複旦大學《Advanced Science》：用于高複雜度計算的大動态範圍、多态VP異質結光電神經突觸器件
圖像識别、自動駕駛這類新興的人工智能應用對海量資料處理的需求給馮·諾依曼架構帶來了嚴峻挑戰，由此催生了神經形态計算這一新型計算範式。人工突觸作為神經形态計算的核心單元，其動态範圍和電導多态決定了器件實體電導映射為神經網絡權重的能力，對神經形态計算精度起着至關重要的影響。目前主流的突觸器件在處理複雜度較高的任務時，受限于其較低的動态範圍和較少的電導多态，計算精度相較于MNIST這類低複雜度圖像時會受到更大程度的退化。是以，開發一種具有多電導态、大動态範圍的突觸器件對實作高複雜度，高精度神經形态計算具有重要意義。
針對這一問題，複旦大學周鵬/王水源團隊通過利用新型二維磷烯—紫磷（VP）優異的光-物質互相作用，與硫化钼形成異質結構提出了一種具有大光暗比、高動态範圍及多電導态的光電神經突觸器件，并驗證其在高複雜度神經形态計算中的潛能。相關成果以“An Optoelectronic Synapse Based on Two-Dimensional Violet Phosphorus Heterostructure”為題發表于頂級期刊《先進科學》（Advanced Science）。
研究團隊首次把最近發現的，具有高穩定性的二維磷烯—VP進行了光電子器件應用。受益于VP的寬帶隙、低暗電流、光-物質互相作用等優異特性，器件展現出高達106 的光暗比、超過60dB的大動态範圍、128個可清晰分辨且不交叉的電導多态，展現出優越的光電突觸性能。研究團隊利用理論模型和仿真對器件的工作原理進行了分析，提出了利用II型異質結中的光緻門檻值漂移現象實作高光暗比的新政策。在此基礎上，首次定義了圖像複雜度，通過實驗與神經網絡仿真相結合，驗證了VP異質結突觸在不同複雜度圖像識别任務中，電導多态和大動态範圍對精度的影響。歸功于大動态範圍和電導多态帶來的低電導-權重映射偏差，器件在MNIST與Fashion-MNIST兩種識别任務中均取得了與理想情況極為相近的結果（偏內插補點分别為0.24%，0.3%），為高複雜度、高精度神經形态計算的發展提供了技術基礎。
圖1. VP異質結突觸器件的結構和制備表征
圖2. VP異質結突觸器件的能帶和有限元仿真分析
圖3. VP異質結突觸器件的短長時程可塑性（電導多态、大動态範圍）
圖4. VP異質結突觸對MNIST(低複雜度)和Fashion-MNIST(高複雜度)圖像進行分類
文章連結：網頁連結
