基于Mn掺杂ZnO缺陷工程的忆阻器及其神经形态计算应用研究

《IEEE Journal on Exploratory Solid-State Computational Devices and Circuits》：Defect-Engineered Mn-Doped ZnO Memristors for Hardware-Aware Neuromorphic Image Classification

　　

摘要：

神经形态硬件的实际部署需要具有精确控制的缺陷动力学的活性材料，以调控电荷传输和突触可塑性。虽然本征ZnO提供了结构上有利的开关平台，但本征缺陷的随机分布往往导致开关均匀性差和保持性能下降。在本研究中，我们利用Mn掺入作为缺陷工程策略，对ZnO的缺陷景观进行空间调控，显著增强了其电阻开关和神经形态特性。采用溶胶-凝胶法合成的Mn掺杂ZnO（Mn:ZnO）薄膜被集成到Ag/Mn:ZnO/ITO忆阻器堆叠结构中，展现出由氧空位基导电丝的可逆形成所介导的稳健双极电阻开关特性。优化后的器件表现出稳定且可重复的开关行为，在500次循环中保持明显的高阻态和低阻态，保持时间超过10⁴秒。此外，这些器件成功模拟了关键的突触功能，包括短时增强/抑制（STP/STD）、配对脉冲易化/抑制（PPF/PPD）以及长时增强/抑制（LTP/LTD）。通过将实验提取的电导值和非线性指数映射到片外人工神经网络（ANN）和卷积神经网络（CNN），我们在Fashion-MNIST数据集上实现了93.4%的硬件约束图像分类准确率，在CIFAR-10数据集上实现了90.8%的分类准确率。这些发现突显了掺杂控制的缺陷调控是开发可靠的、面向硬件的神经形态计算平台的一条高度可行的途径。