综述:后冯·诺伊曼时代的忆阻器:硬件范式、类脑感知与计算系统
傅克瑞(Kerui Fu)与秦天凌(Tianling Qin)
《Photonics》:Memristors for the Post-Von Neumann Era: Hardware Paradigms, Neuromorphic Perception, and Computing Systems
Kerui Fu and
Tianling Qin
【字体:
大
中
小
】
时间:2026年04月28日
来源:Photonics 1.9
编辑推荐:
摘要
忆阻器作为一种旨在超越冯·诺伊曼架构的革命性电子设备,实现了信息存储与计算的物理统一,从而为高效、受大脑启发的计算提供了基础的硬件路径。其固有的模拟电阻切换机制、非易失性以及基于历史的学习能力,使其能够天然地实现内存计算并模拟突触可塑性,解决了传统系统中的能量和速度瓶颈问题
摘要
忆阻器作为一种旨在超越冯·诺伊曼架构的革命性电子设备,实现了信息存储与计算的物理统一,从而为高效、受大脑启发的计算提供了基础的硬件路径。其固有的模拟电阻切换机制、非易失性以及基于历史的学习能力,使其能够天然地实现内存计算并模拟突触可塑性,解决了传统系统中的能量和速度瓶颈问题。值得注意的是,从电控忆阻器向光电忆阻器的演变标志着从纯计算向集成感知处理的范式转变,为高速、并行和自适应信号处理开辟了新的维度。近年来,在基于忆阻器的神经形态视觉和触觉系统、片上信号处理器以及动态轨迹跟踪器的发展方面取得了显著进展,展示了它们在边缘智能、自适应机器人技术及实时感知任务中的潜力。本文系统总结了忆阻器技术的最新进展,对其工作原理、材料与结构创新以及在神经形态感知和计算中的前沿应用进行了全面分析,并讨论了在后冯·诺伊曼时代开发与集成忆阻器系统的关键挑战和未来方向。
1. 引言
在当前数据驱动的时代,信息处理面临着前所未有的挑战。从物联网(IoT)边缘设备产生的海量传感器数据流到云计算数据中心训练人工智能模型所需的巨大计算需求,传统冯·诺伊曼架构的局限性日益明显[1]。在这种架构中,处理单元和内存是物理分离的,需要频繁地在它们之间传输数据[2,3]。这种数据传输消耗了超过90%的计算能量,并形成了所谓的“冯·诺伊曼瓶颈”[4,5],严重限制了计算效率的提升。在这一背景下,忆阻器——2008年由惠普实验室首次物理实现——因其独特的物理机制和颠覆性的应用潜力而成为全球研究的焦点,被认为是下一代电子计算的关键推动力[6]。
忆阻器(记忆电阻器)的概念最早由电路理论家Leon Chua在1971年基于对称性论点提出[7],如图1所示。其关键特性是电阻值由流经它的电荷(或磁通量)的历史决定,并且在断电后仍能保持这一状态。这一固有属性使忆阻器具备了物理层面的信息存储和记忆能力,为将计算从分离式架构转变为集成式架构提供了基础[8]。忆阻器的重要性不仅在于作为一种新型电子元件;它还为解决当代信息技术中的核心矛盾提供了新的视角和可行的途径[9]。其重要性主要体现在以下三个方面:
1.1. 打破冯·诺伊曼瓶颈:实现新型内存计算范式
忆阻器最具革命性的贡献在于其能够直接实现内存计算。在传统架构中,数据存储和处理是分开的,而忆阻器交叉阵列可以同时兼任内存和处理器的作用。这一过程在物理层面上即时且并行发生,直接实现了神经网络中最基础且能耗最高的操作(乘累加-MAC)[10]。这种内存计算方式彻底消除了数据传输的需求,从根本上解决了冯·诺伊曼瓶颈。这种方法有望大幅提高计算能效,并显著提升处理速度。对于需要大规模并行矩阵运算的应用(如深度学习推理、图像处理和科学计算),这将带来颠覆性的性能突破[11,12]。基于忆阻器的内存计算芯片被视为实现边缘智能和赋予终端设备强大本地AI处理能力的关键技术。
1.2. 神经形态计算的基石:模拟生物突触行为以构建人工神经网络
人脑是一个高效、大规模并行信息处理的生物学范例,通过密集的神经元和突触网络以最小的能量消耗执行复杂的认知任务[13,14,15]。忆阻器的动态切换特性与这一生物学机制高度相似。具体来说,忆阻器的导电性可以通过施加的电脉冲的幅度、持续时间和极性进行连续且模拟性的调节,类似于生物突触连接强度的活度依赖性调节。通过内在复制如尖峰时序依赖性可塑性(STDP)等现象,单个忆阻器可以作为人工突触,其非易失性的导电状态物理编码了突触权重[16]。将这些设备集成到高密度阵列中,可以实现人工神经网络和脉冲神经网络的直接硬件映射。与传统数字仿真神经算法不同,基于忆阻器的神经形态计算依赖于直接物理模拟,从根本上大大降低了数字计算相关的能量和延迟开销[17,18]。尽管神经形态电子设备提高了能效,但它们并未复制大脑的自我组织和冗余连接等核心特征。然而,神经形态硬件并非旨在取代CMOS,而是希望通过互补融合突破能效和鲁棒性的瓶颈,为下一代高效计算提供实际方向[19]。因此,忆阻器为开发能够进行实时学习和时空认知处理的自适应、受大脑启发的系统提供了坚实的基础。
1.3. 下一代信息存储技术:高密度、低功耗的非易失性内存
在信息存储领域,忆阻器也展示了巨大潜力。作为电阻式随机存取存储器(RRAM)的领先候选者,忆阻器具有非易失性、快速读写速度、高耐用性以及与标准CMOS工艺的兼容性[20,21,22,23]。其简单的双端结构支持三维堆叠集成,实现了超越现有DRAM和NAND Flash的存储密度。这种高密度、低功耗的非易失性内存有可能模糊传统内存层次的界限,有可能实现结合高速度、大容量和非易失性的通用存储[24]。这种集成简化了内存架构,提高了系统整体的能效。从移动电子设备到数据中心和嵌入式系统,忆阻技术为下一代非易失性存储器(NVM)解决方案提供了可行的框架。
自实验实现以来,忆阻器技术经历了显著的演变历程。早期的研究主要集中在电控忆阻器上,其中电阻切换完全由电压或电流刺激调节。基于导电纤维形成、界面能垒调节和相变机制的设备为非易失性内存和内存计算奠定了基础。然而,随着对更高集成密度、更低功耗以及更复杂神经形态功能的需求增长,纯电控的固有局限性(如器件变异性、焦耳热效应和互连瓶颈)日益突出。为了克服这些限制,研究人员转向了光电忆阻器,引入了光作为额外的控制维度。这些设备在同一架构中集成了光感测、信号调制和非易失性存储功能,实现了诸如传感器内计算、高带宽并行处理和仿生视觉感知等功能。这种从电控到电控的转变不仅扩展了忆阻系统的功能,也标志着向更接近生物神经网络的多模态感知和处理特性的硬件平台的范式转变[25,26,27,28]。
