复旦大学微电子学院科学家团队近日在Science Bulletin上发表题为“An Artificial Neural Network Chip Based on Two-Dimensional Semiconductor”的研究论文。青年副研究员马顺利，博士生吴天祥、陈新宇为该文的共同第一作者；研究员包文中、教授任俊彦、周鹏为共同通讯作者；合作单位为香港理工大学，苏州大学和深圳六碳科技。
近年来，人工神经网络在图像处理和感知识别方面有着越来越多的应用，将传感器与信号处理电路集成到一颗芯片中可以在降低功耗的同时有效提高信号处理的速度和效率。而具有原子级厚度和丰富能带结构的新型二维半导体在集成感知能力与存储、模拟计算能力方面有着极大的优势，所以非常适合用于构建基于模拟卷积矩阵的人工神经网络。各国的科学家近年来也展示了诸多基于二维半导体材料的研究成果，但是大部分都是传感和计算分离，而且是小型单元器件的展示，通过硅基外围电路来实现神经网络功能，缺乏可拓展性和实用性。
复旦大学微电子学院包文中课题组与任俊彦、周鹏课题组合作，基于高质量的晶圆级二维半导体二硫化钼（MoS2），采用与硅CMOS工艺兼容的增强型顶栅晶体管结构，成功流片并测试了一款新型人工神经网络芯片。该芯片集成了乘加单元（MAC）、模拟随机存取存储器（a-RAM）和激活函数（Activation Function）功能电路，是第一个真正意义上的全二维半导体功能芯片。此工作在国际同领域内具有较高的创新性，并将推动新兴二维半导体在集成电路中的实际应用。此项研究得到了科技部重点研发计划纳米科技专项、国家自然科学基金、上海市教委科技创新重大项目的资助，以及教育部创新平台和专用集成电路与系统国家重点实验室的支持。
图1. MoS2ANN集成电路的架构示意图
神经网络芯片的构建需要复杂的外围电路，之前的研究报道过采用忆阻器和闪存等结构实现模拟乘加操作，但具有激活功能的外围电路往往通过硅基电路或片外软件来补充，大大限制了神经网络芯片的实际应用。如图1所示，该工作仿照神经突触的工作原理，将来自传感器的信号输入到MoS2晶体管中执行乘加运算，并将结果传输到非线性激活函数电路进行归一化。同时MoS2构成的a-RAM可以实现权重的存储和更新，从而提高人工神经网络的速度。该文构建的人工神经网络电路由6个神经元（每个神经元有10个突触）的输入层、全连接层和10个神经元的输出层组成。与之前报道的人工神经网络结果相比，该工作的MoS2芯片集成了乘加单元、随机存储和激活功能电路，在实际应用方面取得了重大突破。
图2. 晶圆级MoS2器件性能以及MAC单元的工作原理图
在之前的二维半导体研究中，通常使用背栅结构的小面积单元器件展示基本性能。而在这项工作中，研究团队首先成功制备了高质量均匀的两英寸二维MoS2晶圆，并开发了利于集成电路制造的增强型顶栅晶体管技术，在此基础上利用level-62 SPICE模型构建晶体管仿真模型，从而对人工神经网络中的模拟电路进行仿真和优化。如图2所示的MoS2增强型晶体管特性展示出了较大的电流开关比和良好的均一性，这极大程度上降低了大规模MoS2电路的集成难度。此外，MAC单元中的乘法模块由一个分立双栅晶体管组成，可以对输入信号和权重进行如图2f所示的乘法运算。当多个该乘法结构的支路并行连接则可实现累加操作，其结果对应于总输出电流。从图2h的测试结果可以看出，基于该结构的乘加单元具有优异的线性关系。完整的矩阵计算如图2i所示，可以根据输入矩阵的大小通过多个MAC单元来实现卷积操作。与需要大量晶体管的数字MAC电路相比，该工作中采用的模拟MoS2晶体管乘加网络在芯片面积、计算速度和功耗上都有着巨大优势。
图3. 实现MoS2神经网络芯片的外围电路
除了乘加功能的实现，权重更新也是训练人工神经网络的关键。如图3所示，将MoS2a-RAM与乘加单元连接可以实现动态权重的写入和保持。通过控制a-RAM的晶体管栅压可以实现动态权重写入的控制，而电容则可以实现权重值的存储。通过图3d的测试结果可以看出，由于MoS2FET关闭时的低泄漏电流，该a-RAM的信号保持时间可以达到10 秒量级以上。此外，不同于计算单元和存储单元分离的冯诺伊曼架构，该a-RAM与MAC构成的单元可以实现存内计算，突破了数据传输带来的计算速度上的瓶颈。该工作还设计并测试了激活函数电路，用于处理电路卷积的输出结果。该结构由两个MoS2晶体管串联构成，输出Vout会随着下管栅压Vin的增大完成从VDD到0V的转变，上管栅压Vc则可以控制Vout变化的速度，同时Vc可以作为调节钮来控制神经网络的训练过程。
图4. 基于MoS2神经网络电路的触觉演示
最后，该工作结合MoS2人工神经网络芯片的测试结果演示了触觉盲文分类应用。由于所需突出权重是未知的，必须通过训练网络来确定。与其他大多数机器学习应用一样，该工作中的权重优化使用BP算法在片外独立的计算机上实现。如图4所示，该工作使用3×3的阵列输入来表示触摸盲文字符的触感，并给出了字母N、V和Z在不同压力水平下的典型电流分布。首先，通过23个训练周期得到优化后的输入层和输出层权重值并进行更新。随后输入50组样本图像对人工神经网络进行训练，得到了盲文字母识别率达到97%以上的触觉盲文分类器。
该工作意味着新型二维半导体在电路级应用方向取得了重大突破。未来该科研团队将继续聚焦于二维材料体系的集成工艺优化、深挖材料的特有属性，探索合适的器件应用，并往新计算范式、三维集成应用方向探索，进一步推动其在集成电路产业中的实际应用。
