面向人机交互的忆阻器类脑芯片

《Materials Today Nano》：Memristors based brain-like chip towards human-computer interaction

　　

•本综述聚焦于忆阻器基智能芯片在人机交互（HCI）中的应用。
•我们总结了具有不同功能层的忆阻器的最新进展。
•讨论了主要挑战及相应的解决策略。
•我们为智能系统和HCI的材料优化提供了展望。

引言

基于冯·诺依曼架构的电子计算系统长期以来支撑着现代信息技术的发展。然而，其存储与计算的根本性分离在数据密集型人工智能（AI）任务中日益暴露出严重的能耗和延迟瓶颈[1]。随着AI[2]、机器学习[3]、大数据分析[4]、[5]、物联网（IoT）[6]、5G通信[7]、[8]以及自动驾驶[9]等新兴技术的快速发展，HCI系统正从传统的单向输入-输出接口向集成多模态感知、边缘计算、自适应学习和实时反馈的闭环智能系统演进。存储与处理单元之间的物理分离需要频繁的数据传输，产生了巨大的能耗和延迟开销，难以与低功耗、实时化、微型化HCI终端的要求相协调[10]、[11]、[12]。这些局限性促使人们开发替代性计算架构和新兴功能器件以实现节能和实时信息处理[13]。忆阻器的提出和实验实现为克服这些局限性提供了重要机遇[14]、[15]。

忆阻器凭借其连续可调的电导、非易失性存储、突触可塑性以及与高密度阵列集成的兼容性[16]、[17]、[18]、[19]，被视为构建低功耗类脑硬件和存算一体芯片的有力候选器件[20]、[21]。然而，基于忆阻器的类脑计算只是面向类脑与边缘智能信息处理的若干硬件方案之一。成熟的CMOS类脑处理器和传统边缘AI加速器受益于成熟的制造技术，但其传统的存算分层架构可能引入大量的数据搬运开销。光子类脑系统提供超高速信息处理能力，对高带宽计算极具吸引力，但其实用化仍面临光电转换和系统集成方面的挑战。基于晶体管的生物突触与传统电子电路具有强兼容性，但在非易失性存储、能效和可扩展性方面与忆阻器件存在差异。其他新兴存储技术，如相变存储器、铁电存储器和磁性存储器，也以不同的编程灵活性、能效和集成度权衡提供通向非易失性类脑计算的替代途径。因此，对忆阻器在HCI中的潜力评估不仅应通过不同忆阻材料之间的比较，还应置于更广泛的已建立和新兴类脑硬件技术的背景下进行。

此外，忆阻器可与柔性传感器、光电探测器、生物电极和CMOS外围电路耦合，为触觉、视觉、听觉、生理和脑信号的本地化感知与处理提供硬件基础[22]、[23]。在类脑计算中，忆阻器的突触可塑性，如长时增强（LTP）、长时抑制（LTD）和脉冲时序依赖可塑性（STDP），能够模拟生物学习与记忆。这一能力支持感知、学习与决策融为一体的类脑系统，使信息处理更加类似于生物神经网络[24]、[25]、[26]、[27]。当与传感接口和外围电路适当集成时，忆阻架构可减少数据搬运及相关通信开销，为HCI和BCI应用中的多模态信号实时处理提供有前景的硬件平台[28]、[29]、[30]、[31]。然而，HCI系统的整体能效不仅取决于忆阻器件或交叉阵列的能耗，还取决于外围电路、数据转换、传感、通信和控制电子学。因此，基于忆阻器的计算在系统层面的能耗优势在很大程度上取决于整体硬件架构和任务需求。

随着物联网和人工智能的快速发展，HCI正向实时感知、边缘智能和类脑协同演进，对硬件平台的计算效率、能效控制和集成密度提出了更高要求[32]、[33]、[34]、[35]。在典型HCI系统中，信息获取、处理和反馈必须在严格的功耗预算和设备尺寸约束下协调进行，对底层计算架构和器件级性能均构成重大挑战[36]、[37]、[38]、[39]、[40]。这一存储墙瓶颈限制了响应速度和整体效率，尤其是在可穿戴电子、边缘终端和类脑传感系统等资源受限平台中尤为突出[41]、[42]、[43]、[44]、[45]。为应对这些瓶颈，忆阻器凭借其连续可调电导、非易失性存储特性和突触可塑性，成为存算一体的理想器件。它们能够在单器件层面本质上融合信息存储与计算，从而为构建低功耗、高并行度的类脑计算硬件提供新的技术路线[46]、[47]、[48]、[49]、[50]、[51]。在此基础上，忆阻器交叉阵列可以直接执行向量-矩阵乘法（VMM），实现多模态感知信号的 efficient 处理和在线学习，如图2所示。这一能力支持本地化和实时决策，同时大幅降低数据搬运引起的延迟和能耗[52]、[53]、[54]、[55]、[56]、[57]。重要的是，这些能力对应着不同层级的硬件集成，从模拟突触功能的单器件，到传感器-忆阻器和阵列级集成，再到融合感知、计算、通信和系统级控制的完整集成HCI系统。尽管如此，阵列级数据搬运开销的减少并不必然对应系统总能耗的等量减少。系统级能耗还包括传感接口、ADC/DAC转换、驱动器、缓冲器、控制电路、通信及其他外围组件。因此，基于忆阻器的HCI系统的实用能效取决于传感、存储、计算与外围电路之间的集成程度，以及具体工作负载和系统架构。

