Original Title: Implementation of Synaptic Plasticity and Learning functions using Si-based Charge Trap Memory
Source: s-space.snu.ac.kr
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការអនុវត្តភាពបត់បែននៃស៊ីណាប់និងមុខងាររៀនសូត្រដោយប្រើប្រាស់អង្គចងចាំប្រភេទផ្ទុកបន្ទុកអគ្គិសនីផ្អែកលើស៊ីលីកូន (Si)

ចំណងជើងដើម៖ Implementation of Synaptic Plasticity and Learning functions using Si-based Charge Trap Memory

អ្នកនិពន្ធ៖ Myoung-Sun Lee (Seoul National University)

ឆ្នាំបោះពុម្ព៖ 2016 Seoul National University

វិស័យសិក្សា៖ Neuromorphic Engineering / Solid-State Devices

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការអភិវឌ្ឍប្រព័ន្ធកុំព្យូទ័រដែលត្រាប់តាមខួរក្បាល (Neuromorphic computing) ទាមទារឱ្យមានការបង្កើតស៊ីណាប់អេឡិចត្រូនិក (Electronic synapse) ដែលស៊ីភ្លើងតិច មានភាពជឿជាក់ខ្ពស់ និងមិនតម្រូវឱ្យមានឧបករណ៍ជ្រើសរើសដាច់ដោយឡែកសម្រាប់កោសិកានីមួយៗ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានរចនា និងផលិតឧបករណ៍អង្គចងចាំផ្ទុកបន្ទុកអគ្គិសនីដែលមានស្រទាប់ Al2O3/HfO2/Si3N4 (A/H/N) ហើយធ្វើការវាស់ស្ទង់លក្ខណៈអគ្គិសនីរបស់វាដើម្បីត្រាប់តាមមុខងារស៊ីណាប់។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
A/H/N Gate Stack Memory (Proposed)
អង្គចងចាំ Gate Stack ប្រភេទ Al2O3/HfO2/Si3N4 (វិធីសាស្ត្រស្នើឡើង)
អាចបង្ហាញទាំងមុខងារភាពបត់បែនរយៈពេលខ្លី (STP) និងការពង្រឹងរយៈពេលយូរ (LTP) ព្រមទាំងមិនត្រូវការឧបករណ៍ជ្រើសរើស (Select device) សម្រាប់កោសិកានីមួយៗឡើយ។ ទាមទារដំណើរការផលិតស្មុគស្មាញដែលមានច្រើនស្រទាប់ និងបច្ចេកទេសបន្សុតកម្រិតខ្ពស់ក្នុងការដាក់បញ្ចូលស្រទាប់ High-k dielectrics។ សម្រេចបាននូវការត្រាប់តាមមុខងារ STDP (Spike-Timing-Dependent Plasticity) យ៉ាងជោគជ័យ និងមានស្ថិរភាពក្នុងការផ្លាស់ប្តូរពីការចងចាំរយៈពេលខ្លីទៅរយៈពេលយូរ។
O/N and A/N Stacks (Baseline)
អង្គចងចាំប្រភេទ O/N (SiO2/Si3N4) និង A/N (Al2O3/Si3N4)
