综述:基于铪的铁电后摩尔时代电子学:器件物理、集成架构与类脑系统实现
《Nano-Micro Letters》:Hafnium-Based Ferroelectric Post-Moore Electronics: Device Physics, Integration Architectures, and Neuromorphic System Implementation
【字体:
大
中
小
】
时间:2026年04月15日
来源:Nano-Micro Letters 36.3
编辑推荐:
摘要
基于铪的铁电(Hf-FEs)材料克服了钙钛矿铁电材料的局限性。由于其与互补金属-氧化物-半导体(CMOS)工艺的兼容性和高可扩展性,Hf-FEs器件推动了非易失性存储和神经形态计算的发展,在图像处理和基于内存的逻辑运算中展现出了显著的潜力。首先,本文总结了与Hf-FEs
摘要
基于铪的铁电(Hf-FEs)材料克服了钙钛矿铁电材料的局限性。由于其与互补金属-氧化物-半导体(CMOS)工艺的兼容性和高可扩展性,Hf-FEs器件推动了非易失性存储和神经形态计算的发展,在图像处理和基于内存的逻辑运算中展现出了显著的潜力。首先,本文总结了与Hf-FEs器件相关的材料系统、器件结构和物理机制。然后,为了实现高效的神经形态计算,讨论了与Hf-FEs器件相关的评估参数,特别是存储性能和突触可塑性。此外,系统地回顾了Hf-FEs器件在阵列和硬件集成方面的进展,为未来应用提供了见解。最后,本研究深入探讨了这些器件在先进应用中的前景和挑战,为高性能神经形态计算器件的发展提供了宝贵的指导。
1 引言
随着物联网、云计算和人工智能(AI)的指数级增长,对高性能、低功耗计算系统的需求激增。传统冯·诺依曼架构中存储单元与处理单元的物理分离导致频繁的数据传输,从而产生了显著的能耗,并严重限制了系统吞吐量,形成了所谓的“内存墙”瓶颈[10,11,12,13]。这一效率瓶颈促使全球研究人员积极寻求新的计算范式[10, 14,15,16],从而催生了神经形态计算的出现。这些系统受到大脑神经结构和运作机制的启发,以高度并行和事件驱动的方式执行计算任务,预计可以将能效提高几个数量级。这一范式转变的核心在于非易失性存储技术能够模拟突触可塑性,这是学习和记忆的生物学基础[17,18,19,20]。传统的钙钛矿铁电材料,如Pb(Zr, Ti)O3、SrBi2Ta2O9和BaTiO3,因其出色的铁电性能而被广泛研究。然而,它们与基于硅的CMOS工艺的兼容性、在高温退火条件下的结构稳定性,以及当厚度降至100纳米以下时出现的界面死层和退极化效应,都带来了显著的局限性。这些局限性使得它们难以满足先进微电子节点的集成尺寸和可靠性要求[21,22,23]。与此同时,二维半导体如MoS2因原子厚度极小、电静力控制优越以及与CMOS工艺的固有兼容性而受到关注。这些特性为构建高性能、可重构的逻辑和存储器件提供了有力的平台。通过设计合理的范德华异质结构,可以精确调控多种物理机制,包括电荷捕获和铁电极化,从而丰富了实现多功能基于内存的计算和神经形态硬件的工具箱。另一方面,人们也在努力寻找与CMOS工艺本身兼容的新块状铁电材料,以实现集成性和性能稳定性的平衡[24,25,26]。
正是在这样的大背景下,2011年出现了转折点——首次在掺杂的氧化铪(HfO2)系统中发现了稳定的铁电性[35]。这一发现引发了关于Hf-FEs的研究热潮(图1)。与钙钛矿材料不同,Hf-FEs展现了几个根本优势,包括在原子级厚度下保持铁电性、与现有CMOS工艺的天然兼容性,以及对氢气氛退火处理的良好耐受性,后者是后端制造(BEOL)中的一个关键步骤[36, 37]。这些特性源于亚稳态的正交相,可以通过掺杂、应变工程和表面能调制来稳定[38,39,40,41]。利用Hf-FEs器件的卓越性能,器件级别的创新迅速发展。因此,基于Hf-FEs的铁电场效应晶体管(FeFETs)、铁电隧道结(FTJs)、铁电二极管(Fe-Diodes)和三维铁电随机存取存储器(FeRAM)阵列已成功开发出来。Hf-FEs在图像处理、逻辑运算和硬件集成方面表现出色,这一快速进展为实现存储、逻辑和神经形态功能的三维单片集成奠定了坚实的技术基础,该领域正在快速发展(图2)[42,43,44,45,46,47]。
2 基于铪的铁电材料
2.1 材料系统
在基于铪的材料中,基于HfO2的材料以其稳定和可控的性能而闻名。这些材料的铁电性源于亚稳态正交相(o相,Pca21)中非对称中心的形成,这一过程是由机械约束引起的[35]。与传统的钙钛矿材料不同,基于HfO2的材料与主流CMOS集成电路技术高度兼容。这种兼容性大大增强了它们在半导体行业的应用前景[48,49,50]。然而,由于HfO2中铁电正交相的亚稳态特性,抑制非铁电相的形成需要仔细控制各种工艺参数。通过化学掺杂改变HfO2薄膜内的局部键合环境并诱发应变,提供了一种稳定铁电正交相的可行方法[3, 51, 52]。除了最初报道的硅(Si)掺杂外,还使用了锆(Zr)、镧(La)、铝(Al)和钇(Y)等多种元素来优化HfO2的铁电性能[37, 53,54,55,56]。图3展示了一些常见的掺杂HfO2铁电材料。
2.2 神经形态计算
2.2.1 基于Hf-FEs的神经形态计算
第3节专门讨论基于Hf-FEs的神经形态计算。首先探讨了使用这些器件模拟突触可塑性的方法,然后回顾了神经形态系统实现的进展,最后详细介绍了它们在图像处理和基于内存的逻辑运算中的应用。第4节批判性地评估了该领域面临的主要挑战和前景,并概述了未来发展的路径。最后,第5节提供了简洁的结论,总结了Hf-FEs在推动后摩尔时代电子学发展方面的变革潜力。这一结构旨在引导读者从基本原理了解到高级应用和未来展望,系统地阐明Hf-FEs在下一代计算中的作用。因此,掺杂工程已成为一种关键方法,用于定制HfO2的铁电性能,以满足从高密度存储器到低功耗神经形态计算等各种应用需求。共掺杂策略通过不同元素之间的协同效应,在基于HfO2的铁电材料的整体性能上取得了突破性进展。核心的协同机制包括三个方面:
(1)氧空位的协同调控:例如,在La–Al共掺杂中,Al促进氧空位的生成以稳定铁电相,而La抑制其过度迁移。这种协同作用增强了极化强度,并确保了高耐久性,这一点在基于La–Al共掺杂HfO2薄膜的3D铁电存储器中得到了验证,该存储器表现出优异的铁电性能和杰出的存储性能 [70]。
(2)晶格应变的协同平衡:这可以通过优化掺杂剂的浓度和空间分布来实现。例如,调整工艺参数以诱导有利的面内剪切应力,可以促进铁电正交相的形成。Liu等人的研究表明,当Al掺杂的HZO薄膜的循环比为1:48时,铁电性能显著提高 [71]。
(3)协同界面工程:正如Mehradad Ghiasabadi Farahani等人所展示的,通过插入La掺杂的HfO2亚纳米层来构建多层结构,是提高基于HZO的铁电薄膜性能的有效策略。这种方法特别适用于高性能电子设备,如非易失性存储器、铁电存储器和电容存储器元件 [72]。
总之,可以通过掺杂策略精确控制HfO2的铁电性能,不同掺杂剂、浓度和薄膜厚度对关键参数(如剩磁极化、矫顽场和热稳定性)的影响在各种研究报告中是复杂且分散的。为了提供一个直观的比较和趋势总结,我们在表1中汇总了一些掺杂HfO2薄膜的性能参数。
表1 不同掺杂HfO2铁电薄膜的性能比较
HfO2具有独特的特性,最显著的是其CMOS兼容性和可扩展性,这使得它可以整合到各种存储和逻辑应用的设备架构中。在本节中,将探讨几种Hf-FE器件的结构,重点关注它们的工作原理、优势以及扩展潜力。
2.2.1 FeFETs
FeFETs通过直接将非易失性存储功能嵌入晶体管中,实现了新颖的存储计算、神经形态计算和其他计算范式。在结构上,它们与CMOS技术兼容并且可扩展。FeFETs通过场控制切换铁电极化状态。这种极化反转会改变晶体管的阈值电压,然后用它来表示“0”或“1”状态;即使在断电后,这种极化状态也会保持。与钙钛矿结构的铁电材料相比,基于铪的FeFETs表现出更高的矫顽场和对退极化场的更大抵抗力,从而具有更好的保持特性 [91, 92]。
