Neuromorphic devices based on 2D materials and their applications in computing

Artificial intelligence (AI) and machine learning are efficient and modern computing paradigms becoming very popular in the last years. The massive production of unlabeled data, coming from sensors, wearable devices, smartphone, and smart devices induces the use of these innovative computing algorithms. However, current conventional hardware platforms are not efficient in executing these innovative computing paradigms. Modern computing systems were developed long before the birth of AI, according to two main principles: scaling and von Neumann architecture. Indeed, in the last 50 years, the growing of computing power was mainly driven by the constant miniaturization and scaling of transistors, allowing the integration of an increasing number of devices with the same area. The silicon-based CMOS technology was the star of electronics for many years thanks to these scalability properties. In more recent times, the semiconductor industries crossed the 10 nm "barrier" of minimum feature size, and the dimensional downscaling in the 2D plane of the chip is expected to stop. Indeed, controlling short channel effects is becoming a critical challenge, along with the limitation of the gate leakage current. Finally, it is well known that, approaching few nanometers thickness, the carrier mobility in conventional materials dramatically collapses. This is likely to be the final physical barrier that definitively stops the scaling race. Moving to a higher level, modern computing systems are based on the von Neumann architecture, in which memory and computing unit (CPU) are physically separated and connected by a communication bus. This separation introduces a major limitation called von Neumann bottleneck, since during computation, data must be transferred from the memory to the CPU and vice-versa. Nowadays, with modern machine learning algorithms and the large amount of data to be processed, most of the computation time is dedicated to the transfer of the data, with an additional energy consumption. To overcome these limitations, a promising approach is the elimination of the memory-CPU separation and the implementation of the so-called in-memory computing. Neuromorphic computing, inspired by the functionality of the human brain, is one of the main examples of architectures implementing this paradigm. It is a valid and efficient platform for implementing machine learning algorithms and it can reach high computational performances thanks to the large parallelization. Software demonstrators are currently in use, but the execution with standard computing architecture introduces all the inefficiencies showed before. The hardware realization of neuromorphic architectures needs the developing of new functional devices that implement synaptic and neuron functions. Integration capabilities and miniaturization are also important factors, being that a human brain contains at least 10^13 synapses. In last years there has been a wide exploration of new devices for neuromorphic computing. Emerging memory devices attracted a lot of attention thanks to the ability to efficiently mimic synapses combined to the small size. Moreover, they feature a unique device physics that can provide many neuromorphic functions. For this reason, the study of new materials that exploit these physical mechanisms has an utmost importance. In the panorama of innovative materials, 2D-layered materials gained wide popularity thanks to their intrinsic atomically dimensions and interesting electrical properties. Following the demonstration of Graphene in 2004, a large number of 2D materials were discovered. Thanks to their characteristics, 2D semiconductors are likely to solve scaling problems and implement innovative devices for novel computing architectures. This doctoral thesis is focused on emerging memory devices based on 2D materials and their use in neuromorphic computing. The PhD activity included the fabrication, the electrical characterization of these devices and the simulation of neuromorphic systems using the realized device’s characteristics. The fabrication process took place in the clean room of Politecnico di Milano, Polifab, while the rest of the thesis was realized in the experimental laboratories of the Dipartimento di Elettronica, Informazione e Bioingegneria. The results discussed in this work represent the first step in our group’s activity regarding the field of 2D materials. Proper and reproducible nanofabrication processes have been developed involving these innovative and delicate materials. Chapter 1 is dedicated to an introduction on neuromorphic architecture and emerging memories for neuromorphic computing. A particular attention is devoted to the material side. 2D materials are presented in a dedicated section showing the state of the art and future prospects of their use in innovative devices. Chapter 2 gives an overview of the main aspects related to semiconductor processing, discussing the main fabrication and characterization techniques later used in this work. Again, a particular focus is devoted to the treatment of 2D materials and their deposition techniques. A final part is dedicated to the electrical characterization setup used in this work. In Chapter 3, an innovative memory device based on MoS2 (a 2D semiconductor) is presented. This device, called memtransistor, shows exceptional memristive characteristics together with transistor behavior. The main details about the fabrication process will be presented, and the electrical characterization data will be discussed with a physical interpretation of the device working principle. A demonstration of a memory architecture based on this device is also showed in the final part of the chapter. Chapter 4 is dedicated to another MoS2 device, namely a charge trap memory (CTM). Its electrical characterization is presented, with a particular focus on its synaptic characteristics. Physical interpretations of the phenomena involved in the functioning of the device are also given. A final section is devoted to a presentation of a possible development of this device, with some partial but encouraging results. Chapter 5 describes two neuromorphic applications in which the charge trap memory device presented in chapter 4 can be successfully used, namely neural network accelerators and reservoir computing. After an explanation of the applications, two neuromorphic systems involving the CTM are presented. Finally, in Chapter 6, a memristive device based on hexagonal boron nitride (h-BN) is presented. The insulating properties of this 2D material make it suitable for the realization of RRAMs. After the presentation of the fabrication process, the chapter is dedicated to an experiment of thermal cross-talk between two cells, taking advantage from the exceptional thermal properties of the material. Obtained results are promising and open up the use of this phenomena in neuromorphic applications.