មានរចនាសម្ព័ន្ធសាមញ្ញជាងមុន និងងាយស្រួលក្នុងការផលិតជាងរចនាសម្ព័ន្ធមានបីស្រទាប់។ មិនមានលទ្ធភាពរក្សាទិន្នន័យបានយូរ (LTP) នោះទេ ដោយបង្ហាញត្រឹមតែលក្ខណៈបាត់បង់បន្ទុកអគ្គិសនីលឿន (STP) ប៉ុណ្ណោះ។ បន្ទុកអគ្គិសនីបាត់បង់លឿន ដោយគ្មានការពឹងផ្អែកលើចន្លោះពេល (Interval dependence) ដើម្បីបម្លែងទៅជាការចងចាំរយៈពេលយូរឡើយ។
Two-Terminal Memristors (e.g., PCM, ReRAM)
ឧបករណ៍ Memristors ប្រភេទពីរតំណ (ឧ. ឧបករណ៍ប្តូរទម្រង់ Phase-change ឧបករណ៍រេស៊ីស្តង់)
មានទំហំតូច សាមញ្ញក្នុងការរចនាសៀគ្វី និងងាយស្រួលសម្រាប់ការតភ្ជាប់របៀប Crossbar array។ ត្រូវការឧបករណ៍ជ្រើសរើស (Select device) មួយសម្រាប់កោសិកានីមួយៗ និងមានបញ្ហាប្រឈមផ្នែកភាពជឿជាក់ (Reliability)។ មានបញ្ហាក្នុងដំណើរការផលិត និងសមាហរណកម្មសម្រាប់បណ្តាញសរសៃប្រសាទខ្នាតធំបើធៀបនឹងឧបករណ៍FET-based ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារឱ្យមានបន្ទប់ពិសោធន៍ផលិតគ្រឿងអេឡិចត្រូនិកស្តង់ដារ (Semiconductor Cleanroom) និងឧបករណ៍វាស់ស្ទង់អគ្គិសនីកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានអនុវត្តនៅក្នុងមន្ទីរពិសោធន៍នៃសាកលវិទ្យាល័យជាតិសេអ៊ូល (Seoul National University) ប្រទេសកូរ៉េខាងត្បូង ដោយផ្តោតទាំងស្រុងលើការច្នៃប្រឌិត និងផលិត Hardware ក្នុងកម្រិតណាណូ (Nanoscale)។ សម្រាប់បរិបទប្រទេសកម្ពុជា ការស្រាវជ្រាវប្រភេទនេះគឺមិនទាន់អាចធ្វើទៅបាននៅឡើយទេ ដោយសារកង្វះខាតហេដ្ឋារចនាសម្ព័ន្ធផលិតបន្ទះឈីប (Semiconductor fab) និងមន្ទីរពិសោធន៍កម្រិតខ្ពស់។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាការផលិតផ្ទាល់នៅមានកម្រិត ក៏ការយល់ដឹងពីបច្ចេកវិទ្យានេះជាមូលដ្ឋានគ្រឹះដ៏សំខាន់សម្រាប់ការចូលរួមក្នុងខ្សែចង្វាក់ផ្គត់ផ្គង់ និងការស្រាវជ្រាវផ្នែក AI Hardware នាពេលអនាគត។

ជារួម បច្ចេកវិទ្យានេះជាជំហានត្រួសត្រាយផ្លូវឆ្ពោះទៅរកប្រព័ន្ធបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់ (AI Hardware) ដែលទាមទារឱ្យកម្ពុជាផ្តើមបណ្តុះបណ្តាលធនធានមនុស្សផ្នែក Microelectronics ចាប់ពីពេលនេះតទៅ ដើម្បីចាប់យកឱកាសនាពេលអនាគត។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះ Semiconductor: ចាប់ផ្តើមរៀនអំពីវត្ថុធាតុពាក់កណ្តាលចម្លង (Semiconductor), CMOS, MOSFET និង Solid-State Physics តាមរយៈវគ្គសិក្សាអនឡាញលើ Coursera ឬសៀវភៅជំនាញ។
