近年来，人类社会的数据呈现爆炸式增长。传统的冯·诺依曼架构在处理大量数据时面临并行计算效率低且能耗高等问题。模仿人脑功能的类脑计算作为一种新型的计算范式，因具有高信息处理效率和低能耗等特点而受到广泛关注。在类脑计算中，连接神经元的人工突触是实现信息处理和存储必不可少的要素。人类约80%的外界信息依靠视觉获取，因此模拟视觉突触的仿生人工突触器件是实现类脑计算、神经形态感知和脑机结合等应用的核心元器件。
图1.氮化镓人工突触及其应用
信息科学与技术学院邹新波课题组利用光脉冲调控氮化镓（GaN）中的缺陷态，实现了类生物突触结构的氮化镓突触晶体管。该突触器件利用缺陷态与载流子的相互作用，表现出极佳的电荷调控特性，达到了109的高开关电流比。研究人员利用该人工突触，成功模拟了神经系统中钙离子影响神经递质的传输过程，包括兴奋性突触后电流（EPSC）、双脉冲易化（PPF）等突触可塑性功能。此外，对人工突触持续施加刺激后，其突触权重得到了明显的增强，很好模拟了多次重复学习促进大脑短期至长期记忆的转化。相反，通过延长光脉冲刺激的间隔，器件响应逐渐降低，衰减趋势近似大脑的艾宾浩斯遗忘曲线过程。这一仿生过程有助于利用人工突触实现神经形态计算、认识和学习等行为。
研究人员还通过调节端口偏压，协同光激励精准调控GaN突触晶体管的突触权重，克服了传统两端突触器件不易同时接收和传递刺激信号的困难，体现了多端可调、低串扰、传输速度快等显著优势。值得指出的是，该人工突触在单次突触事件下能耗极低，并随着进一步减小激励作用时间，其能耗可逼近生物系统在单个突触事件的能耗水平，适用于高效、高速和低能耗的神经形态计算应用，并具有大规模集成的潜力。
基于该氮化镓人工突触，研究人员通过卷积神经网络（CNN）算法实现了对手写数字图像的压缩预处理和识别。将二值化后的图像中每两个像素转换为GaN突触晶体管在相应光脉冲条件的一个电流值，从而可以把图像的像素数压缩预处理为原先的一半。在10次训练后，对压缩后的图像的识别率可达94%，验证了其在大批量复杂数据的预处理和识别中的优势，为低能耗且稳定高效的神经形态计算、新型人机交互和感知系统等应用奠定了重要基础。
图2. 基于氮化镓突触器件的图像压缩预处理与识别
该研究成果以“AlGaN/GaN MOS-HEMT Enabled Optoelectronic Artificial Synaptic Devices for Neuromorphic Computing”为题，发表于国际期刊APL Machine Learning，并被列入编辑精选Editor's pick (该期刊创刊以来仅8篇入选)。
氮化镓电子器件实验室课题组2021级博士生陈嘉祥、2022级硕士生杜海涛为共同第一作者，邹新波教授为通讯作者。上海科技大学为该研究成果的第一单位。
沪公网安备 31011502006855号