Development of realtime-learning hardware using ferroelectric/antiferroelectric transistors

点击翻译按钮获取中文摘要

IoT社会に向けて膨大な時間変動データをエッジ端末で学習・情報処理する技術が強く求められる。本研究は、時系列データの機械学習を効率的に実行できるリザバーコンピューティングを、シリコンプラットフォーム上で実装できる(反)強誘電体トランジスタで実現し、低消費電力かつリアルタイム学習で処理可能な革新的AI技術の基礎学理の確立を目指す。その目的を達成するためには以下の項目で研究を実施した。(1)高性能な素子作製プロセスの確立：反強誘電性をもつジルコニアは、これまでの先行研究ではシリコン上で成膜されると反強誘電性を失ってしまうことが報告されていたが、本研究では成膜条件を最適化することでシリコン上でも良好な反強誘電性をもつジルコニア膜を成膜することに成功した。その結果、シリコン上の反強誘電体トランジスタの実証に成功し、良好な電流電圧特性のデバイスが確認できた。(2)強誘電体トランジスタの動作の理解：強誘電体の諸特性が強誘電体トランジスタのメモリウィンドウにどのように影響を与えるかを明らかにすべく、コンパクトモデルを構築した。トランジスタに応用する強誘電体は、高い抗電界をもつこと、残留分極が誘電率と抗電界の積の3倍程度をもつこと、半導体との界面にトラップ電荷が少ないことが、大きいメモリウィンドウの強誘電体トランジスタを得るのに重要な要素であることがモデルから明らかになった。(3)リザバーコンピューティング動作の信頼性：強誘電体トランジスタは動作中に高い電荷密度を半導体/強誘電体界面に誘起することで界面劣化が進み、不揮発性メモリ素子に応用する際に大きな課題として認識されている。一方で界面劣化にもかかわらず、随時学習によってリザバーコンピューティングの高性能を維持できることを実証した。これはリザバーコンピューティングは界面劣化の影響を大幅に低減でき、高信頼性の動作ができることが分かった。