Flash In₂Se₃ for Neuromorphic Computing

闪速合成In₂Se₃用于神经形态计算

第一作者: Jaeho Shin | 通讯作者: Yimo Han, James M. Tour

所属大学: Rice University, Korea University 等

DOI: Not provided | 期刊: Preprint | 年份: 2023

PDF原文

论文亮点

• 实现了克级规模的单相α-In₂Se₃晶体合成，使用flash-within-flash Joule heating方法。
• 基于α-In₂Se₃的人工突触器件在MNIST模式识别中达到约87%的学习准确率。

研究背景

• 二维铁电半导体在内存计算和神经形态应用中具有低能耗和高集成密度优势。
• In₂Se₃具有室温铁电性和合适带隙，但纯相合成困难，传统方法如CVD难以大规模制备。
• Flash Joule heating (FJH) 方法可用于快速合成，但需要导电前驱体，限制了应用。

研究方法

本研究采用flash-within-flash Joule heating (FWF) 方法合成α-In₂Se₃：

• 使用内外石英管系统：外管填充导电材料（如冶金焦炭），内管放置非导电前驱体（In pellets和Se粉末，摩尔比1:3）。
• 应用300V电压到外管，产生焦耳加热，温度超过2000°C，通过热传导间接加热内管前驱体，反应时间在3秒内。
• 合成后，进行材料表征：透射电子显微镜(TEM)、X射线衍射(XRD)、X射线光电子能谱(XPS)、拉曼光谱(Raman)等，以确认单相α-In₂Se₃的形成。
• 器件制备：通过机械剥离将α-In₂Se₃ flakes转移到SiO₂/Si基底上，使用光刻和电子束蒸发沉积Ti/Au电极，制作FS-FET器件。
• 电学测量：在黑暗和高真空条件下，使用半导体参数分析仪测量器件性能，包括输出特性、转移特性和突触行为。

主要结论

• 成功通过FWF方法合成了高结晶度单相α-In₂Se₃晶体，实现了克级规模制备。
• 制备的α-In₂Se₃ FS-FET器件展示了短期可塑性(STP)、长期可塑性(LTP)和长期抑郁(LTD)等突触行为，具有优异的可靠性。
• 在单层神经网络系统中，MNIST手写数字识别准确率达到约87%，展示了在神经形态计算中的应用潜力。

Figure 1: FWF合成过程和材料表征

内容描述: 该图展示了flash-within-flash Joule heating (FWF) 合成α-In₂Se₃的过程和材料表征结果。

分析结果: - (a) FWF合成示意图，显示内外管结构和前驱体反应。 - (b) 电流曲线，显示不同占空比下的放电过程。 - (c) ADF-STEM图像和傅里叶变换，证实了α-In₂Se₃的高结晶度。 - (d) XRD谱图，所有衍射峰匹配 hexagonal α-In₂Se₃相。 - (e) 拉曼光谱，显示特征峰在105、181和193 cm^-1，确认α相。 - (f) XPS谱图，显示In和Se的化学价态，证实In₂Se₃形成。 这些结果表明FWF方法成功合成了单相α-In₂Se₃，且材料纯度高。

Figure 2: α-In₂Se₃ FET器件的电学特性

内容描述: 该图展示了α-In₂Se₃ FET器件的结构、电学性能和可靠性测试。

分析结果: - (a) 光学显微镜图像和(b) 器件示意图，显示FS-FET结构。 - (c) 截面ADF-STEM图像，显示清晰的层状结构和电极接触。 - (d) 输出特性(I_D-V_D)，显示n型半导体行为。 - (e) 转移特性(I_D-V_G)，显示大滞后窗口，表明铁电记忆操作。 - (f) 保留测试，ON/OFF状态在100秒后略有退化。 - (g) 不同V_D下的转移曲线。 - (h) 滞后记忆窗口随V_G扫描范围增大而增大。 - (i) 耐久性测试，经过1000次写/擦循环后，ON/OFF状态稳定。 这些结果证实器件具有非易失性记忆特性和良好的可靠性，适用于神经形态应用。

Figure 3: 工作机制和人工突触器件特性

内容描述: 该图展示了α-In₂Se₃ FET器件的工作机制和突触行为。

分析结果: - (a) 能带图，显示在V_G < 0 和 V_G > 0 时的极化状态和能带偏移。 - (b) 后突触电流(PSC)响应，不同脉冲宽度(10 ms, 100 ms, 1 s)触发STP和LTP。 - (c) PSC响应，显示脉冲间隔(Δt)对突触权重的影响， shorter Δt导致更大PSC增加。 - (d) LTP和LTD的逐步变化，取决于脉冲幅度。 - (e) 重复LTP/LTD过渡，经过4000次脉冲循环后稳定。 - (f) 第一个和最后三个循环的PSC值几乎相同，显示可重复性。 这些行为模拟了生物突触的功能，如时序求和和 spike rate-dependent plasticity (SRDP)，证明了器件在神经形态计算中的适用性。

Figure 4: MNIST模式识别模拟

内容描述: 该图展示了基于α-In₂Se₃ FS-FET器件的MNIST手写数字识别模拟。

分析结果: - (a) 三突触结构示意图。 - (b) 单层神经网络示意图，输入层为28x28像素，输出层为10类数字。 - (c) MNIST识别准确率随训练周期增加，收敛到~87%，接近理想值。 - (d) 混淆矩阵，显示10,000个测试图像的识别结果，对角元素求和比例约87%。 模拟结果表明，α-In₂Se₃ synaptic器件能够有效学习并识别模式，准确率高，验证了其在神经形态计算中的潜力。