Nat. Commun.丨小型台式无掩膜光刻机助力晶圆级二维半导体实现存算融合器件突破

发布日期：2021-08-09

【引言】

人工智能相关的运算通常需要进行大量的连续矩阵计算。从芯片的角度来说，连续矩阵运算的主要需求是芯片具有良好的乘积累加运算（MAC）能力。可以说，MAC运算能力决定了芯片在AI运算时的表现。高效MAC运算可以由内存内运算技术直接实现。然而，基于冯诺依曼计算架构的芯片在内存和逻辑运算之间均存在着瓶颈，限制了内存内的高速MAC运算。理想的AI芯片构架不仅要有高效的内存内运算能力，还需要具有非易失性，多比特存储，可反复擦写和易于读写等特点。

【成果简介】

复旦大学包文中教授课题组利用MicroWriter ML3小型台式无掩膜光刻机制备出基于单层MoS2晶体管的两晶体管一电容（2T-1C）新型单元构架，拥有近乎无限的器件耐久性，能够实现较长时间的多值存储能力，实现了模拟的乘加运算。在该构架中，存储单元是一个类似1T-1C的动态随机存储器（DRAM），其继承了DRAM读写速度快和耐反复擦写的优点。此外，MoS₂晶体管的漏电流使得多层级电压在电容中有更长的存留时间。单个MoS2的电学特性还允许利用电容中的电压对漏电压进行倍增，然后进行模拟计算。乘积累加结果可以通过汇合多个2T-1C单元的电流实现。实验结果证明，基于此构架的芯片所训练的神经网络识别手写数字可达到90.3%。展示出2T-1C单元构架在未来AI计算领域的潜力。

【图文导读】

图1. 两晶体管一电容（2T-1C）单元构架和使用晶圆尺寸的MoS₂所制备的集成电路。

（a）使用化学气相沉积法（CVD）批量制备的晶圆尺寸的MoS₂。（b）CVD合成的MoS₂在不同位置的Raman光谱。（c）在2英寸晶圆上制备的24个MoS₂晶体管的传输特性。（d）制备的2T-1C单元显微照片。图中比例尺为100 μm。（e）2T-1C单元电路示意图，包括储存和计算模块。（f）2T-1C单元的三维示意图，其中包括两个MoS₂晶体管和一个电容组件。（g）2T-1C单元阵列的电路图。（h）典型卷积运算矩阵。

图2. 1T-1C储存模组的表征。

（a）用于测量1T-1C存储模块（阴影面积）的电路示意图。虚线框中的等效电路等于连接到电容器的外部示波器。（b）输入电压波形（V_w, V_re）和读出电流（I_Q）随着测量时间的变化。（c）V_re为3 V时，I_Q峰值随着V_w-write从2.4变换3 V的变化。（d）V_w-read为2.0 V条件下电容器中的残留电荷（Q_read）。

图3. 2T-1C单元的表征。

（a）用于测试的2T-1C模组的示意图。（b）2T-1C模组一个完整的储存和计算过程。输入电压和漏极电流随着时间的变换，时间周期为10s。（c）T₂晶体管的输出特性，Vg改变范围为2.43 V，增量步长为0.1 V。（d）Vw在2.4 V时，T₂中的漏极电流Id随着Vx从0.05到0.35 V的变化。（e）T₂晶体管的传输特性随着Vx从0.05变化到0.35 V，变换步长为0.05 V。（f）V_x为0.1 V时，T₂晶体管中的漏极电流I_d随着V_w从2.43 V的变化。

图4. 使用两个2T-1C单元演示MAC运算。

（a）两个独立的2T-1C单元示意图。（b）顶图：在V_x上测试多步电压波形，范围从0.0050.35 V，增量为0.05 V。底图：对应的I_d波形，V_w取一系列固定数值。V_x和V_w展现八种不同的电压。（c）I_d随着W_c的变换，固定V_x输入值从00.35 V，步长为0.05 V。（d）不同W_c条件下，I_d随着V_x的变换。（e）在MoS₂晶圆上两个独立的2T-1C单元的I_d随着Y（W_c x V_x）的变化。（f）两个不同的2T-1C单元的总体输出电流（I_sum）随着Y_sum的变化。

图5. 利用神经网络模拟手写数字识别实验。

（a）三层结构的神经网络模拟，其中有400个输入神经元，20个隐藏神经元以及10个输出神经元。（b）100次训练周期后的混淆矩阵，4000个数据作为训练集，1000个数据作为测试集。（c）经过不同训练周期后的手写数字识别率。（d）手写识别率与灰度色深的关系。（e）手写识别率和图片噪声的关系，图中下插图噪声为0%，上插图为30%。（f）手写识别率和权重量化水平的关系，插图为20 x 200重新量化16阶权重。（g）训练实现再量化4比特的颜色映射图，颜色映射图为20 x 200。

【结论】

包文中教授课题组所研发的2T-1C单元构架，是一种适用于人工智能MAC运算的构架，突破了冯诺依曼框架在大规模运算时所带来的瓶颈。同时，从文中也可以看到随着人工智能领域的逐渐发展，如何快速开发出符合实验设计的芯片原型的重要性。由于实验过程中需要及时修改相应的参数，得到优化的实验结果，十分依赖灵活多变的光刻手段。MicroWriter ML3小型台式无掩膜光刻机可以任意调整光刻图形，帮助用户快速实现原型芯片的开发，助力中国在人工智能芯片领域的研究。

参考文献

[1] Wang Y , H Tang, Xie Y , et al. An in-memory computing architecture based on two-dimensional semiconductors for multiply-accumulate operations[J]. Nature Communications, 2021, 12(1).