Dispositivo Sináptico de Armadilha de Carga de ReS₂ de Alto Desempenho Alcança 100% de Precisão em Reconhecimento Facial

Resumo

Dispositivos sinápticos sustentam a próxima geração de sistemas neuromórficos de alta velocidade e eficiência energética. Fabricamos uma sinapse de armadilha de carga baseada em dissulfeto de rênio anisotrópico (ReS₂) que reproduz fielmente potenciação e depressão de longo prazo. Para validar sua adequação para redes neurais de larga escala, treinamos uma rede neural artificial (ANN) de três camadas com 120 imagens do banco de dados Yale Face e testamos em 45 imagens inéditas. Mapeando 120 estados de condutância finamente ajustáveis do dispositivo ReS₂ nos >10⁵ pesos da ANN, a rede alcançou taxa de reconhecimento perfeita de 100%, demonstrando a promessa do dispositivo para aplicações neuromórficas práticas.

Contexto

Arquiteturas von Neumann tradicionais separam computação de memória, criando gargalo de largura de banda e alto consumo de energia. Em contraste, o cérebro humano opera com ≈ 20 W aproveitando uma rede altamente interconectada de ∼10¹¹ neurônios e ∼10¹⁵ sinapses. Plasticidade sináptica — ajuste dinâmico de peso sináptico — é o mecanismo central que permite aprendizado e memória.

Materiais bidimensionais (2D), como grafeno, dicalcogenetos de metais de transição (TMDCs) e fósforo negro, surgiram como meios de canal promissores para sinapses artificiais. Enquanto TMDCs de rede simétrica (MoS₂, WSe₂) dominam a literatura, dissulfeto de rênio (ReS₂) oferece estrutura 1T distorcida com banda proibida direta até dez camadas, simplificando fabricação e permitindo armadilha de carga robusta.

Demonstrações sinápticas prévias focaram em plasticidade de curto prazo, com poucos relatos capturando potenciação/depressão de longo prazo e integrando estados de condutância em cálculos de ANN. Nosso trabalho preenche esta lacuna fornecendo um dispositivo ReS₂ que não apenas emula LTP/LTD mas também entrega 120 níveis de condutância estáveis utilizáveis como pesos de ANN.

Métodos

A pilha do dispositivo (Figura 1d) compreende um back gate de ITO de 70 nm em SiO₂/Si de 200 nm, uma camada de armadilha de carga Al₂O₃/ZrO₂/Al₂O₃ de 12/4/4 nm crescida por ALD, e um canal ReS₂ exfoliado mecanicamente de ∼3,6 nm (≈ 5 camadas) com contatos fonte/dreno Ti/Au (10/70 nm). O comprimento do canal é 1,5 µm, e a orientação do cristal ReS₂ ao longo do eixo b é escolhida por sua mobilidade eletrônica superior. Voltagens de back gate pulsadas modulam o dispositivo, enquanto viés constante de 0,1 V dreno-fonte lê a corrente pós-sináptica.

Resultados e Discussão

Figura 2a mostra razão on/off >10⁶ a V_ds = 100–700 mV, confirmando forte controle do canal pelo gate ITO de 20 nm. Características de transferência exibem região superlinear de baixo V_ds, indicando bons contatos Schottky. Janela de memória de 3,5 V é observada na histerese I_bg (Fig. 2b), refletindo armadilha de carga eficiente na camada ZrO₂ (Fig. 2c,d).

Correntes pós-sinápticas excitatórias (EPSC) e inibitórias (IPSC) são disparadas por pulsos de back gate −1 V/10 ms e +1 V/10 ms, respectivamente (Fig. 3a,b). Pulsos negativos induzem LTP injetando elétrons no canal ReS₂; pulsos positivos produzem LTD aprisionando elétrons na ZrO₂. Pulsos repetidos de −2 V com intervalos de 1 s produzem aumento monótono de corrente (Fig. 3c,d), permitindo geração de múltiplos estados de condutância estáveis.

Após 120 pulsos sucessivos de −2 V, 10 ms, o dispositivo exibe 120 níveis de condutância linearmente espaçados (Fig. 4a). Estes níveis mapeiam diretamente nos >10⁵ valores de peso da ANN, como ilustrado na arquitetura ANN de 3 camadas (Fig. 4b): 1024 neurônios de entrada, 256 neurônios ocultos e 15 classes de saída. Treinamento em 120 imagens Yale Face e teste em 45 imagens inéditas, a rede atinge 100% de precisão após 600 iterações de treinamento (Fig. 5b). Distribuições de peso convergem para um conjunto disperso de valores, que são então combinados aos 120 estados de condutância via transformação linear C_j = A I_j + B (A = 1,3769 × 10¹⁰, B = −65,784). Substituindo estes valores de condutância na ANN preserva a taxa de reconhecimento de 100%, confirmando a viabilidade de sinapses ReS₂ para redes neurais de larga escala.

Conclusões

Demonstramos um dispositivo sináptico ReS₂ com pilha dielétrica high-k que exibe confiavelmente potenciação e depressão de longo prazo. Aplicando 120 pulsos periódicos de gate, o dispositivo produz 120 estados de condutância distintos e estáveis que substituem >10⁵ pesos de ANN, alcançando precisão perfeita de reconhecimento facial. Estes resultados estabelecem ReS₂ como plataforma atraente para hardware neuromórfico.

Disponibilidade de Dados e Materiais

Os autores confirmam que todos os dados, materiais e protocolos estão disponíveis aos leitores e totalmente contidos neste artigo.

Abreviações

2D:

Bidimensional

ALD:

Deposição de camada atômica

ANN:

Rede neural artificial

LTD:

Depressão de longo prazo

LTP:

Potenciação de longo prazo