L'intelligenza artificiale (AI) e il machine learning sono moderni paradigmi informatici molto efficienti che stanno diventando popolari negli ultimi anni. L’uso di questi algoritmi è diventato essenziale a causa della massiccia produzione di dati, spesso non catalogati, provenienti da sensori, dispositivi indossabili, smartphone e dispositivi intelligenti. Tuttavia, le attuali piattaforme hardware convenzionali non sono efficienti nell'esecuzione di tali algoritmi. I moderni sistemi informatici infatti sono stati sviluppati molto prima della nascita dell'AI, seguendo due principi fondamentali: la miniaturizzazione e l'architettura di von Neumann. Negli ultimi 50 anni, la crescita della potenza di calcolo è stata trainata principalmente dalla costante miniaturizzazione dei transistor, consentendo l'integrazione di un numero crescente di dispositivi con la stessa area. La tecnologia CMOS, basata sul silicio, è stata la protagonista dell'elettronica per molti anni grazie a questa proprietà di scalabilità. In tempi più recenti, l’industria dei semiconduttori ha attraversato la "barriera" dei 10 nm della dimensione minima dei transistors, avvicinandosi al limite fisico di scalabilità per tecnologie planari. Infatti, gli effetti di canale corto stanno diventando sempre più difficili da controllare, insieme alla limitazione della corrente parassita del gate. Infine, è ben noto che, avvicinandosi a pochi nanometri di spessore, la mobilità degli elettroni (o lacune) in materiali convenzionali crolla drasticamente. Questa sarà probabilmente il limite finale che interromperà definitivamente la corsa alla miniaturizzazione. Passando a un livello superiore, i moderni sistemi informatici si basano sull’architettura von Neumann, in cui memoria e unità di calcolo (CPU) sono fisicamente separati e collegati da un bus di comunicazione. Questa separazione introduce una limitazione importante chiamata “collo di bottiglia di von Neumann”, poiché durante il calcolo, i dati devono essere trasferiti dalla memoria alla CPU e viceversa. Al giorno d'oggi, con i moderni algoritmi di apprendimento automatico e la grande quantità di dati da elaborare, la maggior parte del tempo di calcolo è dedicato al trasferimento dei dati, con un consumo energetico aggiuntivo. Per superare queste limitazioni, un approccio promettente è l'eliminazione della separazione memoria-CPU e l'implementazione del calcolo in memoria. Il computing neuromorfico, ispirato alla funzionalità del cervello umano, è uno dei principali esempi di architetture che implementano questo paradigma. È una piattaforma valida ed efficiente per l'implementazione algoritmi di apprendimento automatico e può raggiungere elevatissime prestazionidi ci calcolo grazie alla grande parallelizzazione. Dimostratori sono attualmente in uso, ma l'implementazione con normali architetture introduce tutte le inefficienze mostrate precedentemente. La realizzazione hardware delle architetture neuromorfiche necessita lo sviluppo di nuovi dispositivi funzionali che implementano funzioni sinaptiche e neuronali. Altri fattori importanti sono la capacità di integrazione e la miniaturizzazione. Negli ultimi anni c'è stata un'ampia esplorazione di nuovi dispositivi per applicazioni neuromorfiche. I dispositivi di memoria emergenti hanno attirato molta attenzione grazie alla loro capacità di implementare efficacemente il comportamento sinaptico, unita alle piccole dimensioni. Inoltre, presentano una fisica del dispositivo unica nel suo genere, che può essere usata per realizarre molte funzioni neuromorfiche. Per questo motivo, lo studio di nuovi materiali che sfruttino questi meccanismi fisici è di fondamentale importanza. Nel panorama dei materiali innovativi, i materiali bisimensionali hanno guadagnato ampia popolarità