Reconfigurable neuromorphic operations in a steep-switching nonvolatile memory

다국어 초록 (Multilingual Abstract)

Neuromorphic systems that emulate the information transmission processes of biological neural networks often face integration challenges due to architectural and operational disparities between neuron- and synapse-mimicking devices. These incompatibilities frequently result in complex circuit layouts and limited scalability. In this thesis, I propose a steep-switching nonvolatile field-effect transistor based on a CuInP2S6/h-BN/WSe2 heterostructure, which enables reconfigurable operation between neuron and synapse modes through electrostatic modulation of the channel carrier density. By tuning the Fermi level of the WSe2 channel, the device can exhibit leaky-integrate-and-fire (LiF) behavior under intrinsic conditions, where impact ionization serves as the dominant switching mechanism. This process is further enhanced by a ferroelectric gating effect from the CuInP2S6 layer, which increases the chemical potential of the channel via dipole–carrier interactions, thereby enabling low-voltage LiF operation.
In synapse mode, the channel Fermi level is shifted toward the valence band, increasing hole concentration and inducing electrostatic screening that suppresses impact ionization. Under this condition, charge transport is governed by polarization switching in the ferroelectric layer, allowing for nonvolatile analog conductance modulation and emulation of synaptic weight adaptation. To validate system-level applicability, I constructed a spiking neural network (SNN) composed of SS-NV FETs configured as unified neuron–synapse elements. Device-to-system level simulation achieved 95.83% classification accuracy in a facial recognition task, with lateral inhibition mechanisms contributing to improved learning selectivity. These results establish the SS-NV FET as a scalable and energy-efficient building block for physically co-integrated neuromorphic computing systems.

국문 초록 (Abstract)

생물학적 신경망의 정보 전달 과정을 모방하는 뉴로모픽 시스템은, 뉴런과 시냅스의 기능을 각각 구현하는 소자들이 작동 방식이나 구조에서 서로 다르기 때문에 하나의 시스템으로 통합하기가 어렵습니다. 이러한 불일치는 회로 구성을 복잡하게 하고, 시스템의 확장성을 제한하는 주요한 원인이 됩니다.
이러한 문제를 해결하기 위해, 본 논문에서는 초경사 스위칭 비휘발성 소자(SS-NV FET)를 제안합니다. 이 소자는 전하의 밀도를 조절하는 방식으로 하나의 소자 안에서 뉴런 기능과 시냅스 기능을 자유롭게 전환할 수 있도록 설계되었습니다. 특히, 2차원 WSe2 채널과 강유전체 물질인 2차원 CuInP2S6, 그리고 절연체인 2차원 h-BN로 이루어진 이종접합 구조를 기반으로 하고 있습니다.
뉴런 모드에서는 채널 내 전하 상태가 중성에 가까운 조건이 되도록 페르미 준위가 조절되며, 이 상태에서는 전류를 구성하는 정공이 높은 전기장을 받아 충격이온화를 일으키게 됩니다. 이로 인해 전자가 생성되고, 생성된 전자와 정공이 다시 에너지를 받아 추가적인 전하쌍을 만들어내는 증폭 현상이 발생합니다. 이러한 과정을 통해 뇌에서의 스파이크 신호와 유사한 동작이 재현됩니다. 또한, 강유전체 층의 분극이 채널 내 전위 에너지를 추가로 높여줌으로써, 이러한 충격이온화가 더 낮은 전압에서도 효율적으로 일어날 수 있도록 도와줍니다.
반대로 시냅스 모드에서는 채널 내 전하 밀도를 정전기적으로 정공이 매우 많은 상태가 되도록 만듭니다. 이로 인해 전하들 사이의 상호작용과 가리움 효과가 강해져서 충격이온화가 억제되며, 대신 강유전체 분극 전환을 이용한 전류 조절이 주요 동작 방식이 됩니다. 이때 전류는 점진적으로 변화하며, 생물학적 시냅스에서의 학습 기능과 유사한 가중치 조절 특성을 구현할 수 있습니다.
제안된 소자의 실용성을 확인하기 위해, 동일한 소자를 기반으로 한 스파이킹 신경망을 설계하고 얼굴 인식 과제를 수행하는 시뮬레이션을 진행하였습니다. 그 결과, 약 96%에 달하는 높은 인식 정확도를 기록하였고, 이는 뉴런 동작에서 특정 신호만을 선택적으로 활성화하는 억제 기능이 학습 성능을 높인 것으로 해석됩니다.
결론적으로, 본 연구에서 제안한 소자는 뉴런과 시냅스 기능을 동시에 수행할 수 있는 단일 구조를 기반으로 하여, 회로를 단순화하고 에너지 소모를 줄이면서도 뉴로모픽 시스템의 통합과 확장이 용이한 새로운 기술적 가능성을 제시합니다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1. Neuromorphic computing and the challenges of integration 1
• 1.2. Limitation of physically separated neuron and synapse devices 2
• 1.3. Reconfigurable device based on carrier density modulation 4
• 2. Experimental Section 6
• 2.1. Device fabrication 6
• 2.2. Characterization 9
• 2.3. Device-to-system level simulation 10
• 2.4. Test images from the Yale Face Database 11
• 3. Results and Discussion 12
• 3.1. Concept of a reconfigurable neuron and synapse device 12
• 3.2. Electrical characteristics and mechanisms of the SS-NV FET 16
• 3.2.1. Charge neutral point in the WSe2 channel 16
• 3.2.2. Electrical characteristics of the SS-NV FET 19
• 3.3. Comparison between the SS-NV FET and the baseline FET 22
• 3.3.1. Comparison of electrical characteristics 22
• 3.3.2. Comparison of energy band structures 26
• 3.3.3. Chemical potential calculation 30
• 3.3.4. Visualization supporting chemical potential calculation 32
• 3.4. Reconfigurable neuron and synapse mode and their application 36
• 3.4.1. Unified implementation of LiF neuron and analog synapse 36
• 3.4.2. LTP and LTD characteristics 41
• 3.5. Facial recognition using SNN based on reconfigurable device 43
• 3.5.1. Device-to-system level simulation for the SNN 43
• 3.5.2. Simulation for the SNN using the SS-NV FET 47
• 4. Conclusion 50
• 5. Summary 52
• References 54
• Korean Abstract 57