神经形态半导体器件实现世界最高手写模式识别率-bp神经网络手写识别

高密度、高可靠性的电池材料下一代神经形态半导体器件示意图（左）由锂离子薄膜制成的高密度3端子器件的照片和手写模式识别精度示意图（右）

由Yong-hun Kim博士和Jeong-Dae Kwon博士领导的研究团队通过开发锂离子电池材料薄膜，成功开发了世界上第一个高密度和高可靠性的神经形态半导体器件。他们通过生产超薄锂离子（最近备受关注的锂离子电池的关键材料）并将其与二维纳米材料相结合来实现这一目标。该研究团队来自韩国材料科学研究所（KIMS）的表面与纳米材料部门。

神经形态半导体器件具有类似于人脑的突触和神经元，它们处理和记忆信息。突触装置接收来自神经元的信号，并以各种方式调节突触权重（连接强度），以同时处理和存储信息。特别是，突触权重的线性和对称性能够以低功耗实现各种模式识别。

控制突触权重的传统方法在异质材料或氧离子的界面之间使用电荷陷阱。然而，在这种情况下，很难根据外部电场控制离子在所需方向上的运动。研究人员通过开发薄膜工艺解决了这个问题，同时根据外部电场保持锂离子的迁移率，从而解决了这个问题。厚度为几十纳米的薄膜可以在控制晶圆厚度的同时进行精细图案加工。

研究小组使用真空溅射沉积方法开发了该薄膜，该方法用于一般半导体加工。沉积膜的厚度小于100纳米。在硅片衬底上制造晶体管型器件后，当从外部施加电场时，带电锂薄膜中的锂离子移动，从而可以精确控制通道的电导率。

研究小组使用这种突触设备实现了人工神经网络学习模式，并开发了手写图像模式识别。人工智能半导体器件即使在电场重复96多次的情况下也能保持精细调整的突触重量的特性，显示出约77.500%的手写模式识别率。

研究团队表示，“我们的下一代神经形态半导体器件不需要CPU和内存，传统的冯诺依曼型信息处理器件和信息存储设备。它可以同时处理和存储信息，并学习和识别手写模式等图像。它有望应用于各种低功耗人工智能设备，如世界一流的神经形态硬件系统、触觉设备和视觉传感器。