一种长程可塑性具有高对称性、高线性度的铁电隧道结神经突触器件及其制备方法和应用与流程

1.本发明涉及一种长程增强和长程抑制具有高对称性和线性度的铁电隧道结神经突触器件及其制备方法和应用，属于神经突触器件制备技术领域。


背景技术：

2.基于冯
·
诺依曼框架的传统计算机正面临三大挑战：摩尔定律极限对逻辑运算速度进一步提升的限制；处理器和存储器分离引起的高能耗和带宽瓶颈；传统存储器性能越来越滞后于逻辑器件的发展导致的存储墙。因此，需要开发新型的计算机架构体系以满足大数据时代对信息高效处理的需求。类脑神经形态计算具有存储和处理一体化的优势，有望解决传统冯
·
诺依曼计算架构的限制，在执行认知和数据密集型任务时实现高效计算。人工神经突触和神经元是神经形态计算系统的基本单元，其中神经突触将信息从一个神经元传输到另一个神经元，可看做一个双端器件，与忆阻器有诸多相似之处。比如：生物神经突触的权重在不同的神经信号刺激下会发生相应改变，被称作突触可塑性。而忆阻器的电导会根据施加脉冲的历史连续变化，因此可以用忆阻器的电导变化类比神经突触的权重变化来模拟生物神经突触的可塑性，这也被认为是实现类脑计算的基础。
3.忆阻器电导被脉冲电压调节过程中，电导升高、降低的线性度和对称性与神经突触器件的噪声度密切相关。线性度和对称性越高噪音越低，最终人工神经网络中实现的计算精度越高。基于铁电隧道结的神经突触具有响应速度快、能耗低、权重变化精度高等优势，在人工神经突触领域备受关注。然而现有的铁电隧道结基神经突触器件，其塑性源于外电场刺激下的铁电极化翻转，使得电导的升高和降低通常呈现非线性变化且对称性不好，导致人工神经网络的学习精度降低。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件；
5.本发明还提供了上述长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件的制备方法和应用。
6.本发明通过在低氧压下生长铁电薄膜，增加氧空位，使得器件电导随正负脉冲变化的对称性、线性度更高。
7.术语解释：
8.nb:sto衬底：掺杂nb浓度为0.7wt％的srtio3单晶衬底，取向为(001)方向，用于外延生长batio3铁电薄膜。
9.bto铁电薄膜：化学式为batio3，取向为(001)的无机铁电薄膜，钙钛矿型铁电薄膜的一种。
10.krf准分子激光器，以krf准分子为工作物质的一类气体激光器件,当受激态准分
子的不稳定分子键断裂而离解成基态原子时，受激态的能量以激光辐射的形式放出。
11.本发明的技术方案为：
12.一种长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件，由下自上依次包括单晶nb:sto衬底、bto铁电薄膜及金属电极；所述bto铁电薄膜的厚度为3
‑
4u.c.。
13.进一步优选的，所述bto铁电薄膜的厚度为4u.c.。
14.根据本发明优选的，所述金属电极的材质为cr/au。
15.单晶nb:sto衬底中，nb的掺杂浓度为0.7wt％。
16.上述长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件的制备方法，包括步骤如下：
17.(1)保持氧气压力0.01
‑
0.1torr，在所述单晶nb:sto衬底上外延生长所述bto铁电薄膜；
18.(2)制备上金属电极。
19.进一步优选的，保持氧气压力为0.1torr。
20.根据本发明优选的，步骤(1)的具体实现过程包括：
21.保持所述单晶nb:sto衬底的温度为770
‑
790℃，使用krf准分子激光器的脉冲激光沉积，在所述单晶nb:sto衬底上外延生长所述bto铁电薄膜，所述bto铁电薄膜以2hz的频率以320mj的激光能量沉积。
22.进一步优选的，步骤(1)中，保持所述单晶nb:sto衬底的温度为780℃。
23.根据本发明优选的，步骤(1)之后执行如下操作：
24.保持氧气压力0.4
‑
0.6torr，780
‑
800℃下退火2
‑
2.5h。
25.进一步优选的，步骤(1)之后执行如下操作：在0.5torr氧气压力条件下，800℃下退火2h。
26.根据本发明优选的，步骤(2)的具体实现过程为：利用光刻和真空蒸镀在步骤(1)制备的样品上制备边长为30
‑
50μm、厚度为3
‑
5nm的cr，和边长为30
‑
50μm、厚度为50
‑
70nm的金，作为上金属电极。
27.进一步优选的，步骤(2)的具体实现过程为：利用光刻和真空蒸镀在步骤(1)制备的样品上制备边长为30μm、厚度为5nm的cr，和边长为30μm、厚度为50nm的金，作为上金属电极。
28.上述长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件在人工智能硬件和人工神经网络硬件上的应用。
29.本发明的有益效果为：
30.1、低氧压下外延生长铁电薄膜，增加了薄膜中的氧空位，使得器件电导随正负脉冲的变化对称性、线性度更高。
31.2、电导随正负脉冲高线性度、对称性的变化，应用于监督学习，实现了mnist手写数字识别的高识别率。
附图说明
