BOB半岛综合华南师范大学樊贞团队提出全铁电储备池计算系统

　　BOB半岛综合近日，华南师范大学樊贞团队研制出全铁电储备池计算系统，实现了准确、低功耗时序信息处理，为储备池计算硬件实现提供了一种可行的器件方案。相关成果以“All-ferroelectric implementation of reservoir computing ”。华南师范大学硕士生陈智威为论文第一作者，樊贞研究员为论文通讯作者。此外，李文杰等硕士生、秦明辉教授、曾敏教授、陆旭兵教授、周国富教授和高兴森教授，以及南京大学刘俊明教授为该研究做出重要贡献。该研究受到国家自然科学基金、广州市重点实验室“智能光电材料与类脑器件重点实验室”等资助。

　　循环神经网络(RNN)是一种具有记忆功能的神经网络，适用于时序信息处理，在语音识别、机器翻译、股票预测等方面有着广泛的应用。在众多类型的RNN中，储备池计算(Reservoir computing)因训练代价低、硬件开销少而备受关注。储备池计算系统主要由储备池和读出层两部分组成，储备池将输入时序信号映射到高维特征空间中，再由读出层进行简单线性处理，实现预测、分类等目的。由于储备池和读出层功能不同，其硬件实现所需要的器件特性也截然不同：储备池需要由具有短期记忆(即易失性)和非线性的器件来实现，而读出层则需要由非易失性器件来实现。前人大多使用了易失性扩散型忆阻器[1-4]和非易失性漂移型忆阻器[4-6]来分别实现储备池和读出层，构建了全忆阻储备池计算系统，在动态手势识别等任务中取得了优异的表现，并且功耗比数字硬件低三个数量级以上[7]。然而，扩散型和漂移型忆阻器都是基于离子迁移而工作，该过程随机性较大，限制了器件的可控性和稳定性，进而制约了系统的计算性能和可靠性。

　　铁电忆阻器是一种基于极化翻转调控电导的器件。相较于离子迁移，极化翻转理论上随机性更小。此外，铁电忆阻器还具备速度快、耐疲劳、功耗低等优势[8,9]。因此，铁电忆阻器有望被用于构建高可靠性、高速、高能效的储备池计算系统[6,10-12]。为了构建这样的全铁电储备池计算系统，人为操控铁电忆阻器的动力学特性，从而获得易失和非易失两种特性BOB半岛综合，分别用于实现储备池和读出层显得至关重要。

　　樊贞团队提出在相同结构(Pt/BiFeO 3 /SrRuO 3 )的铁电二极管中，通过引入和消除印刻场(E imp )，分别获得易失和非易失特性，进而分别用于实现储备池和读出层，构建全铁电储备池计算系统。对于引入E imp 的易失性铁电二极管，其表现出由E imp 诱导的自发极化回转和电导弛豫(即短期记忆)，且在较宽电压幅值和频率范围内均表现出非线性。而对于消除Eimp 的非易失性铁电二极管，其表现出多级可调且稳定的极化态和电导态。然后，利用易失性和非易失性铁电二极管分别制备了储备池和读出层，进而构建出全铁电储备池计算系统BOB半岛综合BOB半岛综合。在该系统中，易失性铁电二极管的短期记忆和非线性保障了丰富的储备池状态，进一步采用时分复用的虚拟节点方法提升了状态丰富程度和反馈强度；而非易失性铁电二极管则提供了稳定的多电导态用于映射读出层权重。该系统成功演示了曲率识别、数字识别、波形分类和混沌序列预测等任务，并展现出优异的性能。特别地，在混沌序列预测中取得了超低预测误差(NRMSE = 0.017)。此外，易失性和非易失性铁电二极管还表现出长期稳定性、高耐久性和低功耗，这使得全铁电储备池计算系统有望成为一种准确、可靠、低功耗的类脑时序信息处理硬件。

　　图1 全铁电储备池计算系统的概念提出。(a)储备池计算系统的原理图和(b)全铁电储备池计算系统示意图，其中输入信号被编码为脉冲序列，而储备池和读出层分别用易失性和非易失性铁电二极管实现。(c)引入Eimp 的易失性铁电二极管和(d)消除Eimp 的非易失性铁电二极管的示意图。Eimp 会引起极化回转和相应的电导衰减。

　　图2 非易失性铁电二极管的铁电及阻变性能。(a) Pt/BFO(在15pa氧压下生长)/SRO非易失性铁电二极管示意图。(b)该器件的P-V滞回曲线 V电压扫描测量的I-V特性。(d)分别用变幅的正、负脉冲测量的LTP和LTD特性(读取于0.8 V)。在(e) LTP和(f) LTD过程中获得的电导态的保持行为。

　　图3 易失性铁电二极管的铁电及阻变性能。(a) Pt/BFO(在19pa氧压下生长)/SRO易失性铁电二极管示意图BOB半岛综合。(b)该器件的P-V滞回曲线 V电压扫描测量的I-V特性。(d)施加−2.5 V/ 2 ms写脉冲后的读取电流衰减特性。(e)对5个−2.5 V/ 2ms写脉冲的电流响应。(f)在不同频率的输入正弦电压波作用下，易失性铁电二极管输出电流的傅里叶变换结果。

　　图6 全铁电储备池计算系统在波形分类和混沌序列预测任务中的表现。(a)用于生成虚拟节点的掩膜过程的示意图。(b)混合正弦和方波的波形输入(上图)及其分类结果(下图)。(c)训练集上理想的时间序列及其预测结果和(d)对应的二维图，(e)测试集上理想的时间序列及预测结果和(f)对应的二维图。c-f的预测结果是由全铁电储备池计算体系得到的。

　　樊贞，博士BOB半岛综合，研究员，广东省青年珠江学者入选者。2011年本科毕业于上海交通大学，2015年获新加坡国立大学博士学位，2016年至今先后担任华南师范大学副研究员、研究员。研究方向为信息功能材料、器件及类脑计算应用，主要学术贡献包括：(1)研制出感存算一体铁电光伏传感器网络，实现零能耗图像感知与实时处理；(2)研制出全铁电储备池计算系统，实现准确、低功耗时序信息处理；(3)提出拓扑相变忆阻器性能调控新方法，实现神经元和突触应用。发表第一或通讯作者论文40余篇，包括 Nat. Commun. (2篇)、 Adv. Mater. (2篇)、 Phys. Rev. Appl. (3篇)、 Neural Networks 等。获批主持国家自然科学基金面上项目等3项。荣获2022中国新锐科技人物闪耀潜力奖、中国仪表功能材料学会电子元器件关键材料与技术专业委员会2020年度学术新秀奖、 J. Materiomics 期刊2021年优秀审稿人等奖励荣誉。目前担任 Journal of Advanced Dielectrics 期刊青年编委。

　　如有光学论文写作/实验笔记经验、绘图工具介绍，或其他优质稿件，欢迎投稿至。

　　由于微信公众号试行乱序推送，您可能没办法准时收到“爱光学”的文章。为了让您第一时间看到“爱光学”的新鲜推送， 请您：