本文系统概述了忆阻器技术的演变过程,从纯电控到光电协同控制的全面发展。我们详细阐述了忆阻器的基本特性、电阻切换的物理机制,并重点介绍了其在四个前沿方向上的突破性应用:神经形态视觉感知、神经形态触觉感知、片上信号处理和计算以及动态轨迹跟踪。在文章最后,总结了当前领域面临的关键瓶颈,并讨论了向大规模集成、多模态融合和实际应用的未来发展方向。
2. 忆阻器的特性
作为一种新兴的后CMOS技术,忆阻器的实用性基于两个相互关联的物理属性,它们共同实现了内存计算(IMC)范式:非易失性模拟电阻切换和基于历史动态的导电性。前者提供了通过结构或化学计量状态转换实现持续信息存储的物理机制[29,30,31];后者控制设备的动态行为,使其能够根据电刺激历史进行自适应导电性调节,从而本质上模仿生物突触的可塑性。当这些属性集成到交叉阵列中时,它们在时空上实现了数据存储和处理的统一。这种物理配置在硬件层面直接执行了高度并行的矩阵-向量乘法(MVM),为绕过冯·诺伊曼瓶颈和构建高效神经形态计算系统提供了坚实的物理基础。
2.1. 模拟电阻切换和非易失性
作为基本的后CMOS非线性电路元件,忆阻器通过改变并保持其在电刺激下的电阻状态,实现了信息存储和处理的物理统一。这种行为源于其电阻切换层(如过渡金属氧化物、硫属化合物或有机材料)在电场或电流作用下的可逆变化。在典型的金属-绝缘体-金属结构中,电场可以驱动导电纤维的形成或断裂,或调节界面肖特基能垒的高度,使电阻在高阻态和低阻态之间切换,这种切换可以是连续的也可以是离散的[32,33]。这种电阻切换不仅限于二进制操作;通过对输入脉冲幅度、宽度或数量的精确控制,可以实现离子的渐进式迁移或缺陷重新分布,从而使导电性稳定在中间状态。这种模拟调制能力与数字电路中晶体管的二进制切换不同,允许直接处理模拟信息。此外,由于电阻变化涉及材料的非易失性改变,导电性状态在断电后仍然保持,为非易失性内存和受大脑启发的计算系统提供了物理基础。因此,忆阻器通过在其电阻状态中编码电历史来工作,实现了电路变量之间的缺失关联,并建立了信息存储与处理之间的关键桥梁。
2.2. 基于历史的动态和自适应状态调节
忆阻器的另一个基本特性是它的基于历史的动态和自适应状态调节,为模拟生物突触可塑性提供了坚实的物理基础。这种可塑性的一个关键表现是尖峰时序依赖性可塑性(STDP),其中突触权重根据突触前和突触后神经元的相对时序得到增强或抑制[34]。忆阻器本质上复制了这种行为:设备的响应取决于施加脉冲的精确时序,脉冲的顺序、幅度和持续时间决定了导电性的增加或减少[35,36]。这是通过非对称脉冲设计或设备的非线性动态实现的,不同的时间序列会导致不同的离子迁移或缺陷重新分布结果。因此,导电性的变化根据输入时序编码了突触权重的修改方向和幅度。这种自适应的、局部调节的行为使单个忆阻器能够在没有外部电路的情况下实现无监督的赫布学习。通过调整脉冲参数,还可以实现其他形式的可塑性,如尖峰率依赖性可塑性。因此,忆阻器不仅作为存储元件,还作为自适应计算单元,其状态演变编码了输入的相关性和统计信息,为能够进行时空信息处理的神经形态硬件提供了理想的物理模型。这种自适应的、局部调节的行为使单个忆阻器能够在没有外部电路的情况下实现无监督的赫布学习规则[37]。因此,忆阻器不仅作为一个被动存储节点,更作为一个动态计算单元,其状态演变确定性地编码了刺激相关性,从而建立了时空神经形态计算的基本硬件架构。
2.3. 内存计算
基于这些特性,忆阻器为实现内存计算范式提供了硬件基础,特别是对于高效执行MVM——这是人工智能和科学计算中的核心操作。在传统的冯·诺伊曼架构中,处理器和内存的分离需要频繁的数据传输,导致了显著的能量和延迟成本,限制了大数据和神经网络的处理能力。忆阻器交叉阵列从根本上改变了这一范式。在这种阵列中,忆阻器位于字线(行)和位线(列)的每个交叉点,其导电值被编程以表示神经网络权重。当输入电压并行施加到字线上时,根据欧姆定律[1],流经每个忆阻器的电流与输入电压和该点电阻的乘积成正比。随后,根据基尔霍夫电流定律,每个位线上收集的电流代表了该列所有乘积项的总和。这一过程在物理上实现了单一步骤中的乘加操作。其中,表示施加到忆阻器交叉阵列第i行的电压,表示第i行和第j列交叉点处忆阻器的导电性,表示在阵列第j列上聚合的总输出电流,整个过程完全在存储器内部完成,无需在外部处理器和存储器之间传输大量权重数据[39]。这种模拟域内的并行内存计算操作在能效和速度方面具有显著优势。交叉阵列的规模直接对应于神经网络的权重矩阵,从而实现了高并行性。尽管实际应用中会面临由器件非理想性和阵列级寄生效应引起的精度挑战,但这些问题正通过电路设计、编程策略、算法硬件协同设计以及纠错技术得到逐步解决[40]。
为了全面评估用于神经形态计算的忆阻器的性能,有必要测试一些指标。这些指标反映了设备的物理特性和应用适用性。在神经形态计算的应用中,忆阻器的实用性体现在它们的导电性调制范围上,即最高和最低可实现导电状态之间的比率,也称为切换比率,如图2a,b所示。这个比率通常在10到10^4之间,具体取决于材料系统和工作条件。根据保持时间特性,忆阻器件可以分为两类:非易失性和易失性。非易失性忆阻器在断电后可以长时间保持其导电状态(通常超过10^4秒),适合用于神经网络中的长期权重存储和非易失性内存应用[41]。而易失性忆阻器在断电后会自发地恢复到低导电状态[42],这对于模拟突触可塑性等时间动态现象至关重要[42]。耐用性指的是器件在保持可靠切换特性时能够承受的最大编程/擦除周期次数。对于需要频繁更新权重的应用(如片上训练),高耐用性尤为重要[42]。此外,工作电压直接决定了器件的功耗,Sub-1V的工作电压是低功耗神经形态系统的理想选择。切换速度定义为使器件可靠编程所需的最小脉冲宽度,通常在纳秒到毫秒范围内,这直接影响系统吞吐量和延迟。低功耗测试也是衡量忆阻器性能的重要指标。据报道,在各种类型的忆阻器中,RRAM的每个周期功耗最低,为4.28阿焦耳;铁电忆阻器的功耗小于10飞焦耳;PCRAM的功耗为43飞焦耳;MRAM的功耗比传统类型的低四个数量级[43]。此外,线性、对称性和持久性等性能指标也成为了衡量忆阻器的重要参数[44]。线性直接影响硬件神经网络的训练准确性和收敛速度,高线性意味着可以构建更大规模的硬件神经网络阵列。对称性与线性密切相关,用于评估器件是否能够准确执行神经网络权重更新。传统的忆阻器在长期运行后往往会出现导电性保持能力下降的问题,因此耐用性成为了评估忆阻器应用价值的关键指标。
