研究背景

在當前的人工視覺技術中，最先進的成像設備可以有效地檢測圖像。但是，這些系統會生成大量的冗余數據集，這需要大量計算來提取有意義的信息和大數據存儲。此外，這些高要求導致了數據延遲和高功耗，對下一代神經形態架構的適應性提出了嚴峻的挑戰。因此，必須結合內置存儲和信號處理功能來實現單個成像單元，以部署高效的類腦視覺系統。由于對光學刺激和記憶特性的內在敏感性，光電存儲和突觸器件被認為是人工視覺系統的潛在組件。然而，這些光電器件利用電和光單選的強制性組合，或依靠復雜的器件結構來進行神經形態計算，由于帶寬連接密度的折衷，會導致硬件冗余、高功耗和計算延遲等類似問題。由于高帶寬、低寄生串擾和超低功耗，全光可調神經形態成像器件的實現可以通過提供超快的處理速度來克服這些限制。

成果介紹

有鑒于此，近日，澳大利亞皇家墨爾本理工大學Sumeet Walia教授等在簡單可重構的光電晶體管結構中提出了一種基于全光調制2D半導體的神經形態成像元件。這種獨立的器件具有固有特性，可以進行神經形態圖像的預處理和識別。從根本而言，利用2D黑磷(BP)中與氧化有關的缺陷引起的獨特光響應來實現視覺記憶，波長選擇性多位編程和擦除功能，從而可以進行像素內圖像預處理。此外，通過機器學習演示了全光學驅動的神經形態計算，可以對數字進行分類并以超過90％的精度識別圖像。這些器件為神經機器人技術，人機交互技術以及具有可視化數據存儲/緩沖和處理功能的可擴展仿生系統提供了一種有前途的方法。文章以“Fully Light-Controlled Memory and Neuromorphic Computation in Layered Black Phosphorus”為題發表在頂級期刊Advanced Materials上。

圖文導讀?

圖1. 多層BP器件和可配置的存儲操作。(a)SiO₂/Si襯底上BP器件的3D示意圖。(b)OM照片。(c)AFM形貌掃描。(d)截面TEM圖像。(e)EELS線掃描。(f&g)BP器件在280 nm和365 nm光照脈沖下的歸一化瞬態光電流。(h)全光寫入/擦除存儲操作。(i)BP器件在黑暗中以及在280 nm和365 nm波長光照下的轉移特性，分別對應于柵極輔助的光寫入和光擦除。(j)閾值電壓(V_TH)隨光照功率的變化。(k&l)光寫入和光擦除操作的循環耐久性。

圖1a顯示了多層BP光電存儲器件的3D示意圖，利用UV(280和365 nm)光照驅動存儲操作。圖1b給出了代表性多層BP器件的OM照片，BP的平均厚度≈7.3 nm(圖1c)。截面TEM分析表明，在環境中進行BP剝離和器件制備，會在材料的上下兩個表面產生天然氧化磷(P_xO_y)非晶薄層(3-4 nm)。沿線掃描收集的O-K邊緣和P-L邊緣光譜的EELS強度進一步證實了在頂部Cr/BP和底部BP/SiO₂界面處存在氧原子(圖1e)。先前有報道稱，P_xO_y可作為BP下方的自鈍化層。同樣，環境中表面吸附物的解離會在低維材料中誘導電荷載流子的局部俘獲位點，并在光激發下產生異常的負光電導性。因此，預計P_xO_y會引起缺陷，從而導致在UV范圍內的不同波長下產生獨特的波段選擇性光響應。

首先研究多層BP器件在紫外光(280和365 nm)照射下的光調制并評估其記憶功能。圖1f和g分別顯示了BP器件在280和365 nm光照脈沖下的歸一化瞬態光響應。正/負光電流的產生可以與BP薄片表面氧化引起的光激發電荷載流子在局部俘獲位點的俘獲/去俘獲有關。此外，無論入射光的偏振方向如何，BP器件在280和365 nm光照下都分別顯示出正和負光電流。因此，BP器件執行光電功能的能力保持不變。圖1h顯示了BP器件在全光存儲模式下的動態存儲訪問操作。在這種操作模式下，分別通過280和365 nm光脈沖實現編程(寫入)和擦除功能，并且V_DS脈沖用于讀取功能而無需施加任何V_GS。要對存儲器編程，將280 nm光寫入脈沖照射10 ms。光寫入脈沖在BP中產生光激發載流子，電流增加。在讀取脈沖下，開態電流從最大值≈6.1×10^-6?A緩慢衰減。相對緩慢的恢復可以歸因于通過氧化誘導的局部陷阱中心進行的載流子復合。因此，BP器件顯示出持久的光電流，即使經過很長的保留時間(>2×10⁴?s，)，該殘留光電流仍然存在。要重置存儲，將365 nm光擦除脈沖照射10 ms。光擦除脈沖產生負光電流，因此將整個溝道電流減小到其初始關態電流。

