Des chercheurs du Technion et de TowerJazz en Israël ont récemment construit un transistor à grille flottante à deux bornes qui pourrait avoir des applications utiles dans le calcul neuromorphique. Ce transistor, présenté dans un article en Nature Électronique , a été fabriqué à l'aide de la technologie monopoly standard et d'un processus commercial CMOS 180 nm.

"Notre laboratoire travaille généralement sur des circuits et des architectures avec des dispositifs émergents, tels que les memristors, " Shahar Kvatinsky, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Le problème avec ces appareils est qu'ils ne sont pas disponibles dans le commerce et nous ne pouvons les obtenir qu'à petite échelle et avec une fiabilité médiocre. Donc, généralement, nous nous appuyons soit sur des simulations, soit sur de petites preuves de concept avec les appareils disponibles."

Initialement, Kvatinsky et ses collègues ont commencé à chercher un moyen de tester leurs idées dans un environnement plus fiable. Ensuite, lors d'une collaboration avec TowerJazz visant à modifier les appareils commerciaux Y-Flash de cette dernière, l'équipe s'est rendu compte que dans certaines conditions, ces appareils pourraient avoir un comportement similaire aux appareils présentés dans leurs conceptions. Après une série de tests sur ces appareils, ils ont décidé de les modéliser comme des memristors.

"Le comportement des memristors est très différent des transistors existants, ", a déclaré Kvatinsky. "Ils sont à deux bornes (contre trois ou quatre bornes dans les transistors) et se comportent comme des résistances à mémoire (c'est le sens du nom). Bien que les memristors ne soient pas disponibles dans le commerce, Y-Flash est, dans un processus stable de 0,18 um."

Les dispositifs de type memristor présentés par les chercheurs peuvent être réglés avec précision en utilisant des tensions et des temps de commutation optimisés. En outre, ils peuvent atteindre 65 niveaux de résistance distincts et ont une conservation des données analogiques de 10 ans.

Le principal avantage de ces appareils, cependant, est que bien qu'ils reproduisent un comportement de type memristor, ils peuvent être facilement construits en utilisant la technologie disponible dans le commerce, ce qui n'est pas vrai pour la plupart des memristors existants. En outre, ils sont de faible puissance et donc considérablement économes en énergie.

"Notez que pour fabriquer le Y-Flash en mode memristif, les modifications que nous avons apportées sont mineures et ne nécessitent pas d'étapes de fabrication supplémentaires, " a ajouté Kvatinsky. " Cela signifie que leur coût est identique à celui des transistors Y-Flash standard. "

Kvatinsky et ses collègues ont mené une série d'expériences dans lesquelles ils ont démontré le potentiel de leurs memristors pour un certain nombre d'applications neuromorphiques de base. En particulier, ils ont montré qu'ils sont adaptés pour atteindre une plasticité dépendante du temps de pointe, multiplication vecteur-matrice, mémoire associative et formation à la classification.

"Pour les universitaires comme moi, nos transistors nous permettront de tester nos idées dans une conception à relativement grande échelle avec des transistors ordinaires, " a déclaré Kvatinsky. " Pour l'industrie, cela ouvre des opportunités pour fabriquer des systèmes d'IA neuromorphiques efficaces pour des applications à faible consommation. »

Ces memristors pourraient ouvrir de nouvelles possibilités passionnantes pour de nombreux domaines de recherche et développement. Ils pourraient être particulièrement utiles pour des applications nécessitant l'utilisation de memristors à grande échelle, tels que les systèmes d'IA neuromorphes, ainsi que pour ceux qui nécessitent une excellente intégration avec les technologies commerciales.

"Dans ce document, nous avons montré le comportement de l'appareil de base et démontré plusieurs applications liées aux réseaux de neurones, " a déclaré Kvatinsky. " Nous prévoyons maintenant de concevoir et de fabriquer des applications plus grandes et de les intégrer avec des transistors. "

© 2020 Réseau Science X