This dissertation aims to suggest a device structure that can improve the area efficiency of ferroelectric device-based neuron devices and to find a suitable neuromorphic application.
Low power consumption during polarization switching makes FeFET neurons advantageous for low-power operation. Furthermore, Leaky Integrate-and-Fire (LIF) neuron behavior can be implemented in a Leaky FeFET without additional components such as a capacitor, comparator, and amplifier. However, the simple structure of neuron devices has been nullified with the additional components to implement inhibitory connection in many practical applications.
In this study, a Leaky FeFET with a Split-Gate structure was proposed as a neuron device. It was confirmed that both excitatory and inhibitory connections were implemented without introducing additional devices. At the same time, to reduce standby power, a compact structure was proposed to combine FeFET and an additional nFET, which is only controlled by excitatory gate input. The device can save standby power in the off-state by suppressing the tail current, which is a chronic problem in FET-based neuron devices. The fabricated device shows both LIF and inhibitory operation of neurons. Furthermore, a 3-layer SNN simulation based on the Split-Gate Leaky FeFET neuron shows an accuracy of over 90% for pattern recognition examples, thereby verifying its validity as a neuron device.
While previous works considered the Leaky FeFET as a general LIF neuron for conventional SNN applications, it was confirmed that the Leaky FeFET-based neurons are specialized for Leaky & Integrate (LI) behavior. In this study, Leaky FeFET-based neurons were applied to reservoir computing, which is specialized to process sequential data. Time-delayed feedback of LI-enhanced neurons is suitable for the physical reservoir that requires temporary memory effects and non-linearity between input and output. In the proposed reservoir computing scheme with the Leaky-FeFET reservoir, the memory capacities (MCs) were 2.08 and 1.71 for short-term memory and parity check tasks, respectively. As an aside, device simulation for antiferroelectric FET was also conducted to check whether retention degradation in antiferroelectric FET can contribute to reservoir computing. Improvement in operation speed and energy efficiency is expected while it shows comparable reservoir computing performance with Leaky FeFET neurons.
This study can contribute to the implementation of bio-inspired low-power artificial neural networks by applying the unique characteristics of FeFET-based neuron devices.
본 학위논문에서는 Ferroelectric FET (FeFET)의 동작원리를 응용하여 뉴런 모사 소자의 집적도를 개선할 수 있는 새로운 구조의 소자를 제시하고, 이에 최적화된 뉴로모픽 어플리케이션을 찾는 것을 목표로 한다.
FeFET 기반 뉴런 소자는 스위칭 시 소모되는 전력이 적어 저전력 동작에 적합하고, 메모리 유지 능력이 열화 되도록 조정하면 큰 면적을 차지하는 축전지 없이도 Leaky Integrate-and-Fire (LIF) 뉴런 동작 구현이 가능하여 집적 효율이 높다는 장점이 있다. 다만 기 보고된 FeFET 뉴런 소자는 응용과정에서 출력을 억제하기 위한 억제성 연결을 구현하는 과정에서 추가적인 소자를 요하게 되면서 집적도 개선이 무용화 되는 문제가 있었다. 본 연구에서는 이러한 문제를 해결하기 위하여 스플릿 게이트 구조를 가지는 Leaky FeFET을 뉴런으로서 제안하였고, 이를 통하여 추가적인 소자의 도입 없이도 뉴런의 흥분성/억제성 연결을 모두 구현할 수 있음을 확인하였다. 동시에 FET 기반 뉴런소자의 대기전력 문제의 원인이 되는 잔류 전류를 억제하는 아이이디어로, 흥분성 입력에 의해서만 제어되는 채널 영역을 추가하는 소자 구조를 제시하고 검증하였다. 제작된 소자는 뉴런의 LIF 및 억제 동작을 모두 수행하였다. 나아가 해당 소자를 기반으로 하는 3-layer 기반의 SNN 시뮬레이션을 수행하여 패턴 인식 예제를 모두 90% 이상의 우수한 정확도로 추론할 수 있음을 확인함으로써 뉴런 소자로써 타당성을 검증하였다.
LIF 뉴런 소자로서의 일면에만 집중한 기존의 관점에서 나아가, Leaky FeFET 기반 뉴런 소자는 뉴런 동작 중, Leaky & Integration (LI)에 보다 특화된 동작 특성을 보인다. 따라서 현재의 LI 특화 뉴런에 최적화된 응용처를 탐색함으로써 활용도를 극대화할 수 있다. 본 연구에서는 소자 동작의 일시적 메모리 효과와 입출력간 비선형성을 요하는 축적 컴퓨팅에 FeFET 기반 뉴런을 적용하였다. 축적 컴퓨팅(Reservoir Computing)은 Reservoir의 시지연적 피드백 효과를 통하여 시계열 입력에 대한 신경망을 상대적으로 낮은 비용으로 구현이 가능하기에 IoT를 비롯한 저전력 어플리케이션에 적용될 경우 매우 효과적이다. 본 연구에서는 Leaky FeFET 기반의 LI 특화 뉴런을 기반으로 하는 Physical Reservoir을 구현하였다. 제안된 축적 컴퓨팅 구조에서 단기기억메모리와 패리티 검사에 대하여 각각 2.08 및 1.71의 메모리 캐패시티를 얻어, Leaky FeFET 뉴런이 Physical Reservoir로 기능함을 확인하였다. 확장 연구로 Retention의 열화를 반강유전체 물질을 사용하여 구현한 경우에 대한 소자 시뮬레이션을 구현하여, 이러한 방식의 Retention 열화 메커니즘이 축적 컴퓨팅에 기여하는 정도를 확인하였다. 이를 통하여 반강유전체 활용을 통한 FeFET 기반 뉴런 소자의 축적컴퓨팅 활용을 통한 속도 향상과 에너지 효율 향상의 가능성을 탐색하였다.
본 연구는 강유전체 기반 뉴런 소자의 구조적 개선을 통하여 기존에 알려진 FeFET 기반 뉴런의 응용 과정에서 발생하는 집적도 저하를 보완하고, 대기 전력을 근본적으로 개선하기 위한 아이디어를 구현하였다. 이후, LI 동작에 특화된 FeFET 뉴런 소자의 특징을 토대로 Physical Reservoir로서의 동작을 확인 및 검증하였다. 따라서 본 연구는 강유전체 기반 소자의 고유 특성을 뉴런 소자로 활용하는 방법을 제시하며, 나아가 그 소자 특성을 활용한 저전력 인공 신경망 구현의 구체적 방안을 제시하였다.