图4a展示了一个采用MFS堆叠结构的FeFET。基于HZO/IGZO的FeFET表现出优异的电性能,不仅具有2 V的大存储窗口和接近理想的63 mV dec?1的亚阈值摆幅,还实现了3.5×106的高开/关电流比和低至pA μm?1级别的超低关态漏电流 [4]。
图4
完整尺寸图片
版权2022,美国化学学会。b MFMIS FeFET结构的示意图 [80]。版权2020,皇家化学学会。c 16×16 FeFET AND阵列的电路图 [81]。版权2024,Elsevier。d Pt/SiO2/HZO/TiN FTJ的器件结构示意图 [82]。版权2024,Wiley–VCH。e 具有MFIS结构的FTJ的示意图 [83]。版权2024,Wiley–VCH。f 高密度3D垂直HZO基FTJS阵列的示意图 [8]。版权2018,皇家化学学会。g 铁电电容器的示意图 [84]。版权2022,美国化学学会。h 1T-1C FRAM结构的示意图 [85]。版权2022,Wiley–VCH。i 基于FeCAP的存储阵列和CAMR恢复电路的电路架构 [86]。版权2025,美国化学学会。j 具有W/HZO/W插头结构的Fe二极管的示意图 [87]。版权2025,AIP Publishing。k 基于W/MoS2/HZO/TiN堆栈的Fe二极管的示意图 [88]。版权2025,Wiley–VCH。l 16层3D Fe二极管的结构 [90]。版权2025,Springer Nature
基于铪的铁电器件的结构。a MFS FeFET器件结构的示意图 [4]。在此基础上,图4b展示了一个MFMIS堆叠的FeFET。这种结构成功模拟了生物突触功能,实现了突触权重的电调制和低电压操作,使其适用于低功耗神经形态计算。此外,将这些器件集成到3×3突触阵列中有效地验证了电可调节的加权和操作,为未来在AI硬件中实现神经形态计算奠定了基础 [80]。研究人员积极探索了FeFET在阵列架构中的集成应用,例如图4c所示的16×16 FeFET AND阵列。该阵列实现了选择性写入操作,并采用了仅通过位线电压实现的写入抑制偏置方案。这些能力突显了FeFET在高密度、低功耗神经形态存储应用中的潜力 [81]。
尽管在过去十年中FeFET技术取得了显著进展,但其发展仍受到几个关键挑战的限制,包括不稳定的存储窗口行为、器件间的显著差异,以及在铁电层中观察到的有害的“唤醒”/“疲劳”效应。此外,当FeFET以高密度集成时,缩放效应也带来了重大限制。为了应对这些挑战,未来的研究可以朝几个方向进行。这些方向包括通过材料和界面工程探索新型铁电材料和更优的界面层,以及通过结构创新和优化开发新型器件结构,如三维堆叠和多栅结构。通过跨学科的协作创新,FeFET技术有望克服当前瓶颈,并在未来的高能效计算中发挥关键作用。
2.2.2 FTJs
与三端FeFET不同,FTJs是两端器件。其基本结构由两个导电电极组成,中间隔着一个纳米厚的铁电层,该层充当能量屏障。这一概念最初由L. Esaki等人在1971年提出,并称为“极性开关” [93]。然而,直到2012年才实现了利用FTJ原理的功能性固态器件 [94]。在FTJs中,电荷载流子通过量子力学隧穿穿过超薄铁电屏障进行传输。铁电材料的极化状态决定了隧穿阻力,从而产生两种不同的电阻状态,使得可以存储二进制或更高阶的信息。
FTJs被认为是构建人工突触和高密度、超快存储器的有希望的候选者。如图4d所示,一个Pt/SiO2/HZO/TiN FTJ器件在电压≤5 V时实现了500 ps的亚纳秒切换速度。该FTJ表现出1.3×104 A cm?2的低写入电流密度,在85°C下超过107次的循环耐久性,以及在0.1 V以下电压下88 A cm?2的高读取电流密度,从而证明了其适用于未来的FTJ基神经网络计算 [82]。图4e展示了一个采用MFIS结构的FTJ,该结构具有强烈的铁电特性。有趣的是,作者发现MFIS结构在铁电特性方面优于MIFS结构,表现出大约69 μC cm?2的更高剩磁极化。此外,MFIS FTJ表现出更低的漏电流、更高的隧穿电阻比以及在短脉冲切换期间的更薄界面死层,从而为未来发展提供了有希望的途径 [83]。图4f展示了一个设计用来模拟生物突触全部功能的3D垂直集成铁电HZO基FTJ阵列。制造的3D垂直FTJ突触具有高集成密度和出色的性能指标,包括在训练方案下的模拟导电调制、每个突触权重更新的低能耗(1.8 pJ spike?1)以及优异的重复性(>103次循环)[8]。
FTJs在超高密度非易失性存储应用中具有巨大潜力。然而,基于HfO2的当前FTJ器件也面临一些挑战:潜在的隧穿机制尚不清楚,需要进一步提高切换比以实现可靠的感测操作。预计未来可以通过原位电测试和先进的显微表征技术在原子尺度上直接观察铁电畴切换过程,从而揭示其主导的隧穿机制。通过材料和能带工程可以精确控制HfO2铁电薄膜的固有极化强度,以获得更稳定和更优越的铁电性能,并探索新型器件架构。在物理机制、材料系统和器件结构方面的协作创新将为下一代超高密度存储和神经形态计算应用铺平道路。
2.2.3 FeRAMs
FeRAM的基本概念可以追溯到20世纪50年代。在这种存储架构中,铁电电容器(FeCAP)的两个端子在垂直方向上连接到线路,形成存储阵列。一晶体管一电容器(1T-1C)配置是最常见的FeRAM实现方式。在1T-1C FeRAM单元中,存储单元由一个与FeCAP集成的访问晶体管组成。二进制信息通过电容器可切换的极化状态(向上或向下)进行存储,访问晶体管实现随机访问读写操作 [95,96,97]。
如图4g所示,FeCAP的核心结构由夹在顶部和底部电极之间的铁电薄膜组成。基于铪的材料表现出明显的铁电滞后循环特性,保持两种稳定的极化状态,从而实现数据存储。Kasidit等人使用厚度减至4 nm的HZO基FeCAP成功实现了嵌入式铁电存储。测试结果表明,即使在1.2 V的低工作电压下,该器件也表现出优异的可靠性;它在200 kHz的工作频率下实现了至少1012次的循环耐久性,并具有10年的数据保留能力 [84]。这一成就表明,减少HZO薄膜的厚度可以有效降低工作电压并提高耐久性。这为开发低功耗、高可靠性的后端兼容嵌入式FeRAM提供了关键途径。
一个晶体管与FeCAP的结合构成了FeRAM中最常见的1T-1C单元结构。如图4h所示,在这个单元中,访问晶体的栅极连接到字线以实现门控控制,源极连接到位线以便于数据读取和写入,FeCAP的另一个端子连接到板线以在操作期间施加必要的电压脉冲。
在实际应用中,数百万个1T-1C单元被集成并组织成高密度存储阵列。图4i显示了一个基于FeCAP的存储阵列架构。为了减轻HZO阵列中的铁电疲劳,Huang等人引入了一个集成CAMR恢复电路的设计方案,该电路能够动态检测疲劳状态和信号恢复。这项技术通过其内置的检测和恢复机制显著提高了FeRAM的可靠性和寿命,为其作为片上存储元件以及在下一代非易失性存储器和“超越摩尔”设备中的应用提供了实用的解决方案,从而展示了有希望的发展前景 [86]。
2.2.4 Fe-Diodes
除了三端晶体管和两端结器件外,Fe二极管由于其简单的结构和超高的可扩展性,已成为有前景的存储元件,特别是适合超高密度交叉阵列集成。与依赖隧穿电阻的FTJs不同,它们的工作原理基于由极化反转调节的肖特基屏障调制,采用MFS或MFM结构。铁电极化方向可以实现电流整流,形成显著的非易失性开/关比。这种固有的自选择特性可以有效抑制交叉阵列中的漏电流,消除了对额外选择器的需求,大大简化了电路设计并提高了阵列密度 [31, 98, 99]。
