[发明专利]基于铁电晶体管的FeFET-CMOS混合脉冲神经元电路

说明书

本发明提出了一种基于铁电晶体管的FeFET‑CMOS混合脉冲神经元，属于神经形态计算中脉冲神经元技术领域。该电路包括电容、重置管、放大器、铁电晶体管FeFET；通过增强铁电晶体管FeFET的铁电材料的极化退化特性形成铁电晶体管L‑FeFET，其中，电容用于模拟生物神经元的细胞膜电容；重置管为电容上积累的电荷提供重置通路；放大器起到放大输入端电压变化的作用；铁电晶体L‑FeFET为电容上的电荷提供了一个额外的泄放通路。本发明与基于传统MOSFET的实现方式相比，拓展了神经元的仿生SFA功能，有利于脉冲神经网络的硬件大规模集成以及更高级仿生功能的实现。

技术领域

本发明涉及神经形态计算中脉冲神经元的物理实现方式，具体涉及一种基于铁电晶体管的FeFET-CMOS混合脉冲神经元。

背景技术

随着信息技术的蓬勃发展，人类社会已经步入“数据爆炸”的时代，每年指数式增长的数据量为数据的处理和计算带来了空前的压力。传统冯诺依曼计算架构由于其存算分离的架构特点，数据在存储单元和计算单元之间的传输将引起大量的功耗和能耗的浪费，在如今信息社会乃至智能社会伴随庞大数据量的背景下，这一问题将变得越来越严重。

研究者们受人脑运算模式启发，提出了神经网络(Neural Network)计算架构，以神经元-突触-神经元的连接方式为基础，构建存算一体、高度并行的分布式计算网络，在提高了对复杂数据的处理效率的同时可避免传统冯诺依曼计算架构中“内存墙”引起的功耗和能耗问题。经典的人工神经网络(Artificial Neural Network)中，神经元的功能被抽象为一种数值计算：先加和输入的数据，再通过激活函数得到输出的激活值。目前，人工神经网络在图像识别、自然语言处理、自动驾驶等应用中已表现出超越传统通用计算单元的计算效率，然而与人脑相比，仍存在学习训练周期长、计算硬件开销较大等问题。神经形态计算(Neuromorphic Computing)在神经网络计算架构的基础上进一步模拟人脑，以脉冲形式表达和传递信息，如图1.10所示，所构建的脉冲神经网络(Spiking Neural Network)具有异步、事件驱动的特性，可进一步缩小机器智能与人脑智能之间的差距，具有能效高、学习速度快、泛化能力强等优势。

与人工神经网络中的神经元不同，脉冲神经元负责整合输入的脉冲信号并输出新的脉冲信号来传递信息，其工作形式模拟生物神经元，对信号的处理过程体现在膜电位(V_mem)的变化上。脉冲神经元的基本功能可以抽象为带泄漏的积累发放(Leaky Integrate-and-Fire,LIF)，同时其也是神经形态计算中应用最广泛的仿生脉冲神经元模型。LIF模型将神经元膜电位的变化分为两个过程描述：人为设置一个膜电位阈值，当膜电位低于阈值时，脉冲神经元体现出带泄漏的积累功能，并可用一个一阶微分方程描述；一旦膜电位高于阈值，脉冲神经元随即发放脉冲并将膜电位重置。

神经形态计算最终要实现网络整体的硬件化，才能完全摆脱“内存墙”瓶颈的限制。目前，神经形态计算的硬件实现上，已经有许多研究机构和企业研发出了多款神经形态芯片，然而在现有的神经形态计算的硬件化方案中，网络的基本单元——脉冲神经元依然主要基于传统CMOS电路搭建，对脉冲神经元功能的模拟往往依赖由数个MOSFET器件以及电容构成的电路模块，存在硬件开销较大、电路能耗较高等问题，不利于高密度、大规模集成，并可能使网络失去架构层面带来的原本的功耗和能耗优势。此外，在不引入额外硬件开销的条件下，基于MOSFET的脉冲神经元电路的功能比较单一，例如脉冲发放频率自适应(Spike Frequency Adaption,SFA)等高级的生物神经元功能往往无法实现，可能会影响整个脉冲神经网络仿脑功能的实现。

发明内容

针对以上现有技术中存在的问题，本发明提出了一种基于铁电晶体管的FeFET-CMOS混合脉冲神经元；与基于传统MOSFET的实现方式相比，本发明拓展了神经元的仿生SFA功能，节约了硬件开销，在避免了实现SFA所需的额外能耗的同时可工作在更低的电压下，拥有更高的能效，有利于脉冲神经网络的硬件大规模集成以及更高级仿生功能的实现。