With the recent high demand for "big data processing", bio-inspired synapse devices based on the resistive switching, which mimics the nervous system of the brain, have attracted attention. To emulate the brain's synaptic plasticity, various mechanisms of synapse devices have been studied, but the factors such as non-linearity, asymmetry, and low dynamic range degrade critically the performance of neuromorphic computing. In this study, we proposed a three-terminal architecture of battery-like organic synapse (HBOS) device utilizing acidic hydrogel electrolyte PVA with high linearity (<2.54), wide dynamic range (>450), and analog resistance change characteristics for the application of highly efficient neuromorphic computing with artificial neural network based on a battery mechanism. Based on the understanding of electrical properties and qualitative analysis, we suggested a programming strategy that improves linear (<1) and symmetric synapse characteristics with less energy consumption. Furthermore, with artificial neural network simulations, we validated the suggested technique, which exhibits a value of MNIST maximum recognition rate of real-case (92.68%) highly closed to the ideal case (93.7%).
최근 "빅 데이터 처리"에 대한 높은 수요와 함께, 뇌의 신경계를 모방한 저항 스위칭을 기반으로 하는 시냅스 소자가 관심을 끌고 있다. 뇌의 시냅스 가소성을 모방하기 위하여, 다양한 기작을 기반으로 하는 시냅스 소자가 제시되어 오고 있지만, 소자의 비 선형성, 비 대칭성, 낮은 동적범위 등의 요인들은 뉴로모픽 컴퓨팅의 성능을 치명적으로 떨어뜨린다. 이를 개선하기 위하여, 본 연구에서는 고효율 동작의 인공신경망 기반 뉴로모픽 컴퓨팅 애플리케이션 적용을 위해 고 선형성(<2.54), 넓은 동적범위(>480), 아날로그 저항 변화 특성을 가지는 배터리 기작을 응용한 소자를 제안하였다. 심도있는 전기적 특성과 정성적 분석을 바탕으로, 소자 측면에서 위 소자의 선형성 특징(<1), 대칭성을 기존보다 개선시키고, 더 낮은 에너지로 저항 스위칭을 보여주는 프로그래밍 기술을 제안한다. 이를 바탕으로 인공 신경망 시뮬레이션을 통하여, MNIST 최대 인식률이 이상적인 경우(93.7%)에 근접한 실제 특성의 값(92.68%)을 확보함으로써 제안된 연구의 기술을 검증하였다.
