[發明專利]基于鐵電晶體管FeFET的側抑制神經元電路

有效

• 申請號: 202010118636.1
• 申請日: 2020-02-26
• 公開（公告）號: CN111291877B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 黃如;劉姝涵;黃芊芊;陳誠;蔡一茂
• 申請（專利權）人: 北京大學
• 主分類號: G06N3/063
• 分類號: G06N3/063
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 賈曉玲

本發明提出了一種基于鐵電晶體管FeFET的側抑制神經元電路,該電路包括電容、重置管、正反饋管、兩級串聯的反相器、鐵電晶體管；其中，電容用于模擬生物神經元的細胞膜電容，積累由輸入的突觸后電流帶來的電荷；重置管是一個N型MOSFET器件，為電容上積累的電荷提供重置通路；正反饋管是一個P型MOSFET器件，在第一級反相器的輸入接近其邏輯閾值電平時為電容補充電荷；兩級串聯的反相器由兩組互補CMOS構成，起到放大輸入端電壓變化的作用，脈沖生成于其輸出端；鐵電晶體管是一個N型FeFET器件，用于模擬生物神經元的側抑制功能。本發明可以顯著降低硬件開銷；同時高度模擬了生物神經元的基本特性和高級功能。

技術領域

本發明涉及神經形態計算中側抑制神經元的物理實現方式，具體涉及一種基于鐵電晶體管FeFET的側抑制神經元電路。

背景技術

隨著信息技術的蓬勃發展，人類社會已經步入“數據爆炸”的時代，每年指數式增長的數據量為數據的處理和計算帶來了空前的壓力。傳統馮諾依曼計算架構由于其存算分離的架構特點，數據在存儲單元和計算單元之間的傳輸將引起大量的功耗和能耗的浪費，在如今信息社會乃至智能社會伴隨龐大數據量的背景下，這一問題將變得越來越嚴重。

研究者們受人腦運算模式啟發，提出了神經網絡(Neural Network)計算架構，以神經元-突觸-神經元的連接方式為基礎，構建存算一體、高度并行的分布式計算網絡，在提高了對復雜數據的處理效率的同時可避免傳統馮諾依曼計算架構中“內存墻”引起的功耗和能耗問題。經典的人工神經網絡(Artificial Neural Network)中，神經元的功能被抽象為一種數值計算：先加和輸入的數據，再通過激活函數得到輸出的激活值。目前，人工神經網絡在圖像識別、自然語言處理、自動駕駛等應用中已表現出超越傳統通用計算單元的計算效率，然而與人腦相比，仍存在學習訓練周期長、計算硬件開銷較大等問題。神經形態計算(Neuromorphic Computing)在神經網絡計算架構的基礎上進一步模擬人腦，以脈沖形式表達和傳遞信息，所構建的脈沖神經網絡(Spiking Neural Network)具有異步、事件驅動的特性，可進一步縮小機器智能與人腦智能之間的差距，具有能效高、學習速度快、泛化能力強等優勢。

與人工神經網絡中的神經元不同，脈沖神經元負責整合輸入的脈沖信號并輸出新的脈沖信號來傳遞信息，其工作形式模擬生物神經元，對信號的處理過程體現在膜電位(V_mem)的變化上。脈沖神經元的基本功能可以抽象為積累發放(Integrate-and-Fire,IF)，同時其也是神經形態計算中應用最廣泛的仿生脈沖神經元模型。除了積累發放的基本功能之外，要實現神經元的一些高級功能，比如泄露、側抑制，可以通過在原有IF模型的基礎上加以修改，形成更為完善的神經元模型。泄露在原有的IF模型中增添了一個泄露項，為膜電位上的積累引入一個恒定的泄放通路；側抑制在原有的IF模型中增添了一個抑制項，具體體現為對膜電位進行放電，抑制程度取決于其它競爭神經元的活躍程度和神經元之間的耦合系數。

神經形態計算最終要實現網絡整體的硬件化，才能完全擺脫“內存墻”瓶頸的限制。目前，神經形態計算的硬件實現上，已經有許多研究機構和企業研發出了多款神經形態芯片，然而在現有的神經形態計算的硬件化方案中，網絡的基本單元——脈沖神經元依然主要基于傳統CMOS電路搭建，存在硬件開銷較大、電路能耗較高等問題，不利于高密度、大規模集成，并可能使網絡失去架構層面帶來的原本的功耗和能耗優勢。此外，高級的生物神經元功能例如側抑制，可能會影響整個脈沖神經網絡仿腦功能的實現，然而基于傳統CMOS電路的實現方式往往需要引入大幅額外硬件開銷。

將鐵電材料疊加到MOSFET的柵氧化層上，即可得到FeFET。此時，鐵電材料的自發極化將在MOSFET的柵氧化層上感應出額外的電荷，導致器件溝道電導改變，使得器件溝道電流變化。鐵電極化電荷在MOSFET柵氧化層上感應出的電荷亦可等效為一個額外的柵電壓，反映到整個FeFET上則可以體現為器件閾值電壓的變化。FeFET的器件溝道電導同時受其柵電壓和鐵電的極化強度調控的特性，可以直觀地模擬神經元側抑制功能，為側抑制的物理實現提供了可能。

發明內容