Characterization and modelling of charge-trap memories based on MoS2 for neuromorphic computing

Modern-day electronics is being faced with the growing demand for processing speed and power efficiency dictated by artificial intelligence, but silicon-based technologies and the computing architectures that rely on them have been exploited to their limits. Scaling is also becoming constantly more challenging to achieve with the current technologies, and the decrease in transistor size, which has allowed to reduce energy consumption and improve device performances for the past years cannot proceed further due to the physical limits of the devices in use. In this context, it is crucial to study new materials and devices, for example 2D materials, among which the most studied is $MoS_2$, and metal oxides. The focus of this work is MoS2, which has as one of its applications that in charge-trap memories (CTM), devices that rely on charge trapping phenomena induced by an applied gate bias, which modulate the presence of charge in the channel of the transistor and the gate oxide, introducing a threshold voltage shift responsible for the volatile memory effect. A second prominent challenge is at the architectural level, because the von Neumann architecture, with its separate memory and processing units lags when it comes to the computational efficiency required. The physical separation of its different components leads to delays in the operations, limited by the communication between the units. This problem requires new hardware to move to different forms of computing, such as neuromorphic computing, that tries to emulate the performance of biological neurons to obtain the same efficiency. A particular subsection of neuromorphic computing is reservoir computing (RC), which focuses on reproducing neuronal connectivity. It is based on two components: the reservoir, which can be either a physical system or an untrained recurrent neural network (RNN), and a readout layer. The former maps the inputs into a high-dimensional space and the latter classifies the state of the reservoir, significantly increasing the training efficiency compared to a system fully based on a neural network. The hardware implementation of the reservoir allows for the further advantage of a lower energy consumption, which motivates the study of devices for this purpose. The focus of this work is the study of a charge-trap memory based on MoS2. The mechanism of charge trapping is intrinsically non-linear and leads to a volatile memory because of the timescales involved. Both these aspects make the prospect of applying the CTM to RC a favourable one, but a further understanding of the phenomena and a model to describe them are crucial. An initial electrical characterization allowed to gain an understanding of the device behaviour in response to a variety of stimuli. The experiments are also designed to put together a significant dataset for the development of a behavioural model of the device. This model was then developed in this work, with the objective of giving a simple reproduction of the device's behaviour in response to a pulsed signal, to be easily introduced in simulations of the full classification system. The data collected for a variety of devices and input signals with different pulse durations was also used to test the generality of the model, which was adapted to represent all these devices accurately. Having this simple model is the first step for designing a synchronous system in which CTM devices such as the one studied are used as a reservoir. A physics-based model is then obtained to describe the device more fully, but inevitably in a less compact way. In this case it is obtained starting from the physical equations describing charge trapping, and measurements are only used to determine the model parameters. Such a description of the device is important because it goes in the direction of developing event-driven and therefore low-power systems. This model can describe the behaviour of the device throughout the whole signal and does not require a specific sampling of the signal, which means that based on it, an asynchronous system can be designed for the classification of signals. The organization of the chapters is as follows: Chapter 1 describes the physical phenomena at the basis of charge-trap memories and defects in devices based on MoS2. Different physical models for charge trapping phenomena are reported and a description of the current state of modelling devices based on MoS2 is also presented. Chapter 2 contains the experimental results leading to a complete characterization of the device. Both quasi-static and pulsed measurements are carried out on different devices and for different pulse durations. The data allows to draw conclusions on the applicability of the devices for reservoir computing and is the basis for the development of the behavioural model. Chapter 3 presents a novel approach to the modelling of charge-trap memories, derived from experimental data. The steps leading to the final version of the behavioural model are presented in detail and the model is adapted to different devices to show its generality. The variety of data that was available allowed to obtain a model giving a good description of the device under different working conditions with a compact formula. Chapter 4 presents a physics-based model which was developed starting from the theoretical description of charge-trapping. This model allows to reproduce the behaviour of the device in a variety of operational conditions at the expense of simplicity. The experimental data is then used to optimize the model parameters for the description of the particular device.