此外，忆阻器在材料和结构层面均展现出与柔性电子、传感阵列和类脑电路的强大兼容性，在电子皮肤、脑机接口（BCI）、智能可穿戴系统和自适应交互终端等新兴领域具有广阔的应用前景。因此，如图2所示，忆阻器被广泛认为是下一代HCI芯片的关键使能器件，有望为深度融合高效率、低功耗和类脑功能的HCI系统提供核心支撑[58]、[59]、[60]、[61]、[62]、[63]。

本综述聚焦于面向HCI的基于忆阻器的智能芯片的最新进展[64]。系统讨论了不同的电阻开关材料体系，包括金属氧化物、二维（2D）材料、有机材料、钙钛矿、流体材料和天然材料，重点阐述了其器件结构、开关机制、突触可塑性、阵列集成能力以及在视觉识别、语音处理、触觉感知、生理信号分析、BCI相关处理和柔性可穿戴系统中实现的功能[65]、[66]、[67]、[68]、[69]、[70]、[71]、[72]、[73]、[74]、[75]、[76]。重要的是，这些研究的HCI相关性根据每项工作中实验演示的功能进行评估，而尚未经实验验证的更广泛应用场景则作为潜在或未来应用进行讨论[77]、[78]、[79]、[80]。

在各种忆阻材料体系中，基于金属氧化物的忆阻器是最早开发、研究最为广泛且最接近芯片级的器件类别之一。代表性体系包括传统的氧空位介导的RRAM材料，如TiO?、HfO?、TaO?和WO?，以及用于阈值开关、动态忆阻行为和时间信息处理的功能氧化物，包括VO?和IGZO/MgO[81]、[82]、[83]、[84]、[85]、[86]、[87]。得益于相对较高的材料稳定性、成熟的薄膜制造工艺以及与CMOS工艺的良好兼容性[88]，基于金属氧化物的忆阻器可轻松扩展至交叉阵列、1T1R单元和大规模类脑芯片[89]、[90]，成为存算一体和类脑计算的重要硬件基础[91]、[92]、[93]、[94]、[95]、[96]。与传统的基于CMOS的类脑处理器和边缘AI加速器相比，金属氧化物忆阻器提供了在同一器件阵列中结合非易失性模拟权重存储与存内向量-矩阵乘法的独特可能性。相比之下，CMOS平台在制造工艺成熟度、电路可靠性和计算精度方面具有显著优势，但通常依赖分离的存储和处理资源或数字存储层次结构。因此，金属氧化物忆阻器的潜在优势主要在于架构集成和数据本地计算，而非器件级性能的普遍优越性。

因此，金属氧化物忆阻器不仅为高密度低功耗类脑计算提供了相对可靠的器件平台，也为面向HCI的基于忆阻器的智能芯片奠定了重要基础。特别是，其CMOS兼容性、阵列可扩展性和片上学习能力使其成为面向BCI、边缘感知、智能健康和实时交互系统最具实用前景的材料体系之一。尽管如此，金属氧化物忆阻器仍面临器件间变异性、循环间波动、电导漂移、非线性权重更新和阵列级非理想性等挑战。要进一步改善其在HCI场景下的长期稳定性和系统可靠性，需要缺陷工程、界面调控、单元结构优化和算法-硬件协同设计。

章节摘要

面向HCI的金属氧化物忆阻器

2018年，Wang等人报道了一种全忆阻器神经网络芯片，将基于扩散忆阻器的人工神经元和基于漂移忆阻器的人工突触集成在同一硬件平台上，实现了神经元与突触功能之间的协同工作[97]。作者采用Pt/SiO?N?:Ag/Pt扩散忆阻器作为人工神经元（图3a），在SiO?N?介电层中嵌入Ag纳米团簇。人工突触采用Pd/HfO?实现。

当前面临的挑战

综上所述，面向HCI的基于忆阻器的技术已在不同集成层级取得了进展，从器件级的突触模拟、传感器-忆阻器集成，到阵列级的存算一体，以及在少数案例中更高度的集成HCI系统。这些层级代表了不同的技术发展阶段，因此在评估基于忆阻器的HCI技术的成熟度时应加以区分。然而，它们的实际部署在……

利益冲突声明

? 作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。

致谢

作者衷心感谢国家自然科学基金（52375575）、陕西省科技计划项目（2025JC-TBZC-05）和陕西高校引才联合专项（SXXZGY202401）的资助。

Sheng Tuo|Xiaofei Dong|Song Ling Wang|Zhenjiang Lu|Bai Sun