  2. ស្វែងយល់ពីបច្ចេកវិទ្យាអង្គចងចាំ (Memory Technologies): សិក្សាពីស្ថាបត្យកម្ម Flash Memory ទំនើបៗ ដូចជា Charge Trap Flash (CTF) និងលក្ខណៈសម្បត្តិនៃ High-k dielectrics សម្រាប់ការផ្ទុកទិន្នន័យ។
  3. អនុវត្តការសាកល្បងម៉ូដែលដោយប្រើ Software: រៀនប្រើប្រាស់កម្មវិធីដូចជា TCAD (Technology Computer-Aided Design) ដើម្បីធ្វើការ Simulation លើរចនាសម្ព័ន្ធឧបករណ៍កម្រិតណាណូ និងការបញ្ជូនចរន្តអគ្គិសនី។
  4. ស្រាវជ្រាវលើ Neuromorphic Algorithms: ទោះបីគ្មាន Hardware ប្រើប្រាស់ក៏ដោយ អ្នកអាចសិក្សាពី Artificial Neural Networks (ANNs) និ​ងរបៀបត្រាប់តាម Synaptic plasticity (STP, LTP) ដោយប្រើប្រាស់ PythonMATLAB
  5. ស្វែងរកឱកាសសិក្សាបន្តនៅក្រៅប្រទេស: ដោយសារកម្ពុជាខ្វះមន្ទីរពិសោធន៍ អ្នកគួរស្វែងរកអាហារូបករណ៍ទៅរៀនបន្តថ្នាក់អនុបណ្ឌិត ឬបណ្ឌិតនៅប្រទេសដែលមានឧស្សាហកម្មបន្ទះឈីបខ្លាំង ដូចជា កូរ៉េខាងត្បូង តៃវ៉ាន់ ឬជប៉ុន។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Synaptic plasticity សមត្ថភាពនៃស៊ីណាប់ (ចំណុចតភ្ជាប់រវាងកោសិកាសរសៃប្រសាទ) ក្នុងការផ្លាស់ប្តូរកម្លាំង ឬប្រសិទ្ធភាពរបស់វា អាស្រ័យលើប្រវត្តិសកម្មភាពរបស់វា។ វាជាមូលដ្ឋានគ្រឹះជីវសាស្ត្រនៃការចងចាំ និងការរៀនសូត្រក្នុងខួរក្បាល។ ដូចជាផ្លូវដើរមួយដែលកាន់តែធំទូលាយ និងស្រួលដើរជាងមុន ប្រសិនបើមានមនុស្សដើរឆ្លងកាត់វាញឹកញាប់។
Charge trap memory ប្រភេទអង្គចងចាំមិនបាត់បង់ទិន្នន័យ (Non-volatile memory) ដែលរក្សាទុកទិន្នន័យដោយការចាប់យកអេឡិចត្រុងទុកនៅក្នុង "អន្ទាក់" (Trap sites) នៃស្រទាប់អ៊ីសូឡង់ (Dielectric layer) ជាជាងប្រើចំហាយអគ្គិសនីក្នុងលោហៈចម្លងធម្មតា។ ដូចជាការបន្តក់ទឹកចូលក្នុងរន្ធអេប៉ុង ដើម្បីរក្សាទឹកទុកមិនឱ្យហូរចេញមកវិញ។
Short-term plasticity (STP) ការកើនឡើងនូវកម្លាំងតភ្ជាប់នៃស៊ីណាប់ក្នុងរយៈពេលខ្លី (ជាវិនាទី ឬនាទី) បន្ទាប់ពីមានសញ្ញាអគ្គិសនីឆ្លងកាត់ ហើយវានឹងបាត់បង់ទៅវិញយ៉ាងលឿន ប្រសិនបើគ្មានសញ្ញាអគ្គិសនីដាស់តឿនបន្ថែមទៀត។ ដូចជាស្នាមជើងដែលអ្នកដើរជាន់លើខ្សាច់មាត់សមុទ្រ ដែលនឹងត្រូវរលកទឹកលុបបាត់ទៅវិញក្នុងរយៈពេលដ៏ខ្លី។