图2. (a) 忆阻器的典型I–V特性曲线,展示了可逆的设置(高阻值到低阻值)和重置(低阻值到高阻值)切换行为。(b) 在高阻态(HRS)和低阻态(LRS)下的切换比率。(c) 非易失性忆阻器的保持特性。(d) 忆阻器的循环稳定性特性,在长期刺激后仍能保持良好的切换比率。(e) 突触可塑性行为,展示了在不同脉冲数下的长期增强(LTP)和短期增强(STP)。(f) LTP和LTD过程中的归一化电导演化,突出了电导调制的线性和对称性。
根据控制信号的类型,忆阻器可以分为两类:电控忆阻器和光电忆阻器。电控忆阻器依靠电压或电流信号来调节电阻状态,是该领域中最成熟的分支。它们包括多种物理机制——例如界面势垒调节、导电纳米线形成和相变行为——由于其快速的切换速度、高的开/关比以及与CMOS技术的兼容性,在内存计算、神经网络加速器和高密度非易失性存储等应用中得到了广泛应用。相比之下,光电忆阻器引入了光作为额外的控制维度,使得在一个器件内集成传感、存储和计算功能成为可能。通过利用铁电极化、电化学掺杂和陷阱捕获等机制,这些器件在边缘视觉系统和神经形态感知方面具有巨大潜力。为了清晰地概述本章讨论的各种忆阻器类型,表1总结了它们的工作机制、代表性材料、关键性能特性和主要限制。
表1. 忆阻器类型总结。
4.1. 电控忆阻器
电控忆阻器代表了忆阻器研究中最成熟和多样化的分支。研究人员开发了基于多种物理机制的忆阻器系统,如电化学金属化(ECM)、价态变化(VCM)、界面势垒调节和相变存储(PCM)[51,52]。由于它们的非易失性、高切换速度以及与CMOS技术的良好兼容性,这些器件已被广泛应用于内存计算、神经网络加速器和高密度非易失性存储等领域。在本章中,我们将介绍具有不同电阻切换机制的忆阻器及其研究进展[53]。
4.1.1. 界面忆阻器
肖特基势垒调节是一种基于界面物理的核心电阻切换机制,通过改变载流子传输势垒来实现[54,55]。常见的实现包括金属-铁电-半导体(MFS)结构中的肖特基势垒调节、铁电隧道结(FTJs)以及具有工程化界面层的金属-绝缘体-金属(MIM)二极管。由于其出色的模拟特性、良好的可控性和与现有半导体工艺的兼容性,它在脑启发计算(神经形态计算)和多级逻辑存储器中具有独特且重要的应用前景[56]。Jang等人引入了一种窄带隙、高氧空位容忍性的金属氧化物氮化物半导体ZnON作为通道材料。结合HZO铁电薄膜,他们构建了一个两端子铁电二极管,通过界面势垒和陷阱辅助的隧道调节实现了多级电阻状态调整[45]。图3a显示了TiN/HZO/ZnON/Ti/Pt堆栈的横截面HR-TEM图像,揭示了清晰的界面和高质量的异质结构形成。图3b中的极化-电压滞后环确认了典型的铁电环,残余极化约为8.4 μC/cm^2,表明HZO成功结晶为铁电正交相。图3c中的直流电流-电压曲线表现出明显的自整流和逆时针滞后,读取电压为1.8 V时的开/关比率约为5 × 10^4。这种自整流特性消除了对外部选择器的需求,便于高密度阵列集成。图3d中的保持测试显示两种电阻状态在10^4秒内均保持稳定,证实了其出色的非易失性。图3e展示了能带图和主导的传输机制。在高阻态下,电子需要克服约1.0–1.12 eV的肖特基势垒才能从ZnON进入HZO。在低阻态下,铁电极化反转导致电子在ZnON中积聚,电子在强电场下通过HZO中的氧空位陷阱(约0.6 eV)传输。如图3f所示,该器件在下超过2000秒内稳定保持八个不同的电阻状态,显示出多级存储和模拟突触权重调节的潜力。基于上述非易失性和多级特性,该器件成功模拟了生物突触的核心可塑性行为。图3g显示了PPF指数。用双指数函数拟合的实验数据得到了两个衰减时间常数(13.7 ms和58 ms),与生物突触中的短期增强(STP)特性非常吻合。
4.1.2. 固态电解质忆阻器
固态电解质忆阻器,也称为导电纳米线型忆阻器,主要基于电化学金属化机制(ECM)工作。它们的功能依赖于活性金属离子在固态电解质中的电化学迁移和还原。这些器件通常使用Ag或Cu等活性金属作为顶部电极。在正向电压作用下,活性金属原子被氧化成离子,然后通过电场作用穿过介电层(例如SiO2、Ta2O5)并在底部电极处还原回金属原子[57,58,59,60,61,62]。这些金属原子逐渐聚集,形成纳米级的导电纳米线(CFs),使器件的电阻从高阻态(HRS)切换到低阻态(LRS)——即SET过程。施加反向电压可以溶解或破坏纳米线,实现RESET过程。
传统的纳米线忆阻器一直存在一个长期未解决的问题:模拟电导更新的线性和动态范围之间的trade-off。电场依赖的纳米线生长过程导致电导更新的高度非线性或在有限的动态范围内线性变化。Kang等人通过工程化Ag离子的氧化还原动力学,解决了纳米线忆阻器中电导更新线性和动态范围之间的长期trade-off问题,开发了一种Ti4.8%:a-Si忆阻器[46]。如图4a所示,该器件采用了Au/a-Si/Ag交叉结构。为了解决线性和动态范围之间的矛盾,系统地比较了三种器件变体。原始的a-Si器件(图4(b-i))表现出高的Ag+迁移率,导致快速的导电纳米线形成和强烈的正反馈,从而产生了高度非线性的电导更新(图4(b-iv),严重限制了可区分的电阻状态数量。通过提高沉积温度和退火来增强a-Si膜的密度,降低了Ag+的迁移率,促进了分散的Ag簇形成而不是连续的纳米线(图4(b-ii)),提高了更新线性(图4(b-v))。然而,在需要大切换比的高电压脉冲下,线性仍然有限。为了克服这个问题,在a-Si层中嵌入了Ti纳米簇(图4(b-iii))。Ti的还原电位为-1.63 V(相对于Ag+的+0.8 V),作为还原剂,自发地向Ag+捐赠电子,促进了Ag簇的形成。这种机制实现了接近理想的线性电导更新(图4(b-vi))。优化的Ti4.8%:a-Si器件实现了244的切换比率,在超过两个数量级的动态范围内实现了线性更新(图4c)。XPS分析证实了Ti–Si簇的形成(图4d)以及Ti0+到Ag+的电子转移(图4e),验证了化学驱动的簇型切换机制。
