编辑推荐:
本文系统回顾了铁电器件在存内计算(in-memory computing)和感内计算(in-sensor computing)中的应用。文章梳理了铁电人工突触在存内计算中的典型结构、工作机制(如LTP、LTD、STDP)及其在时空信息处理(ANN、SNN、RC)中的前沿进展;同时,阐述了铁电感知器件如何通过光伏、压电、热电等效应对光、力、热等多模态物理刺激进行“感知-记忆-计算”一体化处理。该文为开发高能效、低延迟的神经形态计算与传感系统提供了重要的理论参考与技术路径。
2 铁电器件用于存内计算
随着大数据时代的到来,基于冯·诺依曼架构的传统计算范式在处理人工智能和物联网等数据密集型应用时,面临前所未有的挑战。其内存与处理单元的物理分离导致频繁的数据传输,引发高延迟和高能耗,形成“内存墙”瓶颈。受生物神经系统的启发,研究人员提出了“存内计算”新范式,旨在将计算功能集成到存储单元中,以消除数据传输开销。人工突触是这一系统的核心组件,负责信号传输,并集成了记忆与处理能力。
在众多神经形态器件中,铁电器件脱颖而出。它们利用电场诱导的铁电极化翻转来动态调制器件电导,从而模拟突触权重的更新。与阻变存储器、相变存储器、磁存储器等相比,铁电器件具有优异的可控性、超快的读写速度(~纳秒级)、超宽的电导动态范围(>107)、超低的功耗(~飞焦耳级)和出色的耐久性(~109次循环)等优势。
2.1 铁电人工突触:结构与工作机制
铁电神经形态器件可根据结构主要分为三类:铁电场效应晶体管、铁电二极管和铁电隧道结。
铁电场效应晶体管 是典型的三端器件,通常包含半导体沟道层、铁电层以及源、漏、栅电极。当用作人工突触时,栅电极作为突触前终端,接收输入电压脉冲来改变铁电畴状态,从而调制沟道电导,模拟突触权重的更新。以n型沟道为例,当铁电极化方向向上(朝向栅极)时,极化诱导的负束缚电荷在界面处积累,在沟道中形成载流子耗尽层,使器件处于高阻态;反之,当极化向下时,载流子在沟道中积累,器件从高阻态切换到低阻态。FeFET的优势在于其读写端分离,可实现并行信号处理和突触权重更新,且与CMOS工艺兼容性好。然而,高电场集中在铁电/沟道界面也带来了耐受力方面的挑战。
铁电二极管和铁电隧道结 则是两端器件,通常由两个电极夹着一个铁电势垒层构成。它们的上下电极分别对应突触前膜和突触后膜,通过器件电导的变化实现突触权重的动态更新。对于FD,相对较厚的铁电层导致界面处极化电荷的屏蔽效应不对称,从而引起界面势垒的变化。通过极化方向动态调制界面势垒高度,可以显著影响电子或空穴的注入效率,从而实现器件电导的调制。FD具有结构简单、非易失性好的优点,但电导的动态范围较难做宽。
对于FTJ,其铁电层超薄(小于5纳米),电子传输以量子隧穿为主导机制。在FTJ中,平均势垒高度是决定电子隧穿概率的关键因素。当使用半导体电极时,半导体-铁电界面处耗尽层的形成还能进一步调制隧穿势垒的宽度。通过势垒高度和宽度的协同调制,FTJ可以实现器件电导的连续调谐。FTJ的优点在于能够实现宽动态范围内多个可区分的电导态,且电导态的连续线性可调性优,有利于实现高精度神经形态计算。但其大面积、均匀超薄铁电薄膜的可控制备仍是当前研究的前沿挑战。
2.2 典型铁电材料
铁电材料作为核心功能层,其特性从根本上决定了器件整体性能。目前已探索用于神经形态应用的铁电材料多种多样,主要包括:
- •
钙钛矿型铁电材料:如BaTiO3、Pb(Zr1-xTix)O3。其铁电性源于晶格对称性破缺产生的结构畸变。这类材料研究最深入,制备工艺成熟,适合原理验证和原型研究,但与标准CMOS工艺集成存在挑战,且难以实现纳米级微缩。
- •
HfO2基铁电材料:具有萤石结构,不仅能在纳米尺度保持铁电性,还与CMOS技术兼容性更佳。但其铁电性依赖于亚稳态的正交相,该相的稳定性对掺杂、应力、温度等制备条件高度敏感。
- •
柔性/有机铁电聚合物:如P(VDF-TrFE)。其铁电性源于β相链构象。这类材料具有出色的柔性和生物相容性,是柔性可穿戴系统的理想选择,但通常矫顽场高,需要较高工作电压,导致功耗增加。
- •
