Development of innovative synaptic devices for the online training of neural networks

For many years the performances of computing systems have grown rapidly, supported by the scaling of electronic devices, with a rate driven by Moore’s law. However, in recent times, some physical and structural limits seriously affected the overall performances of such systems. Current computing systems are based on the von Neumann architecture, in which the memory and the logical unit are physically separated. This separation introduces a latency during the processing of large amounts of data which have to be transferred from memory to processing unit and vice versa, accentuated by the different response times of the individual structures, memory and processing unit (CPU). This problem is called von Neumann bottleneck and it is mitigated using memory hierarchies, i.e. fast and volatile memories near the CPU, nonvolatile and slower memories for data storage. Despite this, the creation of ever more performing memories remains a problem since current technologies (as FLASH) have reached structural and implementation limits. For all these reasons, in recent years, the use of new architectures have been proposed. In particular, brain-inspired architectures like neural networks result to be very interesting. They are based on the emulation of computational primitives present in the nervous system, that has a huge computational power together with a high energy efficiency. Neural networks have the ability to adapt, learn, and interact with the environment. They also implement the concept of in-memory computing, i.e. they eliminate the physical separation between memory and computing unit. Their structure has a high degree of parallelism, making them suitable for tasks such as image recognition, speech recognition and all activities that imply a human-machine interaction. However, their realization requires the use of new devices that mimic the synaptic behavior. Over the years many alternatives have been proposed; among these, emerging memories resulted to be promising. The experimental activity was focused on the fabrication and on the electrical characterization of emerging resistive switching memories and mem-transistor devices based on 2D materials, with the aim of verifying their synaptic behavior. The manufacturing and topographic characterization processes were carried out in the PoliFab clean room (the micro and nano-technology center of the Politecnico di Milano), while the electrical measurements were carried out at the Electron Devices Lab of the Dipartimento di Elettronica, Informazione e Bioingegneria.

Per molti anni le prestazioni dei sistemi di calcolo sono cresciute rapidamente, supportate dallo scaling dei dispositivi elettronici con un tasso guidato dalla legge di Moore. Tuttavia, negli ultimi tempi sono stati raggiunti dei limiti fisici e strutturali che ne hanno seriamente influenzato le performances complessive. I sistemi computazionali attuali si basano sull’architettura von Neumann, in cui la memoria e l’unità logica sono fisicamente separate. Questa separazione introduce una latenza nell’elaborazione di grosse quantità di dati, che devono continuamente essere spostate da memoria a processore e viceversa, accentuata anche dai diversi tempi di risposta delle singole strutture. Questo problema è chiamato von Neumann bottleneck e, nei moderni computer, viene mitigato utilizzando gerarchie di memorie, veloci e volatili in prossimità della CPU (control processing unit), non volatili e più lente per lo storage dei dati. Nonostante ciò, la realizzazione di memorie sempre più performanti rimane un problema in quanto le tecnologie attuali, come ad esempio la Flash, hanno raggiunto anch’esse dei limiti strutturali e realizzativi. Per tutti questi motivi, negli ultimi anni, è stato proposto l’utilizzo di nuove architetture che possano superare tutti questi problemi. In particolare le architetture brain-inspired come le reti neurali risultano essere molto interessanti. Esse si basano sull’emulazione di principi computazionali presenti nel sistema nervoso per la realizzazione di sistemi in grado di apprendere, adattarsi ed interagire con l’ambiente con un’ efficienza energetica altissima. Infatti, le reti neurali hanno la capacità di adattarsi per svolgere funzioni differenti tramite meccanismi di apprendimento e implementano il concetto di in-memory computing, cioè eliminano la separazione fisica tra memoria e unità di calcolo. Inoltre hanno una struttura che massimizza la parallelizzazione delle operazioni, rendendole adatte a svolgere compiti come il riconoscimento di immagini o voci e tutte quelle attività che prevedono un’ interazione uomo-macchina. La loro realizzazione, però, richiede l’utilizzo di nuovi dispositivi che imitino il comportamento sinaptico. Negli anni sono state proposte molte alternative. Tra queste, le memorie emergenti sono risultate molto promettenti. L’attività sperimentale di questo lavoro di tesi si è focalizzata sulla fabbricazione e la caratterizzazione elettrica di memorie a commutazione resistiva emergenti e dispositivi mem-transistor basati su materiali 2D, allo scopo di verificarne il comportamento sinaptico. I processi di fabbricazione e caratterizzazione topografica sono stati effettuati all’interno della clean room di PoliFab (il centro di micro e nano-tecnologie del Politecnico di Milano), mentre la fase di caratterizzazione elettrica è stata effettuata nel Laboratorio di Dispositivi Elettronici del Dipartimento di Elettronica, Informazione e Bioingegneria.