电荷注入式神经元网络阵列制造技术

一种电荷注入式神经元网络阵列，包括神经元，神经元被分成输入层，输出层和隐藏层，各神经元之间通过激活函数和权重建立起能够有效处理任务的神经元网络阵列；将电荷注入与上述神经元网络阵列建立联系，将晶体管中的沟道阻值作为权重，利用电荷注入与沟道阻值之间的对应关系，借助深度学习，通过不断改变电荷注入量，实现权重的不断改变，最终建立电荷注入式神经元网络阵列，利用此阵列能够快速预测并调制晶体管的阈值电压。提供能够快速预测并调制晶体管阈值电压的电荷注入式神经元网络阵列。本发明专利技术通过改变阵列权重实现对阈值电压的有效预测和调制，并且当所加电压极性相反时，对阈值电压的调节是双向的，且不会带来单元器件的性能退化。

【技术实现步骤摘要】
电荷注入式神经元网络阵列
本专利技术涉及一种神经元网络阵列节点单元的设计，具体而言，是利用电荷注入式晶体管的阈值电压可调节的原理，设计了一种以电荷注入式晶体管为节点单元的神经元网络阵列。
技术介绍
一方面，由于半导体工艺技术发展的限制和器件物理尺寸极限的接近，传统集成电路尺寸的减小和单元器件密度的提高遇到了越来越大的困难，而从传统平面器件转向三维立体器件则成了提高单元器件密度的一条有效途径。例如在存储器方面，三维架构下的NAND闪存存储器因其在性能、容量、可靠性、成本等方面有全面性的优势，被广泛应用于移动通信、数据采集等领域。而随着平面架构转向三维立体架构的转变，器件制备工艺和单元器件结构也相应改变，因此探究三维架构下器件单元可靠性特性的物理机制和应用成为了集成电路领域一个重要的课题。另一方面，我们可以看到深度学习作为一种能够模拟出人脑神经结构的机器学习方式，在大数据时代中已经成功运用到计算机视觉、语音识别、自然语言处理以及其他领域，解决了数以百计的实际问题，且大大提高了问题处理的效率和准确性。近年来借助深度学习，建立神经元网络阵列的研究思想渗透到电子器件领域，例如借助循环神经网络对电路系统进行仿真模拟，快速便捷得预期到电路的结果，大幅度提高了对电子器件探究的效率，神经元网络阵列的推广，使得电子器件的发展出现了新契机。尤其是电阻式随机存取存储器ReRAM(resistiverandomaccessmemory)成功的应用于神经元网络阵列的设计使得我们对电子器件于深入学习的融合性应用有了全新的认识。但是神经元网络阵列在学习的时候需要大量的数据进行训练，才能建立起一个合适的神经元网络阵列。在三维架构下，由于半导体工艺的改变，晶体管单元里栅极绝缘层中导入了大量可以俘获电荷的缺陷，虽然这种确认对于高可靠性晶体管特性而言有着非常负面的影响，但是其电荷俘获和放出的特性提供了一种调节晶体管阈值电压的新方案，而这种阈值电压可调节的晶体管是可以被利用来设计神经元网络阵列的节点单元。现有阈值电压的调节方法是通过加栅压应力退化器件特性来实现对阈值电压的调节，但这种方式带来的是单元器件的退化，是对器件具有破坏性的阈值电压单向调节。
技术实现思路
本专利技术针对现有神经元网络阵列存在的不足，利用电荷注入可调节晶体管阈值电压的特性，提供一种能够快速预测并调制晶体管阈值电压的电荷注入式神经元网络阵列。本专利技术的电荷注入式神经元网络阵列，采用以下技术方案：该阵列，包括神经元，神经元被分成输入层，输出层和隐藏层，各神经元相当于感知器，输入层输入源极电压、漏极电压、栅极电压以及电压的持续时间，输入信息的改变使得电荷注入量也发生改变；输出层输出转移特性曲线、亚阈值摆幅和阈值电压，各神经元之间通过激活函数和权重建立起能够有效处理任务的神经元网络阵列；将电荷注入与上述神经元网络阵列建立联系，将晶体管的沟道阻值作为权重，利用电荷注入与沟道阻值之间的对应关系，借助深度学习，通过不断改变电荷注入量，实现权重的不断改变，最终建立电荷注入式神经元网络阵列，利用此阵列能够快速预测并调制晶体管的阈值电压。所述激活函数可以是f(x)＝max(0，x)或所述电荷注入与神经元网络阵列建立的联系，是指：电荷注入的改变，使得沟道阻值发生改变，相应的神经元网络阵列的权重在不断发生改变，神经元网络阵列中的每个节点等价于一个围栅场效应晶体管。所述电荷注入是通过改变栅压的大小、正负极性和持续时间进行控制的，栅压和持续时间越大，注入的电荷越多，栅压的正负极性会影响阈值电压的偏移方向。电荷注入增多使得栅氧层俘获的电子增多，阈值电压增大，从而控制阈值电压。所述电荷注入和沟道阻值之间的对应关系，是指电荷注入量和沟道阻值之间是正比关系。电荷注入的改变会引起转移特性曲线的移动，在转移特性曲线中相同的电压下取到的电流不同，对应的沟道电阻具有差别，且呈线性变化。电荷注入和沟道阻值之间的线性关系，可以结合到神经元网络阵列中，沟道阻值的不断改变作为权重。所述深度学习的具体过程，深度学习通过组合电荷注入式晶体管的数据特征，形成以沟道阻值为权重的神经元网络阵列，通过改变电荷注入，神经元网络阵列的权重不断改变，实现阈值电压的调制和预测。本专利技术在围栅晶体管的基础上建立起一个电荷注入式神经元网络阵列，通过改变阵列权重实现对阈值电压的有效预测和调制，显著简化了电子器件性能的探究过程，并且对阈值电压的调节是可逆的双向调节，当所加电压极性相反时，对阈值电压的调节是双向的，且不会带来单元器件的性能退化。这些为晶体管以及存储器的快速发展开辟了新的道路，为三维集成架构的晶体管单元提供了一种全新的应用方案。附图说明图1是本专利技术深度学习神经元网络阵列的结构示意图。图2是多晶硅晶体管的结构示意图。图3是电荷注入调制阈值电压的原理图。图4是不同栅压下的转移特性曲线图。图5是应力与阈值电压的改变示意图。图6是栅压持续时间与阈值电压的改变示意图。图7是应力、持续时间与阻值和漏电流之间的关系示意图。图8是本专利技术的神经元网络阵列与晶体管的关系示意图。图9是本专利技术的系统设计图。具体实施方式本专利技术的电荷注入式神经元网络阵列，神经元被分成输入层，输出层和隐藏层，各神经元相当于感知器，每一层之间都通过函数、权值等建立联系。输入层输入源极电压、漏极电压、栅极电压以及电压的持续时间，输入信息的改变使得电荷注入量也发生改变；输出层输出转移特性曲线、亚阈值摆幅和阈值电压，各神经元之间通过激活函数和权重建立起能够有效处理任务的神经元网络阵列。将电荷注入与上述神经元网络阵列建立联系，将晶体管中的沟道阻值作为权重，利用电荷注入与沟道阻值之间的对应关系，借助深度学习，通过不断改变电荷注入量，实现权重的不断改变，最终建立电荷注入式神经元网络阵列，利用此阵列能够快速预测并调制晶体管的阈值电压。激活函数可以是f(x)＝max(0，x),等。电荷注入量Q和沟道阻值R之间为正比关系。深度学习的具体过程，深度学习通过组合电荷注入式晶体管的数据特征，形成以沟道阻值为权重的神经元网络阵列，通过改变电荷注入，神经元网络阵列的权重不断改变，实现阈值电压的调制和预测。图1给出了深度学习中一种非常重要的神经网络实例，循环神经网络。将深度学习结合到电子器件中，例如围栅场效应晶体管中，可以有效提高电子器件的研究效率，为电子器件的发展提供新方法。与传统研究晶体管性质相同的是，在整个过程中可以通过改变电荷的注入，得到晶体管的转移特性曲线，以及阈值电压、跨导和亚阈值摆幅等，都可以将相关研究与各类存储器的发展联系到一起，有效的推动存储器的发展。图2给出了多晶硅晶体管的结构。本专利技术研究晶体管特性所用的技术与现有技术的不同之处是，将深度学习的理论与晶体管的研究相结合，建立了电荷注入式神经元网络阵列，通过改变电压和持续时间来改变神经元网络阵列的权重，从而实现神经元网络阵列对阈值电压的调制，使得研究效率得到提高。电荷注入能够调节阈值电压的原理如图3所示。随着注入电荷的增多，栅氧层俘获的电子数增多，阈值电压增大。在外加漏电压为0时，通过改变栅压大小，正负极性和持续时间来改变电荷注入量，使得晶体管阈值电压发生移动。图4给出了不同栅压下的转移特性曲线。当施加正向栅压时，晶体管的转移特性曲线向右平移，阈值本文档来自技高网...