二维铁电材料:如α-In2Se3、CuInP2S6。其铁电性源于面内原子位移或层间堆叠对称性破缺,具有低开关电压、低功耗的优势。原子级厚度、无悬键表面和范德华力堆叠特性,使其成为构建铁电-光电等多功能耦合异质结构的理想平台。然而,目前其制备多依赖机械剥离,阻碍了大面积阵列的规模化制造,且性能易受环境波动影响。
2.3 长时程可塑性的模拟及其在空间信息处理中的应用
长时程可塑性,包括长时程增强和长时程抑制,是大脑记忆和学习的基础,也是实现存内计算的核心设计要求。由于铁电极化的典型非易失性,铁电器件非常适合模拟长时程突触行为,可用于人工神经网络和脉冲神经网络中的静态空间模式识别与分类任务。
在单个铁电器件中,通过调节向上和向下铁电畴的不同比例,可以实现多个非易失性电阻态。通过施加相反极性的连续脉冲电压,可以成功模拟LTP和LTD行为。铁电突触器件可以排列成交叉阵列,构建完整的硬件神经网络。利用每个器件的电导值代表突触权重,并依靠欧姆定律和基尔霍夫定律,可以直接在存储器内部执行ANN中的向量-矩阵乘法和乘加运算,从而实现海量并行信号处理。
然而,突触权重的更新通常表现出较差的线性和对称性,导致ANN的学习精度低于基于软件的计算机程序。这种低线性和对称性源于铁电畴的切换过程具有显著的非线性特征,即相对缓慢的畴成核阶段和快速的畴扩展阶段。为了提高学习精度,大量工作致力于优化电导更新过程以增强其线性和对称性,具体策略包括优化脉冲序列参数、调节电导变化的动态范围、优化铁电畴的取向和尺寸以及引入缺陷来控制畴切换速度等。目前,铁电人工突触电导更新的非线性系数已可低至0.13-0.17。基于这些器件构建的ANN学习精度高达96.7%,已接近理想神经网络98%的性能。
与LTP和LTD不同,脉冲时序依赖可塑性受输入脉冲时序的影响,使其对不完整输入的关联学习至关重要,并支持SNN中的无监督学习。研究人员已成功在FTJ中模拟了STDP行为。此外,研究发现界面工程可以在FTJ基突触器件中诱导不同的STDP行为,包括遵循反对称赫布和反对称反赫布学习规则的STDP曲线,它们将在不同的SNN中扮演不同且特定的角色。通过氧空位调控畴切换行为,还可以获得平衡的STDP曲线。当将这种平衡的STDP曲线应用于图像识别的SNN时,可以在噪声环境中实现鲁棒的无监督学习:即使噪声水平增加到输入幅度的0.5倍,识别率仍保持在接近100%。
2.4 短时程可塑性的模拟及其在时序信息处理中的应用
人脑还需要处理大量与时间相关的信息。为了满足高效的时序处理需求,储备池计算应运而生。在RC系统中,储备池是核心组件,负责将输入时序信号非线性地转换为高维空间状态。这些状态不仅依赖于当前输入,还依赖于历史输入,因此STSP是硬件实现储备池的关键要求。
在铁电突触器件中,由极化弛豫和缺陷态电荷俘获/去俘获等效应的非线性动态响应,使其非常适合模拟STSP和对时序信息进行编码。当对铁电二极管施加电压脉冲时,可以观察到兴奋性突触后电流的瞬时增加,这对应于生物STSP的典型特征。第二个峰值触发的EPSC表现出比第一个更高的响应,表明成功模拟了双脉冲易化行为。PPF指数与脉冲间隔呈指数关系,这与生物突触一致。STSP的成功模拟表明,铁电器件可以将时间序列输入非线性地转换为高维储备池状态,并可用于RC系统中高效处理时序任务。
目前,基于铁电器件的RC系统主要应用于两类关键的时序信息处理任务:一类是分析具有动态时间特征的信号,另一类是时间序列预测和波形分类任务。对于语音信号处理任务,研究人员利用CIPS/石墨烯异质结构器件构建了单节点RC系统。通过动态调节热电子注入和输运,铁电器件实现了典型的非线性电流响应和渐消记忆特性。语音信号被转换为一维电压序列施加到器件上,器件产生的电流输出构成储备池状态,从而实现对语音信号的高效处理。此外,还有研究开发了基于FD的RC系统,成功处理了时序图像信息。在易失性FD中,通过引入氧空位形成的印迹场来调节自发极化的反向切换,实现了电导衰减特性。通过将图像的每一行像素编码为时序脉冲序列并施加到器件上,收集产生的器件电流形成代表图像信息的储备池状态。对应不同字母的储备池状态表现出显著差异,验证了器件处理时序图像的能力。为了满足多模态时序信息融合的需求,研究人员通过在FTJ中引入离子扩散机制,实现了电导的双向弛豫特性。在此基础上,他们通过正负极性电压分别编码图像和语音多模态信号,构建了多模态RC系统,为跨模态时序信息的协同分析提供了新的研究思路。
