具有仿生开关特性的低电压I-MOS神经元，用于神经形态系统

《Micro and Nano Engineering》：Low-voltage I-MOS neuron with biomimetic switching dynamics for neuromorphic systems

设计了一种基于InGaAs的冲击电离MOSFET（I-MOS）作为LIF神经元，实现低功耗和高效率的神经形态计算，能量消耗达40.8 fJ/spike，并通过Python实现三层数值突触神经网络，在ECG信号分类中达到84.26%的准确率。

　　

Mudasir A. Khanday | Farooq A. Khanday

印度阿南特纳格政府学位学院电子系

摘要

本文介绍了一种新型冲击电离MOSFET（I-MOS）的设计与实现，该器件被用作神经形态计算应用中的“泄漏积分-放电”（LIF）神经元。该器件利用了冲击电离现象，并采用了InGaAs这种III-V族化合物半导体，其特点是带隙低、电子迁移率高且有效质量小。这些材料特性使得器件在较低的击穿电压下就能实现快速切换，这对于实现节能的脉冲输出至关重要。所提出的神经元每次脉冲的能耗仅为40.8 fJ，这是文献中报道的I-MOS神经元最低的能耗值。本文详细分析了脉冲频率响应与输入电流、膜电容和占空比之间的关系，并系统研究了器件几何形状和偏置条件对神经元性能的影响。为了验证其计算能力，使用Python实现了一个基于该神经元的三层脉冲神经网络（SNN），其信号分类准确率为84.26%。这些结果表明，这种快速切换的InGaAs I-MOS神经元是下一代节能神经形态系统的理想仿生构建模块。

引言

人工智能（AI）和机器学习的快速发展推动了对高性能、低能耗计算系统的需求日益增长[1]。传统的冯·诺依曼架构在处理许多任务时非常有效，但在处理大型数据集时存在显著局限性，因为内存与处理单元之间的数据传输会消耗大量时间和能量。随着AI应用领域的扩展，尤其是在实时模式识别、传感器数据处理和自主决策等领域，这些局限性变得尤为突出。神经形态计算受到人脑结构和功能的启发，通过整合内存和计算功能来替代传统计算架构，从而减少了数据传输的开销并提高了能效[2]。

神经形态计算的核心是SNN，即第三代人工神经网络（ANN），它们通过生成和传输离散的电脉冲（称为脉冲）来模拟生物神经元的行为。这些网络通过事件驱动的处理方式实现更高效的计算，只有当达到特定阈值时神经元才会放电[3]。在SNN中使用的各种神经元模型中，LIF模型因其简单性和有效性而受到青睐[4,5]。

最初的LIF神经元硬件实现主要采用基于互补金属氧化物半导体（CMOS）的设计[[6], [7], [8]]，这种设计每个神经元需要大量的晶体管。尽管CMOS电路在模拟脉冲行为方面取得了进展，但它们存在功耗高、集成密度有限和可扩展性差的问题。这促使人们转向后CMOS时代的技术，后者提供了更节能和更可扩展的替代方案。尽管如此，与材料开发、集成复杂性和能效相关的挑战仍然存在。

最近的研究[9,10]表明，具有快速切换特性的器件可以显著降低每次脉冲的能耗。这种能耗的降低源于能够缩短脉冲事件的持续时间，从而减少了器件处于活跃状态的时间。冲击电离机制是实现快速切换的关键。与传统场效应晶体管不同，I-MOS利用电子-空穴对的快速生成在更低的电压下实现切换[11]。In_0.53Ga_0.47As由于其优异的特性（如低带隙能量（含53%铟时为0.74 eV）、高电子迁移率（12,000 cm²/V·s）和低有效质量[13]，成为冲击电离应用的理想材料。窄带隙降低了生成电子-空穴对所需的能量，而高迁移率和低有效质量则确保了更快的载流子传输和切换速度。虽然增加铟含量可以进一步降低带隙，但可能会导致过大的漏电流。因此，所选组成在神经元应用中代表了能效和器件稳定性之间的权衡。

本文提出了一种基于In_0.53Ga_0.47As的I-MOS设计，用于脉冲神经元应用。该神经元具有更快的切换速度、更低的击穿电压、更低的功耗和更高的集成密度，使其成为下一代神经形态系统的有力候选者。这些进步可能会为实时AI和机器学习任务带来更节能和更可扩展的解决方案。本文的其余部分结构如下：第二节介绍器件描述和仿真参数；第三节讨论实验结果；第四节利用所提出的神经元设计了一个用于心电图（ECG）信号分类的SNN；第五节对本文进行总结。

器件描述和仿真参数

图1(a)展示了所提出的I-MOS的原理图。在I-MOS中，栅极部分覆盖了通道。总通道长度分为两部分：栅极长度（L_G，即栅极存在的部分）和本征区域（L_IN，即无栅极的区域。所提出的器件的L_G = 60 nm，L_IN = 40 nm。P+源和N+漏的掺杂浓度均为1 × 10²⁰ cm^?3。其他参数包括半导体膜厚度（T_SC）= 100 nm。

LIF神经元的基本概念

LIF神经元是神经形态计算的基础模型之一。其工作原理是将突触输入处理成电流脉冲，并在膜电位超过某个阈值时生成输出脉冲。这一过程模拟了生物神经元的行为，即细胞膜整合来自多个突触前神经元的输入，当膜电位超过某个阈值时触发动作电位。

用于ECG信号分类的所提出神经元的实现

在本节中，所提出的神经元被用于设计一个SNN以进行信号分类。目标是利用这种神经元的高能效和生物启发特性来准确分类ECG信号，ECG信号反映了心脏的电活动，对于诊断各种心脏疾病至关重要。ECG信号的关键组成部分包括P波、QRS复合波和T波，分别代表心房去极化、心室去极化和心室...

结论

本文提出了一种基于窄带隙III-V族半导体的新型I-MOS脉冲神经元，具有高能效和可调的脉冲频率。本文详细研究了器件几何形状和偏置电压对器件性能的影响，并分析了脉冲频率与输入电流、膜电容和占空比之间的关系。最后，验证了该神经元在信号分类任务中的适用性。基于所提出的I-MOS的SNN展示了...

CRediT作者贡献声明

Mudasir A. Khanday：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件开发、方法论、研究、正式分析、数据整理、概念构思。Farooq A. Khanday：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、资源管理、项目协调、方法论、研究、资金获取、概念构思。

参与同意

不适用

知情同意

所有作者在提交手稿前均已被告知相关事宜。

伦理批准

不适用

出版同意

同意

数据和材料的可用性

不适用

涉及人类参与者和/或动物的研究

不适用

资助

不适用

利益冲突声明

作者声明他们没有已知的可能会影响本文研究工作的财务利益或个人关系。