L'elettronica moderna si trova ad affrontare una crescente mole di dati da elaborare, a seguito dello sviluppo e diffusione dell'intelligenza artificiale, e anche il consumo energetico diventa un parametro sempre più rilevante. La scalabilità sta diventando più difficile da raggiungere con le tecnologie attuali, e la riduzione delle dimensioni dei transistor, che ha consentito di ridurre il consumo energetico e migliorare le prestazioni dei dispositivi negli ultimi anni è bloccata dai limiti fisici delle strutture attuali. In questo contesto, è cruciale studiare nuovi materiali e dispositivi, come i materiali 2D e gli ossidi metallici. Quest lavoro si concentra sul MoS2, un materiale 2D che ha tra le sue applicazioni, quella nelle charge-trap memories (CTM). Questi dispositivi si basano sul fenomeno dell'intrappolamento di cariche, indotto da una tensione di gate applicata, che modula la presenza di carica nel canale del transistor e nell'ossido di gate, introducendo uno spostamento della tensione di soglia responsabile dell'effetto di memoria volatile. Una seconda problema si ha al livello architetturale, poiché l'architettura von Neumann, caratterizzata da unità di memoria e di elaborazione separate, risulta inadeguata per l'efficienza computazionale richiesta. La separazione fisica dei suoi diversi componenti porta a ritardi nelle operazioni, limitate dalla comunicazione tra le unità. Questo problema richiede una nuova progettazione hardware per passare a forme diverse di calcolo, come il calcolo neuromorfico, che cerca di emulare le prestazioni dei neuroni biologici per ottenere la stessa efficienza. Una delle sottocategorie del calcolo neuromorfico è il reservoir computing (RC) ed esso si concentra sulla riproduzione della connettività neuronale. Nel RC ci sono due componenti principali: il reservoir, che può essere un sistema fisico o una rete neurale ricorrente (RNN) non addestrata, e assume uno stato fissato in risposta ad un ingresso; e un readout layer in grado di classificare gli stati del reservoir. Questa struttura aumenta significativamente l'efficienza dell'addestramento rispetto a un sistema basato interamente su una rete neurale e l'implementazione hardware del reservoir consente l'ulteriore vantaggio di un minore consumo energetico. L'obiettivo di questo lavoro è lo studio di una CTM basata su MoS2 che ha alla base il meccanismo di intrappolamento di carica, intrinsecamente non lineare e che porta a una memoria volatile a causa dei tempi coinvolti nello scambio di carica tra i difetti ed il canale. Entrambi questi aspetti rendono favorevole la prospettiva di applicare la CTM al RC, ma una comprensione più approfondita del fenomeno e un modello che lo descriva sono cruciali. Una caratterizzazione elettrica iniziale ha consentito di comprendere il comportamento del dispositivo in risposta a una varietà di stimoli ma gli esperimenti sono progettati anche per raccogliere un dataset significativo per lo sviluppo di un modello comportamentale del dispositivo. Il modello che viene sviluppato in questo lavoro ha l'obiettivo di fornire una semplice riproduzione del comportamento del dispositivo in risposta a un segnale impulsato e deve essere facilmente integrabile nelle simulazioni dell'intero sistema di classificazione. I dati raccolti per una varietà di dispositivi e segnali di ingresso con impulsi di diverse durate sono stati utilizzati anche per testare la generalità del modello, che è stato adattato per rappresentare accuratamente tutti questi dispositivi. Disporre di questo modello rappresenta il primo passo per progettare un sistema sincrono in cui dispositivi CTM come quello studiato vengano utilizzati come reservoir. Inoltre un secondo modello basato sulla fisica è stato ottenuto in questo lavoro per descrivere il dispositivo in modo più completo, ma inevitabilmente meno compatto. Esso è stato ricavato a partire dalle equazioni fisiche che descrivono l'intrappolamento di carica, e le misurazioni vengono utilizzate solo per determinare i parametri del modello. Una tale descrizione del dispositivo è importante poiché va nella direzione dello sviluppo di sistemi event-driven, e quindi a basso consumo energetico. Questo modello descrive il comportamento del dispositivo durante l'intero segnale e non richiede un campionamento specifico del segnale, il che significa che sulla sua base può essere progettato un sistema asincrono per la classificazione dei segnali. L'organizzazione dei capitoli è la seguente: Il capitolo 1 descrive i fenomeni fisici alla base delle CTM e i difetti nel MoS2 con una descrizione dei modelli fisici utilizzati per descrivere lo scambio di cariche tra questi e il canale. Viene inoltre fornita una panoramica sullo stato dell'arte della modellizzazione di dispositivi basati su MoS_2. Il capitolo 2 contiene i risultati sperimentali e una caratterizzazione completa del dispositivo. Sono state fatte sia misure quasi statiche che con impulsi applicati al gate, per dispositivi diversi e con durate degli impulsi diverse. I dati ottenuti permettono di trarre conclusioni sull'applicabilità di tali dispositivi per il reservoir computing e costituiscono la base per lo sviluppo del modello comportamentale. Il capitolo 3 presenta un nuovo approccio alla modellizzazione delle CTM, con un modello derivato dai dati sperimentali. Vengono descritti in dettaglio i passaggi che conducono alla versione finale del modello comportamentale, il quale viene poi adattato a dispositivi differenti al fine di evidenziarne la generalità. Il capitolo 4 presenta un modello basato sulla fisica, sviluppato a partire dalla descrizione teorica dell'intrappolamento di carica. Questo modello consente di riprodurre il comportamento del dispositivo in una varietà di condizioni operative, a scapito della semplicità. I dati sperimentali sono stati usati in questo caso per ottimizzare i parametri del modello in modo da adattarlo ai singoli dispositivi.