32.图1为本发明长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突
触器件的结构示意图；
33.图2为本发明铁电隧道结神经突触器件的电导随脉冲数变化曲线示意图；
34.图3(a)为本发明铁电隧道结神经突触长时程增强过程中的电导偏差示意图；
35.图3(b)为本发明铁电隧道结神经突触长时程抑制过程中的电导偏差示意图；
36.图4为本发明监督学习mnist手写数字识别准确率与理想的cpumnist手写数字识别准确率对比示意图。
具体实施方式
37.下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。
38.实施例1
39.一种长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件，如图1所示，由下自上依次包括单晶nb:sto衬底、bto铁电薄膜及金属电极；bto铁电薄膜的厚度为3
‑
4u.c.。
40.超薄的bto铁电薄膜，有利于电子的隧穿，使得电压调控肖特基势垒引起的电导变化效果更好。
41.金属电极的材质为cr/au。
42.单晶nb:sto衬底中，nb的掺杂浓度为0.7wt％。
43.实施例2
44.根据实施例1所述的一种长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件，bto铁电薄膜的厚度为4u.c.。
45.测试方法：对称性、线性度良好的电导变化；
46.利用arc one测试平台，施加写脉冲后，用0.2v的读脉冲测电导。写脉冲幅值以0.02v步长从
±
2v递增到
±
5v。脉冲示意图如图2插图所示。图2插图中横坐标表示施加的脉冲数，纵坐标表示该脉冲数对应的电压。
47.通过以上测试，得到了线性度、对称性非常良好的电导随施加脉冲变化的曲线。测试结果如图2所示。图2横坐标表示脉冲数，纵坐标表示施加脉冲后的电导值。正脉冲调制电导不断增加，即长时程增强(ltp)过程；负脉冲调制电导不断减小，即长时程抑制(ltd)过程。
48.电导偏差是指在某一电导下，施加脉冲后电导的变化量。脉冲施加前后电导变化量越趋于某一值，表示变化越均匀，即线性度越好。长时程增强和长时程抑制过程中的电导偏差分别如图3(a)、图3(b)所示。图3(a)、图3(b)中，横坐标表示电导值，纵坐标显示了在某一电导值下，施加一个脉冲后电导变化量的分布情况。电导变化量的分布范围在
±
1μs之间，范围较小且分布均匀，说明器件电导随脉冲数的变化有较高的线性度和对称性。高线性度、高对称性的电导变化，会降低训练过程中的噪声写入，从而提高监督学习准确率。
49.实施例3
50.实施例1或2所述的长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件的制备方法，包括步骤如下：
51.(1)保持氧气压力0.01
‑
0.1torr，在单晶nb:sto衬底上外延生长bto铁电薄膜；
52.步骤(1)的具体实现过程包括：保持单晶nb:sto衬底的温度为770
‑
790℃，使用krf
(λ＝248nm)准分子激光器的脉冲激光沉积，在单晶nb:sto衬底上外延生长bto铁电薄膜，bto铁电薄膜以2hz的频率以320mj的激光能量沉积。
53.(2)制备上金属电极。
54.利用光刻和真空蒸镀在步骤(1)制备的样品上制备边长为30
‑
50μm、厚度为3
‑
5nm的cr，和边长为30
‑
50μm、厚度为50
‑
70nm的金，作为上金属电极。
55.薄膜在低氧压下生长，增加了氧空位的产生，使得氧空位积累和扩散调制肖特基势垒的高低，进而调制电导的变化。通过施加一系列不同幅值和宽度的脉冲控制氧空位的积累和扩散过程近似平衡，从而导致正负脉冲调制的电导随电压的变化具有高对称性和线性度。
56.实施例4
57.根据实施例3所述的长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件的制备方法，其区别在于：
58.步骤(1)之后执行如下操作：
59.保持氧气压力0.4
‑
0.6torr，780
‑
800℃下退火2
‑
2.5h。
60.实施例5
61.根据实施例4所述的长程增强和长程抑制高线性度和高对称性的铁电隧道结神经突触器件的制备方法，其区别在于：
62.步骤(1)中，保持氧气压力为0.1torr。保持单晶nb:sto衬底的温度为780℃。
63.步骤(1)之后执行如下操作：在0.5torr氧气压力条件下，800℃下退火2h。
64.步骤(2)的具体实现过程为：利用光刻和真空蒸镀在步骤(1)制备的样品上制备边长为30μm、厚度为5nm的cr，和边长为30μm、厚度为50nm的金，作为上金属电极。
65.实施例6
66.实施例1所述的长程增强和长程抑制具有高线性度和高对称性的铁电隧道结神经突触器件在人工智能硬件和人工神经网络硬件上的应用。
67.基于器件电导随脉冲数变化的测试结果，模拟了神经网络的监督学习。由于器件电导随脉冲数变化的高线性度和高对称性，监督学习识别mnist手写数据集识别准确率达96.7％。且监督学习训练的结果与理想的cpu处理结果识别准确率相当，其对比如图4所示。图4横坐标表示监督学习训练epoch，纵坐标表示mnist手写数据集监督学习识别率。