了特征振动模式，证实了α相结构。XPS分析确认了In和Se的化学价态，且碳和氧信号可忽略不计，表明产物纯度较高。

电学特性分析

图2: α-In₂Se₃ FET器件的电学特性。(a)光学图像;(b)器件示意图;(c)截面ADF-STEM图像;(d)不同V_G下的I_D-V_D特性;(e)不同V_G扫描范围的I_D-V_G特性;(f)保持特性;(g)不同V_D下的I_D-V_G特性;(h)不同V_G扫描范围的滞后记忆窗口;(i)耐久性特性

分析结果: α-In₂Se₃ FET器件展示了典型的n型半导体行为，开关比>10⁴。器件显示出明显的顺时针滞后现象，表明具有记忆操作能力。滞后记忆窗口可通过栅极扫描范围调节，从±10V时的7.5V到±40V时的38.5V，表明极化程度可通过电场精确控制。耐久性测试表明器件在10³次重复脉冲下保持稳定，但保持特性在10²秒后有所退化，可能与电荷移动干扰极化方向有关。

工作机制与突触特性

图3: α-In₂Se₃ FET器件的工作机制和人工神经形态器件特性。(a)V_G<0(极化向下)和V_G>0(极化向上)状态下的能带图;(b)不同脉冲宽度触发的突触后电流(PSC)响应;(c)不同时间间隔的重复增强脉冲触发的PSC响应;(d)不同脉冲幅度的LTP和LTD;(e)重复LTP/LTD转换;(f)(e)中第一个和最后三个周期的PSC值

分析结果: α-In₂Se₃ FS-FET器件成功实现了短期可塑性(STP)和长期可塑性(LTP)两种基本突触功能。较短的脉冲宽度(10ms)引起暂时的PSC变化(STP)，而较长的脉冲宽度(1s)导致PSC持续增加(LTP)。PSC变化程度受脉冲间隔时间影响，较短间隔(0.1s)导致更大更快的PSC增加，这与生物突触中的时间总和现象类似。器件展示了可调控的LTP和LTD行为，且在4000次连续输入脉冲下保持稳定的突触功能，表明具有良好的重复性和可靠性。

MNIST模式识别性能

图4: MNIST模式识别模拟。(a)三突触结构示意图;(b)MNIST模式识别过程的单层神经网络示意图;(c)30个学习周期的模式识别准确率;(d)训练过程后10000个测试图像的混淆矩阵

分析结果: 基于α-In₂Se₃ FS-FET器件的单层神经网络在MNIST模式识别中表现出色。随着训练周期增加，准确率逐渐收敛到约87%，接近使用数值权重(排除器件参数)的理想单层准确率约88%。不同工作电压(V_G=20,30,40V)下的分类准确率分别为86.77%、86.36%和86.02%。混淆矩阵显示，对角元素之和与全部10000张图像的比值表明识别准确率约为87%，证明基于α-In₂Se₃器件的单神经网络能够正确执行学习和识别任务。