图4. (a) Au/a-Si/Ag交叉阵列器件结构示意图以及生物突触的插图。(b) 三种不同切换机制器件的工作原理(顶部)和相应的电导更新特性(底部):(i) 在原始的a-Si器件中,高的Ag+迁移率导致快速的连续纳米线生长,表现出高度非线性的电导更新;(ii) 在致密的a-Si器件中,低的Ag+迁移率导致分散的Ag簇形成,提高了线性;(iii) 在Ti4.8%:a-Si器件中,Ti纳米簇作为还原剂,在介电层内诱导Ag+的还原,实现了接近理想的线性电导更新。(c) Ti4.8%:a-Si器件在±1.1 V脉冲下展示了244的高开/关比和超过两个数量级的线性电导调节范围。(d) XPS光谱显示Ti4.8%:a-Si薄膜中的Ti 2p3/2峰向更高的结合能移动,证实了稳定Ti-Si簇的存在。(e) XPS分析 Ag-Ti-Si薄膜显示,随着Ag比例的增加,Ti0+的金属峰消失,而Tin+的氧化峰出现,直接证明了从Ti到Ag+的电子转移和随后的还原反应。这项工作在掺钛的非晶硅中实现了一种簇状导电机制,显著改善了线性和开关比之间的平衡,并为固态电解质忆阻器提供了新的路径。然而,耐久性测试仅进行了15个循环(6000个脉冲),这难以支持在线学习所需的高频更新。器件间的变异性(D2D)尚未得到系统评估,这影响了大规模阵列集成的可靠性。
4.1.3 相变忆阻器
相变器件因其非易失性、高速性和多状态存储潜力而受到了广泛关注。然而,传统的相变材料(如Ge2Sb2Te5)依赖于焦耳加热引起的相变,这带来了高功耗和稳定性有限的固有挑战[63,64,65,66,67]。最近,Hwang等人提出了一种创新解决方案:利用铁电基底的极化场(PIN-PMN-PT)在相邻的二维材料Mo0.95W0.05Te2中诱导结构相变(从半导体2H相变为半金属1T’相)。这使得可以连续、非易失性地调节器件导电性,以模拟生物突触的可塑性[47]。图5a展示了核心器件架构:铁电PIN-PMN-PT基底作为栅极电介质,Mo0.95W0.05Te2通道和h-BN封装。通过添加5%的W,2H相和1T’相之间的能量差降低到<35 meV,使材料接近相变临界点。铁电基底产生的垂直电场将载流子密度注入通道,超过引发2H → 1T’转变的阈值,从而实现低功耗的导电性调制。为了确认这一机制,进行了原位拉曼光谱分析。当V_DS从0增加到40 V时,168 cm?1处出现新的峰(1T’相B_g模式),而2H峰(约233 cm?1)仍然存在,表明发生了局部相变(图5b,c)。基于这一机制,该器件表现出丰富的电传输行为。图5d显示了在栅极电压扫描下的传递特性,显示出顺时针方向的磁滞现象,开/关比率为106。在正向扫描过程中,铁电极化使通道转变为高导电性的1T’相;即使V_G恢复到零,这种状态也能保持,直到足够负的V_G反向极化。这使器件具备了非易失性的双稳态记忆功能。除了栅极控制外,还发现了一种两端操作模式。如图5e所示,单独扫描V_DS时,栅极悬空会产生磁滞现象,并在约?4 V处出现电流突变,对应于漏极电压引起的相变。这为更紧凑的突触实现提供了可能性。图5g模拟了由漏极电压驱动的突触可塑性。在漏极电压脉冲(LTP为?10 V,LTD为+10 V)作用下,导电性更新具有35的动态范围,非线性因子ν_p = 0.1和ν_d = 0.3,不对称比AR = 0.06,接近理想的线性和对称性。图5h展示了在栅极驱动模式下异质突触可塑性的实验实现。通过施加栅极电压脉冲,器件的通道导电性也可以进行多级调节,模拟LTP和LTD行为。
4.1.4 电控忆阻器的挑战
尽管电控忆阻器在内存计算和神经形态计算领域展现了巨大潜力,但在从实验室研究向实际应用过渡过程中仍面临一系列关键挑战。传统的电控忆阻器通常存在循环间变异性和器件间变异性,导致权重更新不可靠。线性和开关比之间存在矛盾,高开关比伴随着非线性导电性更新,而线性更新通常受到较小的动态范围限制。在交叉阵列结构中,高密度集成引起的焦耳热量积累不仅影响器件稳定性,还可能干扰相邻单元的状态。此外,电控忆阻器与CMOS外围电路(如ADC/DAC、行/列驱动器)的异构集成面临多重工程挑战,如工艺兼容性、寄生效应和时序匹配问题。总之,只有通过协同解决这些指标,才能充分发挥电控忆阻器的能效潜力。
4.2 光电器件忆阻器
尽管电控忆阻器在内存计算和神经形态计算领域取得了显著进展,但其本质仍受限于电连接的带宽瓶颈,数据需要传输以满足实时处理要求。引入光作为第二控制维度,并将传感、存储和计算功能集成到同一单元中,可以有效降低传感器和处理器之间的数据传输延迟和功耗开销[68]。作为一种新兴方向,光电器件忆阻器展示了巨大的潜力。丰富的光电协同机制,如铁电极化、电化学掺杂和陷阱捕获,扩展了它们的应用领域。近年来,研究人员成功地利用光电器件忆阻器实现了实时追踪运动轨迹、原位图像预处理和强背景噪声抑制等尖端功能。在本章中,我们将介绍光电器件忆阻器的最新进展。
4.2.1 基于铁电极化的光电器件忆阻器
