Perangkat Sinaptik ReS2 Charge Trapping untuk Aplikasi Pengenalan Wajah

Hasil dan Diskusi

Gambar 2a menunjukkan karakteristik transfer perangkat sinaptik kami pada tegangan gerbang belakang 2-V (V _bg =2 V) di bawah tegangan saluran-ke-sumber tetap (V _ds ) berubah dari 100 menjadi 700 mV dengan langkah 100 mV. Rasio lancar Nyala/Mati di atas 10 ⁶ bisa diamati. Kurva menampilkan arus drain-to-source (I _ds ), yang mula-mula meningkat pesat dan kemudian menjadi jenuh; karakteristik saturasi yang sangat baik sesuai dengan regulasi saluran yang kuat oleh elektroda gerbang belakang ITO. Berbeda dengan transistor tradisional, yang menggunakan silikon sebagai elektroda gerbang bawah dan SiO₂ sebagai dielektrik pada tegangan operasi biasanya lebih dari 20 V [23], tegangan operasi perangkat sinaptik kami hanya dengan jarak 20 nm antara ReS₂ saluran dan elektroda gerbang belakang ITO di bawah 5 V, secara signifikan meningkatkan efisiensi perangkat sinaptik. Inset pada Gambar. 2a menunjukkan hubungan superlinear di bawah V . rendah _ds rezim, yang menunjukkan kontak Schottky yang baik antara ReS₂ saluran dan sumber dan saluran elektroda. Seperti yang ditunjukkan pada Gambar. 2b, I _ds –V _bg kurva histeresis dapat diamati ketika V _bg diubah dari 5 menjadi 5 V dan kemudian dibalik kembali pada bias konstan 0,1 V (V _ds =0,1 V). Dalam pengukuran, tegangan konstan kecil 0,1 V diterapkan antara elektroda sumber dan saluran pembuangan untuk "membaca" arus postsinaptik. Jendela memori, yang memberikan dasar untuk kinerja sinaptik, adalah sekitar 3,5 V; jendela memori yang begitu besar membuat ReS kami₂ perangkat yang sangat menjanjikan untuk aplikasi sinaptik [24]. Sejak puncak pita valensi ZrO₂ lebih tinggi dari Al₂ O₃ , dan bagian bawah pita konduksi lebih rendah dari pada Al₂ O₃ (lihat sisipan pada Gbr. 2c), ZrO₂ digunakan sebagai lapisan perantara yang diapit di antara alumina dapat menangkap muatan secara efektif. Diagram pita energi di bawah tegangan gerbang belakang positif dan negatif masing-masing ditunjukkan pada Gambar 2c dan d. Ketika tegangan positif diterapkan, elektron dalam ReS₂ saluran pertama akan terowongan melalui Al₂ O₃ lapisan tunneling, kemudian ditangkap oleh ZrO₂ lapisan perangkap. Sebaliknya, ketika ITO diterapkan dengan tegangan negatif, elektron berkumpul di ZrO₂ lapisan akan dikirim ke ReS₂ saluran; pita energi ditekuk ke arah saluran.

Sifat kelistrikan ReS₂ perangkat sinaptik. a Karakteristik transfer (I _ds –V _bg ) dari ReS₂ perangkat sinaptik pada V . tetap _ds berubah dari 100 menjadi 700 mV dengan langkah 100 mV. b Karakteristik keluaran (I _ds –V _ds ) dari ReS₂ perangkat sinaptik pada V . tetap _bg berubah dari 2 menjadi 2 V dengan langkah 1 V. c Lingkaran histeresis di V _bg rentang sapuan ±  5 V. V _ds dipertahankan pada 100 mV. d Diagram pita energi dari ReS₂ perangkat sinaptik dengan tegangan gerbang belakang positif. Sisipan:tingkat energi Al₂ O₃ dan ZrO₂ . e Diagram pita energi dari ReS₂ perangkat sinaptik dengan tegangan gerbang belakang negatif

