电刺激可控GaN纳米线突触器件：面向神经形态计算的新途径

本研究针对传统冯·诺依曼架构算力瓶颈，开发了一种基于氮化镓纳米线的电刺激可控突触器件。通过介电泳定向技术，团队在10分钟内实现纳米线精确定位，成功模拟生物突触的EPSC、PPF、STDP等关键功能。该器件在7V阈值电压下展现出脉冲参数可调的忆阻响应，基于实验电导构建的三层神经网络识别准确率达95%，并具备图像降噪能力，为低功耗神经形态计算硬件开发提供新方案。

　　

随着大数据和人工智能技术的迅猛发展，基于冯·诺依曼架构的传统计算机面临着处理速度慢、能耗高的双重挑战。这一困境的根源在于处理器与存储器的物理分离，导致数据在两者之间频繁搬运产生巨大能耗。受人类大脑高效并行处理机制的启发，神经形态计算应运而生，它通过模拟生物大脑的信息处理方式，有望突破传统架构的局限。在这一新兴领域中，模拟生物突触功能的电刺激突触器件成为构建硬件神经网络的核心单元。

目前，虽然氧化物、二维材料、功能有机分子等多种材料已被用于开发忆阻器或人工突触，但氮化镓(GaN)因其优异的导热性、耐高温、抗辐射、耐酸碱等特性，特别适合在极端环境下工作。然而，基于GaN纳米线的突触器件制备面临重大挑战：纳米线通常无序排列，难以以可控、低成本的方式集成到纳米器件中。传统的电子束光刻和聚焦离子束技术需要复杂设备且成本高昂，严重制约了GaN纳米线突触器件的发展。

针对这一技术瓶颈，苏州科技大学物理科学与技术学院江苏省高校智能光电器件与芯片重点实验室的研究团队在《Chip》杂志上发表了一项创新性研究。他们成功开发出一种基于GaN纳米线的电刺激可控突触纳米器件，采用了一种简单高效的介电泳定向方法。该方法通过在金属电极上施加适当的交流电，可在10分钟内将GaN纳米线精确定位到预设位置，不仅显著降低成本，还大大缩短了制备时间。

研究团队采用分子束外延技术在n型Si(111)衬底上生长GaN纳米线，通过精确控制镓束流、等离子体功率和氮气流速等参数，获得了高度一致、垂直性良好的纳米线结构。随后，他们将纳米线从硅衬底分离，分散在异丙醇和水的混合溶液中，利用介电泳力在交流电场作用下实现纳米线的精确定向组装。

通过系统的实验表征，研究人员发现该突触纳米器件能够模拟生物突触的多种关键功能。当施加两个连续电脉冲时，器件表现出典型的配对脉冲促进(PPF)现象，第二个脉冲引发的兴奋性突触后电流(EPSC)明显大于第一个脉冲。通过定量分析发现，PPF指数随脉冲间隔时间的增加而从160%衰减至100%，这一过程符合双指数衰减规律，分别对应0.08秒的快衰减过程和1.30秒的慢衰减过程。

更令人振奋的是，该器件展现出从短期记忆(STM)向长期记忆(LTM)转化的能力。当电脉冲宽度从10毫秒增加至40毫秒时，触发的EPSC显著增强；而随着电脉冲数量从5次增加到60次，EPSC增益从2.12提升至8.69。这种脉冲数量依赖可塑性(SNDP)和脉冲时序依赖可塑性(STDP)表明，器件能够通过调节刺激参数来实现不同强度的记忆功能。

机制研究表明，器件的突触特性源于金属-半导体-金属(M₁-S-M₂)结构中的肖特基势垒调控。XPS分析显示纳米线表面存在氧空位(V_o)，这些空位能够捕获载流子，形成相对稳定的V_o²⁺复合物，阻碍电子-空穴对的立即复合，从而实现载流子的累积效应。当施加后续电脉冲时，电极能够收集更多的电子和空穴，产生比第一次刺激更大的EPSC。

特别值得注意的是，该器件在7V左右存在明显的阈值电压效应。当电压低于6V时，电流增长缓慢；而接近7V时，电场强度急剧增加，驱动更多载流子快速迁移，使电流显著增大。这种非线性响应为器件实现复杂的神经形态计算功能奠定了基础。

在学习-遗忘-再学习行为的模拟实验中，研究人员通过定义突触权重(Δw)来量化器件的记忆水平。结果显示，在第一次学习过程中，经过10个电脉冲刺激后，突触权重从31.5%提升至68.1%。经过一段时间的"遗忘"后，再次学习时仅需4个脉冲就能恢复到第一次刺激时的最大权重水平。在第四次学习过程中，相同的10个脉冲刺激可使突触权重达到99%，表明器件具备类似人类大脑的强化学习能力。

为验证器件的实际应用价值，研究团队构建了一个三层脉冲神经网络(SNN)模型，其中输入层包含784个神经元，隐藏层100个神经元，输出层10个神经元。基于实验测得的电导数据，该网络在经过13次训练周期后，识别准确率稳定在95%以上。此外，该系统还展现出优异的图像降噪能力，通过提取长时程增强(LTP)和长时程抑制特征数据构建自适应阈值，结合双边滤波技术，能有效区分并保留图像中的有效信号，同时抑制噪声干扰。

关键技术方法包括：分子束外延生长GaN纳米线、介电泳定向组装技术、扫描电子显微镜和球差校正扫描透射电子显微镜表征、X射线光电子能谱分析、半导体参数分析器测试电学性能，以及基于Fashion MNIST数据集的脉冲神经网络模拟。

研究结果部分，器件性能分析表明：

• •
  PPF特性：脉冲间隔0.01-1.8秒范围内，PPF指数从160%衰减至100%，符合双指数衰减模型
• •
  STM-LTM转换：脉冲宽度从10毫秒增至40毫秒时，EPSC显著增强，实现短期记忆向长期记忆的转化
• •
  电压阈值效应：7V阈值电压下出现显著的非线性电流响应，脉冲参数可调

学习行为模拟显示：

• •
  突触权重随脉冲数增加而提升，首次学习10个脉冲后权重达68.1%
• •
  再学习过程仅需4个脉冲即可恢复首次刺激的最大权重水平
• •
  图像亮度与脉冲数成正比，成功模拟学习-遗忘-再学习过程

应用验证结果表明：

• •
  神经网络识别准确率在13次训练后稳定超过95%
• •
  图像降噪处理后灰度直方图分布更集中，噪声显著降低

本研究成功开发出一种基于GaN纳米线的电刺激可控突触纳米器件，通过创新的介电泳定向方法实现了纳米线的快速、精准定位。该器件能够模拟生物突触的关键功能，包括PPF、STDP、SNDP以及STM-LTM转换等，展现出类似人类大脑的学习-遗忘-再学习行为。特别是在7V阈值电压下，器件表现出脉冲参数可调的忆阻响应，为神经形态计算硬件开发提供了新的技术路径。基于实验数据构建的神经网络模型在图像识别和降噪方面表现出色，验证了其在人工智能系统中的实际应用潜力。这项研究不仅为低功耗神经形态计算系统的发展开辟了新途径，也为未来智能硬件的设计提供了重要参考。