图4j展示了一个采用W/HZO/W插头结构的Fe二极管。该器件表现出稳定的极化特性和良好的存储窗口,能够在低偏压下进行无损读出。基于这种器件的可切换双向整流特性,Han等人构建了一个2位乘法方案,只需要11个器件和16个步骤即可获得4位产品输出,整个操作过程中的功耗约为11 fJ。这证明了Fe二极管应用于自选择性高密度交叉阵列的可行性 [87]。
通过极化驱动的肖特基屏障调制的Fe二极管通常表现出高的漏电流和不稳定的切换行为,因为 barrier控制不足和界面缺陷。通过在二维MoS2顶电极/FE界面引入缓冲层(图4k)并将HZO厚度从3纳米增加到8纳米,Hwang等人将主导的导电机制从直接隧穿转变为肖特基发射。这导致了更强的极化诱导的势垒调制,明显的开/关比改善,高达50 A cm?2的高电流密度(在3 V时测量),超过10^10次循环的耐久性,以及在室温下10年的稳定记忆保持。这证实了这种Fe二极管设计在下一代集成存储器应用中的卓越的可扩展性和强大潜力[90]。除了在单个器件层面实现性能突破外,Fe二极管在阵列中的应用潜力也得到了初步验证,为它们在高密度集成存储器和计算中的使用铺平了道路。Huang等人成功制造了一个16层堆叠的Fe二极管阵列(图4l)。核心创新在于将存储和随机源生成功能统一在相同的三维阵列中。这种“存储-计算-随机集成”架构实现了高达0.06 F2 state?1的面积效率和25 fJ的低编程能耗。更重要的是,Fe二极管的固有整流特性和三维堆叠能力为构建高密度、自选择、低串扰的交叉阵列提供了理想的器件解决方案。这项工作从阵列规模的角度展示了Fe二极管在实现下一代高能效和高面积效率的边缘智能计算硬件方面的巨大潜力[90]。基于HfO2的Fe二极管的最新进展展示了显著的性能,包括纳秒级的开关速度、优异的耐久性和多级操作能力。然而,在实现高均匀性、低电压下的可靠极化反转以及实用记忆逻辑应用中的互补二极管配对方面仍存在挑战。如前所述,Hf-FE器件在开关速度、耐久性和功耗方面表现出优越的性能,使其成为构建非易失性存储和神经形态计算硬件的核心。为了系统地评估这些器件架构的全面性能和适用场景,表2提供了它们关键指标的交叉基准比较。
HfO2表现出复杂的现象,存在多个相的共存,而铁电性在铁电hafnia中的起源仍存在争议。利用第一性原理计算,Lee等人发现平行的极化声子带以及由此产生的局部偶极子,在HfO2中诱导出了无尺度的铁电有序性。因此,这些平行声子带的出现解释了其无尺度铁电性的起源(图5a)[103]。图5
全尺寸图像
版权2020,美国科学促进协会。b 氧化铪掺杂薄膜中相演变的示意图[2]。版权2017,英国皇家化学会。c 快速热处理过程中氧化铪薄膜中铁电正交相形成的示意图[51]。版权2022,施普林格·自然。d 不同掺杂剂下铪的M、T和P-O1相之间的相对能量化学趋势[104]。版权2017,美国化学会。e 应力作用下HZO的相变[4]。版权2022,美国化学会。f 带有带电氧空位的氧化铪的铁电结构转变[105]。版权2021,美国物理学会。g 荧光畴运动的示意图[106]。版权2021,爱思唯尔。h 铁电HfO2中的极化切换路径[107]。版权2023,美国物理学会
物理机制。a 正交HfO2中交替铁电和非极性层的结构起源[103]。在常温条件下,单斜相(m相,P21/c)是HfO2最稳定的相。随着温度升高到1973 K以上,稳定相转变为四方相(t相,P42/nmc),随后在2773 K时转变为立方相(c相,Fm3m)。此外,压力也可以诱导相变[51]。现在普遍认为,基于氧化铪的薄膜中的铁电性起源于o相。在众多相中,HfO2的极性相比非极性的m相更为亚稳态。制造基于铁电HfO2的薄膜的一个基本挑战是抑制非极性单斜相的形成,同时促进极性相的出现。各种外在因素,包括温度、氧空位浓度、掺杂剂、应变和表面/界面效应,都可能影响相变(图5b)。图5c展示了快速热处理过程中掺杂HfO2薄膜中铁电正交相的形成。
2.3.1 铁电相变机制
HfO2中的铁电性最初是在Si:HfO2中发现的,这立即引起了人们对掺杂效应的极大兴趣。人们认识到,掺杂剂通过调节尺寸和影响氧空位的形成来稳定相[104, 108]。Rohit Batra等人利用高通量第一性原理密度泛函理论(DFT)计算研究了近40种掺杂剂对HfO2相稳定性的影响。他们发现,具有较大离子半径和较低电负性的掺杂剂最有效地稳定了P-O1相。他们的研究表明,镧系元素以及碱土金属系列下半部分的元素,如Ca、Sr、Ba和Y,是最有利于增强HfO2中铁电性的掺杂剂(图5d)[104]。外延应变也被认为是稳定HfO2薄膜中亚稳态o相的关键因素。人们了解到,通过平面内的拉应变,泊松效应会导致垂直于平面的收缩(横向应变),从而导致晶格畸变并促使t相转变为o相(图5e)[4]。人们对双轴应变对HfO2多态体热力学稳定性的影响进行了广泛研究。Fan等人证明,超过3%的拉应变会使Pca2相比反极性的Pbca相更加稳定[109]。此外,应变可以与其他外在因素(如掺杂、氧空位和界面效应)协同作用,以增强铁电相的稳定性。
氧空位浓度的变化是HfO2相演变的关键因素。许多研究表明,氧空位对基于HfO2的薄膜的铁电性能有显著影响。鉴于氧空位是HfO2固有的,实验观察表明,这些空位从界面迁移到体区会触发从m相到极性o相的转变。关键的是,较高的氧空位浓度会抑制单斜相的形成,同时稳定极性o相[110, 111]。通过DFT计算,He等人证明,当双电荷氧空位(VO2+)的浓度超过2%时,铁电极性o相在热力学上比m相更稳定。这证实了VO2?作为HfO2中铁电相的稳定剂[105]。
2.3.2 切换机制
极化切换是铁电体的基本特性。理解其微观机制不仅具有重要的科学意义,而且对于其在未来电子设备中的应用也至关重要。目前,氟石结构铁电体中的极化切换微观机制尚不清楚,尽管已经提出了一些理论,如畴壁运动和氧离子迁移。
微观机制:畴壁(DWs)是分隔具有不同极化取向的域的界面。在HfO2中,由畴壁运动驱动的极化切换主要通过低能量势垒(2;0)类型的畴壁路径发生。与传统(1;1)类型的畴壁的高能量势垒(1.36 eV)相比,(2;0)路径的势垒显著降低至73 meV,这是由于其几何形状与t相相似。这一过程涉及畴壁从极化层数nu = N移动到nu = N + 1。在拉应变下,四方过渡态可以进一步稳定。施加0.4%的应变可以降低伪单斜中间态的能量,有效消除过渡势垒。因此,通过电场或机械应力控制的极化反转变得非常高效(图5g)[106]。
在Pca21结构的HfO2中,铁电性来源于单元格内氧离子的不对称位移。这些氧离子分为两类:极性氧离子(O?),它们沿Z轴产生净极化;和非极性氧离子(O??),位于非极化区域。极化反转涉及氧离子的协同迁移,主要通过两种不同的路径:层内迁移路径:O?离子在原地位移,直接反转局部偶极矩的方向;层间迁移路径:O??离子穿过极性/非极性边界,通过反转X2?振动模式(由灰色表示的过渡态)实现极化反转(图5h)[107]。
现象学模型:上述原子尺度图像揭示了极化反转的物理起源;然而,Hf-FE薄膜在实际器件应用中的宏观切换动态和可靠性强烈依赖于它们的多晶性、缺陷分布、相界混乱和空间不均匀性。为了量化这些复杂行为,广泛采用了一系列现象学模型,其中Kolmogorov–Avrami–Ishibashi(KAI)模型和核化限制切换(NLS)模型至关重要[112, 113]。研究表明,多晶氧化铪基铁电薄膜的切换主要由核化过程主导,而畴壁运动受到限制。经典KAI模型描述的切换图像,其中涉及核化后的自由横向扩展,通常不适用于这种情况。实验观察到的非指数衰减、扩展的切换时间分布和部分极化切换特性与NLS模型的预测高度一致。该模型将薄膜视为一组具有分布切换时间的独立区域,其分布来源于局部电场的波动,这由晶界、缺陷和多相共存引起。Cristóbal Alessandri等人通过实验表征HZO薄膜并使用NLS模型拟合,成功提取了最小切换时间τ∞(约236 ns)、激活场Ea(约2.4 MV cm?1)和局部电场增强因子的统计分布f(η)。这种分布通常符合广义贝塔分布,直接反映了薄膜的不均匀性[63]。
