Интегральные схемы с логикой нейронных сетей для научного приборостроения

С точки зрения перспективы развития существующие вычислительные устройства имеют определенный запас в том смысле, что есть возможность дальнейшего уменьшения размеров минимального элемента интег­ральных схем, постоянно возрастает (и, очевидно, продолжит расти) точность технологических операций, которую можно выдерживать в условиях крупносерийных производств. Однако, несмотря на очевидный прорыв в создании новой элементной базы, а также значительные успехи в разработке алгоритмов использования вычислительных устройств, существует принципиальное ограничение, наложенное на все устройства с линейными схемами выполнения логических операций.

 

Это ограничение связано со способностью системы обрабатывать внешние сигналы и принимать решения в условиях изменений внешних условий. В мультипараметрических задачах линейный рост сложности (количество возможных вариантов, которые необходимо запрограммировать в рамках «если …, то …» логики) требует сущест­венно более крутого роста вычислительных возможностей для просчета ситуации и эффективного реагирования. Это означает, что каким бы ни был мощным суперкомпьютер, спектр успешно решаемых им задач из реальной жизни (то есть с неопределенным количест­вом действую­щих параметров) всегда будет оставаться ограниченным.

 

С другой стороны, уже давно существуют алгоритмические подходы, позволяющие решать задачи с неизвестным уровнем сложности при относительно небольшом количестве задействованных вычислительных элементов. Это алгоритмы так называемых нейронных сетей [1, 2]. Вычислительная система, построенная на таком принципе, характеризуется большим количеством параллельных связей между элементами. За счет такой архитектуры огромное коли­чество вычислительных операций может производиться в параллельном режиме. Кроме того, логика такой системы обеспечивает контролируемое упрощение входящей информации, то есть уменьшение бесконечного числа параметров до конечного – заданного, определяемого вычислительными способностями системы. При этом происходит вычленение тех параметров, которые вносят наибольший вклад в некий заданный эффект, оценивае­мый для принятия решения.

 

В нейронных сетях человека и высших животных ключевую роль в обучении и последующей работе обученной сети играют синапсы – точки контакта между проводящими волокнами отдельных клеток. Синапс обеспечивает передачу сигнала от одной клетки к следующей, причем он может облегчать или затруднять проведение сигнала, в зависимости от того, как часто сигнал проходил через данное соединение в ходе обучения. То есть если считать, что обучение нейронной сети – это придание определенных коэффициентов «значимости» тем или иным каналам прохождения сигнала, то именно синапсы выступают теми физическими ячейками распределенной памяти, в которых фиксируются значения этих коэффициентов. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обу­чающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

 

В последнее десятилетие был предложен целый ряд кристаллических гетерогенных структур, способных обес­печить «умные» соединения между логическими элементами искусственной нейронной сети [3]. С точки зрения электрической схемы речь идет о мемристорах – пассивных элементах, электрическая проводимость которых зависит от полярности приложенного напряжения и от заряда, который протекал через структуру ранее. Таким образом, мемристор как бы «запоми­нает», как часто он был востребован для проведения сигнала (отсюда название элемента «запоминающий резистор»). 

 

Таким образом, все ключевые элементы для построения нейроморфных архитектур в настоящее время известны. Остается вопрос дизайна интег­ральных схем под конкретные задачи развития приборной базы, а также воп­росы технологической реа­лизации в при организации промышленного производства. Именно в час­ти оптимизации технологических маршрутов эффективным решением представляет­ся платформа НаноФаб 100, разработанная группой компаний НТ-МДТ (рис. 1). Нанотехнологические комплексы (НТК), построенные на базе этой платформы обладают двумя ключевыми особенностями, принципиально необходимыми на этапе отработки технологий НЭМС (наноэлект­ромеханические сис­темы). 

 

1. Модульность конструкции: на этапе НИОКР комплекс можно комп­лектовать максимально широким набором  технологических модулей, однако установки для промышленного использования можно укомплектовать гораздо меньшим набором модулей – только теми, которые необходимы для конвейерного производства. Важно, что указанные изменения не потребуют существенных доработок в конструкции самого оборудования, гибкость в выборе технологических модулей как раз и обусловлена модульным характером платформы НаноФаб 100. 