Pada Gambar 3a, arus postsinaptik rangsang khas (EPSC) terdeteksi setelah menerapkan pulsa input negatif (dengan amplitudo 1 V dan durasi 10 ms) di gerbang belakang ITO. Juga, sebuah postsinaptik penghambatan menanggapi pulsa tegangan positif (dengan amplitudo 1 V dan durasi 10 ms) diamati pada Gambar. 3b, yang mirip dengan sinaps biologis [25]. Sinyal pulsa dari neuron prasinaps ditransmisikan ke neuron pascasinaps melalui sinaps dan diubah menjadi arus pascasinaps (PSC) [26]. Nilai PSC ditentukan oleh amplitudo dan durasi pulsa. Ketika pulsa negatif, elektron dari cacat ZrO₂ memperoleh energi yang cukup untuk menembus Al₂ bagian atas O₃ lapisan dielektrik ke dalam ReS₂ saluran. Nilai konstanta arus sedikit lebih tinggi dari nilai sebelumnya (∆PSC =0,04 nA) dan dapat dipertahankan untuk waktu yang lama. Fenomena ini berhubungan dengan potensiasi jangka panjang (LTP) dalam sinaps biologis. Namun, ketika pulsa positif, elektron di ReS₂ saluran yang disalurkan melalui Al₂ O₃ lapisan di bawah tarikan medan listrik dan ditangkap oleh cacat ZrO₂ . Dengan demikian, nilai konstanta arus sedikit lebih rendah dari nilai aslinya dan dapat dipertahankan untuk waktu yang lama (∆PSC =0,06 nA). Proses ini berhubungan dengan depresi jangka panjang (LTD) di sinaps biologis. LTP dan LTD menyediakan substrat fisiologis untuk pembelajaran dan memori dalam perangkat sinaptik. Ketika pulsa negatif dengan amplitudo 2 V dan durasi 10 ms diterapkan terus menerus, dengan interval 1-s antara pulsa, arus naik dalam dua langkah diamati, seperti yang ditunjukkan pada Gambar. 3c. Nilai arus yang meningkat masing-masing adalah 1,6 nA dan 1,4 nA. Oleh karena itu, arus yang terus menerus dan naik secara merata dapat diperoleh di bawah pulsa tegangan gerbang periodik, dan arus tunak setelah stimulasi dapat bertahan untuk waktu yang lama, seperti yang ditunjukkan pada Gambar. 3d. Temuan ini memberikan dasar untuk mendapatkan beberapa keadaan konduktif stabil.

Performa sinaptik dari ReS₂ perangkat sinaptik. a Arus postsinaptik rangsang (EPSC) dipicu oleh pulsa input (− 1 V, 10 ms). b Arus postsinaptik penghambatan (IPSC) dipicu oleh lonjakan prasinaptik (1 V, 10 ms). c Sepasang lonjakan output EPSC dipicu oleh dua pulsa input berurutan (− 2 V, 10 ms, dan dengan interval 1-s antara pulsa). d Karakteristik retensi dari ReS₂ perangkat sinaptik setelah lonjakan prasinaptik 3 V dan 10 ms

Gambar 4a menunjukkan 120 nilai arus setelah menerapkan 120 pulsa negatif dengan amplitudo 2 V dan durasi 10 ms dan dengan interval 1-s antara pulsa. Rupanya, kurva saat ini menunjukkan linearitas yang sangat baik, 120 keadaan konduktansi stabilitas tinggi yang efektif diperoleh di setiap keadaan. Status konduktansi yang berbeda berhubungan dengan nilai bobot JST yang berbeda [27].

Jaringan saraf tiruan untuk pengenalan wajah. a 120 status konduktansi setelah menerapkan 120 pulsa negatif (− 2 V, 10 ms, dan dengan interval 1 detik di antara pulsa). b JST tiga lapis dengan 1024 neuron input, 256 neuron tersembunyi, dan 15 neuron output. c Diagram alir siklus pengenalan-pelatihan

Dalam karya ini, jaringan saraf tiruan tiga lapis untuk tugas pengenalan wajah diusulkan, dan strukturnya disajikan pada Gambar. 4b, di mana dapat dilihat bahwa lapisan input terdiri dari 1024 neuron yang sesuai dengan 1024 piksel gambar, lapisan tengah (tersembunyi) terdiri dari 256 neuron, dan lapisan keluaran terdiri dari 15 neuron yang sesuai dengan 15 kelas wajah.