grazie alle loro intrinseche dimensioni atomiche e alle interessanti proprietà elettriche. Dopo la prima dimostrazione del grafene nel 2004, sono stati scoperti un gran numero di materiali 2D. È probabile che i semiconduttori 2D risolveranno i problemi della miniaturizzazione e che verranno usati per realizzare dispositivi innovativi per nuove architetture di computazione. Questa tesi di dottorato è incentrata sui dispositivi di memoria emergenti basati su materiali 2D e il loro utilizzo nel calcolo neuromorfico. L'attività di dottorato, include la fabbricazione, la caratterizzazione elettrica dei dispositivi e la simulazione di sistemi neuromorfici utilizzando i dispositivi realizzati precedentemente. Il processo di fabbricazione è avvenuto nella camera bianca del Politecnico di Milano, Polifab, mentre il resto della tesi è stato realizzato nei laboratori sperimentali del Dipartimento di Elettronica, Informazione e Bioingegneria. I risultati discussi in questo lavoro rappresentano il primo passo nell'attività del nostro gruppo nel campo dei materiali bidimensionali. Sono stati sviluppati processi di nanofabbricazione adeguati e riproducibili che coinvolgono questi materiali innovativi e delicati. Il capitolo 1 è dedicato a un'introduzione sull’architettura neuromorfica e le memorie emergenti. Un'attenzione particolare è dedicato al lato materiali. I materiali 2D sono presentati in un apposita sezione che illustra lo stato dell'arte e le prospettive future del loro utilizzo nei dispositivi innovativi. Il capitolo 2 fornisce una panoramica dei principali aspetti relativi ai processi su semiconduttori, discutendo le principali tecniche di fabbricazione e caratterizzazione poi usate in questo lavoro. Ancora una volta, un focus particolare è dedicato al trattamento dei materiali 2D e loro tecniche di deposizione. Una parte finale è dedicata al setup di caratterizzazione elettrica utilizzato durante l’attività di dottorato. Nel Capitolo 3 viene presentato un innovativo dispositivo di memoria basato su MoS2 (un semiconduttore 2D). Questo dispositivo, chiamato memtransistor, combina il funzionamento a transistor con un’eccezionale caratteristica memristiva. Sono presentate le principali fasi del processo di fabbricazione e la caratterizzazione elettrica del dispositivo, discutendo i risultati dandone anche un'interpretazione fisica. Infine, nella parte finale del capitolo viene presentatata un'architettura di memoria basata su questo dispositivo. Il capitolo 4 è dedicato a un altro dispositivo MoS2, vale a dire una memoria a trappola di carica. Viene presentata la sua caratterizzazione elettrica, con una particolare enfasi sulle sue caratteristiche sinaptiche. Sono riportante anche le interpretazioni fisiche dei fenomeni coinvolti nel funzionamento del dispositivo. Una sezione finale è dedicata alla presentazione di un possibile sviluppo di questo dispositivo, con alcuni incoraggianti risultati intermedi. Il capitolo 5 descrive due applicazioni neuromorfiche in cui il dispositivo presentato nel capitolo 4 può essere utilizzato con successo, vale a dire acceleratori di reti neurali e reservoir computing. Dopo una spiegazione delle due tecniche di computazione, vengono presentati due sistemi neuromorfici che coinvolgono il dispositivo. Infine, nel capitolo 6 viene presentato un dispositivo memristivo basato sul nitruro di boro esagonale (h-BN). Le proprietà isolanti di questo materiale bidimensionale lo rendono adatto alla realizzazione di RRAM. Dopo la presentazione del processo di fabbricazione, il capitolo è dedicato a un esperimento di cross-talk termica tra due celle, sfruttando l'eccezionale conduzione termica del materiale. I risultati ottenuti sono promettenti e aprono all’utilizzo di questo fenomeno in applicazioni neuromorfiche.