值得注意的是,外延薄膜和多晶薄膜之间的切换动态存在显著差异。尽管外延薄膜表现出较高的核化密度,但其切换速度较慢。这突出了核化在Hf-FE切换中的限制作用。然而,在接近激活场的高电场下,两种薄膜的切换动态显示出NLS和KAI模型之间的趋同趋势。这表明,在高场驱动下,局部势垒被“平滑”,切换趋近于一个均匀的内在极限[114]。此外,基于氧化铪的铁电器件的时间特性,如唤醒和疲劳,也与氧空位的迁移及其对畴壁的钉扎/解钉扎效应密切相关。唤醒对应于电场循环过程中可切换区域的逐渐增加,表现为动态中两个独立NLS贡献的演变。疲劳则源于由于缺陷积累导致的畴壁钉扎,从而导致切换速度减慢和饱和极化降低[115]。这些循环演变的动态也可以使用基于统计分布的现象学模型来描述和拟合。
总之,将宏观现象学模型与第一性原理计算和原子模拟相结合,构成了一个多尺度框架,用于理解基于氧化铪的铁电器件的独特切换行为。这一框架不仅揭示了其微观起源与宏观表现之间的相关性,还为优化材料微观结构、预测器件耐久性和设计可靠的操作方案提供了关键的理论工具和实际指导。
2.3.3 主流理论和争议
HfO2中铁电性的物理起源仍是一个学术讨论的前沿话题。目前,存在几种竞争性的理论观点,共同构成了理解这一现象的多样化的框架。
声子带驱动机制:从晶格动力学的微观性质出发,这一机制认为某些HfO2晶体相(如立方相或四方相)的声子谱中存在软模式。具体来说,某些振动模式的频率随温度或应变的增加而减小,并趋向于零,导致晶格不稳定和不对称畸变,从而引发铁电相变。第一性原理计算表明,掺杂或施加应变可以调节这些软模式的行为,使能量上亚稳的非对称正交相(Pca21)动态稳定[116]。这一机制强调了铁电性的内在起源,为理解掺杂和应变的宏观效应提供了微观理论基础。2011年B?scke等人的开创性实验中观察到的铁电性可以被视为这种机制在特定材料中的宏观表现[35, 117]。缺陷介导的机制:与之前关注完美晶格的机制不同,这一机制强调了点缺陷(特别是氧空位)的关键作用。氧空位通过两种方式影响铁电性:首先,作为静电场的来源,它们的有序排列可以产生内置电场,从而诱导局部极化;其次,作为电荷陷阱,它们的充放电过程可以辅助或调节宏观极化的切换[44, 118]。实验观察到的“唤醒效应”的频率依赖性和疲劳特性强烈表明了氧空位的动态行为[37]。计算研究进一步揭示了氧空位的存在可以显著改变相稳定性并降低铁电相的形成能。这一机制主要阐明了铁电性的动态演变、可靠性问题及其对制备条件的极端敏感性。界面和尺寸约束机制:这一机制从薄膜系统的宏观热力学出发,指出在纳米尺度上,表面能和界面能对总自由能的贡献变得至关重要。特定的顶部/底部电极材料可以通过界面应力、化学键合和界面电荷来改变各相的相对稳定性。这种热力学筛选并稳定了在块体材料中难以存在的亚稳态铁电o相[55]。外延应变实验已成功稳定了新的铁电相[119],为这一点提供了直接证据。这一机制主要解释了为什么铁电性只出现在超薄膜中以及其对电极和厚度的强烈依赖性。
目前,单一机制不足以解释所有实验现象。该领域逐渐形成的共识是,HfO2的铁电性来源于多层次和多物理场的协同作用。由声子带驱动的固有不稳定性构成了铁电相存在的物理基础。界面和尺寸约束在纳米尺度上提供了热力学稳定途径。氧空位在动态层面上主导极化反转行为、激活过程和可靠性。最近的研究清楚地表明,其铁电性是“亚稳态相稳定”、“缺陷工程”和“界面调制”共同作用的结果[3, 53]。
Hf-FE薄膜通过稳定o相,实现了与CMOS技术兼容的高性能铁电器件。这些薄膜具有核心优势,包括高剩余极化、超快极化切换和优异的耐久性,从而为新型非易失性存储技术提供了物理基础。关于基本电响应,极化-电场循环是表征铁电性的核心基础,直接证实了材料中存在强铁电极化。如图6a所示,在±4V的驱动电压下,器件表现出大于20μC cm?2的最大极化和10μC cm?2的剩余极化,矫顽场小于1.5MV cm?1,从而满足低功耗操作的要求[80]。除了静态极化特性外,动态电流-电压(I-V)响应对于理解读写机制至关重要。I-V曲线显示极化随电场的增加而增加,随电场的减少而减少,但不会完全恢复到初始状态。这一特性展示了铁电材料的固有存储功能。结果表明,该器件具有自整流特性和电阻切换能力,这对于通过有效抑制串扰来实现交叉阵列存储设备非常有益[120]。电容-电压(C-V)测试对于进一步评估器件的介电行为和工作范围是不可或缺的。C-V响应呈现出对称的“蝴蝶”形状,介电常数的峰值对应于铁电相变的临界点,从而为设计器件的工作窗口提供了依据。如图6c所示,这种超晶格的总电容大于相同厚度的传统反铁电ZrO2和铁电Zr:HfO2,进一步表明了混合铁电-反铁电有序的特性。这一观察结果证明了HfO2-ZrO2超晶格堆栈的优越性能[1]。漏电流性能是评估非易失性存储器件可靠性的关键指标。通过脉冲测量漏电流密度来评估读写功能,有助于研究它们的存储特性。在单次读写周期下的测试结果(图6d)显示,读取电流在所有写入电压下保持稳定。这证实了数据的非易失性,并突出了Hf-FE器件的优异存储性能[121]。
Hf-FE器件的性能。a 在不同施加电压下Al:HfO2 MFM电容器的P-E迟滞曲线[80]。在动态切换性能方面,纳秒级的极化切换速度是Hf-FE器件的一个显著优势。如图6e所示,当HZO器件的面积减小到9μm2时,其τ?约为5.3ns。此外,HZO薄膜的切换时间预计可以缩短到亚纳米范围,性能超过传统PZT器件1-2个数量级[122]。可靠性评估是评估Hf-FE器件性能的关键指标。首先,热稳定性确保了器件在复杂环境条件下的可靠性,如图6f所示,掺Ce的HfO2薄膜在+10mm和-10mm下表现出出色的热稳定性。即使在150°C下,它们的铁电性能仍然稳定,突显了它们出色的高温耐受性[123]。其次,耐久性决定了器件的运行寿命,如图6g所示,工作函数工程化的Au/Ti/HZO/W电容器在3MV cm?1的电场下经过109次循环后,表现出可忽略的降解(≤5%和≤7%),这一性能超过了对称的W/HZO/W器件(降解分别为8%和12%[58])。此外,器件性能的均匀性对于大规模阵列集成至关重要。图6h显示了10个单元在10个循环中的开启和关闭电流的累积概率。开启/关闭电流比率分布来自单个FTJ器的10个直流循环。开启和关闭状态的变异系数分别为0.405和0.276。这些小的变化有利于实现突触器件,确保操作的一致性[124]。最后,保持测试对于验证数据的非易失性至关重要,如图6i所示,在±3V偏压下,保持时间>104s,证实了它们在非易失性存储应用中的长期稳定性[4]。
Hf-FE器件的可靠性由三个支柱支撑:热稳定性、耐久性和均匀性。这些支柱相互关联并相互制约。热稳定性作为器件功能的物理基础,决定了铁电正交相在热应力下的内在稳健性。其质量直接限制了高温环境下的数据保持能力。耐久性反映了器件在动态操作下的生存能力。循环极化过程中界面上氧空位的积累和消亡直接影响极化强度的衰减率和器件的运行寿命。均匀性作为从单个器件到大规模阵列的关键桥梁,其变异系数不仅决定了电路的设计裕度和能耗效率,还通过“最弱单元”效应限制了整个系统的可靠性上限。出色的热稳定性为高耐久性提供了基础,而复杂的热界面工程(如功函数层设计)可以提高电性能的均匀性,并增加耐久性。因此,真正的可靠性突破取决于材料相稳定性、界面缺陷工程和工艺均匀性的协同优化。这种方法克服了仅关注单一性能指标的局限性,实现了器件整体可靠性的系统性改进。
