重复擦写超1000万次仍保持稳定性
在11×11存储单元交叉阵列中验证性能

光州科学技术院(GIST)30日表示,该校新材料工程系教授 Lee Sanghan 研究团队通过与首尔大学、美国南加州大学(USC)研究人员开展联合研究,开发出可大幅提升神经形态半导体集成度和工艺效率的下一代器件技术。

GIST-首尔大学-南加州大学国际联合研究团队合影。GIST供图

GIST-首尔大学-南加州大学国际联合研究团队合影。GIST供图

View original image

作为人工智能(AI)半导体核心技术的“神经形态计算”,是模拟人脑神经网络、进行超低功耗高速并行运算的技术。该技术主要采用将存储器件以网格形式排列的“交叉阵列”结构,但电刺激会导致信息以不规则方式存储的非线性问题,以及电流泄漏至相邻器件的“漏电流”现象,均会降低运算准确度。


为解决这一问题,以往必须为每个器件额外配置用于阻断漏电流的“选择器”,从而导致结构复杂、集成度下降。


联合研究团队通过在铁酸铋(BiFeO3)这一铁电材料中添加钡(Ba),精准控制氧空位(oxygen vacancy)的迁移,解决了这一难题。由此,在单一器件中同时实现了存储信息的存储器功能,以及使电流仅向一个方向流动的“自整流(Self-rectifying)”功能。


开发出的器件无需额外选择器,即可将整流比提升至100万倍以上,有效阻断漏电流。此外,即使在超过1000万次的重复写入、擦除测试中,器件仍保持稳定性,并证实其具备随电刺激以恒定幅度累积信息的线性信息存储特性。


研究人员实际构建了由121个存储单元组成的交叉阵列(11×11)并开展实验,结果显示,即使不使用选择器,也成功稳定记录和控制文字及图像图案信息。


GIST教授 Lee Sanghan 表示:“本研究在单一器件中同时解决了神经形态半导体的两大难题,即信息累积的非线性问题和漏电流问题,具有重要的学术和产业意义。该技术将成为加快实现高效神经形态计算及超低功耗AI半导体商业化的基础技术。”



本项研究在科学技术信息通信部、韩国研究基金会等机构支持下完成,研究成果已发表于国际权威学术期刊《自然·通讯》(Nature Communications)网络版。


本报道由人工智能(AI)翻译技术生成。

版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。

不容错过的热点