Long-term potentiation (LTP) ការពង្រឹងកម្លាំងតភ្ជាប់នៃស៊ីណាប់ក្នុងរយៈពេលយូរ (រាប់ម៉ោង ឬរាប់ឆ្នាំ) ដែលកើតឡើងដោយសារការជំរុញសញ្ញាអគ្គិសនីញឹកញាប់បន្តបន្ទាប់គ្នា ដែលជាយន្តការនៃការចងចាំអចិន្ត្រៃយ៍។ ដូចជាការចាក់ស៊ីម៉ងត៍ធ្វើផ្លូវ ដែលធ្វើឱ្យផ្លូវនោះក្លាយជាផ្លូវអចិន្ត្រៃយ៍ និងមិនងាយបាត់បង់រូបរាង។
Spike-timing-dependent plasticity (STDP) គោលការណ៍នៃការរៀនសូត្ររបស់ខួរក្បាល ដែលកម្លាំងតភ្ជាប់រវាងកោសិកាប្រសាទប្រែប្រួល អាស្រ័យទៅលើ "លំដាប់ពេលវេលា" នៃការបញ្ជូនសញ្ញារវាងកោសិកាបញ្ជូន (Pre-synaptic) និងកោសិកាទទួល (Post-synaptic)។ ដូចជាក្បាច់រាំគូ ប្រសិនបើអ្នកនាំមុខបោះជំហានមុនអ្នកតាម នោះការរាំនឹងរលូនល្អ (ពង្រឹងការតភ្ជាប់) ប៉ុន្តែបើអ្នកតាមបោះជំហានមុនអ្នកនាំ នោះនឹងជាន់ជើងគ្នា (បញ្ចុះកម្លាំងតភ្ជាប់)។
High-k dielectrics សារធាតុអ៊ីសូឡង់ (មិនចម្លងអគ្គិសនី) ដែលមានសមត្ថភាពផ្ទុកបន្ទុកអគ្គិសនីបានខ្ពស់ (Dielectric constant ខ្ពស់) ជាងស៊ីលីកូនឌីអុកស៊ីត (SiO2) ធម្មតា។ វាជួយកាត់បន្ថយការលេចធ្លាយចរន្តអគ្គិសនី ខណៈពេលរក្សាសមត្ថភាពដំណើរការបានល្អ សម្រាប់ឧបករណ៍កម្រិតណាណូ។ ដូចជាជញ្ជាំងការពារសំឡេងទំនើប ដែលទោះបីជាវាស្តើងក្តី តែក៏អាចទប់សំឡេងរំខានបានល្អជាងជញ្ជាំងឥដ្ឋដ៏ក្រាស់ធម្មតាទៅទៀត។
Neuromorphic computing ការរចនាប្រព័ន្ធកុំព្យូទ័រ ឬបន្ទះឈីប (Hardware) ឱ្យមានរចនាសម្ព័ន្ធ និងដំណើរការស្រដៀងទៅនឹងបណ្តាញសរសៃប្រសាទខួរក្បាលរបស់មនុស្ស ដើម្បីដោះស្រាយបញ្ហា AI ដោយប្រើប្រាស់ថាមពលអគ្គិសនីតិចបំផុត។ ការបង្កើតខួរក្បាលអេឡិចត្រូនិច ដែលចម្លងរបៀបគិតនិងរៀនសូត្ររបស់មនុស្ស ជាជាងគ្រាន់តែគណនាលេខដូចម៉ាស៊ីនគិតលេខធម្មតា។
Poole-Frenkel (PF) conduction យន្តការរូបវិទ្យានៃការបញ្ជូនចរន្តអគ្គិសនីឆ្លងកាត់សារធាតុអ៊ីសូឡង់ ដែលអេឡិចត្រុងអាចរំដោះខ្លួនចេញពីអន្ទាក់ (Traps) ដោយសារកម្លាំងជំរុញពីកម្ដៅ (Thermal energy) និងកម្លាំងដែនអគ្គិសនី (Electric field) ដែលជួយបញ្ចុះកម្ពស់របាំងការពារ។ ដូចជានរណាម្នាក់កំពុងជាប់ក្នុងរណ្តៅ ហើយមានកម្លាំងខ្យល់ព្យុះខ្លាំងមកជួយរុញគេពីក្រោយ បូករួមនឹងកម្លាំងលោតរបស់គេផ្ទាល់ ទើបអាចធ្វើឱ្យគេចេញពីរណ្តៅនោះបាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