[发明专利]基于铁电晶体管FeFET的侧抑制神经元电路

说明书

本发明提出了一种基于铁电晶体管FeFET的侧抑制神经元电路,该电路包括电容、重置管、正反馈管、两级串联的反相器、铁电晶体管；其中，电容用于模拟生物神经元的细胞膜电容，积累由输入的突触后电流带来的电荷；重置管是一个N型MOSFET器件，为电容上积累的电荷提供重置通路；正反馈管是一个P型MOSFET器件，在第一级反相器的输入接近其逻辑阈值电平时为电容补充电荷；两级串联的反相器由两组互补CMOS构成，起到放大输入端电压变化的作用，脉冲生成于其输出端；铁电晶体管是一个N型FeFET器件，用于模拟生物神经元的侧抑制功能。本发明可以显著降低硬件开销；同时高度模拟了生物神经元的基本特性和高级功能。

技术领域

本发明涉及神经形态计算中侧抑制神经元的物理实现方式，具体涉及一种基于铁电晶体管FeFET的侧抑制神经元电路。

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，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积累发放(Integrate-and-Fire,IF)，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。除了积累发放的基本功能之外，要实现神经元的一些高级功能，比如泄露、侧抑制，可以通过在原有IF模型的基础上加以修改，形成更为完善的神经元模型。泄露在原有的IF模型中增添了一个泄露项，为膜电位上的积累引入一个恒定的泄放通路；侧抑制在原有的IF模型中增添了一个抑制项，具体体现为对膜电位进行放电，抑制程度取决于其它竞争神经元的活跃程度和神经元之间的耦合系数。

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，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，高级的生物神经元功能例如侧抑制，可能会影响整个脉冲神经网络仿脑功能的实现，然而基于传统CMOS电路的实现方式往往需要引入大幅额外硬件开销。

将铁电材料叠加到MOSFET的栅氧化层上，即可得到FeFET。此时，铁电材料的自发极化将在MOSFET的栅氧化层上感应出额外的电荷，导致器件沟道电导改变，使得器件沟道电流变化。铁电极化电荷在MOSFET栅氧化层上感应出的电荷亦可等效为一个额外的栅电压，反映到整个FeFET上则可以体现为器件阈值电压的变化。FeFET的器件沟道电导同时受其栅电压和铁电的极化强度调控的特性，可以直观地模拟神经元侧抑制功能，为侧抑制的物理实现提供了可能。

发明内容