铁电器件忆阻器是一类利用铁电材料中自发极化方向的可逆切换来实现非易失性电阻状态变化的电子设备[69]。其核心原理是将铁电材料的固有二进制极化状态(Up或Down)直接与器件电阻状态耦合,从而实现低功耗、高速和无损读出的存储和计算功能[70,71]。基于铁电极化,光电器件忆阻器通过调整界面肖特基势垒、带弯曲或内置场来控制光电流的方向和幅度。除了极化特性外,其功能层还具有光敏性。常见材料包括钙钛矿氧化物(PZT、BFO-BFO)、铁电聚合物(P (VDF TrFE) [72]、二维铁电体(α-In2Se3)[73]和铁电半导体异质结构(HZO)。可重构的铁电异质结利用其非易失性极化控制和光敏性,为集成传感和计算架构提供了创新途径。Cui等人提出了基于铁电光电传感器网络(FE-PS-NET)的硬件解决方案,用于实现实时机器视觉中的集成图像感测和处理。通过构建Pt/PZT/SRO异质结构,该研究利用铁电材料的剩余极化来调节光伏响应,实现了自供电、低延迟和高可靠的传感器内计算架构[48]。器件结构如图6a所示,Pt作为顶部电极,外延生长的Pb(Zr0.2Ti0.8)O3 (PZT)薄膜作为铁电功能层,SrRuO3 (SRO)作为底部电极。图6b显示了在不同电压幅度脉冲下测量的极化-电压(P–V)曲线,证实PZT薄膜表现出典型的铁电切换行为和良好的可切换极化特性。双极性和单极性磁滞环表明,该器件具有高达约50 μC/cm2的剩余极化和约±1.9 V的矫顽电压。这些环表现出良好的对称性,表明PZT薄膜中没有显著的印迹效应。这一特性为实现非易失性和可重构的光响应奠定了基础。该器件同时表现出典型的LTD和LTP行为(图6c)。通过施加25个递增的正脉冲(1.65–1.89 V,10 μs)和25个递增的负脉冲(?1.70至?1.94 V,10 μs),光响应性(R)在+0.22 mA/W和?0.22 mA/W之间连续调节,形成对称的权重更新曲线。多周期测试表明,器件的循环间变化仅为约3%,显示出良好的可重复性和稳定性。图6d显示了极化调节的光伏响应的物理机制。极化调节了Pt/PZT和PZT/SRO界面处的肖特基势垒,从而改变光生电流的方向和幅度。
总之,尽管电控忆阻器为神经形态计算奠定了硬件基础,但只有协同突破这些指标,才能真正释放其能效潜力。
尽管电控忆阻器在内存计算和神经形态计算领域取得了显著进展,但其本质仍受限于电连接的带宽瓶颈,数据需要传输以满足实时处理要求。引入光作为第二控制维度,并将传感、存储和计算功能集成到同一单元中,可以有效降低传感器和处理器之间的数据传输延迟和功耗开销[68]。作为一种新兴方向,光电器件忆阻器展现了巨大潜力。丰富的光电协同机制,如铁电极化、电化学掺杂和陷阱捕获,扩展了它们的应用领域。近年来,研究人员成功地利用光电器件忆阻器实现了实时跟踪运动轨迹、原位图像预处理和强背景噪声抑制等尖端功能。在本章中,我们将介绍光电器件忆阻器的最新进展。张等人提出了一种新的离子诱导局部场调制策略,成功开发出一种具有局部存储响应特性的宽带类视网膜视觉传感器,并构建了一个可重构的神经形态视觉系统[49]。图7a展示了该设备的结构:单壁碳纳米管核心外包裹着图德拉恩纳米管。高分辨率透射电子显微镜(HR-TEM)揭示了独特的核心-壳层形态——碳纳米管作为导电核心,均匀涂覆着约1纳米厚的图德拉恩壳层。碳纳米管提供宽带吸收和空穴传输功能,而图德拉恩凭借其大孔结构和高锂离子存储能力,成为离子调制的关键功能层。图7b展示了由这种材料制成的传感器阵列,为神经网络硬件奠定了基础。图7:(a) 设备结构的示意图和高分辨率透射电子显微镜图像。(b) 由核心-壳层结构纳米管构成的传感器阵列。(c) 能带示意图,说明设备的工作原理:(i) 在没有Li+插入时,图德拉恩中的炔键吸引光生空穴,降低碳纳米管中的空穴浓度,产生负光响应;(ii) 在Li+插入后,带正电的Li+离子在图德拉恩和碳纳米管之间形成局部静电场,吸引光生电子,增加碳纳米管中的空穴浓度,从而反转光响应方向,产生正光电流。(d) 传递特性曲线,显示出顺时针的滞后窗口。(e) 六十四个离散的导电状态。(f) 通过施加正负栅极电压脉冲,实现对响应特性的对称且可逆的非易失性调制。(g) 在±10 mA/W范围内对响应特性进行线性调制。工作原理如图7(c-i,ii)所示。在没有Li+插入时,图德拉恩的炔键表现出吸引空穴的特性。光照下,光生空穴从碳纳米管转移到图德拉恩,降低碳纳米管中的空穴浓度,产生负光响应。当栅极电压将Li+插入图德拉恩后,带正电的离子在图德拉恩和碳纳米管之间形成局部静电场,抵消吸引空穴的性质,反而吸引光生电子,增加碳纳米管中的空穴浓度,使光响应方向反转。这种离子诱导的局部场为响应特性的可逆调制提供了物理基础。图7d通过传递曲线验证了这一过程,显示出顺时针的滞后窗口,其开/关比超过了10^3——这是Li+插入和脱插的电学特征。基于这一机制,实现了精确的导电控制。图7e表明,施加64个正向栅极脉冲(0.5 V,1 ms)可线性降低导电率从7.0 nS到0.3 nS,产生64个可区分的非易失性状态,保持时间超过10^4秒。图7f和g显示,通过对Li+浓度进行精确控制,可以对称且可逆地调制响应特性,在±10 mA/W范围内实现近乎完美的线性调制。这项工作解决了类视网膜视觉传感器中响应特性的易失性和有限光谱范围问题,为高速、低功耗的边缘智能机器视觉系统提供了可行的路径。研究人员利用核-壳结构设计并引入离子来诱导局部电场,实现对光响应特性的线性、对称和可逆的非易失性连续控制。由于传统离子掺杂中离子分布的不确定性,忆阻器的响应通常存在非线性和对称性差的问题。然而,图德拉恩纳米管均匀分布的大孔结构和高锂离子存储能力有利于离子浓度的线性调节。此外,其工作光谱已被扩展到400–1800纳米的宽带范围。4.2.3. 陷阱捕获的光电忆阻器陷阱捕获的光电忆阻器是一类通过半导体或绝缘体中的缺陷能陷阱可控捕获和释放光生载流子来实现非易失性电阻开关的器件[75,76]。它们的核心原理是利用光作为触发信号进行写入/擦除,通过控制陷阱内的电荷占据状态来调节通道导电性或界面势垒[77]。这一机制结合了光学的非接触式并行操作和电子学的精确控制能力,使其成为实现高能效、多级存储和神经形态视觉感知的理想平台。Ta等人成功设计、制造并展示了一个640 × 512像素的CMOS集成有机神经形态成像器[50]。如图8a所示,该设备具有横向双终端结构,光敏层由供体聚合物PTB7-Th和受体聚合物PZ1形成的体异质结(BHJ)构成。关键在于,在电极-BHJ界面引入了γ-巯丙基三甲氧基硅烷(MPTS)作为界面陷阱层。图8b中的能带示意图揭示了工作原理:在光照刺激下,激子在内置和外加电场作用下解离;光生电子被MPTS陷阱捕获,而空穴则传输到电极,形成光电流。光照停止后,被捕获的电子缓慢释放,导致光电流逐渐衰减,表现出记忆效应。图8:(a) 有机器件的示意图。