Hf-FE材料具有吸引人的特性,尤其是在纳米尺度上的稳健极化切换、超过10^10次的卓越耐久性、与主流CMOS工艺的兼容性以及可调矫顽场,使其成为下一代非易失性存储的强有力候选者。基于这些材料,不断有新的存储技术正在探索中,例如高密度、低功耗的三元内容可寻址存储器(TCAM)和先进的存储应用,如3D铁电NAND(FeNAND)闪存。TCAM被广泛视为最具前途的存储技术之一,在网络和计算系统中发挥着关键作用,实现高速搜索操作[131,132,133]。Ni等人提出了将TCAM作为注意力存储模块,通过直接计算查询向量与存储在存储器中的每个条目之间的距离来避免数据移动。他们基于两个FeFET设计了TCAM单元,并构建了一个2×2原型阵列(图7a)。一次性学习和少量学习任务的测试表明,这种铁电TCAM方法将单次存储搜索操作的功耗降低了60倍,延迟降低了2700倍[127]。
TCAM被广泛认为是最有前途的存储技术之一,在网络和计算系统中发挥着关键作用,通过实现高速搜索操作[131,132,133]。Ni等人提出使用TCAM作为注意力存储模块,通过直接计算查询向量与存储在存储器中的每个条目之间的距离来避免数据移动。他们基于两个FeFET设计了一个TCAM单元,并构建了一个2×2原型阵列(图7a)。一次性学习和少量学习任务的测试表明,这种铁电TCAM方法将单次存储搜索操作的功耗降低了60倍,延迟降低了2700倍[127]。
在存储应用方面,新型存储架构,如组合编码内容可寻址存储器(CECAM),近年来已经出现。CECAM在内容存储密度方面优于传统的TCAM。图7b展示了基于铁电HZO FeFET的CECAM单元。与传统TCAM不同,后者需要一对互补开关来存储'0'、'1'或'无关'状态,这种架构消除了互补对结构。相反,它使用了2N个独立的开关,能够组合编码任何数量的0和1,从而克服了逐位处理的限制。这种设计不仅实现了高效的并行搜索,还实现了几乎可以忽略的待机功耗和显著降低的动态功耗——特别是在不匹配的情况下[128]。尽管增强了TCAM技术,如CECAM,展示了铁电材料在高效、高速关联计算中的潜力,但大数据和AI应用对存储密度不断增长的需求强调了需要更可扩展的解决方案。因此,提供了超高密度和成本效益的NAND闪存架构已成为重要的候选解决方案[134,135,136]。如图7c所示,2D FeNAND阵列代表了将FeFET概念转化为实际NAND存储技术的重要一步。其结构类似于电荷捕获NAND,其中每个基本单元包含多个串联连接的FeFET。这些晶体管共享共同的源/漏扩散区域,并由独立的字线单独控制[130]。然而,尽管2D FeNAND在实验验证中显示出潜力,但其平面几何形状本质上限制了其在千兆和更高存储容量下的密度。为了克服这一限制并充分实现FeNAND的高密度潜力,必须通过三维集成实现垂直堆叠。原子层沉积(ALD)对于关键材料(如掺杂的HfO2和TiN)的卓越保形性,加上堆叠过程中的良好热预算容忍度,使得Hf-FE特别适合过渡到三维FeNAND架构。3D FeNAND采用垂直堆叠的存储孔或沟阵列。在这些高纵横比结构中,通常采用全环绕栅极或双栅极配置,其特征是圆柱形或缝隙形的多晶硅通道被铁电栅极堆栈所包围。这种多层设计显著提高了单位面积的比特密度。Kim等人展示了使用多晶硅栅电极的Hf-FE晶体管,实现了2.2 V的大记忆窗口、10 ns的快速切换速度以及10^7次循环的高耐久性(图7d)[129]。3 基于Hf-FE的神经形态计算3.1 神经可塑性随着数据生成和处理量的指数级增长,基于传统冯·诺伊曼架构的现代计算系统已变得不足。神经形态计算受到人类大脑组织和功能的启发,因其卓越的仿生特性(在计算并行性、能耗和系统可扩展性方面)而被广泛视为下一代AI技术的有希望的选择[137]。鉴于铁电设备的类生物设备行为,它们被用于在神经形态计算中模拟关键生物结构,如突触和神经元[14, 138,139,140,141,142]。Hf-FE突触设备完美满足了神经形态计算对硬件平台的核心要求,这归功于它们与CMOS工艺的无缝集成、多态行为的模拟、低功耗和非易失性。突触可塑性描述了模拟生物突触功能的能力。铁电突触设备与生物突触具有内在的结构相似性(图8a)。结合类似的信息处理机制,它们能够精确模拟突触可塑性——学习和记忆的神经生物学基础。基于Hf-FE突触设备实现生物突触模拟的核心在于直接利用铁电材料的非易失性多级极化状态来模拟权重的连续变化。通过精确的掺杂和界面调制,Hf-FE可以在超薄尺度上保持稳定的铁电性,其极化向量可以在施加电场的作用下发生部分和连续的反转。这一特性在设备层面表现为铁电层剩余极化的渐进性调整,进而线性调节通道电导或隧道结电阻。施加一个短电压脉冲来模拟动作电位可以引起极化状态的小变化,从而实现类似于长期增强/减弱(LTP/LTD)的渐进变化。同时,高矫顽场和优化的耐久性确保了权重的非易失性保持和可靠的循环耐受性,这是构建可学习的、低功耗人工神经网络硬件的物理基础。Hf-FE突触设备表现出极高的耐久性,意味着它们可以在频繁的权重更新下不降低性能。此外,Hf-FE材料的超薄特性允许这些突触设备在较低的 operating voltage 下工作,从而减少了计算功耗。与传统的铁电材料相比,Hf-FE材料在人工突触应用中具有明显的优势,Hf-FE突触设备正在不断被开发和实现。Tong等人报告了一种具有光电突触特性的铁电忆阻器,该忆阻器在单次紫外线光脉冲的刺激下会产生兴奋性突触后电流(EPSC)(图8b)[144]。成对脉冲促进/抑制(PPF/PPD)现象,作为生物突触中短期可塑性的核心机制,在铁电神经形态设备中通过极化松弛动力学实现(图8c)[145]。重复的脉冲序列可以在突触设备中诱导LTP/LTD,从而导致电导的持续增加/减少,从而影响神经网络的识别准确性(图8d)[5]。与生物突触类似,记忆被分类为短期(STM)或长期(LTM),脉冲幅度、宽度和频率显著影响突触后电流(PSC)值。这些对应于:依赖于脉冲幅度的可塑性(SADP)、依赖于脉冲宽度的可塑性(SWDP)和依赖于脉冲速率的可塑性(SRDP)。如图8e-g所示,脉冲调节设备电导以驱动STM和LTM之间的记忆转换[146]。依赖于脉冲时序的可塑性(STDP)是一种基本的生物突触特性,它根据预突触和突触后动作电位的相对时序来修改突触强度。这种双向可塑性在时间窗口内允许突触根据神经元活动的关联动态调整连接强度,这是学习和记忆的关键神经生物学基础(图8h)[147]。此外,随着生物大脑对外部刺激的适应和学习,研究人员积极复制复杂的突触行为。突触设备实验现在专注于模拟高级学习能力,图8i展示了学习-忘记-重新学习的行为[144]。图8全尺寸图像版权2024年,美国化学学会。b、i 经许可复制 [144]。版权2025年,Elsevier。c 经许可复制 [145]。版权2024年,美国化学学会。d 经许可复制 [5]。版权2025年,美国化学学会。e–g 经许可复制 [146]。版权2025年,Elsevier。h 经许可复制 [147]。版权2024年,美国化学学会突触可塑性。a 生物突触与铁电忆阻器之间的类比。b 单次光照下的EPSC。c 使用双指数衰减函数拟合的PPF指数。d 使用MVPS获得的LTP/LTD和循环间变化的相应非线性。e SADP。f SWDP。g SRDP。h STDP。i 学习-忘记-重新学习过程。a 经许可复制 [143]。实现上述突触可塑性行为对Hf-FE设备的关键性能指标提出了特定要求。例如,LTP/LTD要求设备具有连续的、线性的和对称的电导调制特性。这通常需要Hf-FE薄膜表现出高剩余极化(Pr > 20 μC cm^-2)和适度的矫顽场(Ec ≈ 1–2 MV cm^-1),以实现低能耗(10^6次循环)的权重更新。对于STDP,设备的切换速度需要达到纳秒级别(τ < 10 ns),以精确匹配生物脉冲的时间窗口。最近的研究表明,基于功函数工程的二端AFE HZO电容器在±2.1 V的编程脉冲下可以实现稳定的非易失性电阻状态(保留 > 10年)。