综述:迈向可扩展的神经形态硬件:基于二维材料与忆阻神经网络的挑战与机遇

《Materials Today Nano》:Toward Scalable Neuromorphic Hardware: Challenges and Opportunities in 2D–Material–Based Memristive Neural Networks

【字体: 大 中 小 】 时间:2026年05月02日 来源:Materials Today Nano 8.2

编辑推荐:

  赛义德·阿米尔·哈姆扎(Syed Ameer Hamza)| 莫辛·阿里(Mohsin Ali)| 伊卜蒂萨姆·艾哈迈德(Ibtisam Ahmed)| 乌马尔·伊贾兹(Umar Ijaz)| 金泰吉(Taegi Kim)| 金熙东(Hee–Dong Kim) 韩国首尔广津区

  赛义德·阿米尔·哈姆扎(Syed Ameer Hamza)| 莫辛·阿里(Mohsin Ali)| 伊卜蒂萨姆·艾哈迈德(Ibtisam Ahmed)| 乌马尔·伊贾兹(Umar Ijaz)| 金泰吉(Taegi Kim)| 金熙东(Hee–Dong Kim)
韩国首尔广津区牛东路209号世宗大学半导体系统工程系、电气工程系及智能无人机融合工程系,邮编05006

**摘要**
人工智能和神经形态计算的迅速发展迫切需要创新的硬件解决方案,以超越传统冯·诺依曼架构的限制,特别是在能效和处理速度方面。忆阻器能够模拟人脑的突触功能,因此为新兴的人工智能系统的发展提供了非常有前景的方向。本文全面分析了基于忆阻器的神经网络的最新进展,特别关注了二维材料的应用。本文确定了关键的材料与器件架构之间的关联,并评估了哪些二维材料最适合特定的神经形态模型(人工神经网络、卷积神经网络、脉冲神经网络)。我们探讨了忆阻器的工作原理,包括电阻式开关和突触可塑性,并考察了使这些器件适用于神经形态计算的性能特点。此外,本文还讨论了忆阻器阵列在各种神经网络架构(如人工神经网络、卷积神经网络和深度神经网络)中的潜在应用。通过整合最新研究的见解,本文指出了设计和构建基于忆阻器系统的障碍与机遇,为高效、低功耗计算的未来发展奠定了基础。

**引言**
随着大数据时代的到来,计算机技术的进步面临矛盾:一方面对人工智能(AI)的需求不断增加,另一方面处理能力却受到限制。现有的冯·诺依曼架构在智能计算机系统中存在将内存与处理分离的两个根本性问题[1]。内存访问的速度远远落后于中央处理单元(CPU)的计算性能,这导致了CPU利用率的显著降低,这种现象被称为“内存墙”[2]。数据传输过程中能量的消耗大大阻碍了芯片技术的进步,这通常被称为“功耗墙”[3]。计算机容量的扩展是通过不断减小器件尺寸实现的,这与摩尔定律一致。虽然这种方法减轻了冯·诺依曼瓶颈的影响[4],但由于数据存储和处理仍然分离,因此无法从根本上解决这些问题。因此,科学家们正在研究使用非冯·诺依曼架构的创新计算机解决方案[5]。

基于大脑自然结构的神经形态计算机系统目前受到了广泛研究。人类大脑包含860亿个神经元和100万亿个突触,能够以极高的能效和极低的能耗(每次突触活动仅消耗1-100飞焦耳的能量)同时处理大量信息[6][7]。因此,围绕人工突触构建的神经形态计算机器有望成为下一代强大的计算系统,展现出并行处理和指数级的计算速度。为了开发高效的神经形态处理系统,必须使用具有与生物突触相同突触可塑性的仿生突触。突触可塑性在神经科学领域是指神经元建立和修改连接的能力[8]。

为了构建能够模仿人类大脑高效数据处理能力的神经形态计算框架,人们正在开发各种类型的人工突触,重点研究了忆阻器[9]、电阻式开关(RS)存储器[10]、相变存储器[11]、晶体管[12]和铁电存储器[13]。两端子忆阻器和三端子晶体管架构的人工突触已成为广泛而深入的研究对象。目前,能够记录施加电压和电流下内部电阻变化的两端子忆阻器被广泛应用于电阻式开关和人工突触[14]。典型的忆阻器由顶电极、功能层和底电极组成,类似于生物突触中的突触前膜、突触间隙和突触后膜。忆阻器的优异特性(如快速操作、强耐久性、出色的可扩展性以及低功耗)使其成为人工突触系统的理想选择[15]。忆阻器的引入为构建高效的神经形态计算系统带来了独特潜力。

忆阻器在实现更高密度、更好的能效、更快的处理速度、更低的延迟、更低的功耗以及未来非易失性存储系统中的更大存储容量方面具有巨大潜力。因此,许多企业正在开展忆阻器的研发项目。模拟神经元或突触的传统方法需要使用数十个传统电子元件(如晶体管和电容器)。在利用传统互补金属氧化物半导体(CMOS)技术的脑启发式计算机系统中已经取得了显著进展,但在集成和功耗可持续性方面仍存在一些挑战。忆阻器能够对外部电场做出可变的电阻响应,是神经突触仿生的理想组件,可用于开发高密度、低功耗的脑启发式计算处理器。此外,忆阻器阵列的应用使得复杂神经网络结构(包括人工神经网络(ANNs)、卷积神经网络(CNNs)、深度神经网络(DNNs)、循环神经网络(RNNs)和脉冲神经网络(SNNs)的发展成为可能。忆阻器阵列优化了欧姆定律在加法运算中的应用以及基尔霍夫定律在乘法运算中的应用,同时允许神经网络执行并行乘法累加(MAC)操作,从而显著提升了神经网络的速度和能效[16]。基于忆阻器的神经网络已成为神经形态系统的关键组成部分,在实现下一代智能计算技术中发挥着重要作用。这些系统通过内存计算和大规模并行处理提供了高能效和计算性能。它们在模式识别、图像和语音处理、智能传感、自主系统、机器人技术、脑机接口和边缘AI等领域具有广泛的应用潜力。由于其非易失性、高集成密度和低功耗,忆阻器被认为是下一代神经形态硬件的理想候选者。最新研究强调了它们对AI加速器和脑启发式计算技术的变革性影响[17][18]。