【技术保护点】
1.一种电荷注入式神经元网络阵列，其特征是，神经元被分成输入层，输出层和隐藏层，各神经元相当于感知器，输入层输入源极电压、漏极电压、栅极电压以及电压的持续时间，输入信息的改变使得电荷注入量也发生改变；输出层输出转移特性曲线、亚阈值摆幅和阈值电压，各神经元之间通过激活函数和权重建立起能够有效处理任务的神经元网络阵列；将电荷注入与上述神经元网络阵列建立联系，将晶体管的沟道阻值作为权重，利用电荷注入与沟道阻值之间的对应关系，借助深度学习，通过不断改变电荷注入量，实现权重的不断改变，最终建立电荷注入式神经元网络阵列，利用此阵列能够快速预测并调制晶体管的阈值电压。

【技术特征摘要】
1.一种电荷注入式神经元网络阵列，其特征是，神经元被分成输入层，输出层和隐藏层，各神经元相当于感知器，输入层输入源极电压、漏极电压、栅极电压以及电压的持续时间，输入信息的改变使得电荷注入量也发生改变；输出层输出转移特性曲线、亚阈值摆幅和阈值电压，各神经元之间通过激活函数和权重建立起能够有效处理任务的神经元网络阵列；将电荷注入与上述神经元网络阵列建立联系，将晶体管的沟道阻值作为权重，利用电荷注入与沟道阻值之间的对应关系，借助深度学习，通过不断改变电荷注入量，实现权重的不断改变，最终建立电荷注入式神经元网络阵列，利用此阵列能够快速预测并调制晶体管的阈值电压。2.根据权利要求1所述的电荷注入式神经元网络阵列，其特征是，所述激活函数是f(x)＝max(0，x)或3.根据权利要求1所述的电荷注入式神经元网络阵列，其特征是，所述电荷注入与神经元网络阵列建立的联系，是指：电荷注...

【专利技术属性】
技术研发人员：陈杰智，王菲，杨文静，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37