基于 TaOx忆阻器的全硬件实现神经形态系统：突破传统架构，开启智能计算新时代

当前人工智能发展受冯?诺依曼架构物理限制和效率低下等问题制约。研究人员开展基于 TaOx忆阻器的神经形态系统研究，利用卷积脉冲神经网络（CSNN）实现离线学习，字母分类准确率超 99%。该研究为解决当前计算困境提供新方向，推动神经形态计算发展。

　　在当今科技飞速发展的时代，人工智能（AI）已经渗透到我们生活的方方面面，从智能手机的语音助手到自动驾驶汽车，AI 的身影无处不在。然而，随着 AI 技术的不断进步，传统的冯?诺依曼（von Neumann）架构逐渐暴露出其局限性。在这种架构下，信息存储和计算是分离的，这导致了处理单元和存储单元之间频繁的数据传输，不仅限制了计算效率，还增加了能源消耗。而且，随着芯片集成度接近物理极限，诸如内存访问效率低和功耗大等问题也接踵而至，单纯提高集成密度已无法有效解决这些难题，因此，探索新型的计算存储一体化系统迫在眉睫。

在这样的背景下，华中科技大学的研究人员开展了一项极具创新性的研究，旨在通过构建基于 TaO_x忆阻器的神经形态系统，突破传统架构的瓶颈。该研究成果发表在《Device》杂志上，为神经形态计算领域带来了新的曙光。

研究人员为开展此项研究，主要运用了以下几个关键技术方法：首先是忆阻器的制备技术，通过直流磁控溅射和阳极氧化等工艺，制备出具有氧空位梯度的 TaO_x忆阻器；其次是构建突触阵列的技术，将多个忆阻器组装成可重构的突触阵列，以实现神经网络的功能；再者是运用现场可编程门阵列（FPGA）技术，实现神经形态系统的硬件编程和功能验证。

下面来详细介绍该研究的结果：

1. TaO_x忆阻器的结构与特性：研究制备的 TaO_x忆阻器具有垂直和平面两种结构，采用阳极氧化法制备的 TaO_x层具有独特的氧空位梯度，从表面到内部氧空位浓度逐渐增加。通过 X 射线光电子能谱（XPS）分析，证实了这种氧空位分布。该忆阻器在电学性能上表现出色，与传统物理沉积法制备的器件相比，其形成电压低至约 1.2V，且在形成过程中电阻平稳下降。在电形成后，器件展现出稳定的电阻开关行为，具有高的开 / 关比（超过 12）、良好的重复性和低的变异性，能稳定维持多个电导状态，且在大量读写操作后仍性能稳健。
2. 忆阻性突触阵列：研究人员将单个忆阻器组装成可重构的突触阵列，这种阵列能够方便地改变维度和连接方式，以适应不同的应用需求，有效克服了突触器件的空间不一致性。同时，针对阵列中存在的路径电流问题，采用 1T1R 阵列进行解决。
3. 突触权重更新：由于忆阻器的固有特性和脉冲神经网络（SNN）中时间脉冲的不可微性，传统的训练和更新方法不再适用。研究人员采用了基于脉冲率相关可塑性（SRDP）和曼哈顿规则的方法进行突触权重更新。这种方法将神经元的放电频率与突触权重的变化联系起来，在训练过程中，根据神经元的活动情况，通过施加正负脉冲来调整突触权重，从而实现神经网络的学习功能。
4. 卷积方法：研究利用 Pt/Gra-TaO_x/Pt 忆阻器阵列进行卷积运算，直接在阵列内进行矩阵向量乘法（MVM）和乘积累加操作。与传统的冯?诺依曼计算架构相比，该方法的时间复杂度仅为 O (1)，随着阵列规模的增大，计算速度优势愈发明显，且资源消耗更低。通过实验，成功利用卷积核提取了输入字母的特征，经过训练，部分卷积核的电导状态升高，表明其成功提取了特征，而未成功提取特征的卷积核则被抑制。
5. 神经形态系统的硬件实现：研究结合 FPGA 实现了完整的神经形态系统。根据忆阻性突触阵列的训练和分类场景，开发了不同的 Verilog 代码，利用 FPGA 的可重构特性满足不同的应用需求。通过严格遵循外围电路布局，有效减少了信号之间的串扰。
6. 训练系统：突触阵列的离线监督学习过程基于 SRDP 规则和曼哈顿规则进行。在训练过程中，系统会根据器件电导与理想电导状态的比较结果，施加相应的脉冲进行调整，克服了非理想忆阻器特性的影响，有效实现了训练目标。
7. CSNN 系统：受生物神经网络结构和操作原理的启发，研究设计了全硬件实现的 CSNN 系统用于字母分类。该系统由输入模块、编码模块、计算模块、低级处理模块、高级处理模块和输出模块 6 个部分组成。通过对 5×5 像素图像进行编码、卷积计算和特征分析，系统能够准确识别字母。实验结果显示，在包含 104 张图像的数据集测试中，系统准确识别了 103 张，准确率超过 99%。

在研究结论和讨论部分，该研究成果具有多方面的重要意义。与传统基于冯?诺依曼架构的 AI 系统相比，基于 TaO_x忆阻器的神经形态系统具有显著优势。首先，它实现了计算存储一体化架构，通过事件驱动的 CSNN，规避了冯?诺依曼瓶颈带来的限制，大大提高了处理效率，在字母分类任务中达到了极高的准确率。其次，开发的基于忆阻性突触的硬件训练系统具有很强的适应性，能够克服忆阻器的空间异质性和非理想特性，其算法可根据不同器件的时间或频率敏感性进行调整，能与各种阵列结构和维度无缝集成。再者，系统受生物神经网络启发，融入了离子通道以及生物合作竞争机制等元素，实现了高效的特征提取，提升了时空整合能力和整体系统性能。此外，TaO_x层的氧空位梯度赋予了忆阻器卓越的性能。不过，目前该研究也面临一些挑战，如实验室制备的忆阻器性能存在较大差异，忆阻性阵列中的漏电流问题影响神经网络计算精度，限制了大规模集成，且基于忆阻器的 AI 系统在人工嗅觉、听觉和触觉等领域的应用还需进一步探索。但总体而言，这项研究为神经形态系统的发展提供了新的思路和方向，有望推动未来智能计算技术的重大突破。