Pengembangan JST yang diusulkan adalah sebagai berikut. Sebanyak 165 gambar, termasuk 15 jenis gambar dari database Yale Face [28] digunakan untuk pelatihan dan pengujian JST. Delapan gambar dari masing-masing jenis digunakan untuk pelatihan JST, dan tiga gambar sisanya dari masing-masing jenis digunakan untuk pengujian JST. Mengingat bahwa modul adalah fungsi halus relatif terhadap input dan bobot internalnya, arsitektur multilayer dapat dilatih dengan penurunan gradien stokastik sederhana, dan gradien umumnya dihitung dengan prosedur backpropagation [29]. Oleh karena itu, kami menggunakan algoritme propagasi mundur klasik (BP) untuk membangun jaringan kami dan menunjukkan cara kerja algoritme BP untuk JST kami.

Dalam karya ini, X _m mewakili neuron input, sehingga nilai input dari neuron tersembunyi dapat dinyatakan sebagai:

dimana V _mn mewakili nilai bobot antara neuron input X _m dan neuron tersembunyi Y _di , dan semua V _mn membentuk matriks V yang memiliki total nilai bobot 1024 × 256; nilai awal matriks ini ditetapkan secara acak. Fungsi aktivasi lapisan tersembunyi adalah fungsi sigmoid, sehingga nilai keluaran dari neuron tersembunyi diberikan oleh:

Dengan demikian, nilai input dari neuron output dapat dinyatakan sebagai:

dimana A _nk mewakili nilai bobot antara neuron tersembunyi Y _di dan neuron keluaran Z _ik , dan semua A _nk membentuk matriks W dengan total nilai bobot 256 × 15; nilai awal W _nk juga diberikan secara acak. Selain itu, kita menggunakan fungsi sigmoid sebagai fungsi aktivasi dari lapisan output, sehingga nilai output dari neuron output diberikan oleh:

Membandingkan keluaran yang dihitung di atas dengan keluaran yang benar, kesalahan keluaran total dapat diperoleh, dan dinyatakan sebagai:

dimana O _k adalah nilai keluaran yang benar. Sejauh ini, proses propagasi maju jaringan telah dijelaskan secara lengkap. Untuk meningkatkan tingkat pengenalan, proses backpropagation diperlukan untuk menghitung kesalahan bobot, dan digunakan untuk memperbarui bobot jaringan pada iterasi berikutnya.

Dalam ekspresi matematika di atas, ∆V _mn dan ∆A _nk masing-masing mewakili kesalahan V _mn dan A _nk ; setelah menambahkan kesalahan ke bobot aslinya, kami mendapatkan bobot yang diperbarui V _mn ^′ dan A _nk ^′ ; μ adalah kecepatan belajar, dan μ = 0,06. Setelah memperbarui bobot, gambar baru diumpankan ke ANN, dan proses pembaruan bobot diulang sampai semua 120 gambar telah digunakan untuk pelatihan. Selanjutnya, kami menggunakan jaringan terlatih untuk mengidentifikasi 45 gambar yang tersisa dan menghitung tingkat pengenalan. Proses pengujian JST hanya membutuhkan proses propagasi maju. Setiap gambar yang digunakan untuk pengujian mendapatkan 15 nilai keluaran setelah propagasi maju. Nilai output mencerminkan probabilitas bahwa gambar input adalah jenis tertentu. Output dengan nilai probabilitas maksimum dipilih, dan jenis yang sesuai adalah jenis gambar input yang diidentifikasi oleh jaringan. Hasil pengenalan dibandingkan dengan keluaran standar; semua gambar yang diidentifikasi dengan benar dihitung, dan jumlah totalnya adalah n . Dalam setiap siklus pengenalan pelatihan, tingkat pengenalan r diberikan oleh:

Umumnya, tingkat pengenalan pengenalan pertama sangat rendah, dan di JST kami dengan 256 neuron tersembunyi, tingkat pengenalan pertama hanya 17,78%. Proses pengenalan-pelatihan di atas diulangi sampai diperoleh tingkat pengenalan maksimum. Seluruh siklus pengenalan-pelatihan ditunjukkan pada Gambar. 4c.

