低维硅基神经形态计算：从纳米材料到脑启发芯片的集成创新

为解决冯·诺依曼架构的数据处理瓶颈，研究人员聚焦低维硅材料（如纳米线、量子点、纳米片）在神经形态计算中的应用，系统综述了其在突触可塑性、记忆功能及传感特性模拟方面的最新进展，并探讨了从材料工程到系统级集成的技术路线。该研究为开发高能效、高集成度的脑启发计算芯片提供了重要理论依据和技术路径，推动了硅基纳米材料在超越摩尔定律时代的创新应用。

　　

在人工智能和物联网时代，传统计算架构正面临严峻挑战。冯·诺依曼架构将数据处理单元与存储单元物理分离，导致数据搬运成为性能瓶颈，能耗居高不下。这种"内存墙"问题严重制约了大数据处理和智能计算的发展。与此同时，人脑以其高度并行的神经网络结构，实现了惊人的能效比——每突触操作仅消耗皮焦耳级别的能量。这种生物智能的卓越表现，激发了科学家对神经形态计算系统的探索热情。

近年来，微纳电子研究界积极研究基于低维材料的神经形态系统，旨在开发超越摩尔定律的新型计算架构。在众多候选材料中，硅材料因其在半导体技术中长达一个世纪的积淀和全球市场的主导地位而备受关注。然而，低维硅结构在神经形态计算中的贡献尚未得到充分重视。正是基于这一背景，浙江大学研究团队在《Chip》上发表了题为"Low-dimensional Silicon for Neuromorphic Computing"的综述文章，系统阐述了低维硅在神经形态计算领域的最新进展和未来前景。

研究团队主要采用了材料合成与表征、器件制备与测试、系统集成分析等关键技术方法。通过对大量文献的系统梳理，研究人员重点分析了硅纳米线(Si-NWs)、硅量子点(Si-QDs)、硅纳米晶(Si-NCs)、硅纳米膜(Si-NMs)和硅纳米片(Si-NSs)等低维硅材料的特性及其在神经形态器件中的应用。

在低维硅材料特性研究方面，研究人员发现低维硅结构表现出与块体硅截然不同的电子和光学性质。硅纳米线通过金属辅助化学蚀刻(MACE)方法可制备出直径5-9纳米、长度1-10微米的高密度阵列，其光致发光(PL)光谱可通过直径调节，展现出量子限制效应。硅量子点则通过电化学蚀刻等方法制备，具有尺寸可调的带隙，从紫外到近红外区域均表现出可调的吸收/发射特性。硅纳米膜通过SOI(绝缘体上硅)转移、底切法和MACE技术制备，其双轴杨氏模量可在2-25纳米厚度范围内从3.25调节到180吉帕，展现出优异的机械柔性。

在低维硅基神经形态器件研究方面，工作揭示了多种实现突触可塑性的机制。研究人员发现，通过低维硅与钙钛矿、二维材料、铁电材料等形成异质结构，可实现光控、电控等多种调制方式。例如，硅纳米晶/钙钛矿异质结器件通过界面处的光生载流子俘获/释放机制，实现了尖峰时间依赖可塑性(STDP)和尖峰率依赖可塑性(SRDP)等关键突触特性的模拟。硅纳米线场效应晶体管通过铁电材料(如PVDF-TrFE)栅极调控，实现了对称的长时程增强(LTP)和长时程抑制(LTD)，为神经网络权重更新提供了理想平台。

在脑启发学习功能实现方面，研究展示了低维硅器件的先进应用潜力。多端离子栅硅纳米线晶体管的研制成功模拟了生物树突的非线性积分功能，实现了信号的空间时间整合。硅纳米片基三栅晶体管的开发则实现了双突触功能，支持二进制神经网络(BNN)的硬件实现，在手写数字识别任务中表现出色。

在传感内计算应用方面，低维硅展现出独特优势。硅纳米膜基光电突触器件通过与钙钛矿、量子点等光敏材料集成，实现了同时感知、处理和存储的类视觉功能。柔性硅纳米膜晶体管的开发更进一步推动了可穿戴神经形态系统的发展，为机器人触觉、环境监测等应用提供了新可能。

在突触发光二极管(s-LED)研究方面，硅纳米晶基电致发光器件通过能带工程设计，实现了光输出的突触权重调制，为光神经网络的构建提供了新思路。这些器件不仅能够模拟基本的突触可塑性，还能实现布尔逻辑运算，展示了多功能集成的潜力。

研究还系统比较了低维硅与其他神经形态材料的优势。与二维材料、铁电材料和功能氧化物相比，低维硅在掺杂控制、维度可调性、CMOS工艺兼容性等方面具有明显优势。特别是其与现有半导体工艺的无缝集成能力，为大规模神经形态芯片的制造提供了可行路径。

该研究的结论部分强调，低维硅材料凭借其独特的量子限制效应、高载流子迁移率、可调带隙以及与CMOS工艺的天然兼容性，为神经形态计算提供了理想平台。从材料合成到器件制备，从机理探索到系统集成，低维硅基神经形态器件已经展现出在能效、集成度和功能多样性方面的巨大潜力。未来随着材料质量控制、界面工程和大规模集成技术的进一步发展，低维硅有望在脑启发计算、边缘智能和感知内计算等领域发挥关键作用，推动人工智能硬件向更高能效和更强智能的方向迈进。

这项研究不仅系统总结了低维硅在神经形态计算领域的最新进展，更重要的是为未来研究指明了方向：通过跨尺度的材料-器件-系统协同设计，实现从"更多摩尔"到"超越摩尔"的转变，最终构建出真正类脑的高效能计算系统。