Synaptic Device for Neuromorphic Computing: Engineering Ion Dynamics via Defect and Interlayer Modulation = 뉴로모픽 컴퓨팅을 위한 시냅스 소자: 결함과 중간층 조절 기반 이온 동역학 제어

국문 초록 (Abstract)

정보사회에서 방대한 정보가 과부하되면서, 병렬 처리가 가능한 뇌 모사 뉴로모픽 소자가 폰 노이만 병목을 극복하기 위해 유망한 대안으로 주목받고 있다. 인간의 뇌 중 시냅스를 모사하는 시냅스 소자는 대표적으로 멤리스터와 트랜지스터 구조로 구현되며, 두 구조 모두에서 이온 동역학의 제어를 통해 시냅스 거동을 조절할 수 있다.
먼저, 이단자 소자인 멤리스터는 MoS₂내 결함 조절을 통해 구동된다. 본 연구에서는 용매에 따른 공공 제어 (SAVE, solvent-assisted vacancy engineering) 기법을 도입하여, 유사한 용해도이되 서로 다른 극성을 갖는 용매에 MoS₂를 담금 처리함으로써 황 공공 (sulfur vacancy)을 조절하였다. SAVE 처리 소자는 공공 이동에 기여하며 멤리스터 특성과 시냅스 거동을 동시에 나타낸 반면, 처리하지 않은 소자는 이러한 특성을 보이지 않았다.
이어, 이온을 잡아두는 중간층을 도입한 삼단자 전해질 게이트 트랜지스터 (EGT)를 제안하여 이온 동역학을 정밀 제어하였다. 중간층의 트랩 용량을 조절함으로써 두께 최적화를 수행한 결과, 약 500 nm에서 장기 강화/약화 (LTP/LTD)가 비교적 선형적으로 구현되고 보존 (retention) 특성이 향상되어 최적 두께로 판정되었다.
두 소자 모두 뉴로모픽 컴퓨팅 응용 가능성을 입증하였다. 즉, 결함 공학과 중간층 조절을 통한 이온 동역학의 정교한 제어는 시냅스 동작의 기전적 통찰을 제공함과 동시에 재료 물리와 뉴로모픽 컴퓨팅을 직접적으로 연결하는 실질적 경로를 제시한다.

다국어 초록 (Multilingual Abstract)

As the massive amount of information is overloaded in the information society, brain-inspired neuromorphic devices with parallel processing have been attracting interests to overcome von neumann bottleneck. Synaptic devices which act as artificial synapses mimic the human brain system can be featured in the representative structure of memristor or transistor. The synaptic behaviors can be modulated by ion dynamics in each structure.
First of all, two-terminal memristor is operated by defect modulation in moly disulfide (MoS2). Solvent-assisted vacancy engineering (SAVE) method is proposed to modulate sulfur vacancies by immersing MoS2 in solvents with similar solubility and different polarity. SAVE-treated devices show both memristive performance and synaptic behavior due to the vacancy migration while pristine device does not.
Then, three-terminal electrolyte-gated transistor (EGT) with ion-trapping interlayer is proposed to modulate ion dynamics. The thickness of interlayer can be optimized by adjusting the trap capacity. Thickness around 500 nm shows near-linear long-term potentiation and depression (LTP/LTD) with improved retention, which is an optimized thickness.
Both of two devices show their application in neuromorphic computing. Controlling ion dynamics—enabled by defect engineering and interlayer modulation—yields mechanistic insight into synaptic operation and a direct pathway to integrate materials physics with neuromorphic computing.

목차 (Table of Contents)

• Abstract i
• List of tables and figures v
• Chapter 1. Introduction 1
• 1.1 Brain-inspired neuromorphic system and artificial synapse 1
• 1.2 Materials 4
• 1.2.1 Transition metal dichalcogenides 4
• 1.2.2 Oxide semiconductor with polymer electrolyte
• 1.3 Architecture of synaptic devices 7
• 1.3.1 Memristor 7
• 1.3.2 Electrolyte-gated transistor 10
• 1.4 Neuromorphic computing 12
• 1.4.1 Neural network 12
• 1.4.2 Reservoir computing 14
• 1.5 References 17
• Chapter 2. Solvent-assisted sulfur vacancy engineering in molybdenum disulfide for synaptic memristor 21
• 2.1 Introduction 21
• 2.2 Results and discussion 25
• 2.2.1 Fabrication and characterization of SAVE treatment 25
• 2.2.2 Analysis of sulfur vacancy modulation via SAVE method 30
• 2.2.3 Memristive performance of SAVE-treated devices 36
• 2.2.4 Charge transport mechanism in SAVE-treated devices 47
• 2.2.5 Synaptic behaviors of the THF-MoS2 synaptic memristor 51
• 2.2.6 Visual simulation of THF-MoS2 synaptic memristor 59
• 2.2.7 THF-MoS2 synaptic memristor in flexible application 62
• 2.3 Conclusions 66
• 2.4 Experimental 67
• 2.4.1 Materials 67
• 2.4.2 MoS2 synaptic memristor fabrication 67
• 2.4.3 Measurements 67
• 2.5 References 68
• Chapter 3. Ion-gated synaptic transistors with polymer interlayer for reservoir computing 73
• 3.1 Introduction 73
• 3.2 Results and discussion 77
• 3.2.1 Feature of synaptic EGTs and concept of RC and DNN 77
• 3.2.2 Synaptic behavior of PVDF-HFP interlayered EGTs 80
• 3.2.3 Synaptic behaviors depending on the thickness of PVDF-HFP interlayer 84
• 3.2.4 PVDF-HFP interlayered EGT for reservoir computing 95
• 3.2.5 Reservoir computing with LTP/LTD input encoding for gesture classification 103
• 3.3 Conclusion 107
• 3.4 Experimental 108
• 3.4.1 Materials 108
• 3.4.2 Synaptic EGTs fabrication 108
• 3.4.3 Measurements 109
• 3.4.4 Reservoir computing 109
• 3.5 References 111
• Chapter 4. Conclusions and outlook 116
• Abstract in Korean 118