综述：用于医疗物联网神经形态计算的新兴存储器件

这篇综述深入探讨了新兴存储器件（如RRAM、FeRAM、MRAM）在医疗物联网（IoMT）神经形态计算中的应用，重点分析了其通过仿生架构（如交叉阵列crossbar）实现高效、自适应和安全生物信号处理的潜力，同时评述了生物兼容封装和临床部署的挑战与前景。

　　

引言

医疗物联网（IoMT）正通过可穿戴和植入式设备重塑个性化医疗，但传统冯·诺依曼架构存在高能耗、延迟和尺寸限制。神经形态计算借鉴生物神经系统的效率与可塑性，结合新兴存储器（如RRAM、FeRAM）的模拟特性和非易失性，为实时生物医学数据处理提供了突破性解决方案。

非易失性存储器件的分类与技术

电阻式存储器（RRAM）

基于金属-绝缘体-金属（MIM）结构的RRAM通过离子迁移实现电阻调制，其多态特性可模拟生物突触可塑性。例如，HfZnO基器件在4K低温下仍保持稳定开关，而二维材料（如hBN）RRAM凭借机械柔性和超低功耗（8.8 zJ）成为穿戴设备的理想选择。

铁电存储器（FeRAM）

FeRAM利用Hf_0.5Zr_0.5O₂等材料的极化翻转存储数据，具有纳秒级写入速度和10¹⁰次循环耐久性。铁电隧道结（FTJ）更通过非破坏性读取机制提升可靠性，适用于高频医疗传感器。

磁性存储器（MRAM）

自旋轨道矩MRAM（SOT-MRAM）通过横向电流实现亚纳秒切换，兼具高速度与低功耗（500 μA），可满足植入式设备的长期稳定性需求。

光学与有机存储器

全光子存储器利用波长复用技术实现20 ps超快操作，而有机忆阻器（如DNA/Ag NPs复合材料）则通过溶液加工实现生物兼容的柔性电子，尽管其耐久性（10³次）仍需优化。

神经形态计算的交叉阵列实现

交叉阵列通过并行模拟计算（如向量矩阵乘法VMM）突破“内存墙”。例如，差分对设计（G_i,j⁺-G_i,j^-）解决负权重映射问题，而1T1R结构抑制漏电流。但器件变异性和IR压降仍需算法-硬件协同优化，如抗老化权重分配策略。

生物医学应用场景

实时生物信号分析

柔性忆阻点积引擎（f-MDPE）在心电分类中实现93.6%准确率，能耗仅0.178 μJ/次。

自适应监测

忆阻器库计算系统通过渐消记忆效应解析脑电（EEG）时空特征，无需复杂预处理。

神经接口

Geobacter蛋白纳米线忆阻器以40-100 mV电压模拟动作电位，而TiOx突触器支持海马神经元与硅电路的Hebbian学习。

边缘智能

忆阻器-CT系统在内存中完成傅里叶变换，较GPU提速79倍；4D超混沌加密框架则保障医疗数据安全（像素变化率>99.6%）。

挑战与未来方向

材料上需开发CMOS兼容的柔性存储器（如HfO₂）；架构上需三维集成与热优化设计；临床转化需解决生物相容性（如PDMS封装）和长期可靠性（如10年数据保持）。未来，融合神经形态芯片与能量采集技术的自主医疗系统将推动精准医疗革新。