时间序列预测和波形分类是另一类典型任务。相关研究通过优化铁电器件的动态特性和结构设计,进一步扩展了RC系统的应用场景。例如,研究人员报道了一种使用FeFET作为CMOS兼容物理储备池的RC系统。凭借铁电极化和极化-电荷相互作用的动态特性,FeFET可以将时间序列输入转换为电流值以形成储备池状态。经训练后,系统以低成本成功实现了非线性时间序列预测任务。为了更有效地提取特征并进一步提高RC的计算性能,研究人员利用α-In2Se3基FeFET构建了多尺度RC系统。铁电器件的弛豫时间可以通过背栅电压轻松调节,这能显著提高储备池状态的丰富度,并进一步提取不同尺度的特征。最终,该系统成功实现了多重叠加振荡器任务的处理,并显著提高了时间序列预测的鲁棒性。此外,通过将α-In2Se3基FeFET连接到平面α-In2Se3器件,成功实现了多层RC系统。在该系统中,由于两个器件之间的电阻匹配和分压,RC系统的输入和输出都是电压,从而允许通过将第一个RC的输出端连接到第二个RC的输入端进行级联。训练后,该系统可以正确分类正弦波和方波,展示了其卓越的高维映射和计算能力。
2.5 自适应长时程可塑性的模拟及其在时空信息处理中的应用
时空处理能力通过长时程和短时程可塑性的共存和历史适应性来整合不同模态的信息。在铁电突触器件中,易失性物理机制和非易失性铁电极化切换过程的整合,使得长时程和短时程可塑性得以共存和动态调节。通过将历史适应特性整合到长时程突触行为中形成自适应长时程突触可塑性,此类器件不仅可以成功地复现经典的神经学习算法,还可以有效地模拟生物神经系统编码和处理时空关联信息的能力。
通过改变脉冲参数,在基于P(VDF-TrFE-CFE)的FET中实现了从短时程可塑性到长时程可塑性的转变。研究发现,器件的最终非易失性电导态强烈依赖于历史经历脉冲的宽度和幅度等参数。值得注意的是,历史刺激的频率差异也会影响铁电器件中后续的突触可塑性。在5MHz时,突触可塑性完全不同。前者和后者的5MHz脉冲串分别诱导了“突触抑制”和“突触增强”,这取决于不同的历史刺激,进一步证实了在金/Cr/La0.1Bi0.9FeO3/La0.7Sr0.3MnO3/SrTiO3FTJ中可以模仿适应行为。一般来说,低频脉冲触发突触抑制,而高频刺激导致突触增强。随着初始电导从17nS增加到216nS,频率阈值显著地从0.8MHz移动到5.6MHz,对应于历史依赖突触适应的滑动阈值频率效应。
自适应长时程可塑性和滑动阈值频率的成功实现意味着,可用于时空处理的Bienenstock-Cooper-Munro学习规则可以在铁电器件中得到有效模仿。这一成就为铁电忆阻网络的高阶时空编码和学习铺平了道路。首先,作为生成BCM学习规则基础的三重态-STDP,最近已在金/Cr/BaTiO3/Nb:SrTiO3FTJ中成功复现。此外,通过改变器件的初始状态,可以获得不同的BCM曲线。利用BCM的学习规则实现方向选择功能,基于FTJ的神经网络成功实现了视觉皮层方向选择和运动方向识别功能。这项开创性工作通过紧密复现人脑的计算功能,进一步验证了铁电器件在处理时空识别任务方面的潜力。
3 铁电器件用于感内计算
感内计算是一种新兴范式,它将感知、记忆和计算集成在单个器件中,允许信息采集和处理直接在传感器层面进行。通过最大限度地减少传感器和处理器之间的数据传输,该架构显著降低了系统功耗和延迟,同时提高了紧凑性和效率。在探索用于新兴神经形态计算的各种器件中,忆阻器、阻变存储器、相变存储器、磁随机存取存储器和光敏晶体管等都展示了传感和计算的潜力。与这些器件中使用的电荷俘获/离子迁移、阻变开关、非晶-晶相变、磁化开关和光栅效应不同,铁电器件依靠本征极化切换来实现非易失性和连续可调的电导状态。铁电器件可以通过光伏、热电和压电效应将光、热和机械信号转换为自身的极化状态,使其能够直接感知物理刺激。这种直接耦合源于铁电体的本征特性,使其有别于依赖缺陷工程或结构设计的其他平台。此外,多场耦合能力进一步允许铁电器件在单个器件内集成多种感知模式,为多模态感内计算提供了一个紧凑的平台。极化的可编程多态性从而提供了稳定的内部电学状态,本质上支持同时进行感知、记忆和本地计算。根据感知模式,本章分为视觉、触觉和多模态感知系统三个部分,并系统回顾了铁电器件在这些领域的关键研究进展。
