藤川紗千恵57Sachie FUJIKAWA吉岡健太郎58Kentaro YOSHIOKA希薄窒化物半導体のナローバンドギャップ領域の特性解析（2022採択）Characteristic analysis of narrow band gap region in dilute nitride semiconductor(Project 2022)革新的アナログ回路技術を用いたIoTデバイス向け大規模並列AIハードウェアの研究（2022採択）Development of massively parallel AI hardware for IoT devices using innovative analog circuit technology(Project 2022)53波長8〜14µmの遠赤外光デバイス実現に向け，その材料候補としてInSbNに注目した．本研究では，スパッタ法によりInSb(N)高品質結晶薄膜の成長条件探索，デバイス構造作製を行い，各種特性解析を行った．スパッタ法において，InSb薄膜の作製が可能であることがわかり，窒素を制御することでInSbN薄膜の作製が可能であることがわかった．InSbの成長温度の最適化やn型p型化を行った．また，N組成率を変化させたp型，n型ドーピングInSbNを作製し，電気的特性評価を行い，N組成率の増加に伴い電気特性が悪化する様子が確認できた．さらに，PINフォトダイオード構造を作製しJ‐V測定を行った．室温においてその整流性を確認し，アニール処理により微小な整流性の改善が見られた．Toward the realization of far-infrared optical devices with wavelengths from 8 to 14 µm, we have focused on InSbN as a candidate material. In this study, we investigated the growth conditions of InSb(N) high-quality crystal thin films by sputtering, fabricated device structures, and analyzed various properties. The growth temperature of InSb was optimized, and n-type and p-type InSb(N) were grown. In addition, p-type and n-type doped InSbN with varying N composition ratio were fabricated and evaluated for electrical properties, and it was confirmed that the electrical properties deteriorated as the N composition ratio increased. In addi-tion, a PIN photodiode structure was fabricated and J-V measurements were performed. The rectification was confirmed at room temperature, and annealing treatment showed a small improvement in rectification.エッジコンピューティングの普及に伴い，より身近なデバイスへの人工知能(AI)応用を促進するため，深層ニューラルネットワーク(DNN)，特にTransformer処理の高効率な推論を実現する高精度かつ省エネルギーなコンピュート・イン・メモリ(CIM)回路の研究を実施した．本研究では，従来のCIMが抱えていたTransformerの推論に必要な演算精度を実現するために，データ格納，演算，アナログ−デジタル(A/D)変換を1つのメモリセルに集積した「容量再構成型CIM(CR-CIM)」構造を提案した．この構造によって，アナログCIMで初めてTransformer処理に必要な演算精度を達成しつつ，消費電力1Wあたりの処理速度が818 TOPS（兆回／秒）と非常に高い電力効率を実現した．また畳み込みニューラルネットワーク(CNN)処理を行う際は，同等の演算精度を持つ従来技術と比べ10倍のエネルギー効率となる4094 TOPS/Wを達成した．エッジコンピューティングやAIの分野で，電力効率と処理速度の両面で効率的なAIハードウェアの開発に本研究は貢献した．将来的にはより多くの人々が大規模言語モデル(LLM)といったAIサービスを利用しやすくなると期待される．With the spread of edge computing, research has been conducted on high-precision and energy-efficient com-pute-in-memory (CIM) circuits that realize efficient inference of deep neural networks (DNN), especially Transformer processing, to promote the application of artificial intelligence (AI) to more familiar devices. In this research, to achieve the computational accuracy required for Transformer inference, which was a chal-lenge for conventional CIMs, we proposed a “capacitance reconfigurable CIM (CR-CIM)” structure that inte-
元のページ ../index.html#57