안면 인식 애플리케이션을 위한 ReS2 Charge Trapping Synaptic Device

결과 및 토론

그림 2a는 2V 백 게이트 전압(V _bg =2 V) 고정 드레인-소스 전압(V) _ds ) 100 mV 단위로 100에서 700 mV로 변경합니다. 10 ⁶ 이상의 켜짐/꺼짐 전류 비율 관찰할 수 있었다. 곡선은 드레인-소스 전류(I _ds ), 처음에는 급격히 증가했다가 포화 상태가 되었습니다. ITO 백 게이트 전극에 의한 강한 채널 조절에 상응하는 우수한 포화 특성. 실리콘을 하단 게이트 전극으로 사용하고 SiO₂를 사용하는 기존 트랜지스터와 달리 일반적으로 20 V 이상의 작동 전압에서 유전체로서 [23], ReS₂ 사이의 거리가 20nm에 불과한 시냅스 장치의 작동 전압 채널 및 ITO 백 게이트 전극은 5 V 미만으로 시냅스 소자의 효율을 크게 향상시켰다. 그림 2a의 삽입은 낮은 V 아래의 초선형 관계를 보여줍니다. _ds ReS₂ 사이의 좋은 쇼트키 접촉을 보여주는 체제 채널 및 소스 및 드레인 전극. 도 2b에 도시된 바와 같이, I _ds –V _bg 히스테리시스 곡선은 V일 때 관찰할 수 있습니다. _bg - 5에서 5 V로 변경한 다음 0.1 V의 일정한 바이어스(V _ds =0.1 V). 측정에서 0.1 V의 작은 정전압을 소스 전극과 드레인 전극 사이에 적용하여 시냅스 후 전류를 "읽었습니다". 시냅스 성능의 기초를 제공하는 메모리 창은 약 3.5 V였습니다. 이렇게 큰 메모리 창은 우리의 ReS₂를 만들었습니다. 시냅스 응용에 매우 유망한 장치[24]. ZrO₂의 가전자대 상단부터 Al₂보다 높았습니다. O₃ , 전도대 하단이 Al₂보다 낮음 O₃ (그림 2c의 삽입 참조), ZrO₂ 알루미나 사이에 끼워진 중간층으로 사용하면 전하를 효과적으로 포착할 수 있습니다. 포지티브 및 네거티브 백 게이트 전압에서 에너지 밴드 다이어그램은 각각 그림 2c와 d에 나와 있습니다. 양의 전압이 가해지면 ReS₂의 전자 채널은 먼저 Al₂를 통해 터널링합니다. O₃ 터널링 레이어, ZrO₂에 의해 캡처됨 트래핑 레이어. 반대로 ITO를 음의 전압으로 인가하면 ZrO₂에 전자가 모여 레이어는 ReS₂로 전송됩니다. 채널; 채널 방향으로 구부러진 에너지 밴드.

ReS₂의 전기적 특성 시냅스 장치. 아 전달 특성(I _ds –V _bg ) ReS₂ 고정된 V에서 시냅스 장치 _ds 100mV 단위로 100mV에서 700mV로 변경합니다. ㄴ 출력 특성(I _ds –V _ds ) ReS₂ 고정된 V에서 시냅스 장치 _bg 1V씩 − 2에서 2V로 변경 c V에서의 히스테리시스 루프 _bg ± 5 V 스윕 범위. V _ds 100mV로 유지되었습니다. d ReS₂의 에너지 밴드 다이어그램 양의 백 게이트 전압을 갖는 시냅스 장치. 삽입:Al₂의 에너지 준위 O₃ 및 ZrO₂ . 이 ReS₂의 에너지 밴드 다이어그램 음의 백 게이트 전압을 갖는 시냅스 장치

