实现丝状忆阻器件低功耗模拟阻变以推动高能效模拟存内计算发展

来自各地的研究人员针对丝状忆阻器件存在的高形成电压、高置位电压及模拟阻变区域受限等问题，开展基于双基质结构（GeSe2与非晶硅）的器件工程研究。该策略使形成/置位电压降低超50%，复位电流下降96%以上，模拟能耗减少93%（0.98 pJ），并在Spiking-VGG9架构仿真中实现CIFAR10 89.38%与CIFAR10-DVS 63.70%的识别精度，总体能耗降低60.42%，为深度学习硬件能效提升提供关键技术路径。

　　

通过采用忆阻器件（Memristive Devices）的模拟存内计算（Analog In-Memory Computing）技术，可有效解决传统冯·诺依曼架构在深度学习应用中能效低下的问题。然而丝状忆阻器件仍面临形成电压（Forming Voltage）、置位电压（Set Voltage）过高，以及模拟阻变区域电阻受限等挑战，导致功耗显著上升。

研究团队提出一种创新工程策略：通过缓解离子供应瓶颈降低工作电压，并采用双基质丝状阻变（Dual-Matrix Filamentary Switching）方式减小模拟切换电流。该方案使用GeSe₂作为高迁移率基质，致密非晶硅（Amorphous Silicon）作为低迁移率基质，同时结合银（Ag）与铂（Pt）纳米簇层构建双基质器件。

实验表明，相较于原始器件，新型器件的形成与置位电压降低超过50%，复位电流（Reset Current）下降96%以上，模拟能耗减少93%（达0.98 pJ），并具备约24小时的稳定保持特性与5万次循环耐久性。在脉冲神经网络架构Spiking-VGG9中，通过量化感知训练（Quantization-Aware Training）与电阻处理单元（Resistive Processing Unit）框架下的tiki-taka算法进行仿真，在CIFAR10和CIFAR10-DVS数据集上分别达到89.38%与63.70%的识别精度，同时系统总能耗较原始器件降低60.42%。