接下來，研究了柵極輔助模式下的光電存儲操作。圖1i給出了BP三端場效應晶體管器件在不同光照下的轉移特性。遷移率增加可能與在高能量(280 nm)激發下獲得的熱載流子的高能量有關，而遷移率下降是由于低能量(365 nm)激發下帶電缺陷導致載流子散射所致。因此，在背柵偏置的影響下，由光信號調節的器件電導率的變化使BP器件只需簡單地照射280和365 nm波長即可分別具有光寫入和光擦除功能。在柵極輔助的光寫入和光擦除操作期間，轉移曲線的閾值電壓(V_TH)發生了偏移，可能是由于在BP/P_xO_y表面或底部BP/P_xO_y/SiO₂界面處通過光誘導電荷俘獲而產生的靜電屏蔽。最大存儲窗口≈38.94 V。BP器件的耐久性如圖1j和k所示，在環境條件下連續進行500個以上循環后，沒有觀察到存儲窗口明顯降低，這表明在柵極輔助模式下的存儲操作具有良好的耐久性。兩種不同模式下的存儲操作演示展示了將光信號編碼為相應電子電導并將其存儲為光存儲器的集成功能。?

圖2. 在BP 2×2成像陣列中進行圖像探測和存儲。(a)圖案＃1由波長為280 nm的短光脈沖編碼，功率密度為3 mW m^-2，脈沖寬度為50 ms，頻率為1 Hz。(b)單個像素的光電流隨280 nm脈沖光照頻率(0.2-10 Hz)的變化。(c)通過功率密度為3 mW cm^-2，脈沖寬度為50 ms和頻率為10 Hz的280 nm短光脈沖對成像陣列上的圖案＃2進行編碼。

多層BP器件中的深陷阱狀態有助于緩慢恢復和持久的光電流，可提供獨特的組合來實現一系列片上圖像處理功能，例如用于實時圖像增強的微弱信號積累和像素內存儲，以實現大規模并行計算。這項工作中，在典型2×2像素成像芯片上演示了BP器件集成的圖像識別及存儲功能。圖2顯示了在1和10 Hz的100個連續短光脈沖下兩種不同圖案的光照。在圖案曝光之前(黑暗中)，光照后不久(<0.5秒)和10分鐘后測量成像陣列中每個像素的電流，以評估存儲保留率。如圖1a中的像素電導圖所示，在圖案1曝光之前，所有像素在黑暗中的電導率都相對較低。在1 Hz曝光下的像素具有相對較高的電導對比度，可以很好地識別圖案＃1。但是，由于較低頻率時的電導變化小，因此在10 min后不能可靠地存儲圖案＃1，如圖2b所示，演示了短期記憶(STM)行為。相反，圖案＃2在10 Hz時具有更高的電導對比度和更長的(>10 min)圖案保留，演示了成像陣列的長期記憶(LTM)特性，如圖2c所示。在較高光照頻率下電導對比度的增加以及存儲信息的光擦除增強了對輸入視覺信息進行像素內圖像增強和實時數據處理的能力。?

圖3. BP器件的突觸可塑性。(a)在200個連續增強脈沖(280 nm)和抑制脈沖(365 nm)下的LTP/LTD特性。(b)權重變化(電導)與光脈沖寬度的關系。(c)LTP和LTD的非線性隨光脈沖寬度的變化。

長時程突觸可塑性由突觸權重的長時程增強(LTP)和長時程抑制(LTD)組成，是控制海馬神經元記憶的重要組成部分。如圖3所示，BP器件的長時程突觸可塑性僅通過光脈沖來模擬。在作為人工突觸的操作過程中，短光脈沖的照射會模擬突觸刺激以觸發動作電位，并隨之導致BP器件的電導隨突觸權重變化。可以觀察到，LTP/LTD特性強烈依賴于光刺激的參數(例如脈沖寬度和光照功率)，使用相對不同的光脈沖功率密度來引起相似的權重(電導)變化。圖3a顯示了LTP和LTD輪廓曲線，分別通過依次照射200個寬度為20 ms的280和365 nm脈沖而測得。比較圖3b中不同脈沖寬度的LTP/LTD曲線，可以清楚地看出，光脈沖的寬度會影響權重變化。與較短的脈沖相比，較寬的光學脈沖引起的權重變化相對較高，從而增加了LTP/LTD中的非線性(NL)。NL是針對不同光脈沖寬度計算得出的(圖3c)，用于分析其對光電神經網絡(ONN)的學習效率的影響。?