그림 3a에서 ITO 백 게이트에서 음의 입력 펄스(- 1 V의 진폭 및 10 ms의 지속 시간)를 적용한 후 일반적인 흥분성 시냅스 후 전류(EPSC)가 감지되었습니다. 또한 그림 3b에서 양의 전압 펄스(1 V의 진폭과 10 ms의 지속 시간)에 반응하는 억제성 시냅스 후가 생물학적 시냅스와 유사한 것으로 관찰되었습니다[25]. 시냅스전 뉴런의 펄스 신호는 시냅스를 통해 시냅스후 뉴런으로 전달되어 시냅스후전류(PSC)로 변환된다[26]. PSC 값은 펄스 진폭과 지속 시간에 의해 결정되었습니다. 펄스가 음수일 때 ZrO₂ 결함의 전자 상부 Al₂를 통해 터널링하기에 충분한 에너지를 얻었습니다. O₃ ReS₂에 유전체 층 채널. 전류의 일정한 값은 이전 값(∆PSC =0.04 nA)보다 약간 높았고 오랫동안 유지할 수 있었습니다. 이 현상은 생물학적 시냅스의 장기 강화(LTP)에 해당합니다. 그러나 펄스가 양수일 때 ReS₂ Al₂를 통해 터널링된 채널 O₃ 전기장의 인력 아래에서 ZrO₂의 결함에 의해 포착된 층 . 따라서 전류의 일정한 값은 원래 값보다 약간 낮고 오랫동안 동일하게 유지할 수 있습니다(∆PSC =0.06 nA). 이 과정은 생물학적 시냅스의 장기 우울증(LTD)에 해당합니다. LTP와 LTD는 시냅스 장치에서 학습과 기억을 위한 생리학적 기질을 제공했습니다. 진폭이 - 2 V이고 지속 시간이 10 ms인 음의 펄스를 펄스 사이에 1초 간격으로 연속적으로 인가했을 때 그림 3c와 같이 두 단계의 상승 전류가 관찰되었습니다. 상승 전류 값은 각각 1.6 nA 및 1.4 nA였습니다. 따라서 그림 3d와 같이 주기적인 게이트 전압 펄스에서 지속적이고 균일하게 상승하는 전류를 얻을 수 있으며 자극 후의 일정한 전류는 오랫동안 지속할 수 있다. 이 발견은 여러 개의 안정적인 전도 상태를 얻기 위한 기초를 제공했습니다.

ReS₂의 시냅스 성능 시냅스 장치. 아 입력 펄스(− 1V, 10ms)에 의해 트리거되는 흥분성 시냅스 후 전류(EPSC). ㄴ 시냅스전 스파이크(1V, 10ms)에 의해 촉발된 억제성 시냅스후 전류(IPSC). ㄷ 두 개의 연속 입력 펄스(− 2V, 10ms 및 펄스 간 1초 간격)에 의해 트리거된 EPSC의 출력 스파이크 쌍. d ReS₂의 보유 특성 − 3V 및 10ms 시냅스 전 스파이크 후 시냅스 장치

그림 4a는 진폭이 - 2 V이고 지속 시간이 10 ms이고 펄스 간 간격이 1초인 음의 펄스 120개를 적용한 후의 전류 값 120개를 보여줍니다. 분명히, 전류 곡선은 우수한 선형성을 나타내었고, 각 상태에서 120개의 효과적인 고안정성 전도 상태가 얻어졌습니다. 서로 다른 컨덕턴스 상태는 서로 다른 ANN 가중치 값에 해당합니다[27].

얼굴 인식을 위한 인공 신경망. 아 120개의 네거티브 펄스(− 2V, 10ms 및 펄스 간 1초 간격)를 적용한 후 120개의 컨덕턴스 상태. ㄴ 1024개의 입력 뉴런, 256개의 은닉 뉴런, 15개의 출력 뉴런으로 구성된 3층 ANN. ㄷ 훈련-인정 주기의 순서도

본 연구에서는 얼굴 인식 작업을 위한 3계층 인공 신경망을 제안하고 그 구조를 그림 4b에 나타내었다. 여기서 입력 계층은 영상의 1024픽셀에 해당하는 1024뉴런으로 구성되어 있음을 알 수 있다. 중간(숨겨진) 레이어는 256개의 뉴런으로 구성되고 출력 레이어는 15개의 얼굴 클래스에 해당하는 15개의 뉴런으로 구성됩니다.