2. Организация технологических модулей в кластеры по требованиям к чистоте и к вакууму позволяет сократить до минимума временные потери на загрузку/выгрузку пластин и регламентные работы, а сквозная транспортная система с точностью пози­ционирования до 5 микрон обес­печивает конвейерный характер всех производимых технологических операций. Кроме этого, кластерная организация технологических модулей дает возможность пристыковки всей системы к другим технологическим и исследовательским комплексам, например, к станции синхротронного излучения.

Современное научное приборостроение в последнее десятилетие развивается исключительно быстрыми темпами. Это развитие идет по двум основным путям [4]. Первый путь состоит в расширении функциональнос­ти приборов за счет включения в исследовательский комплекс все новых методических возможностей. Зачас­тую при сочетании в одном комплексе нескольких методов исследования или воздействия возникает некое новое свойство, открывается новый пакет возможностей. В качестве примера можно привести сочетание сканирую­щего зондового микроскопа и спект­рометра комбинационного рассеяния (КР). Реа­лизованные в рамках единого исследовательского комплекса ИНТЕГРА Спектра эти два прибора позволили получить и практически использовать эффект гигантского усиления сигнала КР на острие твердотельного зонда [5]. Это, в свою очередь, открыло путь для существенного улучшения прост­ранственного разрешения при картировании сигнала КР – до 14-15 нм в плоскости ХУ [6, 7]. Тренд на сочетание различных методов на базе одного прибора сопряжен со значительным усложнением всей системы, что предъявляет повышенные требования к квалификации исследователя-оператора.

 

Другой очевидный тренд в развитии исследовательской приборной базы состоит как раз в снижении требований к оператору, упрощении интерфейса и автоматизации настроек. Это тренд на так называемый «прибор одной кнопки». Важный шаг в этом направлении был сделан специалистами группы компаний НТ-МДТ при разработке Солвер НЕКСТ. Это современный полностью функциональный скани­рующий зондовый микроскоп, имею­щий полностью закрытый дизайн. Большинство настроек произ­водится в автоматическом режиме, в частнос­ти, настройка лазера на консоль зонда, подвод зонда к поверхнос­ти образца, смена режимов АСМ и СТМ и другие. Вывод Солвер НЕКСТ на рынок показал его востребованность и исключительно высокий потенциал этого направления разработок. 

 

Снижение требований к оператору, уменьшение квалификационного барьера при использовании сложного оборудования может коренным образом изменить распределение кадровых ресурсов в современной науч­ной лаборатории: специалисты высшей квалификации больше не должны собст­венноручно обеспечивать получение экспериментальных данных в процессе измерений, соответственно, высвобождается больше ресурсов для анализа научной литературы и для постановки оригинальных научных задач. 

 

Создание «интеллектуальных» управляющих схем является продолже­нием тренда на общую интеллектуализацию исследовательских приборов (и их упрощение в использовании). В частности, использование нейроморфных схем с алгоритмами адаптивной логики позволит без участия человека решать такие задачи, как автоматический поиск и выделение наноразмерного объек­та для дальнейшего изучения, выбор оптимального режима измерений, оптимальной методики и оптимального набора настроек для данной (типовой) научной задачи. Причем особенно ценно, что управляю­щие блоки с нейроморфными схемами могут входить в комплект поставки с предустановленными настройками, то есть уже «обу­ченными» для решения типовых задач, однако их можно будет и «переучивать» для решения узкоспециальных задач, которые всегда могут возникнуть в науч­ной лаборатории. Уникальность нейроморфных схем как раз и состоит в их потенциальной способности адаптироваться к тем требованиям, которые еще не известны на момент производства.
 

 

Принципиальное отличие нейроморфных архитектур состоит в большом количестве связей между логическими элементами схемы. Нейрон в коре головного мозга человека имеет примерно 7000 синаптических соединений. Каждый синапс является своего рода ячейкой адаптивной памяти: в процессе обучения сети именно синапсы меняют свои свойства, облегчая или затрудняя прохождение сигнала к телу данного нейрона. В сис­темах с искусственными нейронами роль синапса может играть мемристор, структура, электрическое сопротивление которой зависит от приложенного ранее напряжения.

