一种基于IGZO TFT的6T1C突触记忆的模拟神经形态片上训练系统

《IEEE Journal of Solid-State Circuits》：An Analog Neuromorphic On-Chip Training System With IGZO TFT-Based 6T1C Synaptic Memory

提出了一种基于IGZO薄膜晶体管（TFT）神经突触的神经形态芯片内训练系统，采用6T1C结构实现多比特状态存储，低漏电流特性保障长时训练电荷存储。系统通过调整电流和电容尺寸，有效整合了单突触与阵列级电流，神经元电路实测有效位数达8.95。该结构在7.2mm2神经元电路和10.2mm2 IGZO TFT阵列上实现，成功完成首个末层模拟芯片训练，在MNIST数据集上达到97.1%准确率。

　　

摘要：

本文提出了一种基于模拟突触的神经形态学片上训练系统，该系统利用新兴的铟镓锌氧化物（IGZO）薄膜晶体管（TFT）突触单元来存储深度神经网络（DNN）的多比特状态。IGZO TFT 具有极低的漏电流特性，能够在长时间的训练过程中保持电容器中存储的电荷。6个晶体管1个电容器（6T1C）结构以其对称设计和电流源配置为特点，能够实现平均367种不同的状态，并具有高线性度，其电阻值（R）为0.99。通过调节电流和电容器大小，该系统能够有效整合来自单个突触和整个阵列的电流。此外，独立于 IGZO TFT 突触阵列实现的神经元电路在整体性能测试中表现出8.95的有效比特数（ENOB）。神经元电路和 IGZO TFT 阵列的面积分别为7.2平方毫米和10.2平方毫米。利用所提出的神经形态学系统及6T1C存储结构，我们成功地对最后一层进行了首次模拟片上训练，在MNIST数据集上取得了97.1%的准确率。

引言

人工智能（AI）正在迅速改变众多行业，对我们的生活产生重大影响。AI技术在图像识别、翻译和数据分析等多种应用中发挥着关键作用[1]、[2]、[3]、[4]。随着AI的应用范围和复杂性的不断扩展，它越来越能够以更高效和有效的方式解决各种问题。随着这一进程的推进，AI对我们生活的影响预计将进一步加深，使得更复杂的任务得以实现，并推动各个领域的创新。