(b) 机制过程的示意图。(c) 设备的光触发长时程(STP)和长时程增强(LTP)。(d) 有无MPTS涂层的光触发LTP。(e) 神经形态器件的特征光响应。(f) 不同受体(PZ1)重量比的器件记忆保持时间 traces。(g) 光交联机制过程的示意图。(h) BHJ图案化过程的概述,包括墨水涂层、紫外线曝光和使用非极性溶剂开发BHJ图案。(i) 具有不同线宽的BHJ图案图像。(j) 4英寸晶圆上的大面积周期性图案图像。基于这一机制,该设备表现出丰富的仿生突触行为。图8c展示了在特定频率(0.1 Hz和0.5 Hz)的光脉冲训练下,兴奋性突触后电流从STP到LTP的转变,表明通过调整脉冲时机或频率,设备可以为不同的动态视觉任务进行训练。图8d验证了MPTS的核心作用:没有MPTS的器件几乎不显示LTP,光电流在脉冲后迅速衰减。通过光脉冲建立LTP后,即使故意中断电源40秒,EPSC水平在电源恢复后也几乎完全恢复(图8e),证实捕获的载流子牢固地固定在陷阱能级内,无需依赖外部电源。一个关键特点是保持时间可以通过化学计量比在毫秒到几秒钟之间广泛调节,使得具有不同时间动态的像素能够单片集成,并实现高速响应与长期存储的共存。为了实现高分辨率成像阵列,使用了双叠氮交联剂。在365纳米紫外线照射下,它分解产生高反应性的硝基自由基,这些自由基通过C-H插入与相邻的聚合物烷基链形成强共价C-N键,在暴露区域形成不可溶的交联网络(图8g)。制造出了最小线宽达到1微米的BHJ线图案(图8h),接近可见光光刻的物理极限。图8j展示了在640 × 512像素CMOS读出电路上成功集成BHJ图案,像素间距为15微米,图案与像素电极完美对齐。这表明有机神经形态材料可以与成熟的基于硅的芯片技术高产率、高精度地集成。这项工作利用MPTS界面陷阱层有效地捕获并缓慢释放光生电子,从而使有机光电探测器具有非易失性的光响应记忆效应。通过调整陷阱层的化学计量比,可以在毫秒到几秒钟的范围内连续调节设备的记忆保持时间,提供了在同一芯片上集成具有不同时间动态特性的像素单元的可能性。更重要的是,这项工作采用了双叠氮交联剂光刻技术,实现了有机异质材料的高精度和非破坏性图案化,最小线宽达到1微米。它成功地将一个640 × 512像素的有机神经形态成像阵列与CMOS读出电路集成在单个芯片上,像素间距为15微米,图案与电极之间完美对齐。这一策略首次证明了有机神经形态材料与成熟的基于硅的工艺兼容,为实现大规模阵列制备和高产率奠定了技术基础,为高分辨率、批量生产的神经形态成像芯片提供了技术基础。4.2.4. 光电忆阻器的挑战光电忆阻器在传感、存储、计算和神经形态视觉领域的集成方面展现了巨大潜力,但从原型验证到实际应用 masih存在一系列关键挑战。不同类型的光电忆阻器在性能指标上存在不同的缺点。铁电器件的光响应特性通常较低,光谱响应范围有限,难以满足复杂场景中弱光检测和多光谱感知的需求。尽管电化学掺杂器件实现了宽带响应,但离子分布的随机性和扩散动力学的非均匀性仍导致器件和循环之间的响应波动,影响线性和重复性。陷阱捕获器件在存储保持时间和擦除速度之间存在权衡,难以同时实现高速响应和长期非易失性性能。此外,在面对大规模阵列集成时,光电协同控制带来的额外控制维度增加了外围电路的设计复杂性。光信号的空间串扰、像素之间的热耦合以及读写过程中的电荷积累效应都可能降低阵列的信噪比和一致性。因此,未来需要在材料系统创新、器件结构优化、阵列架构设计和异质集成过程方面取得协作突破,以真正释放光电忆阻器在高效、实时边缘视觉系统中的应用潜力。5. 忆阻器应用除了高效识别单模信号外,当前的忆阻式感知系统还优先考虑多模传感器数据的协同融合。这一范式旨在复制生物多感觉集成中固有的鲁棒性和上下文意识,促进向自主神经形态系统的转变,使其能够进行复杂的环境交互[79]。本节系统评估了忆阻器应用的最新进展,特别关注神经形态视觉和体感、在内存中计算以及自主决策。我们分析了跨器件工程、架构创新和系统级实现的现有策略,并总结了未来的挑战和发展趋势。根据忆阻器的特性和应用领域,表格2进行了总结。表2. 基于忆阻器的应用系统总结。5.1. 神经形态视觉感知在神经形态视觉系统中,忆阻器作为核心组件。通过模仿生物突触的可塑性,它们整合了对外部光信息的多维感知、存储和处理,为构建高效、低功耗的视觉感知和识别系统提供了关键的硬件基础[88,89,90,91,92]。朱等人报告了一项关于一种灵活的超灵敏光电传感器阵列的研究,该阵列采用了一种专为神经形态视觉系统设计的埋藏栅极光晶体管[80]。图9a展示了埋藏栅极光晶体管的设计结构,其中半导体碳纳米管网络作为电荷传输通道,CsPbBr3钙钛矿量子点作为光吸收层,通过光电门效应实现高效的光电转换。图9b展示了32 × 32像素灵活传感器阵列芯片的光学照片,证明了1024像素的高集成密度以及该设备与柔性基板的兼容性。图9c提供了单个像素的放大视图,清晰显示了源极、漏极和栅极电极以及通道的微观结构,从而验证了设备的微型化和一致性。基于该结构,图9d展示了使用数字“8”训练模式的设备的神经形态强化学习功能。在超弱光脉冲(1 μW/cm2)的激发下,随着训练脉冲数量从0增加到200,传感器阵列输出的权重图逐渐清晰,模式匹配能力不断提高,最终识别准确率达到95%,模仿了生物系统中通过重复刺激进行的记忆强化过程。图9e表明,固定10个脉冲的情况下,增加光强度(从4.0 μW/cm2到4.0 mW/cm2)显著加速了学习过程。这些结果表明,更强的光可以在更少的脉冲次数内实现目标突触权重,表明光强度对学习效率具有调节作用。图9f基于上述实验特性,模拟了面部识别的学习演变过程。最初模糊的面部特征在经过逐步训练后变得清晰可辨,进一步验证了这种传感器阵列在复杂图像处理任务中的潜力。图9。(a) 埋入式光电晶体管的示意图。(b) 32 × 32像素柔性传感器阵列芯片的光学照片,集成密度为1024像素。(c) 单个像素的放大图像。(d) 神经形态强化学习的演示:在极弱光脉冲(1 μW/cm2)下训练数字“8”的图案。随着训练脉冲数量从0增加到200,传感器阵列的输出权重图逐渐清晰。(e) 光强度对学习效率的调节作用。