제안된 ANN의 전개도는 다음과 같다. Yale Face 데이터베이스[28]의 15가지 유형의 사진을 포함하여 총 165개의 사진이 ANN 교육 및 테스트에 사용됩니다. 각 유형의 이미지 8개는 ANN 훈련에 사용하고 나머지 3개는 ANN 테스트에 사용합니다. 모듈이 입력 및 내부 가중치에 비해 부드러운 함수라는 점을 감안할 때 다층 아키텍처는 단순 확률적 경사 하강법으로 학습할 수 있으며 경사는 일반적으로 역전파 절차[29]에 의해 계산됩니다. 따라서 우리는 기존의 역전파(BP) 알고리즘을 사용하여 네트워크를 구축하고 BP 알고리즘이 ANN에서 어떻게 작동하는지 보여줍니다.

이 작품에서 X _m 입력 뉴런을 나타내므로 은닉 뉴런의 입력 값은 다음과 같이 표현할 수 있습니다.

여기서 V _백만 입력 뉴런 X 사이의 가중치를 나타냅니다. _m 및 숨겨진 뉴런 Y _에서 , 모든 V _백만 총 1024 × 256 가중치 값을 갖는 행렬 V를 형성합니다. 이 행렬의 초기 값은 무작위로 할당됩니다. 은닉층의 활성화 함수는 시그모이드 함수이므로 은닉 뉴런의 출력 값은 다음과 같이 주어집니다.

따라서 출력 뉴런의 입력 값은 다음과 같이 표현될 수 있습니다.

여기서 W _잉크 은닉 뉴런 Y 사이의 가중치를 나타냅니다. _켜기 및 출력 뉴런 Z _익 및 모든 W _잉크 총 256 × 15 가중치 값으로 행렬 W를 형성합니다. W의 초기값 _잉크 또한 무작위로 할당됩니다. 또한 출력 레이어의 활성화 함수로 시그모이드 함수를 사용하여 출력 뉴런의 출력 값은 다음과 같이 주어집니다.

위에서 계산한 출력을 올바른 출력과 비교하면 총 출력 오류를 얻을 수 있으며 다음과 같이 표현됩니다.

여기서 O _ㅋ 올바른 출력 값입니다. 지금까지 네트워크의 순방향 전파 과정에 대해 완전히 설명했습니다. 인식률을 높이기 위해서는 가중치의 오차를 계산하는 역전파 과정이 필요하며, 이를 다음 반복에서 네트워크 가중치를 업데이트하는 데 사용합니다.

위의 수학식에서 ∆V _백만 및 ∆W _잉크 각각 V의 오류를 나타냅니다. _백만 그리고 W _잉크 ; 원래 가중치에 오류를 추가한 후 업데이트된 가중치 V를 얻습니다. _백만 ^′ 그리고 W _잉크 ^′ ; μ 는 학습률이고 μ =0.06. 가중치 업데이트 후 새로운 이미지가 ANN에 공급되고 가중치 업데이트 프로세스는 120개의 이미지가 모두 훈련에 사용될 때까지 반복됩니다. 다음으로 훈련된 네트워크를 사용하여 나머지 45개의 이미지를 식별하고 인식률을 계산합니다. ANN 테스트 프로세스는 순방향 전파 프로세스만 필요합니다. 테스트에 사용된 각 이미지는 순방향 전파 후 15개의 출력 값을 얻습니다. 출력 값은 입력 이미지가 특정 유형일 확률을 반영합니다. 최대 확률 값을 가진 출력이 선택되고 해당 유형은 네트워크에서 식별되는 입력 그림의 유형입니다. 인식 결과는 표준 출력과 비교됩니다. 올바르게 식별된 모든 사진이 계산되고 총 수는 n입니다. . 각 훈련-인식 주기에서 인식률 r 는 다음과 같이 제공됩니다.

일반적으로 첫 번째 인식의 인식률은 매우 낮고 256개의 은닉 뉴런이 있는 우리 ANN에서는 첫 번째 인식률이 17.78%에 불과합니다. 위의 훈련-인식 과정을 최대 인식률이 될 때까지 반복한다. 전체 훈련-인식 주기는 그림 4c에 나와 있습니다.

