近日，中国科学院东莞材料所/松山湖材料实验室梁齐杰研究员与中山大学侯仰龙教授在二维激活神经元器件领域取得重要进展。研究团队提出一种可重构的二维激活神经元，通过二维异质结构实现数字-模拟混合处理功能。在二维通道内采用栅极-漏极重叠设计，使同质结中带间隧穿效应得以实现，从而使得激活神经元能够动态调节亚阈值摆幅和阈值电压。相关研究成果以“Reconfigurable two-dimensional activation neuron device”为题发表于《Nano Letters》。
随着人工智能加速向边缘计算终端延伸，神经网络硬件正朝着高能效、高集成方向快速发展。然而，作为神经网络的重要组成部分，激活函数目前仍主要依赖CMOS外围电路实现，不仅增加了系统面积和功耗，还带来了频繁的数据转换与搬运开销，成为制约类脑芯片进一步发展的关键瓶颈。如何利用器件本身直接完成非线性激活，并兼顾数字逻辑处理能力，是神经网络硬件领域的重要科学问题。
针对上述问题，研究团队提出了一种基于二维范德华异质结构（hBN/MoS2/hBN）的可重构二维激活神经元器件。该器件创新性引入栅极-漏极重叠（GDO）结构，在单个二维器件中实现Softplus激活函数，并首次将数字逻辑与模拟激活两种计算模式集成于同一器件，为神经网络硬件提供了新的器件架构。
图1. 可重构二维激活神经元器件。(a)-(b) 生物大脑和神经元结构的示意图。(c) 具有突触和激活神经元的神经网络硬件实现。(d) 二维激活神经元的示意图。(e) hBN/MoS2/hBN异质结的透射电子显微镜图像及其对应的EDS分析结果。(f) 模拟Softplus激活函数的输出电流曲线。(g) 不同激活神经元性能的对比。
实现激活函数的关键，在于构建连续、可调的非线性输出特性。研究团队利用GDO结构在漏端形成可调控同质结，通过顶栅、底栅与漏极偏压的协同调控，引入带间隧穿（Band-to-Band Tunneling，BTBT）机制，实现亚阈值摆幅与阈值电压的动态重构，使器件输出自然逼近Softplus激活函数。结合能带分析、TCAD数值模拟及解析模型，系统揭示了BTBT主导非线性激活行为的物理机制，实现了器件结构设计与理论模型之间的相互印证。
图2. GDO结构实现可重构非线性激活。(a) 实线：初始能带结构（记为I型）；虚线：施加较大负值底部栅极电压时的能带结构（记为II型）。(b) 虚线：施加漏极电压时的能带演化（记为III型），导致源极/漏极和横向电场出现非对称的能带分布。(c) 虚线：施加负值顶部栅极电压时的能带演化（记为IV型）。(d) 虚线：施加正值顶部栅极电压时的能带演化（记为V型），在漏极处形成BTBT窗口。(e) GDO结构的转移曲线显示，随着Vd增大，亚阈值摆幅将增加且阈值电压向左移动。(f) 分析模型与实验结果具有良好的一致性。
得益于二维材料优异的载流子调控能力和GDO结构设计，该器件表现出优异的综合性能。器件漏电功耗低至10 pW，较传统模拟CMOS方案降低约九个数量级，单次运行能耗仅19.31 pJ。此外，研究团队进一步验证了该器件能够与多种二维突触器件稳定集成，无需改变神经元结构即可完成激活处理，展现出良好的通用性和兼容性。
在神经网络应用中，该器件拟合得到的Softplus激活函数分别应用于LeNet-5卷积神经网络和多层感知机（MLP）中，分类准确率分别达到98.84%和98.26%，验证了器件满足神经网络训练对激活函数连续可导、梯度稳定等要求。
图3. 激活神经元的性能与神经网络验证。(a)-(b) 用于模拟二维激活神经元的LeNet-5和MLP网络示意图。(c) 将归一化输出电流与Softplus激活函数特性进行拟合。(d)-(e) 使用LeNet-5网络中Softplus层激活函数的神经网络和MLP网络的准确率。
为进一步验证GDO结构的重要作用，研究团队设计了底部重叠栅（BOGD）和传统双栅（DGD）等对照器件。实验结果表明，对照器件均难以实现亚阈值摆幅和阈值电压的协同调控，无法稳定拟合Softplus激活函数，在神经网络训练中出现梯度爆炸、梯度消失等问题。相比之下，GDO结构能够稳定调控BTBT过程，为器件实现可重构非线性激活提供了关键支撑。
图4. GDO结构对器件性能的关键作用。(a) 带GDO结构的2D激活神经元。(b) BOGD器件，其漏极下方和MoS2沟道下具有重叠栅极1的结构。(c) DGD器件，无漏极重叠栅结构。(d) BOGD结构中栅极1的转移曲线（对数形式）。(e) 将归一化输出电流（BOGD）拟合到函数上。(f) 使用拟合函数（BOGD）训练CNN网络。(g) DGD结构中栅极1的转移曲线（对数形式）。(h) 将归一化输出电流（DGD）拟合到函数上。(i) 使用拟合函数（DGD）训练CNN网络。
除模拟激活外，该器件还可通过双栅协同调控实现OR逻辑等数字运算，在同一器件中实现数字逻辑与模拟激活之间的动态切换，构建数字-模拟混合处理模式。基于这一特性，研究团队搭建了由7个二维激活神经元组成的硬件图像边缘检测系统，实现数字图像向模拟信号转换及边缘增强处理，展示了其在边缘智能、存算一体和类脑计算中的应用潜力。
图5. 数字-模拟混合处理及应用验证。(a) 示意图展示了当前3位DAC的结构及扫描电镜图像。(b) 边缘检测处理单元的电路结构。(c) 当Vd = 1V和Vd = -1V时，带位输入的DAC波形。(d) 使用V1作为门控输入的正负电流3位DAC的转移曲线。(e) 正负电流3位DAC的数字到模拟输出。(f) 用于边缘检测的原始图像。色标表示图像中3位像素的强度。(g) 整个图像中3位DAC的输出电流。色标表示3位DAC输出电流的总和。(h) 在横向方向上进行3位DAC与自动对焦（AF）操作期间，边缘检测单元的输出电流。
文章链接：https://pubs.acs.org/doi/10.1021/acs.nanolett.6c02085
来源：前沿与交叉科学研究部
附件下载：