在固定10个脉冲的情况下,增加光强度(从4.0 μW/cm2到4.0 mW/cm2)显著加快了学习过程。(f) 基于实验特征的面部识别模拟学习演变过程。最初模糊的面部特征在经过逐步训练后变得清晰可辨。(g) 基于ITO/(BA)2PbI4/ITO的2T垂直光电探测器的仿生视觉系统。(h) 仿生视网膜模型训练及其相应的测试结果示意图。图9g展示了Wang等人设计的基于二维钙钛矿单晶的垂直结构光子突触装置[81]。利用该材料的固有有机/无机界面和离子-激子耦合效应,该装置实现了约90秒的非易失性光电流,无需复杂的异质结界面,模仿了短期可塑性等突触行为。每次突触事件的能量消耗低至约0.145 fJ,低于生物突触。这种集成的感知-存储特性使该装置可用于图像预处理。如图9h所示,该装置阵列可以在训练后生成保留关键特征的输入面部图像的存储映射。基于此映射,构建了一个期望阈值模型。无需复杂的神经网络,该模型即可实现高激活率以识别人脸目标,即使在噪声或姿态变化的情况下也能保持良好的鲁棒性。这突显了忆阻器阵列在仿生视觉特征学习和识别中的应用潜力。从神经形态视觉系统的角度来看,这两种类型的光学突触装置都能有效模拟视网膜的并行处理机制,突破了传统视觉传感器感知与存储计算分离的瓶颈。它们都具备图像去噪、特征增强和模式识别的能力,但在长期稳定性、大面积阵列均匀性和宽光谱适应性方面仍需优化,以满足高性能神经形态视觉系统的实际需求。
5.2. 神经形态触觉感知
忆阻器在集成多维信息和处理时空信号方面的能力,如在视觉感知中所展示的,突显了它们在模拟生物感觉系统方面的多功能潜力。这种潜力不仅限于视觉,还扩展到多模态物理刺激(如机械、热和化学输入)的触觉感知系统[93,94]。图10a展示了一个用于同步健康和环境监测的可穿戴多模态传感系统[82]。其核心采用了TiO2/WS2异质结作为通用传感材料。通过选择性封装(PDMS用于紫外线传感,PET屏蔽层用于温度和脉冲传感),该系统能够在单一柔性基板上集成NO2、紫外线强度、皮肤温度和动脉脉冲信号的检测。图10b展示了这种柔性集成传感贴片及其佩戴在前臂上的照片,体现了其灵活性和佩戴舒适性。图10c显示了系统在动态环境中记录的实时同步多参数数据流,验证了其在现实世界场景中的连续多模态感知能力。尽管该系统的信号转换基于电阻变化,但它使用混合神经进化算法(GA-BP)实现了对光-气体干扰的高精度解耦。这体现了神经形态计算概念在增强传感器信息处理能力方面的关键作用。在忆阻式神经形态触觉系统中,主要功能是将物理刺激(如压力、温度和化学信号)直接转换成可调节的导电状态。这种机制使系统能够根据刺激历史实现学习、记忆和适应性响应。
图10。(a) 集成可穿戴多模态传感系统的示意图,包括设备结构和实物照片。(b) 柔性集成传感贴片的照片。(c) 使用可穿戴多模态传感系统进行实时数据记录。(d) 有害刺激下的人体生理保护模式示意图。(e) 仿生人工损伤响应示意图,集成了摩擦电发电机(人工机械感受器)、忆阻器(人工痛觉感受器)、发光二极管(LED)(人工淤青指示器)和2.4V电源,用于模拟疼痛感、损伤迹象和愈合过程。(f) 无刺激时的初始状态。随着刺激强度的增加,LED的亮度更高,恢复时间也更长。如图10d所示,生物对有害机械刺激的反应包含一个复杂的环境保护序列,包括痛觉感知、损伤表现和随后的组织修复。这一生理过程为仿生触觉系统提供了功能模板[83]。图10e展示了一个由摩擦电纳米发电机(TENG)、忆阻器和发光二极管(LED)组成的集成人工损伤响应系统,分别作为机械感受器、痛觉感受器和淤青指示器。通过电路级集成,该系统模拟了从感觉转换到视觉表现的完整损伤响应链。图10f通过实验展示了系统的具体响应行为:当施加轻微触摸时,摩擦电发电机产生的电压未达到忆阻器的阈值,电路电流极低(约10^-8 A),LED保持关闭状态,表示没有“疼痛感”或“损伤”。当施加中等强度的冲击时,输出电压(约13 V)触发忆阻器进入低电阻状态,电路电流超过10^-6 A,LED亮起,表示“轻微损伤”,约3秒后随着忆阻器放松而熄灭,模拟快速愈合过程。当施加强烈冲击时,更高电压(约17 V)使忆阻器进入更低电阻状态,电流峰值达到2.5 × 10^-6 A,LED更亮,并保持点亮超过180秒后缓慢熄灭,模拟“严重疼痛”、“明显淤青”和缓慢恢复过程,准确再现了刺激强度与生理反应严重程度/持续时间之间的正相关关系。
从神经形态感知系统扩展到触觉领域,忆阻器凭借其多模态信息融合和时空信号处理能力,已成为仿生触觉系统的核心单元。多模态传感系统依赖于阻抗变化,并与算法解耦,未能真正实现感知、存储和计算的集成,导致高功耗和延迟;尽管人工损伤响应系统具有高度的仿生性,但它仅以单一方式响应机械刺激,无法再现温度和化学等多模态损伤感知。同时,在复杂环境中仍缺乏稳定性、阵列串扰和长期可靠性,这将是其长期面临的挑战。
5.3. 芯片上信号处理和计算
在向芯片上处理的架构演变中,忆阻器及其衍生设备作为打破冯·诺伊曼瓶颈并实现高效神经形态计算的关键硬件推动者而出现,这得益于它们内在的存储计算特性[95]。最近的研究通过材料创新和结构设计,显著提升了这些设备在图像预处理、特征提取和识别等任务上的芯片上处理能力。2024年,Zhong等人开发了一种CuInP2S6 (CIPS)离子光电探测器阵列,利用离子迁移和光生载流子之间的耦合效应,在传感器内部直接执行图像转换和增强[84]。图11a–c将传统图像处理流程(采集-存储-计算)与CIPS探测器实现的传感器内计算范式进行了对比。在曝光过程中,探测器利用固有的非线性光响应(如对数、分段或逆相关)进行实时图像转换。这种架构使得可以在传感层内部进行本地数据预处理,从而绕过了对后端计算干预的需求。图11d–f进一步展示了该阵列在低信噪比场景中的应用:通过对原始低光照场景图像应用不同的积分时间(t = 0.5秒、5秒、10秒)(图11f(顶部)),探测器直接输出信噪比(SBR)从0.14增加到1.24的增强图像,甚至实现了强度反转。这突显了其在弱信号检测和强背景抑制方面的优势。这种传感器内处理能力显著减少了数据传输开销,提高了系统能效,特别适用于具有高实时需求的边缘视觉系统,如自动驾驶和监控。
