基于双极性沟道的双电层晶体管及其神经形态应用研究

Brain inspired neuromorphic system has become an exciting research area and has attracted considerable interests. Hardware implementation of synapse and neuron by individual device is of great significance for realizing such neuromorphic system and brain-inspired intelligence. Electric-double-layer (EDL) transistor is a promising candidate for its ionic gating, threshold switching and multi-input characteristics. In this project, EDL transistors based on ambipolar channel will be fabricated. By utilizing the ambipolar transport property of the channel, novel neural/synaptic computation will be realized. This works are detailed as follows. First, ambipolar sing-walled carbon nanotube (SWNT) will be fabricated for the top-gated EDL transistors. The ionic gating and ambipolar transport mechanism will be studied by material and device characterizing. Second, by employing ambipolar semiconductor as channel material, three types of synaptic plasticity and high-/low-/band-pass synaptic filtering can be all realized. Further, a new type of neural model with novel activation function can be realized by the combination of multi-gate structure and ambipolar channel material. Finally, novel neural networks can be hardware-implemented based on such devices. Such neural/synaptic devices will be useful for the neuromorphic computation and brain-inspired intelligence.

具有神经元和突触功能的单元器件是构建神经形态系统和类脑智能的核心，而双电层晶体管由于其特有的离子介电调控、阈值开关以及多输入整合特性，使其成为神经形态器件领域的研究热点。本项目将在双电层晶体管的基础上，以双极性半导体材料为沟道，制备具有双极性工作模式的器件，实现并深入挖掘新型的神经元与突触计算特性。具体内容包括：制备双极性沟道材料——半导体型单壁碳纳米管（SWCNT）和以之为沟道的顶栅结构的双电层晶体管、通过表征手段分析栅介质离子介电调控与沟道双极性工作机理、基于单栅结构器件实现突触的三种可塑性和滤波特性、基于多栅结构器件的多输入整合特性实现新型的神经元计算特性、并以该类器件为基础实现新型神经网络。该项目研究是对基于双电层晶体管的神经形态器件研究的进一步深化，有助于构造以基于该类器件的神经元/突触为计算单元的神经形态系统，这将推动神经形态计算和类脑智能等科学领域的发展与工业技术的革新。

人造神经元和人造突触是构建神经形态系统和类脑智能的核心，而双电层晶体管和忆阻器由于能够模拟神经元和突触特性而成为研究热点。在该研究领域中，如何最大可能地开发单元器件的神经形态特性和多样化工作模式是重要的研究方向。本项目基于N型和P型沟道材料制备了具有不同工作模式的新型双电层晶体管，并基于掺杂等方法制备了两端器件忆阻器。本项目充分研究挖掘了两种单元器件的神经形态计算特性以及电路/系统级应用。具体地，本项目成功制备了基于SiO2栅介质和IZO沟道的N型双电层晶体管，并实现了突触信号传输特性。同时，基于壳聚糖栅介质和DPPT-TT沟道的P型双电层晶体管的制备也得以实现，为后续神经形态计算提供了不同的器件工作模式和更多的材料选择。此外，本项目还成功制备了基于TiN/Cu/SiO2/TiN结构的忆阻器及实现了基于该器件的人工神经网络数字识别应用、制备了基于Ti3C2-MXene掺杂的忆阻器及实现了基于该器件的均值漂移算法应用，以及制备了基于Ag-In-Zn-S/Cs3Cu2Cl5异质结构的忆阻器及实现了基于该器件的神经形态计算等。在实验和建模仿真等手段的支持下，本项目通过单元器件实现的有监督学习算法及手写数字识别已经达到了与软件算法相当的准确率，同时还实现了无监督学习算法，更是开创性地使用不同可塑性的器件相互作用实现了方向选择算法。本项目的研究结果不仅深入发掘了神经形态单元器件的计算特性，同时还通过不同计算特性/工作模式的结合实现了新型电路/系统级应用。本项目的研究成果有望在未来推动神经形态计算和类脑智能等科学领域的发展，并在工业技术的革新方面发挥重要作用。