그림 5a와 같이 ANN 개발 과정에서 은닉 뉴런의 개수에 따라 최대 인식률과 인식률 상승 속도(training speed)가 다르게 나타났다. 더 많은 수의 은닉 뉴런은 더 높은 최대 인식률과 더 빠른 상승 속도를 가져왔지만 에너지 소비도 증가했기 때문에 특정 절충이 이루어져야 합니다. 256개의 은닉 뉴런의 경우 그림 5b와 같이 600번의 훈련 반복 후에 인식률이 100%에 도달하였다. 이것이 확실히 달성할 수 있는 최대 인식률이었기 때문에 우리 ANN에서는 은닉 뉴런의 수를 256으로 설정했습니다. 다른 훈련-테스트 주기 후 가중치 값의 분포가 그림 5c에 나와 있으며, 이는 다음을 나타냅니다. 더 많은 주기 후에 가중치가 더 흩어졌습니다. 즉, 더 높은 인식률에 도달하려면 ANN의 가중치를 조정해야 했습니다. 최대 인식률에 도달하면 행렬 V 그리고 W 최적의 가중치 값을 얻었습니다. ReS₂ 장치는 ANN에 적용하기에 적합하며 가중치 행렬의 모든 가중치 값 V 그리고 W 장치의 컨덕턴스 값으로 대체되었습니다. 우리는 나를 사용했습니다. _j (j =1, 2, 3⋯120)은 120 주기 후에 얻은 120개의 컨덕턴스 값을 나타내며 컨덕턴스 범위가 다음과 같이 주어진 가중치 범위와 일치하도록 원래 컨덕턴스 값을 선형 변환했습니다. 피> $$ {C}_j=A{I}_j+B $$ <그림>

얼굴 인식의 실현. 아 다양한 수의 은닉 뉴런(32, 64, 128, 256)에서의 인식률 곡선. ㄴ 256개의 은닉 뉴런에서의 인식률 곡선; 인식률은 거의 600번의 훈련 테스트 에포크 후에 100%에 도달합니다. ㄷ 10~90(20단계) 훈련 에포크 후 가중치 값의 분포입니다. d 100~600(100단계) 훈련 에포크 후 가중치 값의 분포입니다. 이 교체 후 인식률 가중치 값은 100~500 훈련 epoch 후에 교체되었습니다(100단계로)

여기서 C _j 선형 변환 후 가중치를 나타냅니다. 600 주기의 경우 선형 변환 계수는 A =1.3769 × 10 ¹⁰ 그리고 B =− 65.784. 다음으로 각 C를 뺍니다. _j 각 가중치 값에서 가중치 값을 C로 대체 _j 빼기 후 가장 작은 절대값을 갖는 것; 즉, min|V를 계산했습니다. _백만 − C _j |, 분|W _잉크 − C _j | 각 가중치 값을 해당 C로 대체했습니다. _j . 이러한 방식으로 우리는 새로운 V를 얻었습니다. 그리고 W 모든 가중치 값이 C로 대체된 가중치 행렬 _n . 그런 다음 새로운 가중치 행렬을 ANN 테스트에 사용했고 ANN 인식률 100%를 달성하여 120개의 컨덕턴스 상태를 ANN에서 가중치 값으로 완벽하게 사용할 수 있음을 증명했습니다. 추가 분석을 위해 100~500번의 훈련 주기(100단계) 후에 가중치 값을 교체했으며 교체 후 얻은 식별 결과는 그림 5d와 같이 원래 값과 완전히 일치합니다. 이것은 이 120개의 현재 값이 10 ⁵ 이상을 완벽하게 대체할 수 있음을 증명합니다. 계산을 위한 무게 값. 게이트 펄스의 수를 더 늘리면 더 많은 컨덕턴스 상태를 얻을 수 있으므로 ReS₂ 장치는 대규모 신경망 시스템에서 사용될 수 있습니다.