通过IGZO晶体管中的竞争性铁电效应和陷阱辅助开关机制动态控制突触可塑性，该晶体管采用Al2O3/HfO2电介质

《Advanced Functional Materials》：Dynamic Control of Synaptic Plasticity by Competing Ferroelectric and Trap-Assisted Switching in IGZO Transistors with Al2O3/HfO2 Dielectrics

本研究提出了一种具有Al?O?/HfO?介电层的IGZO突触晶体管，通过利用频率依赖的电荷捕获与铁电极化耦合实现双工作模式。该结构在低频下以电荷捕获为主，高线性导电调制；高频下以铁电极化为主，支持单极性电压驱动的同步增强与抑制。密度泛函理论模拟和力显微镜证实了Al掺杂诱导的氧空位形成及铁电性，最终实现97.03%的数字手写识别准确率，为新型神经形态计算电路提供了高效解决方案。

　　近年来，随着人工智能（AI）技术的迅速发展，其在实时图像识别和自然语言处理等领域的应用需求不断增长。然而，传统冯·诺依曼计算架构由于内存与计算单元的物理分离，导致高能耗和低效率，成为制约AI实时性能的关键瓶颈。为了解决这一问题，神经形态计算作为一种模仿生物神经网络结构和功能的计算范式，逐渐受到关注。神经形态系统的核心在于其人工突触器件，这类器件能够实现内存计算、自适应学习和多级权重调节，从而提升AI硬件的效率和性能。

人工突触器件的研究涵盖了多种技术路径，如电阻开关器件、相变存储器和电化学突触晶体管等。其中，铁电突触晶体管（FeSTs）因其低工作电压、非易失性和高速电荷调制能力而备受青睐。FeSTs利用铁电材料的自发极化特性，通过偶极子开关实现沟道导电性的调控，从而在低功耗和高可扩展性方面展现出独特优势。然而，FeSTs在实际应用中仍面临一些关键问题，例如铁电材料界面和体内的电荷陷阱现象，这会引发非线性、不稳定性和重复性差等问题，限制了其在突触权重更新中的表现。

为克服这些限制，研究人员提出了一种基于双模切换机制的新型铁电突触晶体管设计，其中采用了一种埋栅结构，并在沟道材料氧化铟镓锌（IGZO）上引入了Al?O?/HfO?高介电常数（high-k）介电堆叠层。该设计通过频率依赖的偶极子与电荷陷阱之间的耦合，实现了前所未有的导电性调制能力。这种双模切换机制使得晶体管能够在单一电压极性下实现正向和反向的突触增强（potentiation）与突触减弱（depression），同时保持高度线性的导电性变化。这一特性不仅提升了突触晶体管的功能多样性，也为神经形态系统的简化和计算效率的提高提供了新的思路。

研究中通过实验验证了该晶体管的性能表现，特别是在不同电压扫描速度下的I-DS-V-BG转移曲线中，观察到从逆时针到顺时针的滞后环变化，这表明偶极子与电荷陷阱之间的竞争关系。通过密度泛函理论（DFT）计算和压电力显微镜（PFM）测量，进一步揭示了Al掺杂在HfO?中如何降低氧空位形成能，从而促进氧空位的自发生成和局部对称性破坏。这些缺陷不仅有助于偶极子的形成，还引入了深层电荷陷阱状态，为偶极子和陷阱辅助电荷调控的共存提供了理论支持。

此外，研究还分析了温度对突触晶体管性能的影响。随着温度升高，偶极子的极化减弱，而电荷陷阱效应增强，从而改变了滞后环的方向。通过调整电压扫描速度，可以有效控制偶极子和电荷陷阱之间的主导作用，实现不同频率下的突触增强与减弱行为。在低频刺激下，突触行为主要由电荷陷阱主导，而高频刺激则更依赖于偶极子的极化效应。这种频率依赖的突触行为不仅增强了晶体管的可调性，还显著提高了其在神经网络模拟中的识别准确率，达到了约97.03%的水平。

研究还验证了该突触晶体管在神经形态计算中的实际应用潜力。通过构建基于MNIST数据集的手写数字分类神经网络模型，展示了该晶体管在突触权重更新过程中的线性和对称性，从而实现了高效的模式识别。实验结果显示，该突触晶体管在低频模式下表现出极高的线性度和对称性，这有助于神经网络的快速收敛和高精度分类。相比之下，高频模式下的非线性度较高，导致识别率下降。因此，通过频率调节突触晶体管的工作模式，可以实现对神经网络学习过程的精确控制。

在实验方法方面，研究采用了原子层沉积（ALD）技术制备Al?O?/HfO?高介电常数介电层，并通过光刻、刻蚀和溅射等工艺构建IGZO沟道和埋栅结构。为了进一步确认其性能，研究还制备了金属-绝缘体-半导体（MIS）电容器结构，并通过PFM技术对介电层的极化行为进行了高分辨率表征。此外，研究还通过DFT计算分析了氧空位的形成能和极化行为之间的关系，为理解突触晶体管的物理机制提供了理论依据。

通过这些实验和理论分析，研究团队成功展示了该双模突触晶体管在神经形态计算中的巨大潜力。其设计不仅克服了传统FeSTs中的非线性和稳定性问题，还实现了低功耗、高可扩展性的突触行为调控。更重要的是，该晶体管能够在单一电压极性下实现突触增强与减弱的切换，极大地简化了神经形态电路的结构，同时提高了其计算效率。这种基于频率调制的突触晶体管有望成为下一代人工智能系统中高效、低功耗的突触组件，推动神经形态计算技术的发展和应用。