基于TFET超低功耗神经元设计

【摘要】：人工智能神经网络已成为当下信息处理技术领域的重要发展方向,相对于软件实现人工神经网络,硬件实现人工神经网络有可以大批量并行处理数据的优势。目前大多数硬件实现的神经元电路由MOSFET器件构成,对于规模越来越大的人工神经网络,电路功耗问题日益严峻。随着器件特征尺寸不断减小,MOSFET器件在纳米量级下短沟道效应越来越严重,使器件功耗和性能恶化,限制了低功耗神经网络的发展。而基于量子隧穿原理的TFET器件,理论上能在室温下获得一个低于60m V/dec的亚阈值摆幅和极高的电流开关比,在低功耗人工神经元电路的实现上有独特优势。本文实现基于GFP-TFET器件的低功耗神经元电路结构,并与MOSFET神经元电路比较,分析两种低功耗神经元电路的优势与缺点,填补TFET在低功耗神经元电路研究领域上的空缺。本文的主要研究内容如下:利用GFP-TFET查找表模型,通过仿真来针对GFP-TFET与MOSFET工艺库的电学特性进行分析与比较,分别从直流和交流的角度阐明GFP-TFET器件特点,探究TFET器件特性在低功耗神经元电路应用上的可行性。应用GFP-TFET电路模型搭建神经元电路子模块。对于对数域电流模式突触电路,运用TFET亚阈值区电流指数特性成功实现了电导传递机制,对偏置电压进行优化,并与MOSFET突触电路进行比较,在截止频率同为100k Hz,电源电压0.8V时,GFP-TFET突触电路电路功耗是121.4n W,远低于MOSFET突触的2356n W。对于动作电位产生电路,利用环形振荡器电路来分析电路传输延时,在不同电源电压下进行分析比较,发现在电源电压低于0.8V后,GFP-TFET器件搭建的动作电位产生电路传输延迟开始逼近甚至低于MOSFET器件。运用上述电路模块搭建了基于广义IF模型的神经元电路,引入了正反馈机获得数字脉冲,并与MOSFET神经元进行对比,发现相同条件下,GFP-TFET神经元产生脉冲的频率为10.7MHz,MOSFET神经元产生脉冲的频率为3MHz,且前者单次数字脉冲消耗的能量仅约为于MOSFET神经元的三分之一。分析优化GFP-TFET神经元电路参数,进一步降低功耗,优化后的单次脉冲耗能为134f J,比大多数神经元电路都要低很多,证明适合实现大规模并行神经形态处理器。