韩国科学技术院KIST！Advanced Materials丨基于缺陷工程氮化硼的光激活存储器：实现高效硬件容错学习的新途径

大家好，今天为大家分享一篇2025年10月3日发表在国际知名期刊Advanced Materials上的文献，题目为"Highly Tunable Synaptic Modulation in Photo-Activated Remote Charge Trap Memory for Hardware-Based Fault-Tolerant Learning"。本文的共同第一作者是Je-Jun Lee, Hojin Choi, 和 Ju-Hee Lee，通讯作者是Do Kyung Hwang, Seyong Oh, 和 Jin-Hong Park。

摘要

深度学习应用的快速扩展导致了巨大的能源消耗，这主要是由于推理过程中的矩阵向量乘法运算。尽管存内计算技术缓解了并行计算带来的部分低效问题，但它们在处理高级深度学习模型所需的更广泛计算算法时仍面临挑战。在现实世界的数据收集中，数据集常含有“噪声标签”（即错误的标注），这会导致传统存内计算的识别效率下降。本文提出了一种基于硬件的容错学习算法，该算法专为具有可调谐突触操作的人工突触设计。在此方案中，器件能同时处理学习和调节信号，从而能够选择性地减弱由错误训练信号引起的权重更新。利用基于缺陷工程六方氮化硼（h-BN）的光激活远程电荷陷阱存储器件实现的4380的高突触可调谐比，该系统几乎完全抑制了来自错误标记数据的权重更新信号，从而提高了在带噪声标签的MNIST数据集上的识别准确率。这些结果表明，可调谐的突SPECT突触器件可以提高存内计算系统在处理带噪声标签数据集时的训练效率，从而减少了对大量数据清洗和准备的需求。

图文解读

首先，文章介绍了所提出的器件结构及其工作机制。该器件是一种基于缺陷工程六方氮化硼（h-BN）的光激活远程电荷陷阱存储器。研究人员通过氧等离子体处理在h-BN中引入缺陷，旨在增强其光电活性掺杂特性，从而实现对器件电导的高度可调控制。这种设计的核心思想是，只有在光照和电场同时存在时，器件的权重（电导）才会更新，这为后续的容错学习应用奠定了基础。

图1. 光激活远程电荷陷阱存储器的器件表征与工作机理。 a) 所提出器件设计的示意图。 b) 原始h-BN的TEM图像和c) 氧化h-BN的TEM图像。插图突出了氧化过程中氧吸附引起的表面应力诱导的无序。 d) 原始和氧化h-BN的X射线光电子能谱分析，显示氧化h-BN中氧浓度高于原始样品。 e) 原始和氧化h-BN的光致发光光谱，表明氧化过程后h-BN带隙中的陷阱态增加。 f) 原始和氧化h-BN的功函数分布比较，氧化h-BN表现出比原始h-BN更高的功函数分布。 g) 光电活性掺杂过程后的转移特性曲线，施加负/正栅极电压并结合光照后，阈值电压（）分别发生负/正向漂移。仅施加正或负电压时未观察到漂移。 h), i) 分别说明h)光电活性掺杂期间和i)仅施加栅极电压时，光电活性缺陷行为的能带图。

接下来，研究人员对缺陷工程h-BN产生的光电活性掺杂效应进行了表征。通过对比使用原始h-BN和氧化h-BN的器件，结果表明，经过缺陷工程处理的器件在正向栅压和光照下表现出显著增强的p型掺杂效应，使其能够工作在增强模式下。这一特性使得器件在零栅极偏压下也能实现宽范围的电导调制，这对于构建具有大动态范围的人工突触至关重要。

图2. 缺陷工程h-BN的光电活性掺杂表征。 a,b) 分别为a)基于原始h-BN的器件和b)基于氧化h-BN的器件在不同编程电压下进行光电活性掺杂后的转移特性曲线。 c,d) 提取的c)阈值电压和d)迁移率随编程电压的变化。 e,f) 当器件处于e)p型掺杂态和f)n型掺杂态时，依赖于栅压的噪声谱密度。 g) 在线性区，SI2与的关系图，p型掺杂态时设为20 V，n型掺杂态时设为0 V。 h) 提取的导电通道周围的表面陷阱密度，直至临界深度（z）。 i) 光电活性掺杂过程前后通过KPFM测量的功函数映射图（顶部）和剖面图（底部）。 j) 从i)中横截线提取的功函数值。

