Key points are not available for this paper at this time.
Mit der rasanten Entwicklung von Technologien der künstlichen Intelligenz (KI) steigt die Nachfrage nach Datenspeicherung und neuromorphen In-Memory-Berechnungen. Ferroelektrische Feldeffekttransistoren (FeFETs), die Halbleiter mit funktionalen Ferroelektrika koppeln, halten großes Potenzial, um die Engpässe der von-Neumann-Architektur zu überwinden. Ein lateral gesteuerter FeFET (LG-FeFET) nutzt ein in-plane elektrisches Feld, um die out-of-plane Polarisation zu schalten, was den Vorteil eines niedrigen Leckstroms und einer reduzierten Gerätehöhe für die Geräteintegration bietet. Hier demonstrieren wir zweidimensionale (2D) lateral gesteuerte FeFET (LG-FeFET)-Geräte, die ferroelektrisches CuInP2S6 (CIPS) und MoS2-Halbleiter in einer van-der-Waals-(vdW)-Heterostruktur nutzen und über multilevel Datenverarbeitungsfähigkeiten und einstellbare synaptische Funktionen verfügen. Der 2D LG-FeFET zeigt ein großes Speicherfenster (10 V), niedrigen Leckstrom (<0,01 nA) und ein großes on/off-Verhältnis (105), was ihn deutlich besser macht als die vertikalen Gate-FETs. Das Gerät emuliert erfolgreich die Plastizität der Synapsen unter elektrischen Stimuli, einschließlich der Langzeit- und Kurzzeitplastizität. Unsere in situ Piezoresponse-Kraftmikroskopie (PFM)-Messung bestätigt, dass die mehreren Leitwertzustände in 2D LG-FeFET-Geräten direkt durch die Dynamik der Polarisationsevolution kontrolliert werden. Darüber hinaus wurde mit diesem synaptischen Gerät ein Online-Training eines neuronalen Netzwerks zur Erkennung von handgeschriebenen Ziffern durchgeführt, wobei eine hohe Erkennungsgenauigkeit (97,4 %) erreicht wurde. Schließlich haben wir basierend auf der Kurzzeitplastizität des Geräts Reservoir-Computing zur Bildklassifikation demonstriert. Unsere Ergebnisse zeigen, dass das LG-FeFET-Gerät großes Potenzial für hochdichte Datenverarbeitungssysteme und Anwendungen in der neuromorphen Berechnung hat.
Huang et al. (Fri,) haben diese Frage untersucht.