它们还表现出优秀的循环耐久性(> 10^9次循环)和低能耗,用于突触功能,低至245 fJ spike^-1 [58]。这些参数为实现低功耗、高可靠性的模拟生物突触功能奠定了基础。然而,与理想的突触设备相比,Hf-FE设备在电导调制的线性、设备间一致性和低电压操作方面仍有改进空间。这些因素直接影响网络训练的准确性和能耗。3.2 神经形态计算神经形态计算的本质在于模拟生物神经系统的结构和机制,以实现高度节能和高度并行的信息处理。实验验证的突触可塑性机制,特别是STDP的动态行为及其对多模态权重调节的能力,为构建大规模神经网络提供了物理基础。这些网络由通过突触相互连接的神经元层组成,由于它们能够在各种分类任务中显著减少计算时间而引起了相当大的关注[148, 149]。与传统硅芯片上的基于软件的神经网络不同,后者由于计算和存储的分离而产生高数据传输能耗,基于Hf-FE突触设备的神经形态系统实现了内存计算。每个铁电突触单元同时执行存储和计算功能,具有高度并行性,显著提高了能源效率和计算速度[150,151,152]。建立在理想突触单元上的神经网络促进了提供高并行处理能力和优异能源效率的神经形态系统的发展。例如,单层感知器(SLP)被用于MNIST手写数字识别(图9a)。其输入层包含784个神经元(对应于28×28像素图像),输出层包含10个神经元来表示不同的数字类别。这种配置实现了90%的分类准确性(图9b),与理论性能相当[61]。SLP的优势在于其简单的结构和高效的训练,使其特别适合基本模式识别任务。考虑到现实世界场景中的图像经常包含噪声,这可能对分类性能产生不利影响,网络的噪声鲁棒性至关重要。如图9c所示,不同类型和强度的噪声会逐渐降低识别准确性。在这种背景下,脉冲神经网络(SNN)表现出卓越的适应性。Heng等人提出的SNN模型(图9d)在仅50个训练周期内实现了近乎98%的准确性,并且在强噪声干扰下仍保持超过90%的性能。这突显了它在图像质量波动环境中的实际效用[153]。SNN通过其脉冲时序编码和处理机制,在嘈杂环境中表现出显著的鲁棒性。此外,对于更复杂的图像识别任务,使用VGG-11网络来评估FTJ突触单元在卷积神经网络(CNN)中的适用性。如图9e所示,VGG-11网络包括八个卷积层、五个最大池化层和两个全连接层。这种配置允许有效提取多级特征,使其非常适合高精度分类场景[154]。图9全尺寸图像版权2021年,美国化学学会。c 不同类型和噪声水平的图像示例。d SNN突触的示意图 [153]。版权2025年,美国化学学会。e VGG-11网络的示意图 [154]。版权2025年,Springer Nature。f 基于1 T-1R忆阻器交叉 bar和其他测试设备的芯片集成 [48]。版权2018年,Springer Nature。g 高度可靠的铁电薄膜晶体管阵列,用于硬件实现 [155]。版权2025年,Elsevier。h 基于4×4 FeFET NAND阵列和MUSAN方法的硬件集成 [156]。版权2025年,Springer Nature神经网络。a SLP神经网络中的NN和模拟MNIST手写数据集的示意图。b 基于FeTFT和理想突触设备的模式识别准确性 [61]。在基于铪铁电设备的神经形态系统中,不同的网络架构对底层硬件有不同的性能要求。Hf-FE设备必须通过其特定的物理特性来满足这些要求,以实现高效计算。SLP的简单结构主要要求非易失性权重存储和稳定的一次写入多次读取操作。Hf-FE设备固有的铁电非易失性和可编程多级极化状态使它们能够可靠地存储和维持SLP的权重。这一特性使得SLP适用于低功耗线性分类和快速原型设计,尽管其处理能力有限。CNN的核心要求是高并行度的乘加(MAC)操作和高效利用能源来处理结构化数据,如图像。Hf-FE设备通过交叉阵列架构实现内存计算,直接在模拟域中使用欧姆定律和基尔霍夫定律完成向量-矩阵乘法(VMM)。这避免了传统冯·诺伊曼架构中的数据传输瓶颈,并实现了高能源效率的推理。SNN的事件驱动和异步计算机制要求硬件突触能够响应精确的脉冲时序并在嘈杂环境中保持鲁棒性。Hf-FE设备的动态极化松弛特性自然与SNN的脉冲时序动态相匹配。实验表明,Hf-FE设备可以模拟复杂的动态行为,如STDP,这使它们在时间序列信号处理和低功耗边缘计算中具有优势。SNN在嘈杂环境中保持高识别率的能力也部分归功于Hf-FE设备的脉冲时序计算范式。然而,实现这些优势需要设备具有良好的切换速度一致性和可控的动态响应,这对材料和界面工程提出了更高的要求。总体而言,网络架构的选择必须与Hf-FE设备的核心物理特性深度匹配,并根据特定应用场景通过权衡进行优化[11, 157, 158]。在硬件层面上,Hf-FE在实现非易失性存储和神经形态计算方面展现出了巨大的潜力。与基于冯·诺伊曼架构的传统硅芯片相比,后者依赖于软件仿真,由于数据传输而产生高功耗,并受到“内存墙”的限制,Hf-FE设备因其铁电特性而在物理层面上原生支持内存计算。这些设备的一个主要优势是它们能够将神经网络权重直接编码到组织在交叉阵列中的设备电导值中,从而在单次操作中高效执行模拟VMM。这种方法完全规避了数据传输瓶颈,从而在能源效率和处理速度上实现了数量级的提升。此外,这样的设备可以复制生物突触中观察到的连续可塑性,促进现场学习,并与现有的CMOS工艺技术保持高度兼容性。这些特性使得计算范式可以无缝集成到基于传统硅的电路中,从而为在单个芯片上同时集成存储器、逻辑和神经形态计算单元开辟了途径。基于忆阻器的计算技术在克服传统计算架构中固有的所谓“冯·诺伊曼瓶颈”方面具有巨大潜力。它为在各种边缘智能应用中实现高效的片上学习提供了有希望的途径[159,160,161,162]。张等人制造了一个完整的系统集成芯片,实现了STELLAR架构,该架构集成了多个忆阻器阵列以及所有必要的CMOS外围电路。利用这个忆阻器芯片,完成了四个连续的学习任务。在MNIST图像分类任务中,经过三个阶段的芯片学习后,该芯片在训练集和测试集上的分类准确率分别从8.6%和8.4%提高到了94.9%和92.3%。同时,忆阻器芯片的能耗比基于数字加速器的系统低35倍[163]。VMM是信号和图像处理中的核心计算任务,其操作本质上可以使用忆阻器交叉开关阵列在模拟域中完成。这些忆阻器交叉开关阵列具有可重构性、物理计算中的合理准确性和精确度,以及速度快和能耗低等优点,因此非常适合用于模拟信号和图像处理。图9f展示了两款1T-1R忆阻器交叉开关芯片的显微图,其阵列大小从4×4到128×64单元不等。该系统具有等效的6位或64级精度,器件产出率为99.8%,能耗超过每瓦119.7万亿次操作,并且使用了10纳秒的读出时间[48]。铁电薄膜晶体管(FeTFT)由于其低功耗和潜在的三维集成能力,在内存计算应用中受到了广泛关注。杨等人通过BEOL工艺制造了具有MFMIS结构单元的FeTFT阵列,并实验性地展示了使用这种阵列实现MLP的完整硬件实现(图9g),为基于高可靠FeTFT阵列的内存计算系统提供了潜在的硬件解决方案。基于FeTFT的系统比典型的CMOS系统提高了两个数量级的能效[155]。图9h展示了基于4×4 FeFET NAND阵列的MUSAN边缘检测器的硬件实现。该系统利用FPGA板上的嵌入式处理器来管理FeFET NAND阵列与主机之间的数据传输,并控制阵列的外围电路,从而展示了显著的能效优势[156]。
3.3 图像处理