3.1 视觉感知系统
在感内计算系统中,光学信号的感知和预处理对于复杂场景的实时解读至关重要,支持自动驾驶和智能监控等应用。铁电器件将光信号转换为重新配置铁电极化的电响应,由此产生的剩余极化非易失性地编码信息,为本地计算和感知提供了稳定的基础。根据视觉信息处理方式,感内计算系统可大致分为静态和动态视觉系统。静态系统专注于从单帧图像中提取空间特征和识别,而动态系统则处理连续帧中的时序信息和运动。
静态视觉系统:图像识别与分类
基于器件结构,铁电感知器件可大致分为两端和三端架构。
对于两端铁电器件,研究人员基于BiFeO3纳米线阵列开发了一种铁电可重构偏振敏感光电二极管,为沿偏振维度的感内计算奠定了基础。该器件通过利用纳米线的结构各向异性来感测入射光的偏振角,从而产生偏振依赖的载流子分布。然后,该分布通过可调谐肖特基势垒转换为由铁电光伏效应控制的、可编程的光电流。这种偏振敏感检测增强了恶劣条件下的识别可靠性。
除了编码偏振等光学属性外,静态视觉感知还需要空间信息的阵列级表示。基于这些进展,研究人员构建了一个基于铁电光电传感器的感内计算平台,实现了用于自动驾驶的交通标志图像高速识别。该系统建立在Pt/Pb(Zr0.2Ti0.8)O3/SrRuO3单元上,每个单元在自供电光伏模式下工作以产生光电流。关键在于,这些光电流的大小和符号直接由非易失性剩余极化状态控制,实现了自供电、对称和非易失性的光响应。为了高精度地编程这种响应,采用双向闭环方案施加和验证电压脉冲,补偿器件的非线性以实现精确的光电流调谐。集成到车辆中后,该系统将这些光电流馈送到神经元模块,然后馈送到电机系统,从而实现实时交通标志识别。
为了进一步增强自适应视觉感知,研究人员开发了一种三端铁电栅控光电晶体管,能够在传感器内自适应校准光强信号,提高极端光照下的人脸识别鲁棒性。该器件采用底栅结构,以铁电聚合物P(VDF-TrFE)作为栅极介质,有机半导体P3HT作为光敏沟道。光门控效应通过铁电-半导体界面处的电荷俘获,将光强直接转换为持久的非易失性电导进行存储,从而在器件层面有效地编码光学输入。通过栅压控制铁电畴的部分极化切换,可以实时线性调节存储的电导。当极端光照导致器件电流偏离设定阈值时,施加的栅压脉冲使光电导与预训练模型的自适应范围重新对齐。这使得器件能够实时适应光强变化,而无需重新训练算法。该机制在不重新训练算法的情况下将人脸识别准确率提高了约40%,并突显了铁电器件在自适应智能感知方面的硬件优势。
动态视觉系统:运动检测与时序处理
动态视觉系统对于实现智能视觉感知至关重要。其主要功能是从连续的图像序列中提取时空特征,支持运动检测和轨迹跟踪等任务。现有的动态视觉系统根据其功能侧重点可大致分为两类。第一类强调通过解释信号的时序演变来识别运动模式,而第二类则通过分析连续帧之间像素级的差异来识别和分割运动物体。
作为第一类别的代表,研究人员开发了一种用于储备池计算的自供电传感器阵列,以识别动态车流方向。感知层由5×5传感器阵列组成。该系统的关键非线性时空映射能力源于光生载流子在铁电聚合物界面势阱处的俘获。传感器阵列将移动的光信号转换为反映车流方向的变化电流,使系统能够在器件层面直接检测运动。
现实世界的运动以不同的速度发生,需要具有自适应时序处理能力的感知系统。为了应对这一挑战,研究人员通过在面内铁电半导体α-In2Se3和WSe2之间形成异质结,开发了一种铁电p-n结,在单个器件中集成了光传感、动态信号处理和信息存储。铁电极化与内建电场之间的相互作用控制着光生载流子的分离和复合:入射光在异质结中产生电子-空穴对,由铁电极化调制的内建电场驱动它们的空间分离。该机制将光学运动信号转换为电响应,其幅度和衰减动力学可以调节,从而能够在大范围内控制时序处理。栅压控制使弛豫时间可在0.1到1000秒的