圖4. 通過BP光電神經網絡進行神經形態計算。(a)模擬的光電網絡的示意圖。(b)突觸權重計算的等效表示。(c)將784個突觸權重的代表輸入數字成像到與訓練初始狀態和最終狀態所示的輸出數字“0”相連的位置。(d)不同LTP/LTD光脈沖寬度下，1000個測試MNIST數字分類準確率的比較。(e)輸入圖像的突觸權重成像。(f)不同LTP/LTD光脈沖寬度下圖像識別準確率的比較。

為了演示受生物視覺啟發的神經形態計算，給出了兩個通過模擬ONN進行機器學習的示例。如圖4a所示，該網絡由784個輸入神經元對應于輸入圖像的28×28個像素和10個輸出神經元組成，通過784×10個突觸權重進行連接。使用MNIST數據集中的60000張圖像訓練了該網絡，并通過使用網絡訓練期間未提供的10000張測試圖像計算了10位數字的識別精度。圖4c顯示了25000個訓練階段前后，輸入手寫數字“0”的映射圖像。隨后，計算了BP器件中用于突觸可塑性的不同光學刺激脈沖寬度的識別精度，如圖4d所示。通過ONN(由脈沖寬度為1 ms的光學LTP/LTD脈沖模擬)可獲得≈90％的最大識別精度，高于先前報道的具有類似拓撲的神經網絡。

接著，通過模擬ONN對輸入照片進行人臉識別。圖4e顯示了學習過程中各種狀態的圖像變化。使用20 ms LTP/LTD參數訓練的ONN表現出相對較慢的學習速度，但由于最終狀態下的面部細節比其他數據集更好，因此其準確性更高。相反，使用最高非線性數據集(300 ms)訓練ONN可以提供更快的學習速度，但精度最低，最終狀態下的圖像清晰度較低。為了定量分析學習過程，采用結構相似性(SSIM)來衡量學習圖像和輸入圖像之間的差異，如圖4f所示。最小非線性系統的最終識別精度(≈96％)高于最大非線性系統(53.67％)，這可能與非線性系統中較高的權重變化率以及最小非線性系統中突觸權重的幾乎均勻分布有關。

圖5. 波長依賴的光電導的機理。(a&b)在280 nm和365 nm光照下，環境暴露的多層BP模擬的光電導。(c)能量圖描述了載流子的產生、熱化、復合、俘獲和去俘獲過程。

在280 nm(4.4 eV)激發下BP的電導率增加與光寫入期間的正光電流有關，歸因于光激發載流子。而在相對較低的365 nm(3.4 eV)光子能量照射下，電導率的下降(即負光電流)歸因于光激發載流子在無序誘導的深態和共振態中的俘獲。2D材料中的負光電導性先前歸因于光熱誘導的輻射熱效應，但是，在紫外光照射下，環境暴露的BP中互補的正負光電導與光激發載流子在表面吸附物引起的間隙內缺陷水平處的俘獲/去俘獲有關。為了進一步了解這種獨特的光響應，提出了一個全面的分析模型，并通過使用實驗結果進行模擬，以物理實現缺陷誘導的BP中波長依賴的正負光電導性。圖5a和b描繪了仿真結果，其中4.4 eV(280 nm)和3.4 eV(365 nm)的光電導峰分別顯示出增加和減少的趨勢。因此，負光響應因為光激發通過增強進入無序位點的俘獲而有效地減少了多數載流子的總數。此外，表面吸附物的解離會在BP中產生局部缺陷，這些缺陷會在相對較低的光子能量照射下充當光激發載流子的電荷陷阱，導致光電導降低。但是，高光子能量激發會促進周圍的氫鈍化缺陷BP中的氧位點，并增加電荷載流子濃度，從而產生正光電導性。根據分析模型，光激發電荷載流子躍遷的機理總結在圖5c中。

總結與展望

本文設計了基于2D BP的光電器件，具有全光調制的電子特性。該器件利用表面吸附物在少層BP中引起的缺陷來產生波長可調的電導率，可根據需求增強或抑制，并具有陷阱輔助的持久光電流。這使器件能夠顯示出光學存儲現象，其中不同波長的光脈沖可以執行寫入和擦除操作。光學傳感和存儲性質能夠用于執行像素內圖像預處理，例如成像矩陣中的圖像增強和數據緩沖。因此，通過光脈沖調制器件電導并利用其持久性進行存儲的能力對于神經形態視覺系統中的高速并行處理是必不可少的。進一步演示了全光驅動的人工神經網絡，證明了器件在仿生視覺系統中的潛力，可在＜1000個訓練周期的情況下實現圖像分類和識別精度增強(>90％)。這項研究提供了一個有吸引力的概念，可將2D材料中的缺陷工程用于高度可擴展的神經形態計算網絡和自主視覺系統。

文獻信息

Fully Light-Controlled Memory and Neuromorphic Computation in Layered Black Phosphorus

(Adv. Mater., 2020, DOI:10.1002/adma.202004207)

文獻鏈接：https://onlinelibrary.wiley.com/doi/10.1002/adma.202004207

上海昂維科技有限公司現在提供光刻掩膜版制作等微納加工服務，歡迎各位老師和同學咨詢，竭誠做好每一份服務。

總結

以上是生活随笔為你收集整理的c# 计算空格宽度像素_Adv. Mater：2D材料缺陷工程实现全光控存储和神经形态计算...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。