在神经形态计算中,图像处理的核心在于高效执行卷积和特征提取等基本操作。其硬件实现的有效性直接决定了系统在处理手写数字识别和图像分类等任务时的性能。与传统基于硅的冯·诺依曼架构(存储和计算分离)不同,基于Hf-FE材料的突触设备可以实现真正的“感知-存储-计算”集成。这一优势的物理基础在于Hf-FE的独特性质。它们的CMOS兼容性允许在后台处理中构建高密度、大规模的并行阵列。它们连续调制的多级极化状态使得神经网络权重能够以模拟形式的电导值进行非易失性存储。在特定操作中,输入的图像像素作为电压信号同时应用于阵列的字线。每个Hf-FE设备的电导(代表权重)根据欧姆定律产生相应的电流。这些电流根据基尔霍夫定律在比特线上自然求和,从而在一个硬件步骤内完成整个图像片段与卷积核之间的MAC操作。这种基于物理定律的模拟计算方法从根本上避免了处理器和存储器之间的频繁数据传输,大大减少了数据流量和能耗,并由于高并行性而实现了极高的处理速度和低延迟。因此,Hf-FE图像处理系统不仅是架构上的创新,也是其材料内在属性在计算范式中的直接体现。
神经网络最常用于图像识别任务。图10a和b展示了两种常见的人工神经网络(ANN)和CNN架构。ANN是一种基本的全连接网络。对于图像处理,ANN需要将图像扁平化为一维向量。这种扁平化破坏了图像的空间结构,导致参数数量增多,从而降低了效率,限制了它们在简单任务中的应用。CNN是一种专门为图像设计的网络。它的核心包括卷积层和池化层。这些层自动提取局部图像特征(如边缘和纹理),然后通过分层结构组合成更高层次的表示。像CNN这样的图像处理任务要求硬件具有高并行性和低能耗的MAC操作。这在Hf-FE设备层面转化为以下要求:高密度集成(阵列密度>10^8个设备/厘米^2)、多级电导状态(≥64级)以实现高精度权重映射、低工作电压(<2伏)以减少系统功耗,以及良好的设备均匀性。
图10
完整大小图像
版权2024,美国化学会。b 用于MNIST图像识别的五层CNN结构[164]。版权2020,施普林格·自然。c 基于MPB-TFT的手写数字识别ARC系统[165]。版权2024,施普林格·自然。d 使用忆阻器加密数字图像后的原始图像[166]。版权2025,美国化学会。e 使用3D FeNAND的BNN系统进行医学图像分类[167]。版权2025,施普林格·自然。f 基于FeFET和MUSAN方法的图像边缘检测[156]。版权2025,施普林格·自然
图像处理。a 一个三层ANN的示意图,具有256个输入神经元、64个隐藏神经元和10个输出神经元,用于图像识别[58]。最近,Kim等人报道了一种基于多瓣边界晶体管(MPB-TFT)的数字识别模拟存储计算系统(图10c)。在该系统中,使用基于FeTFT的突触设备,输入脉冲被施加到一个由双门MPB-TFT构成的物理存储器上。然后,存储器的状态被输入到一个读出网络中,其输出电流被传输到基于双门MPB-TFT的漏电积分- firing神经元上。这些神经元生成模拟存储计算系统的最终输出。该系统能够准确区分10种类型的手写数字,分类准确率达到约90.23%。基于MPB-TFT的物理存储器每个输入功耗为22.5皮焦耳,而基于FeTFT的突触设备每个输入功耗为0.2皮焦耳[165]。除了基于FeTFT的突触设备外,铁电忆阻器在神经形态计算中也具有显著优势。Cheng等人展示了基于HYO的忆阻器在图像加密中的应用(图10d)。利用高电阻状态和低电阻状态在特定范围内的固有随机分布,将可变电阻值转换为数字密钥来加密数字图像。结果,在加密后的图像中,RGB通道上的像素数据分布变得均匀,使得包含的信息无法被识别,表明图像特征被有效隐藏[166]。贝叶斯神经网络(BNN)的出现解决了传统神经网络中缺乏鲁棒不确定性量化的問題。BNN将权重建模为概率分布,这使得它们特别适合于安全关键应用,如医学诊断。在此基础上,Song等人开发了一个基于3D FeNAND的BNN系统用于医学数据分析。在分类胸部X光图像以识别各种呼吸系统疾病时,该系统的诊断准确率显著高于其他神经网络(图10e)。该模型的分类准确率可达到约96%,并且即使在噪声输入数据的情况下也能区分不同的类别[167]。边缘检测是计算视觉领域中最关键的研究焦点之一。Chen等人报道了一种基于Hf-FE FeFET的低功耗边缘检测硬件系统(图10f)。与基于新兴非易失性存储的传统边缘检测方法不同,他们提出了一种匹配的单元素段吸收方法,绕过了卷积操作。这种方法实现了低功耗(每次操作10飞焦耳)的高效图像边缘检测,并实现了具有无损精度、极低功耗且无需模数转换器的硬件系统,从而为边缘计算提供了一个可行的解决方案[156]。
3.4 逻辑运算
Hf-FE中的可重构极化状态显著推动了新的内存逻辑(LiM)范式的发展,该范式 fundamentally 基于使用逻辑门实现基本操作。LiM要求设备同时具有非易失性存储和可重构逻辑功能,核心指标包括纳秒级切换速度和低工作电压。Hf-FE逻辑设备的切换速度达到了500皮秒,耐用性超过10^7次循环,支持多输入逻辑门的动态重构。每个逻辑功能的能耗可以低至1飞焦耳,比传统CMOS逻辑门低1-2个数量级。传统上,逻辑门作为执行AND、OR和NOT等布尔操作的基本单元,主要是通过CMOS晶体管的组合实现的。虽然这种传统方法成熟可靠,但它存在电路功能固定和能源效率受限的问题,这主要是由于冯·诺依曼架构中的数据传输瓶颈。相比之下,Hf-FE利用其铁电领域的非易失性和电学可重构特性,在单个硬件单元内动态实现多种逻辑功能。这种能力无需数据迁移即可进行内存计算操作,从而从根本上绕过了内存墙的限制,大幅提高了计算能效和操作灵活性[168,169,170]。
精确的逻辑状态写入和擦除取决于铁电极化的切换动态。在FTJ的背景下,Kho等人发现,在中间电阻状态之间的切换遵循“依赖于施加脉冲极性的分离成核点”机制。具体来说,正极性和负极性电压脉冲分别在顶部和底部电极附近诱导领域切换。这导致在相同的宏观电阻下可能产生不同的微观领域分布,这对于实现多位精确编程至关重要[172]。对于FeFET,通过相工程优化HZO薄膜可以显著提高中间极化状态的可用性和累积极化特性,从而改善线性和电导状态调制的数量[153]。
基于上述机制,已经开发了两种高效的运算范式。在FeFET/Fe-TFT中,可以通过脉冲组合策略在单个设备内动态重构布尔逻辑功能。Liu等人基于HfLaOx铁电层和超薄ITO通道展示了一种人工突触Fe-TFT。通过引入双脉冲策略,他们在单个Fe-TFT设备内实现了可重构的布尔逻辑操作。图11a展示了AND和OR逻辑门的阵列级实现[171]。在FTJ中,Kho等人利用他们的V-R定时逻辑特性,在单个设备上通过设计多端输入脉冲编码实现了并行2位逻辑操作。这种方法在两个步骤内同步生成所有16个布尔逻辑功能的输出,工作原理见图11b[172]。
图11
完整大小图像
版权2024,皇家化学学会。b 基于FTJ的并行2位LiM演示[172]。版权2024,Wiley–VCH。c 使用多门FeFET的LiM演示[153]。版权2025,美国化学会。d 基于MXene/Y:HfO2设备的AND和OR逻辑操作能力[143]。版权2024,美国化学会
逻辑运算。a “AND”和“OR”铁电逻辑门的阵列级操作方法[171]。设备级功能正在推动阵列级和系统级应用。Liu等人基于FeFET阵列展示了图像级的并行AND/OR逻辑操作,展示了它们在模拟视觉计算中的潜力。更重要的是,通过多门FeFET结构,可以利用不同门区域的电容耦合效应在单个晶体管内生成对应于多个输入的逻辑输出,从而仅用一个设备实现可重构的逻辑功能,如反相器、NOR门和NAND门,显著提高了面积效率。Xiang等人报道了一种适用于LiM的多门FeFET。图11c展示了多端FeFET逻辑门的工作原理以及相应的NOR和NAND门操作。该设备可以在一个时钟脉冲内执行所有操作结果,并且所有操作结果都被存储。与传统基于CMOS的电路(后者需要恒定电压电源来维持理想导电状态)相比,输出保持能力提高了设备的能效[153]。此外,方等人开发了一种基于MXene材料和掺钇HfO2薄膜的光电忆阻器。通过利用光电响应行为和不同的设置阈值,他们构建了由光学和电学输入驱动的逻辑门。这种方法为光电人工神经形态设备提供了一条可行的途径。图11d展示了用于逻辑运算的光电忆阻器与经典NAND门之间的类比,并展示了AND和OR操作的实验演示[143]。总之,基于铪的铁电逻辑运算技术已经超越了基本的功能验证阶段。其核心在于利用对极化动力学的深刻理解和创新性的器件结构,以实现高并行性、可重构性和传感集成性的内存计算。这为开发下一代能效高效的智能系统提供了关键的硬件基础。