图11。(a–e) 使用CIPS光电探测器的传感器内图像转换。(a) 一个高噪声图像的例子,其中信号对象完全被噪声遮挡,信噪比(SNR)约为0.7。(b) 传统图像处理工作流程。(c) 使用CIPS光电探测器的传感器内图像处理工作流程。(d) 使用算法计算的图像处理。(e) 使用CIPS光电探测器的图像处理。(f) 通过增加曝光时间,使用CIPS光电探测器显著改善的信噪比(SBR)。(g) 5 × 5忆阻晶体管阵列的光学图像。(h) 基于Prewitt卷积的3 × 3子阵列的示意图,采用水平矩阵结构进行图像处理。(i) 仿真和实验之间各种卷积图像处理结果的比较。同时,Hou等人开发了一种基于二维过渡金属硫属化物(TMDCs)的忆阻晶体管阵列。通过精确调节肖特基势垒,他们实现了高度均匀且可扩展的突触阵列,适用于更复杂的芯片上神经网络计算[85]。图11g展示了制造的5 × 5忆阻晶体管阵列,为可靠权重矩阵的硬件实现提供了基础。为了进一步验证其在图像处理中的实用性,研究人员将该阵列应用于卷积操作。图11h展示了基于3 × 3子阵列的Prewitt水平卷积核的硬件映射方案。通过将卷积权重编码为设备导电状态,并将输入灰度值映射到行电压上,乘法和累加(MAC)操作在阵列内部并行执行。这种架构通过直接在内存结构中进行模拟计算,促进了源处的图像处理,如边缘检测。图11i比较了软件仿真和硬件实验获得的卷积处理结果,显示出高度的一致性。这证实了忆阻晶体管阵列可以可靠地执行芯片上的卷积操作,用于特征提取预处理任务。这种将计算嵌入内存阵列的方法不仅大幅降低了数据在处理器和内存之间传输的能量成本,还通过并行模拟计算加速了矩阵操作,为后续的神经网络识别任务奠定了高效基础。
芯片上的感知计算显著提高了效率,但其大面积阵列的制备较为困难,且设备一致性和环境稳定性较差。同时,当前的计算仅限于简单算法,难以支持复杂的神经网络推理。
5.4. 轨迹跟踪
在动态视觉处理中,特别是对于实时轨迹跟踪,传统的基于CMOS的帧采样系统受到大量数据冗余、高延迟和过度功耗的限制。为了解决这些问题,利用忆阻器的神经形态传感器阵列作为一种仿生替代方案已被开发出来。这些架构利用传感、存储和处理的单片集成,实现了节能的传感器内运动分析,为动态目标识别提供了变革性方法[96,97,98]。Huang等人使用基于NbS2/MoS2异质结的神经形态光学传感器阵列实现了传感器内的轨迹注册[86]。图12a显示,该阵列集成了10 × 10个独立可控的光电晶体管像素,形成了硬件基础。其工作原理(图12b)依赖于设备显著的持续光电导效应。照明后产生的光电流衰减缓慢,其衰减动态与照明历史和时序密切相关。如图12c所示,阵列依次记录点位置,生成了具有时空相关性的“轨迹图像”。由于固有的导电衰减,较早被激发的像素表现出较低的残余电流,有效地在单一导电图中编码了运动序列和路径。值得注意的是,全局门电压脉冲可以快速重置系统,从而实现连续的、无串扰的后续轨迹跟踪。通过将时空信息的提取过程限定在传感器硬件内部,该方法最大限度地减少了外部数据传输,从而显著降低了系统级别的功耗和延迟。图12:(a) 受神经启发的光学传感器阵列的数字图像及其对应的电路图;(b) 传感器内轨迹记录的示意图;(c) 不同轨迹下的轨迹图像及相应的电流曲线;(d) PSOS设备的示意图和工作原理;(e) 大规模阵列设备的照片(比例尺:1厘米);(f) 测试装置的示意图;(g) 运动轨迹映射时空视觉信息的示意图。如图12d所示,杨等人设计了一种基于PEA2SnI4微线阵列的偏振敏感光子突触设备。该设备利用非对称电极结构,在金属-半导体界面形成差异化的接触势垒,实现了低功耗下的高效电荷存储和擦除。它模仿了生物突触功能,如兴奋性/抑制性突触后电流,表现出类似于光刺激下突触权重调节的动态响应特性[87]。图12e展示了该设备的大规模阵列集成能力。通过模板辅助压印方法制造的10×10柔性阵列具有良好的均匀性和可扩展性,为构建大规模感知系统奠定了基础。图12f描述了设备测试场景:通过旋转半波片来调整入射光的偏振方向,设备表现出明显的偏振依赖性响应,二向色比为1.38,证实了其从偏振维度有效提取视觉信息的能力。对于动态场景感知,该设备能够将移动目标的连续视觉帧转换为时空脉冲序列(图12g),从而实现从连续运动中提取时间关联性信息,提供了一种硬件高效的运动跟踪和实时分析方法。
基于忆阻器和二维异质结的神经形态感测阵列依靠持久的光电导效应,直接在像素内部编码时空轨迹信息,实现了快速的全局重置、无串扰的连续跟踪,并实现了低功耗的片上运动分析。然而,在面对高速移动目标时,光电导效应可能导致时间精度和速度不足。如果出现多个目标,跟踪可能会变得混乱,难以在车载或航空摄影等实时应用中使用。因此,开发高速高精度的神经形态动态视觉设备将是光阻存储器的重要方向。
**6. 结论与展望**
在本综述中,我们系统地探讨了忆阻器的基本机制、演化路径和应用领域。通过物理上统一信息存储和处理过程,忆阻器本质上模拟了突触的可塑性,为克服冯·诺伊曼瓶颈提供了坚实的基础。该领域正从纯粹的电气调制(研究重点在于优化均匀性和可靠性)逐步向光电协同发展。这种转变扩展了感知与计算的集成范式,利用了光信号的高带宽和并行性。通过在传感器节点直接嵌入计算能力,忆阻架构为神经形态感知、实时信号处理和动态时空编码提供了硬件高效解决方案,为边缘智能和仿生机器人技术奠定了坚实的硬件基础。然而,要将这种潜力转化为广泛的实际应用,需要克服一系列相互关联的跨层挑战。根本层面,必须解决设备层面的物理瓶颈问题,如性能 variability、随机噪声和有限的耐用性。这些问题在阵列集成过程中会因对CMOS兼容性的严格要求、鲁棒选择器的开发以及热效应和信号串扰的缓解而变得更加复杂。此外,要实现大规模系统部署,还需要全面的硬件-算法协同设计以及专门的设计工具链;新兴的光电忆阻器还需优先考虑光控制效率和光谱响应。展望未来,克服这些瓶颈需要材料科学、器件物理和电路架构领域的跨学科创新。随着阵列级可靠性的提升,忆阻器预计将首先在边缘AI加速器和智能传感器中实现商业化应用,最终推动通用内存计算系统和大规模脑启发式硬件的长期发展。