Entkopplungsstrategie zur Trennung von Training und Inferenz mit dreidimensionaler neuromorpher Hardware aus Neuronen und hybriden Synapsen

Monolithische 3D-Integration von Neuronen- und Synapsenbauelementen wird als vielversprechende Lösung für energieeffiziente und kompakte neuromorphe Hardware angesehen. Dennoch bleibt es eine Herausforderung, optimale Leistung sowohl beim Training als auch bei der Inferenz zu erreichen, da diese Prozesse unterschiedliche Synapsenbauelemente mit zuverlässiger Lebensdauer und langer Speicherung erfordern. Hier stellen wir eine Entkopplungsstrategie vor, um Training und Inferenz mithilfe monolithisch integrierter neuromorpher Hardware mit schichtweiser Fertigung zu trennen. Diese 3D-neuromorphe Hardware umfasst Neuronen, die aus einem einzelnen Transistor (1T-Neuron) in der ersten Schicht bestehen, langlebige operationale Synapsen, bestehend aus einem einzigen Dünnfilmtransistor mit SONOS-Struktur (1TFT-Synapsen) in der zweiten Schicht für die Inferenz, und langlebige Synapsen, die aus einem Memristor (1M-Synapsen) in der dritten Schicht für das Training bestehen. Eine 1TFT-Synapse, die eine Ladungsfalle-Schicht nutzt, weist langfristige Speichereigenschaften auf, die für Inferenzaufgaben vorteilhaft sind. Im Gegensatz dazu zeigt eine 1M-Synapse, die anionenbewegung an der Grenzfläche nutzt, eine robuste Lebensdauer für wiederholte Gewichtsanpassungen während des Trainings. Mit der vorgeschlagenen hybriden Synapsenarchitektur kann häufiges Training unter Verwendung der 1M-Synapsen mit robuster Lebensdauer durchgeführt werden, während intermittierende Inferenz unter Verwendung der 1TFT-Synapsen mit langfristiger Speicherung verwaltet werden kann. Diese Entkopplung der synaptischen Funktionen ist vorteilhaft für die Erreichung eines zuverlässigen spiking neural networks (SNN) in der neuromorphen Berechnung.