4. 挑战与前景
铪基铁电(Hf-FE)设备在现代科学和技术中扮演着重要角色,它们的快速发展展现了在下一代非易失性存储器和神经形态计算领域的巨大应用潜力。然而,在这些广泛的发展前景背后仍然存在许多挑战(见图12)。
图12
完整尺寸图片
4.1 挑战与近期策略
4.1.1 亚稳态正交相的稳定
HfO2中的铁电正交相是亚稳态的,在与CMOS兼容的条件下实现其稳定仍是一个挑战。最近的研究主要集中在通过掺杂、应变工程和界面设计来进行外部调制。例如,La-Al共掺杂已被证明可以协同调节氧空位和晶格应变,从而提高3D FeRAM阵列中的极化强度和耐久性[71]。此外,通过ALD过程中的等离子体处理进行区域选择性氧空位工程,可以在低至300°C的退火温度下稳定铁电HZO薄膜,显著提高BEOL兼容性[173]。另一种有前景的方法是构建多层或超晶格结构;例如,在HZO中插入HLO亚纳米层可以增强界面极化耦合并抑制相变退化[72]。虽然这些方法提高了热稳定性和耐久性,但它们通常会增加工艺复杂性,并可能在超薄膜中引入变异性。
4.1.2 氧空位和缺陷管理
氧空位在Hf-FE中具有双重作用:它们可以稳定铁电正交相,但过多的或移动的氧空位可能导致可靠性问题,如疲劳、印记效应和保持能力退化。最近的研究表明,主动控制氧空位可以同时提高器件性能和稳定性。例如,在反铁电HZO储能电容器中,通过在溅射过程中调节O2流量来控制氧空位浓度,可以优化四方/正交相的比例,从而显著提高储能密度(86.3 J cm?3)和效率,同时保持超过10^9次的循环寿命[174]。这表明,可控的氧缺陷可以在不损害循环可靠性的情况下提高电性能并促进目标相的形成。
除了氧空位调制之外,氮掺杂也是一种有效的界面钝化策略。在FeFETs中,对铁电层/电极界面的氮化可以减少界面陷阱密度并抑制氧空位的迁移,从而提高耐久性和稳定存储器窗口[175, 176]。然而,在纳米尺度上精确控制氧空位的浓度和分布仍然具有挑战性,特别是在超薄膜和微型化设备中,因为缺陷行为的随机性会影响器件的一致性。未来的工作应该结合原位监测和实时工艺控制,以及计算指导,以实现可重复的氧空位工程,并促进高密度、高可靠性的Hf-FE设备的开发。
4.1.3 存储器窗口和耐久性的权衡
随着器件尺寸的缩小,存储器窗口趋于变窄,这限制了多级操作和传感范围。最近的创新,包括堆叠的铁电/介电异质结构和负电容效应,已被开发出来以扩大有效存储器窗口。例如,一种完全符合BEOL标准的HZO/IGZO FeFET通过工程化的栅极堆栈,在300°C的优化退火条件下实现了大约10 V的超高存储器窗口和超过10^9次的耐久性[173]。动态刷新电路也被集成到FeRAM阵列中,以检测和减轻疲劳,将循环耐久性提高了几个数量级[87]。然而,同时实现高存储器窗口、高耐久性和低工作电压仍然是超密集存储器阵列的一个关键挑战。
4.1.4 先进CMOS节点中的BEOL热预算和可扩展性
尽管Hf-FE表现出良好的CMOS兼容性,但将其集成到先进技术节点中面临着可扩展性和BEOL热预算不兼容性的交织挑战。铁电HfO2的结晶通常需要高于450°C的退火温度,这与现代CMOS BEOL工艺的热预算限制(< 400°C)直接冲突。为了解决这个问题,出现了低热预算结晶策略作为关键推进器。最近的研究通过在400°C以下的工艺中使用等离子体增强原子层沉积(PE-ALD)、超快热处理和材料/界面工程等策略,成功实现了铁电相的有效稳定[177]。PE-ALD技术能够在300°C下使用高活性等离子体直接沉积和结晶HZO薄膜,实现高剩余极化(2Pr ≈ 20–40 μC cm?2)和优异的耐久性(> 10^10次循环[177]。材料和界面调制是另一种有效方法。通过优化Zr/Hf比例,可以在280°C沉积后获得铁电ZrHfOx薄膜,无需退火,表现出高达30 μC cm?2的高2Pr和超宽的温度工作范围(4.55–473 K)[122]。使用低热膨胀系数的电极(如Mo)也可以引入界面应力,将HZO的结晶温度降低到300°C并实现10 V的存储器窗口[178]。除了热限制之外,Hf-FE设备的进一步扩展还遇到了材料层面的根本限制。当膜厚度接近3 nm时,退极化场增强,正交相的稳定性变得对界面应变和缺陷分布极为敏感。此外,实现高密度的3D集成对于下一代FeNAND和神经形态交叉bar至关重要,这要求在高纵横比结构中均匀沉积铁电层,这对于传统的ALD来说是一个挑战,因为存在台阶覆盖率和组成均匀性问题。随着扩展,器件内部和之间的变异性也会增加,这对工艺控制和电路级补偿技术提出了严格的要求。
未来,与BEOL兼容的低热预算工艺的协同设计对于充分利用Hf-FE的可扩展性至关重要。同时,必须致力于提高工艺稳定性、大面积一致性和系统集成方案,以促进铁电HfO2在下一代存储器和计算芯片中的应用。
4.1.5 系统级集成
除了单个器件的性能之外,Hf-FE在实际电路中的应用还面临关键的系统级障碍。在高密度交叉bar阵列中抑制串扰对于减少降低存储器和突触阵列读/写精度的窃取电流至关重要。新型Hf-FE设备与传统CMOS逻辑之间的异构集成兼容性需要协作优化工艺流程、热预算和互连方案,以确保混合系统的性能和产量。为了实现可靠的神经形态计算,必须设计出强大的容错机制来减轻Hf-FE突触之间的固有器件间和循环间的变异性。
4.2 前景
1. 基本机制和材料优化:HfO2中铁电性的原子级起源仍不清楚,特别是关于非中心对称o相的稳定路径。通过结合先进的TEM研究和分子动力学,预计可以在亚埃分辨率下解决成核动力学问题,这将指导掺杂工程以调节矫顽场和切换一致性。
2. 3D集成和超密集存储:利用基于ALD的共形三维堆叠技术,Hf-FE开创了下一代超密集存储器的先河,例如具有深沟槽电容器的3D FeFET / FeRAM阵列。预计未来将在存储容量、读/写速度和功耗平衡等领域实现更全面的性能突破。
3. 神经形态计算:在神经形态计算领域,使用氟石结构HZO材料的FET基设备受到了广泛关注。由于其固有特性,反铁电FET已成为人工神经元的有希望的候选者。这一突破为开发高度集成的仿生神经系统奠定了基础,提供了实现低功耗和高速神经形态设备的潜力。
4. 克服可靠性限制:为了解决Hf-FE的唤醒、疲劳和印记问题,不断提出了界面偶极工程和功函数调节等方法。未来,这些解决方案有望使设备实现超高的循环耐久性和更长的数据保持时间,从而为铪基铁电设备的广泛应用奠定坚实的可靠性基础。
5. 超出存储器的应用:基于铪的材料的压电特性使其可用于微机电系统谐振器,可以作为FR3频段内的5G/6G射频滤波器;它们的热电效应可用于能量收集和存储。在磁电系统中,基于HfO2的多铁材料在自旋-轨道扭矩设备中具有应用前景。
5. 结论
与其他传统的铁电材料相比,Hf-FE材料表现出良好的CMOS兼容性和出色的厚度可扩展性,满足了设备持续微型化的需求。此外,它们更高的耐久性对于需要频繁写入和擦除的记忆和神经形态计算应用至关重要,从而显著提高了设备寿命和可靠性。由于这些独特的固有优势,Hf-FE材料正在推动各个领域的创新和发展,从超密集非易失性存储器到能效高效的神经形态计算硬件。本文全面回顾了Hf-FE材料的材料系统、器件结构和基础机制,并总结了它们在存储器、突触可塑性、图像处理和逻辑运算中的应用。通过这些材料在尖端领域中的应用,特别是在神经网络和利用这些设计的硬件集成中,突显了Hf-FE的重要性。最后,彻底讨论了Hf-FE设备在非易失性存储器和神经形态计算中未来应用的挑战和前景。