随后，文章研究了该器件作为人工突触的动态特性。评估了其兴奋性/抑制性突触后电流（EPSC/IPSC）、短时程可塑性（STP）和长时程可塑性（LTP/LTD）等关键的仿生突触功能。结果显示，氧化h-BN器件具有优异的长时程可塑性，其电导动态范围（）远大于原始h-BN器件。更重要的是，通过调节光照强度可以有效控制突触权重的更新幅度（即学习率），这直接证明了该器件在实现可调学习率方面的潜力。

图3. 光激活远程电荷陷阱存储器的突触特性。 a,b) 在光照下，对a)负电压尖峰和b)正电压尖峰的电导（G）响应，分别代表EPSC和IPSC。 c,d) 施加c)负电压尖峰和d)正电压尖峰并结合光照后，立即测量和180秒后测量的电导变化（ΔG）。 e) PPF比率-Δt曲线，显示突触器件的短时程可塑性（STP）特性，拟合方程见插图。 f) 原始和氧化h-BN器件的长时程可塑性。 g) 光控调节的长时程可塑性。 h,i) 提取的突触指标：h) 最小电导（）、最大电导（）、动态范围（），i) 非线性度（NL）和不对称性（AS）。

最后，研究展示了该光激活突触器件在处理含错误标签数据集时的容错学习应用。研究人员提出了一种硬件级别的学习算法：系统在进行权重更新前，首先通过一次推理来评估当前训练数据的可信度。如果推理结果置信度高但与所给标签不符，系统便判断该数据可能被错误标记，此时通过关闭光源来“停用”权重更新过程，从而避免错误信息对神经网络的干扰。仿真结果表明，在含有20%错误标签的MNIST数据集上，采用该容错学习策略的系统识别准确率（87.87%）远高于传统训练方法（82.47%），几乎接近于在干净数据集上的表现。

图4. 使用含错误标签数据集的容错学习演示。 a) 含错误标签的MNIST数据集示例，一个标记为“8”的样本实际上是“1”。 b) 提出的容错学习权重更新过程，特点是通过基于推理结果的反馈回路来调节均匀光源。 c) 神经网络形式的权重更新过程示意图。 d) 器件级别的电导调制，展示了仅在有光存在时电导才会发生变化。 e) 分别使用不确定和自确定权重更新协议，对含0%和20%错误标签的MNIST数据集的模拟识别率。 f) 在不同错误标签比例下，自确定和不确定学习协议的识别率及相应的停用比例，每个条件下显示10个独立结果。

总结与展望

本文的创新点主要包括：

1. 1. 新颖的器件结构： 首次利用缺陷工程化的六方氮化硼（h-BN）开发了一种光激活远程电荷陷阱存储器。通过氧等离子体处理引入的缺陷，成功实现了器件的增强模式运行，获得了高达1752的动态范围，且能在零栅压下读取，有助于降低能耗。
2. 2. 超高的突触可调谐比： 该器件实现了4380的突触可调谐比（STR），意味着在无光照时，由电信号引起的权重更新几乎被完全抑制。这为实现对学习过程的精确“开/关”控制提供了物理基础。
3. 3. 硬件层面的容错学习算法： 提出并验证了一种新颖的硬件容错学习方案。该方案将数据可靠性评估与器件的光控特性相结合，能够在训练过程中实时过滤掉潜在的错误标记数据，显著提升了神经网络在噪声数据集上的鲁棒性。
4. 4. 解耦的控制机制： 该器件的设计将用于权重更新的电学编程路径与用于学习率调制的 dla 光学控制路径分离开来。与传统方案相比，这简化了外围驱动电路，为构建高密度、可扩展的神经形态计算系统提供了优势。

未来研究方向与改进：

1. 1. 规模化与集成： 目前的研究基于剥离的二维材料，这限制了其大规模应用。未来的工作应着力于采用大面积二维材料生长和转移技术，以制造高密度的突触器件阵列。
2. 2. 小型化与串扰抑制： 在高密度阵列中，需要实现对单个器件的精准光学寻址。未来可以探索集成空间光调制器或片上光波导等技术，以精确控制光照区域，减少器件间的光学串扰。
3. 3. 算法优化： 当前的容错算法采用了较为简单的置信度阈值。未来可以开发更复杂的算法来判断数据是否被错误标记，并可以利用器件的宽动态范围实现多级学习率调制，以进一步优化学习效果。