멤리스터 (2D memristor)

생물학적 RC 시스템에서 구현된 인지 작업의 개략도. 언어 학습은 시각 피질에 의해 수행되며 순차적 입력에 대한 시각 계열 계산을 수행 할 수 있습니다.

 

- 사물 인터넷 (IoT)에 의해 생성되고 전송되는 방대한 양의 데이터는 새로운 재료를 기반으로 한 실시간 정보 처리에 대한 새로운 접근이 필요합니다. 시간 및 순차 정보를 해석하고 학습하는 것은 컴퓨팅 장치의 주요 작업중 하나입니다. 그러나 현재의 최신 컴퓨팅 시스템은 대부분 물리적으로 분리 된 센서와 디지털 처리 장치에 의존합니다. 이는 아날로그 픽셀 신호를 순차적으로 디지털화 할 때 높은 에너지와 긴 지연 시간이 발생됩니다. 수집 된 정보의 80 % 이상을 차지하는 시변 광학 데이터를 직접 처리하여 IoT에서 작동하는 통신 및 계산 부하를 줄여 빠른 반응을 보입니다.

 

- 지금까지 RC 시스템은 기존의 디지털 플랫폼 및 다른 물리적 메커니즘 (예 : 전자, 광자, 스핀 트로닉, 기계 및 생물학적 구현)에 의해 구동되는 방법과 달리 확인되지 않은 하드웨어 동적 시스템에서 물리적으로 구현되었습니다.  RC 시스템은 단순한 구조, 고밀도, 우수한 에너지 효율성을 나타내는 3 차원 (3D) 적층의 Memristors으로 구축 되었습니다. Memristors는 Du et al. 에 의해보고 된 것처럼 디지털 대안보다 에너지와 면적 효율성이 더 높은 방식으로, 뉴런의 통합 및 작동을 모방하는 능력을 입증했습니다. 기존의 Memristors는 대부분 산화 환원 반응과 이온 이동에 의존하고 광학 자극에 직접 반응 하지 않습니다. 반면에 RC 시스템 컴퓨팅 효율성이 높고 추가 센서 / 프로세서없이 광학 입력에 직접 응답합니다. 따라서 새로운 나노 물질 또는 하이브리드 물질을 기반으로 한 Memristors는 전기 또는 광학 신호를 통해 다양한 가소성을 제공합니다. 

 

다양한 전기 및 광학 입력에 의해 자극 된 다기능 Memristors 어레이의 개략도

 

- In-sensor 저장소에 대한 높은 차원성, 비선형성 및 페이딩 메모리( fading memory )는 Sn 및 S 공석과 관련된 이중 유형 결함 상태를 고유하게 갖는 2차원 기반의 SnS (tin sulfide)을 통해 달성되었습니다. 이러한 센서 내 저장소 컴퓨팅은 언어의 짧은 문장을 분류하는데 91%의 정확도를 보여줌으로써 적은 비용으로 머신 러닝 어플리케이션을 구현할 수 있습니다.

 

- 이 연구에서는 2 단자 SnS (tin sulfide) 장치 구조에 구축 된 동적 Memristors를 사용하여 언어 학습을 위한 광전자 RC를 시연합니다. 사용된 전하 트랩 / 디 트랩 역학의 시너지 효과로 나타나는 광 게이팅 효과는 듀얼 모드 작동 (즉, 전기 및 광학 자극에 의해 구동)을 통해 고성능 및 다목적 멤리스 거동을 가능하게 합니다. 이러한 Memristors는 순차적인 전기 및 광대역 광학 자극에 반응하여 광전자 저장소를 구성합니다. 또한 광전자 입력을 고차원 저장고 상태로 매핑하는 광전자 RC는 오류가 있는 언어의 문장을 분류하는 데 91 %의 정확도를 보여줍니다.

 

여러 전기 입력 신호 . 0 ~ 400 s 에 해당하는 여러 광학 입력 신호 (725 nm 및 42 mW) 에 의한 Memristors 의 실험적인 판독 전류 응답 .  광학 펄스의 판독 전압은 0.5V 입니다 .

 

- 광전자 신호의 동적 처리(시간 및 순차 정보를 전달)는 언어 처리 및 컴퓨터를 포함한 다양한 기계 학습 기능에 중요합니다. 인간 두뇌의 시각 피질을 모방하려는 여러 시도에도 불구하고 물리적으로 분리 된 감지, 메모리 및 처리 장치로 인해 큰 에너지 / 시간 오버 헤드 및 추가 하드웨어 비용이 발생합니다. 이 논문은 언어 학습을 위한 센서 내 저장소 컴퓨팅을 보고합니다.

 

한글 자음 및 모음 분류를 위한 2D SnS Memristors 기반 광전자 RC 동작의 개략도. 펄스의 시간적 시퀀스는 광전자 RC 방법과 함께 사용되는 5 개의 Memristors 를 자극하는 데 사용되었습니다 .

 

 

< 출 처 >

 

논문 제목 : In-sensor reservoir computing for language learning via two-dimensional memristors

 

저자 :

• Linfeng Sun ( Key Laboratory of Advanced Optoelectronic Quantum Architecture and Measurement, Ministry of Education, School of Physics, Beijing Institute of Technology, Beijing 100081, China.)
• Zhongrui Wang (Department of Energy Science, Sungkyunkwan University, Suwon 16419, Korea.)
• Jinbao Jiang (Department of Energy Science, Sungkyunkwan University, Suwon 16419, Korea.)
• Yeji Kim (Department of Energy Science, Sungkyunkwan University, Suwon 16419, Korea.)
• Bomin Joo (Department of Electrical and Electronic Engineering, The University of Hong Kong, Pokfulam Road, Hong Kong.)
• Shoujun Zheng (IBS Center for Integrated Nanostructure Physics (CINAP), Institute for Basic Science, Sungkyunkwan University, Suwon 16419, Korea.)
• Seungyeon Lee (Department of Artificial Intelligence, Sungkyunkwan University, Suwon 16419, Korea.)
• Woo Jong Yu  (Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon 16419, Korea.)
• Bai-Sun Kong and Heejun Yang (Department of Physics, Korea Advanced Institute of Science and Technology (KAIST), Daejeon 34141, Korea.)

Science Advances  14 May 2021: Vol. 7, no. 20, eabg1455 DOI: 10.1126/sciadv.abg1455