 

К настоящему времени описано большое количество вариантов мемристорных структур, многие из которых могут быть изготовлены с помощью традиционных КМОП-технологий. При этом размер структуры может составлять несколько десятков нанометров, в предельных случаях – до 20 нм в плоскости XY и до 35 нм по высоте. Пример интег­ральной схемы с включением мемристорных элементов показан на рис. 2. Важной особенностью такой схемы является то, что в качест­ве основы используются стандартные базовые матричные кристаллы (БМК), доступные на мировом рынке. Добавление ортогональной сетки металлических контактов с мемристорными элементами в точках пересечения придает стандартному продукту свойства нейроморфной сети [8].

 

Наиболее простая технология создания мемристорных структур на основе оксидов титана была предложена специалистами компании Hewlett Packard [9], и модифицирована специалистами компании Samsung Electronics [10]. Технологический маршрут, который может быть реализован на базе нанотехнологического комплекса НТК НаноФаб 100 предложен в работе [11]. В качестве альтернативы можно использовать более сложные технологические маршруты, в том числе включающие рентгеновскую литографию с использованием синхротронного излучения.

 

Следующий шаг – создание многослойных мемристорных структур (рис. 4). Увеличение степени интег­рации дает возможность построения быст­ро перезаписываемых адаптивных схем под изменяющуюся задачу. Схемы такого уровня позволят выстраивать нейроморфные системы, эквивалентные сетям из нескольких тысяч искусственных нейронов. Разработка технологических маршрутов для таких устройств может начаться в самом ближайшем будущем.

НаноФаб 100 – платформа для объединения групповых и нано-локальных методов обработки. Разрабатываемое в группе компаний технологическое оборудование на платформах НаноФаб 100 и Нано-Фаб 25 создается в рамках концепции глубокой аппаратной интеграции различных технологических подходов на базе единой автоматизированной платформы с возможностью программируемой настройки любой заданной последовательности технологических операций. В конструкции нанотехнологических комплексов (НТК) на платформах НаноФаб 100 и 25 (для работы с пластинами диаметром 100 и 25 мм, соответст­венно) заложена принципиальная возможность объединения групповых и локальных методов обработки подложек. Обычно эти подходы реа­лизуются в разных условиях вакуума: нанолокальные методы осуществляются в усло­виях сверхвысокого вакуума (до 10-11 торр), групповые – в условиях высокого (до 10-6 торр) или низкого (до 10-2 торр) вакуума. Поэтому для соблюдения требования интеграции технологические модули организованы в кластеры в соот­ветствии с требованиями к глубине вакуума. 

 

Каждый модуль нанолокальных технологий снабжен высокопреци­зионной координатно-связанной сис­темой позиционирования образцов, позволяющей с точнос­тью до 5 микрон обрабатываемые участки подложек на одном переделе приводить в области воздействий на другом. Чистота процесса обеспечивает­ся за счет безмасляной откачной системы. Каждый модуль НТК автоматизирован и является самостоятельной технологической единицей. Все вспомогательные межоперационные модули (межмодульной и межкластерной транспортировки, складирования, загрузки, переворота, хранения держателей зондов и другие) встроены в ту же единую вакуумную систему. За счет дополнительных шлюзовых камер обес­печивается чистота процесса даже после обработки низковакуумными групповыми методами, такими как МЛЭ,ЛА, ПХТ, ПГФО и другими. 

Таким образом, разработка и производство интегральных схем, включающих в себя элементы нейроморфной архитектуры, является закономерным продолжением современного тренда на интеллектуа­лизацию научного оборудования. Это направление разработок лежит в русле главной линии развития группы компаний НТ-МДТ, претендую­щей на лидерские позиции в мировом науч­ном приборостроении.

 

Нанотехнологический комплекс на платформе НаноФаб 100 может выступать в качестве производственной базы для проведения НИиОКР, а также для организации малосерийного производства оригинальных БИС с возможнос­тью реализации в них алгоритмов адаптивной логики. Такие схемы в дальнейшем могут использоваться для развития отечест­венного научного приборостроения, а также выводиться на рынок в качест­ве самостоятельного высокотехнологичного коммерческого продукта с высоким уровнем добавленной стоимости.

 

 

Источник: журнал «Нанотехнологии Экология Производство», №5 (12), сентябрь, 2011