硅掺杂氧化锆自整流忆阻器交叉阵列:面向高效神经形态计算的存算一体平台

《Advanced Composites and Hybrid Materials》:Self-rectifying memristor crossbar arrays enabling energy-efficient multiply–accumulate for on/off-chip neuromorphic computing

【字体: 大 中 小 】 时间:2026年04月26日 来源:Advanced Composites and Hybrid Materials 21.8

编辑推荐:

  为解决高密度忆阻器交叉阵列中漏电流大、需外接选通管以及器件波动影响精度的问题,研究人员开展了基于Si掺杂ZrOx的自整流忆阻器(SRRAM)研究。该器件实现了高选择比(106)与长寿命(>2×106次),在32×32阵列中完成了能效MAC运算,并通过不确定性感知学习使手写数字识别准确率达92%,为低功耗类脑芯片提供了可靠突触单元。

  
在人工智能(AI)算力需求爆炸式增长的今天,传统冯·诺依曼架构计算机受限于“内存墙”和“功耗墙”,其数据传输瓶颈日益凸显。受此驱动,模拟人脑信息处理方式的神经形态计算(Neuromorphic Computing)成为研究热点,其核心硬件基础之一是忆阻器交叉阵列(Memristor Crossbar Array)。忆阻器能在单个器件层面实现存储与逻辑的融合,天然支持乘累加运算(Multiply–Accumulate, MAC),这是神经网络中最核心的计算操作。然而,构建高密度、低功耗的忆阻器阵列面临两大严峻挑战:一是漏电流问题,在无选通管(Selector-Free)的被动阵列中,潜行电流路径会严重干扰信号读取精度;二是器件层面的非理想特性,如循环间波动(Cycle-to-Cycle Variation)和器件间波动(Device-to-Device Variation),这些固有的不确定性会直接导致神经网络推理准确率下降。
针对上述问题,一项发表于《Advanced Composites and Hybrid Materials》的研究提出了一种基于硅掺杂氧化锆(Si-doped ZrOx)的自整流忆阻器(Self-rectifying RRAM, SRRAM)。该研究旨在开发一种无需外接选通管、具有高可靠性且能容忍硬件波动的忆阻器突触平台,以支持高效的片上及片外神经形态推理。

关键技术方法

研究团队主要采用了以下关键技术路径:
  1. 1.
    器件制备与表征:制备了基于Si-doped ZrOx的SRRAM器件,重点表征了其整流比、耐久性及多级电导状态。
  2. 2.
    阵列集成与测试:将器件集成至32×32的交叉阵列中,采用1/3偏置方案(1/3 Biasing Scheme)进行MAC操作测试,评估其计算精度与能效。
  3. 3.
    硬件感知学习算法:为应对器件波动,引入了不确定性感知学习(Uncertainty-Aware Learning)策略,通过传播模型(Propagation Modeling)将硬件非理想特性纳入训练过程,并在MNIST手写数字数据集上进行分类任务验证。
  4. 4.
    片外推理映射:将SRRAM阵列的特性映射至基于生成对抗网络(GAN)的图像重建模型的卷积层中,演示其在视觉任务中的模拟计算能力。

研究结果

1. 高性能自整流忆阻器器件

研究人员成功制备了Si-doped ZrOx基SRRAM器件。该器件的核心优势在于其自整流特性(Self-rectifying Behavior),即器件本身具备类似二极管的电流-电压(I-V)特性,能有效抑制反向电流。测试结果表明,该器件具有极高的非线性度(选择比达106),优异的耐久性(耐受超过2×106次开关循环),稳定的数据保持能力(在85°C下保持7200秒),并且能够实现清晰的多级电导状态(Multilevel Conductance States)。这些特性使其非常适合在高密度交叉阵列中实现无选通管(Selector-Free)操作,从而显著简化工艺、降低功耗并提高集成密度。

2. 阵列级MAC运算与能效评估

将上述SRRAM器件集成到32×32的交叉阵列中。利用该阵列,研究团队成功执行了高精度的MAC运算。MAC运算是神经网络中卷积和全连接层的基本数学操作,忆阻器阵列通过欧姆定律(Ohm’s Law)实现矩阵乘法,通过基尔霍夫定律(Kirchhoff’s Law)实现电流求和,从而在模拟域完成计算。实验证明,该SRRAM阵列能够实现准确的向量-矩阵乘法(VMM),且功耗极低。这项工作验证了Si-doped ZrOxSRRAM作为存算一体(In-Memory Computing)核心单元在能效方面的巨大潜力。

3. 不确定性感知学习提升分类鲁棒性

为了应对忆阻器器件固有的电导波动对神经网络精度的影响,研究团队没有采用传统的确定性映射方法,而是采用了不确定性感知学习策略。该方法通过模型传播(Model Propagation)来量化器件波动带来的不确定性,并在训练过程中将其作为噪声模型纳入考量,使神经网络模型学会“信任”或“不信任”特定硬件的输出。应用此方法后,在硬件感知(Hardware-Aware)设置下,MNIST手写数字分类任务的准确率达到了92%。这一结果显著优于未考虑不确定性的传统方法,证明了该策略能有效提升神经形态硬件在真实非理想条件下的可靠性。

4. 支持片外GAN模型的高保真视觉推理

除了片上学习,该研究还探索了SRRAM阵列在片外推理(Off-Chip Inference)中的应用。研究人员将SRRAM阵列的实测电导特性(包括非线性和波动)映射到一个基于GAN的图像重建模型的第一层卷积层中。模拟结果显示,即使考虑了硬件的非理想特性,该模型仍能完成高保真的图像重建任务。这表明Si-doped ZrOxSRRAM阵列不仅可用于训练,还能作为高效的推理加速器,处理复杂的视觉计算任务。

结论与展望

本研究成功开发并验证了一种基于Si-doped ZrOx的自整流忆阻器交叉阵列。该平台集成了高选择性、高耐久性及多态存储能力,并通过阵列级MAC操作和硬件感知算法,实现了高能效、高精度的神经形态计算。其重要意义在于:
  1. 1.
    材料创新:Si掺杂的ZrOx材料体系提供了优异的自整流特性和稳定性,为高密度忆阻器集成提供了可靠的材料解决方案。
  2. 2.
    架构简化:自整流特性消除了对外部选通管的依赖,降低了阵列的制造复杂度和动态功耗。
  3. 3.
    算法协同:不确定性感知学习策略为应对忆阻器硬件波动提供了有效的软件解决方案,实现了软硬件协同设计(Hardware-Software Co-Design)。
  4. 4.
    应用普适性:从简单的手写数字分类到复杂的GAN图像重建,证明了该平台在多种AI任务(边缘推理、视觉处理)中的通用性。
这项工作为构建下一代低功耗、高能效的类脑计算芯片奠定了坚实的硬件基础,推动了存算一体技术向实际应用迈出的关键一步。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号