A Dual-Memory Ferroelectric Transistor Emulating Synaptic Metaplasticity for High-Speed Reservoir Computing
Yifan Wang, Muhammad Sakib Shahriar, Salma Soliman, Noah Vaillancourt, Lance Fernandes, Andrea Padovani, Asif Islam Khan, Md Sakib Hasan, Raisul Islam
边缘人工智能的指数级增长需要以材料为中心的解决方案,以克服处理实时时间数据时的能源消耗和延迟限制。 物理储层计算(PRC)提供了一种节能的范式,但由于设备可扩展性和可重新配置性有限,因此面临挑战。 此外,存储库和读出层需要分别对不同时间尺度、短期和长期记忆,这是阻碍CMOS兼容实现的重大挑战。 这项工作展示了一种CMOS兼容的铁电晶体管,使用铬-氧化锆(HZO)和硅,可实现双内存操作。 该系统从铁电HZO偏振和由栅极化驱动的工程非准静态(NQS)通道电荷松弛的非易失性长期记忆(LTM)表现出非易失性长期记忆(LTM)。 铁电偏振作为挥发性动力学的非易失性编程:通过调节阈值电压,铁电状态确定性地切换配对脉冲促进(PPF)和抑郁(PPD)之间的NQS时间常数和计算行为。 这建立了一个适用于各种铁电半导体异质结构的通用材料设计原理,从硅扩展到氧化物半导体和异构集成系统。 该设备仅使用16个储层状态 - 5倍减少 - 实现20个响应时间(1000倍快)和1.5 x 10^-7 J能耗,以3.69 x 10^-3的规范化错误解决二阶非线性任务,为神经形态硬件和节能边缘智能提供立即可制造的途径。
The exponential growth of edge artificial intelligence demands material-focused solutions to overcome energy consumption and latency limitations when processing real-time temporal data. Physical reservoir computing (PRC) offers an energy-efficient paradigm but faces challenges due to limited device scalability and reconfigurability. Additionally, reservoir and readout layers require memory of different timescales, short-term and long-term respectively - a material challenge hindering CMOS-compat...