Neural Arithmetic Operators based on Sb-Te-doped GeSe OTS for Morphological Associative Memory = Sb-Te 도핑된 GeSe OTS 기반 형태학적 연상 메모리를 위한 신경 산술 연산자

다국어 초록 (Multilingual Abstract)

Neuromorphic hardware requires compact, energy-efficient primitives capable of performing neuronal arithmetic and associative computation directly in the analog domain. This thesis investigates Sb–Te–doped GeSe-based Ovonic Threshold Switch (OTS) devices as the core building blocks for such operations and demonstrates their applicability from material engineering to circuit-level computation. By systematically tuning the Sb–Te content in Ge–Se–Sb–Te (GSST) alloys, a composition-dependent improvement in threshold switching uniformity is identified: the Sb–Te–enriched film Ge31Se31Sb18Te20 exhibits a ~45% reduction in threshold voltage variability compared with a lower-doped counterpart Ge41Se40Sb9Te10. Raman spectroscopy reveals suppression of Se–Se chain modes and consolidation of Ge–Se bonding environments, establishing a direct link between structural homogenization and electrical stability.
Leveraging these stabilized OTS devices, this work implements a set of rate-coded artificial neurons and experimentally demonstrates their arithmetic behavior. The Add neuron, constructed through parallel dendritic branches, exhibits the canonical signatures of additive integration, including preserved I–O slope and full curve collapse when responses are replotted against the summed input rate. A complementary PARALLEL neuron—realized by placing two input branches in series-demonstrates inverse-additive behavior consistent with theoretical expectations, confirming that OTS-based dendritic configuration can reproduce multiple forms of algebraic combination within the unified architectural framework. Extending this principle, three Add neurons with spike-driven lateral inhibition form an Add–Max operator capable of performing the recall phase of a morphological associative memory (MAM). Experiments demonstrate retrieval of all output components and linear mapping between the recalled values and the firing rate of the winning neuron.
A central theme of this thesis is the use of shunt-path modulation as a unifying mechanism across neuronal operators. The same inhibition principle that enables lateral competition in the Add–Max operator is abstracted into a controllable shunt pathway to realize a Division neuron. By introducing a JFET-based, voltage-controlled shunt near the soma, the neuron exhibits divisive gain modulation analogous to biological shunting inhibition. The output firing rate collapses onto a single invariant curve when expressed as the ratio fdr/fmod, and the behavior is accurately modeled by a Hill-type response function. The Division neuron is further applied to pixel-wise image-division, demonstrating compensation of non-uniform illumination.
Overall, this work establishes Sb–Te–doped GeSe OTS devices as a scalable primitive elements capable of supporting biologically inspired arithmetic operations and associative memory computation in compact analog neuromorphic systems.

국문 초록 (Abstract)

에너지 효율적이고 고집적 뉴로모픽 하드웨어를 구현하기 위해서는 신경 연산과 연상 기억을 아날로그 영역에서 직접 수행할 수 있는 소자 및 회로 기반 연산자가 필요하다. 본 연구에서는 Sb-Te가 도핑된 GeSe 기반 Ovonic Threshold Switch (OTS) 소자를 이러한 연산의 핵심 구성요소로 채택하고, 재료 조성 제어부터 뉴런 연산자로의 구현까지 통합적인 접근을 수행하였다.
Ge-Se-Sb-Te(GSST) 박막의 조성 설계를 통해 문턱 스위칭 균일성을 개선하였으며, Sb-Te 함량이 높은 Ge31Se31Sb18Te20 조성은 Ge41Se40Sb9Te10 대비 문턱전압 분산이 약 45 % 감소하였다. Raman 분석 결과 Se-Se 사슬 진동의 억제와 Ge-Se 결합 환경의 단일화가 확인되어, 비정질 네트워크의 국소 구조 균질화가 문턱 스위칭 안정성 향상의 원인임을 규명하였다.
이러한 안정화된 OTS 소자를 기반으로, 세 가지 rate-coded 인공 뉴런 연산자(Add, PARALLEL, Division)를 구현하였다. Add 뉴런은 입력 합에 따른 I-O 곡선의 평행 이동과 입력 주파수 합으로의 재표기 시 곡선의 단일화가 확인되어, 정합적(additive) 입력 통합 특성을 재현하였다. PARALLEL 뉴런은 직렬 입력 구조를 통해 역가산적(inverse-additive) 관계를 보임으로써, 동일한 OTS 기반 구조 내에서 다양한 연산을 구현할 수 있음을 입증하였다.
단일 뉴런 수준의 연산 기능은 Add 뉴런 세 개와 스파이크 기반 측면억제(lateral inhibition) 회로를 결합한 Add-Max 연산자로 확장되었다. 이를 활용해 형태학적 연산 메모리(MAM)의 recall 연산을 하드웨어에서 수행한 결과, 패턴 세 개의 출력 성분 재현에 성공하였으며, 승자 뉴런의 발화 주파수와 목표 출력값 간의 선형 매핑도 확인하였다.
또한, Add-Max 연산자에서 사용된 shunt-path 원리를 Division 뉴런 설계에 적용하였다. 소마 인근에 JFET 기반 전압 제어 shunt 경로를 도입함으로써 생물학적 shunting inhibition과 유사한 나눗셈 게인 모듈레이션을 구현하였다. 출력 발화 주파수는 입력 비율 fdr/fmod에 대해 단일 곡선으로 수렴하였고, Hill 함수 모델로 연산적 일관성이 설명되었다. Division 뉴런은 픽셀 단위 이미지 나눗셈에도 적용되어 비균일 조명 보정 기능을 확인하였다.
본 연구는 Sb-Te-doped GeSe OTS 소자가 뉴런 수준의 산술 연산과 MAM 기반 연산 기억을 단일 재료 플랫폼에서 구현할 수 있는 유망한 뉴로모픽 구성요소임을 제시하며, 아날로그 신경 연산 하드웨어의 설계 방향에 중요한 기반을 제공한다.

목차 (Table of Contents)

• Abstract i
• Table of Contents iii
• List of Figures iv
• Chapter 1. Introduction １
• 1.1. Need for Neuromorphic Hardware for Energy-Efficient Computing １
• 1.2. From Hopfield Network to Morphological Associative Memory (MAM) ２
• 1.3. Amorphous Chalcogenide-Based OTS Devices ５
• 1.4. Artificial Neuron based on OTS ９
• Chapter 2. Results and Discussion １２
• 2.1. Add Operator Based on OTS Neuron Circuit １２
• 2.2. Rate-coded Add-Max Operator １５
• 2.3. Switching-Voltage Uniformity in Sb-Te Doped GeSe OTS １８
• 2.3.1. Electrical Characteristics of Sb-Te Doped GeSe OTS ２１
• 2.3.2. Bonding Structure Analysis of Sb-Te Doped GeSe ２４
• 2.4. Functional Validation of the OTS-Based Add-Max Operator ２７
• 2.4.1. Winner Selection Consistency Across Input Permutations ２９
• 2.4.2. Rate-Coded Mapping of Input Sum to Firing Frequency ３１
• 2.4.3. Sensitivity and Robustness ３３
• 2.5. MAM Functional Test with Add-Max Operator ３６
• 2.6. Neuronal Arithmetic Operators ４２
• 2.6.1. Division Neuron with OTS ４６
• 2.6.2. Add and PARALLEL Neuron with OTS ６５
• Chapter 3. Conclusion ６８
• Abstract in Korean ７２
• Bibliography ７３