**本文综述**
本文回顾了基于二维材料的忆阻器神经网络的最新进展,特别强调了它们在突触器件和神经形态计算方面的潜力。由于二维材料的原子级厚度、可调电学特性以及与多种器件配置的兼容性,基于二维材料的忆阻器已成为低功耗和高集成度神经形态硬件的有希望的候选者。本文涵盖了这些系统的关键方面,包括制造工艺、开关行为、神经网络实现和典型应用。除了总结单个器件的演示外,还探讨了基于二维材料的忆阻器的发展轨迹,强调了从简单电阻式存储元件到先进突触和集成架构的演变过程,以及提高开关性能、模拟权重调制和神经形态功能的主要技术途径。为了提供必要的背景信息,我们简要介绍了忆阻器和与忆阻式硬件相关的神经网络模型的基本概念,同时重点介绍了二维材料的最新进展、材料与器件架构之间的关联以及面向应用的性能分析。进一步讨论了二维忆阻式系统在可扩展神经形态硬件方面的当前挑战和未来前景。通过这一视角,本文旨在为将基于二维材料的忆阻器从基础存储器件发展为实用且能效高的神经形态计算平台提供科学指导。

**忆阻器背景**
蔡(Chua)提出了忆阻器作为第四种基本电路元件,将电荷和磁通量概念性地联系起来。后续的实验验证确立了忆阻式开关作为非易失性存储器和神经形态器件的实用基础[19]。

**基于忆阻器的神经网络**
计算机化类脑处理器的建立被广泛认为是发展强大计算机的关键里程碑,因为人脑被认为是一个具有卓越多处理能力的典范系统。神经元通常被认为是人脑中的主要计算单元,它通过树突接收外部输入信号并传递给邻近神经元。

**基于石墨烯的忆阻器神经形态器件和电路**
基于石墨烯的忆阻器突触网络在推进神经形态计算方面起着关键作用,这些忆阻器利用石墨烯的优异电学特性来高效模拟突触行为。它们具有低功耗、快速开关速度和强大的耐久性,这对于大规模神经网络至关重要。它们有效地模拟了人工神经网络(ANNs)中学习和记忆所需的突触可塑性机制[51]。

**基于二维材料的忆阻器在神经形态计算中的发展轨迹**
忆阻器技术在神经形态计算中的发展经历了明显的材料系统演变。早期研究主要集中在基于过渡金属氧化物的忆阻器上,因为TiO2、HfOx、TaOx和ZnO等氧化物相对容易制造,与CMOS工艺兼容,并且能够实现与神经形态计算相关的模拟开关。这些氧化物系统为非易失性开关、模拟突触仿真奠定了初步基础。

**使用二维忆阻器器件的可扩展神经形态硬件的挑战**
尽管基于二维材料的忆阻器具有令人期待的突触特性,但要实现可扩展的神经形态硬件,仅仅在孤立器件上取得良好性能是不够的。在实际系统中,可扩展性取决于忆阻器器件在集成到大型交叉阵列以及外围电路和学习硬件时是否能够保持均匀、可靠和高效的运行。

**未来展望**
忆阻器因其紧凑的结构、低功耗以及在同一硬件平台上结合存储和处理的能力,继续在未来的神经形态计算中展现出强大潜力。随着AI工作负载的复杂性和规模的增加,将需要更高效的神经形态架构来处理大量数据,并减少与传统冯·诺依曼系统相比的数据传输开销。

**结论**
本文强调了基于忆阻器的神经网络(尤其是那些结合了二维材料的神经网络)在推进神经形态计算方面的重大进展和潜力。忆阻器具有独特的特性,如模拟突触行为、低功耗、可扩展性和与现有技术的无缝集成。结合二维材料进一步增强了这些特性,使其非常适合未来的AI系统。

**作者贡献声明**
赛义德·阿米尔·哈姆扎(Syed Ameer Hamza):撰写-审稿与编辑、概念化、方法论、原始草稿;
莫辛·阿里(Mohsin Ali):撰写-原始草稿、审稿与编辑、概念化、方法论;
伊卜蒂萨姆·艾哈迈德(Ibtisam Ahmed):形式分析、审稿与编辑;
乌马尔·伊贾兹(Umar Ijaz):审稿与编辑;
金泰吉(Taegi Kim):审稿与编辑;
金熙东(Hee–Dong Kim):监督、审稿与编辑、资源管理。

**利益冲突声明**
作者声明没有已知的利益冲突或可能影响本文工作的个人关系。

**致谢**
赛义德·阿米尔·哈姆扎(Syed Ameer Hamza)和莫辛·阿里(Mohsin Ali)对本研究做出了同等贡献。本研究得到了韩国国家研究基金会(NRF)(项目编号:RS-2025-16903034)和韩国技术进步院(KIAT)(项目编号:P0020966)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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