2022
DOI: 10.1063/5.0109772
|View full text |Cite
|
Sign up to set email alerts
|

IGZO nanofiber photoelectric neuromorphic transistors with indium ratio tuned synaptic plasticity

Abstract: Synaptic plasticity divided into long-term and short-term categories is regarded as the origin of memory and learning, which also inspires the construction of neuromorphic systems. However, it is difficult to mimic the two behaviors monolithically, which is due to the lack of time-tailoring approaches for a certain synaptic device. In this Letter, indium-gallium-zinc-oxide (IGZO) nanofiber-based photoelectric transistors are proposed for realizing tunable photoelectric synaptic plasticity by the indium composi… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1
1
1

Citation Types

0
5
0
2

Year Published

2023
2023
2024
2024

Publication Types

Select...
10

Relationship

1
9

Authors

Journals

citations
Cited by 18 publications
(8 citation statements)
references
References 64 publications
0
5
0
2
Order By: Relevance
“…Precise adjustment of the In ratio in nanowires can improve the performance of synaptic transistors. 34 As presented in Fig. 1c and d, the optical synaptic devices with different In doping contents differ significantly at a UV intensity of 9.3 mW cm −2 and pulse width of 0.8 s. The EPSC of IZTO-6 increases rapidly and then decays slowly under UV irradiation, which is much higher than that of IZTO-9, IZTO-3 and ZTO, under the same conditions.…”
Section: Resultsmentioning
confidence: 75%
“…Precise adjustment of the In ratio in nanowires can improve the performance of synaptic transistors. 34 As presented in Fig. 1c and d, the optical synaptic devices with different In doping contents differ significantly at a UV intensity of 9.3 mW cm −2 and pulse width of 0.8 s. The EPSC of IZTO-6 increases rapidly and then decays slowly under UV irradiation, which is much higher than that of IZTO-9, IZTO-3 and ZTO, under the same conditions.…”
Section: Resultsmentioning
confidence: 75%
“…It has been successfully applied on a large scale for next-generation display drivers. In addition to their significant application value for display driver technology, IGZO devices also have promising prospects for neuromorphic applications [24,[58][59][60][61]. In neuromorphic applications, IGZO devices exhibit low power consumption, high transparency, as well as good chemical and thermal stability.…”
Section: Artificial Synapsesmentioning
confidence: 99%
“…理爆炸式数据方面,显得有些吃力,亟需寻找一种 全新的计算范式 [1] 。 应对智能问题, 人脑是一个特别 理想的典范, 人脑共有 10 11 个神经元和 10 15 个突触, 具有低功耗运行、高容错和高效并行计算的能力 [2][3][4] 。因此,受人类大脑结构和功能的启发,科学家们 开发了各类人工突触和神经元,并期待它们能完成 复杂的感知和计算任务。大数据时代的人工智能对 神经形态器件与芯片提出了十分迫切的需求。神经 形态电子有望为下一代超低功耗计算和智能感知开 启全新的仿生时代。 为了实现神经形态计算的人工突触和神经元, 研究人员做了大量的前期研究 [5][6][7][8][9][10][11][12][13] 。两端结构的忆 阻器 [9, 10 ,12, 13] 和多端口结构的神经形态晶体管 [6,11] 均已被用来模拟生物突触计算功能。由金属/绝缘体 /金属结构组成的忆阻器具有良好的可扩展性、大连 接性、 低能耗以及与互补金属氧化物半导体(CMOS) 工艺的良好兼容性等特性 [14] 。但是在两端结构的忆 阻器中, 信号写入和读取不能同时进行。 相比之下, 多端口结构的神经形态晶体管能同步实现信号的传 输和权重的更新和学习。另外,有研究报道表明, 基于晶体管结构的突触器件在实现线性可塑性方面 比忆阻器更有前途 [15][16] 。需要注意的一点是,目前 大部分研究的都是基于刚性衬底制备的神经形态器 件 [5,6,8] 。传统的刚性神经形态晶体管很难密切贴合 柔软、弯曲的人体, 通常会在超低应变(约 1%)下断 裂 [7] , 这会严重限制其在某些实际领域的应用, 比如 人体皮肤和植入治疗等 [17][18] [19] 。 氧化物双电层晶体管就是一类利用电解质作为栅介 质、氧化物半导体作为沟道的薄膜晶体管。在外电 场作用下,电解质中的离子发生迁移,在电解质与 半导体界面处聚集,诱导半导体中产生载流子,形 成巨大的双电层电容,从而有效地降低晶体管的工 作电压。这种离子/电子耦合的器件的工作原理与信 息在突触结构中传递的过程类似,因此在模拟突触 功能方面具有较大的优势。2010 年,Chen 等 [20] 通 过集成离子/电子混合材料制备了多端口神经形态 晶体管,成功模拟了具有尖峰信号处理、学习和记 忆功能的生物突触性能。自此,突触晶体管的研究 愈发火热。图 1 展示了突触晶体管的示意图以及对 应的生物突触示意图。具有源极漏极的活性层被认 为是突触后端,它受突触晶体管栅电极突触前端尖 的调节。同时,突触后端的变化被认为是突触的权 重变化,与突触晶体管的电荷存储能力有关 [21] 在神经网络中,突触前神经元和突触后神经元 之间的连接强度被定义为突触权重,突触权重可以 通过动作电位来调节 (即突触可塑性) [21] 。一般来说, 突触可塑性可分为短程可塑性(STP)和长程可塑性 (LTP) [22][23][24][25][26] 。STP 是突触连接的一种暂时性变化,去 除外部钉刺后会迅速衰减到原始状态,这是信息处 理不可或缺的。当电位脉冲作用于突触前膜时,神 经递质被释放,导致突触后电流的变化。兴奋性突 触后电流(EPSC)在兴奋性神经递质释放时产生,增 强突触权重。而抑制性突触后电流(IPSC)在抑制神 经递质释放时产生,减弱突触权重。双脉冲易化 (PPF)是典型的 STP 行为之一,它描述的是连续 施加一对突触前脉冲获得增强的突触后反应 [27] 。相 比之下,LTP 是突触连接的长期转化,对记忆和学 习至关重要。除了对突触可塑性进行分类外,影响 突触可塑性的因素也值得研究。时间尖峰依赖的可 塑性(STDP)和频率依赖的可塑性(SRDP)是改变突 触权重的两个主要因素,它们都是神经网络的基本 学习规则…”
Section: 随着大数据和人工智能(Ai)时代的到来,基 于冯•诺依曼系统架构的传统数字计算系统,在处unclassified