Seperti yang ditunjukkan pada Gambar. 5a, selama proses pengembangan JST, tingkat pengenalan maksimum dan peningkatan kecepatan tingkat pengenalan (kecepatan pelatihan) berbeda pada jumlah neuron tersembunyi yang berbeda. Jumlah neuron tersembunyi yang lebih besar menghasilkan tingkat pengenalan maksimum yang lebih tinggi dan kecepatan yang meningkat lebih cepat, tetapi juga meningkatkan konsumsi energi, sehingga tradeoff tertentu harus dilakukan. Dalam kasus 256 neuron tersembunyi, tingkat pengenalan mencapai 100% setelah 600 iterasi pelatihan, seperti yang ditunjukkan pada Gambar 5b. Karena ini jelas merupakan tingkat pengenalan maksimum yang dapat dicapai, dalam JST kami, kami menetapkan jumlah neuron tersembunyi menjadi 256. Distribusi nilai bobot setelah siklus pengujian-pelatihan yang berbeda disajikan pada Gambar 5c, dan ini menunjukkan bahwa bobot menjadi lebih tersebar setelah lebih banyak siklus, artinya, untuk mencapai tingkat pengenalan yang lebih tinggi, bobot dalam JST harus disesuaikan. Setelah kami mencapai tingkat pengenalan maksimum, matriks V dan A mendapatkan nilai bobot optimal. Untuk menunjukkan dengan lebih baik bahwa ReS kami₂ perangkat cocok untuk diterapkan pada JST, semua nilai bobot dalam matriks bobot V dan A digantikan oleh nilai konduktansi perangkat. Kami menggunakan Saya _j (j = 1, 2, 3⋯120) untuk mewakili 120 nilai konduktansi yang diperoleh setelah 120 siklus, dan kami membuat transformasi linier dari nilai konduktansi asli sehingga rentang konduktansi konsisten dengan rentang bobot, yang diberikan oleh:

Realisasi pengenalan wajah. a Kurva tingkat pengenalan pada jumlah neuron tersembunyi yang berbeda (32, 64, 128, dan 256). b Kurva tingkat pengenalan pada 256 neuron tersembunyi; tingkat pengenalan mencapai 100% setelah hampir 600 periode pengujian-pelatihan. c Distribusi nilai bobot setelah 10 hingga 90 (dalam langkah 20) periode pelatihan. d Distribusi nilai bobot setelah 100 hingga 600 (dalam langkah 100) periode pelatihan. e Tingkat pengakuan setelah penggantian; nilai bobot diganti setelah 100~500 periode pelatihan (dalam langkah 100)

dimana C _j mewakili nilai bobot setelah transformasi linier. Dalam kasus 600 siklus, koefisien transformasi linier adalah A = 1.3769 × 10 ¹⁰ dan B =  − 65,784. Selanjutnya, kita kurangi setiap C _j dari setiap nilai bobot dan mengganti nilai bobot dengan C _j yang memiliki nilai absolut terkecil setelah dikurangi; yaitu, kami menghitung min|V _mn C _j |, menit|A _nk C _j | dan mengganti setiap nilai bobot dengan C . yang sesuai _j . Dengan cara ini, kami memperoleh V . baru dan A matriks bobot dimana semua nilai bobot digantikan oleh C _n . Kemudian, kami menggunakan matriks bobot baru kami dalam pengujian JST, dan tingkat pengenalan JST 100% tercapai, yang membuktikan bahwa 120 status konduktansi kami dapat digunakan dengan sempurna sebagai nilai bobot dalam JST. Untuk tujuan analisis lebih lanjut, kami mengganti nilai bobot setelah 100~500 siklus pelatihan (dalam langkah 100), dan hasil identifikasi yang diperoleh setelah penggantian benar-benar konsisten dengan yang asli, seperti yang ditunjukkan pada Gambar 5d. Ini membuktikan bahwa 120 nilai saat ini dapat dengan sempurna menggantikan lebih dari 10 ⁵ nilai bobot untuk perhitungan. Dengan lebih meningkatkan jumlah pulsa gerbang, lebih banyak status konduktansi dapat diperoleh, yang membuktikan bahwa ReS₂ kami perangkat dapat digunakan dalam sistem jaringan saraf skala besar.