用于神经形态计算的基于软聚醋酸乙烯(PVA)电解质的突触动态特性

《ACS Applied Electronic Materials》:Synaptic Dynamics in Soft PVA-Based Electrolytes for Neuromorphic Computing

【字体: 大 中 小 】 时间:2026年05月02日 来源:ACS Applied Electronic Materials 4.7

编辑推荐:

  高分辨率图像 下载MS PowerPoint幻灯片 通过对多种材料平台的探索,对忆阻系统的研究日益深入,旨在模仿大脑的结构和功能行为。在各种材料平台中,软材料因其与生物突触环境的相似性而成为特别有前景的候选者,这种相似性使得它们能够实现丰富的离子传输动态和机械柔顺性。在

  高分辨率图像
下载MS PowerPoint幻灯片

通过对多种材料平台的探索,对忆阻系统的研究日益深入,旨在模仿大脑的结构和功能行为。在各种材料平台中,软材料因其与生物突触环境的相似性而成为特别有前景的候选者,这种相似性使得它们能够实现丰富的离子传输动态和机械柔顺性。在这里,我们报告了基于掺杂金属盐(PVA:AgNO3和PVA:CuSO4)的聚(乙烯醇)(PVA)软聚合物-电解质忆阻系统的制备和系统表征。彻底研究了金属盐种类和浓度在聚合物基质中对电性能和性能指标的影响。结果表明,这两种系统都表现出低工作电压(<500 mV)、高耐久性(>10^4次循环)、数据保留能力(>3600秒)以及学习行为。此外,其工作机制归因于纯粹的界面电化学现象,这一点通过电极-电解质界面动态的定性和定量分析得到了证实,并讨论了材料组成和电极几何形状的影响。值得注意的是,将这些指标纳入神经网络模拟中证实了它们能够有效执行模式识别任务。总体而言,这项研究确立了软聚合物平台作为实现稳定、低电压神经形态忆阻器的一种可行途径。

引言
模仿人脑一直是科学和工程领域中最雄心勃勃和最受追求的目标之一。这一目标是由大脑在相同物理基质内处理和存储大量信息的同时,具有卓越的准确性和极低的能量消耗能力所驱动的。(1) 作为回应,神经形态计算作为一种特别有吸引力的范式应运而生,旨在在人工硬件中复制生物神经系统的功能原理。(2) 在这一框架下,忆阻系统已成为一个核心使能平台,通过广泛的活性材料、切换机制和器件架构迅速发展。(3?11) 通过电阻切换(RS),这些器件能够模拟突触功能,包括历史依赖的导电性调制、局部信号整合、活动依赖的可塑性和非易失性记忆保留。(8,12,13) 这些功能共同支持了信息处理的共定位、(13) 自适应模式识别、(2,14?17) 以及低功耗操作,(18) 从而为实现可扩展、节能的类突触架构提供了巨大潜力。(19,20) 在所探索的平台中,基于液体的系统因其显著的离子传输动态和潜在的低工作电压及节能切换能力而受到特别关注,(21?25) 而它们适度的机械稳定性继续引导着对更结构稳定材料载体的搜索。在这种情况下,软聚合物材料提供了一种互补的方法,既保持了有利的离子传输特性,又增强了机械稳定性、可加工性和操作可靠性,(26) 而不牺牲可扩展性或易于处理性。(27,28) 例子包括离子凝胶、(29?31) 聚电解质、(32?36) 和水凝胶。(37?39) 集中在基于聚合物的载体上,聚(乙烯醇)(PVA)因其与非毒性溶剂的兼容性而被认为是最广泛使用的合成聚合物之一,这突显了其作为成本效益高、生物相容性和环境可持续选项的适用性。(40?42) 因此,PVA已被用于RS研究,有报道将其用作功能切换层(43,44) 和复合结构的结构基质载体(45?49)。提高基于聚合物的电解质性能的一种方法是掺入金属盐,这是一种公认的策略,用于增强离子导电性和优化离子传输动态。(12,20) 在此背景下,铜基(21,50,51) 和银基(43,44,47,52?55) 物种是最广泛使用的金属系统,(12,56,57) 特别是在电化学忆阻器中,因为它们具有高的离子迁移率和良好的电化学活性,有报道表明它们能够通过形成和断裂金属纤维有效地调节电阻状态。(58) 最近,报道了一类新的电化学忆阻系统,其切换机制集中在电极-电解质界面的金属离子迁移和界面氧化还原反应上,提供了包括增强可逆性、界面局部控制和可预测的反应动力学在内的独特特性组合。(21,59,60) 实际上,这些系统自然地模拟了生物突触的类似特性,表现出与突触兴奋和抑制现象的概念上的相似性。(61) 基于此,本研究旨在对掺杂硝酸银(AgNO3)或硫酸铜(CuSO4)的软PVA基聚合物配方进行全面研究,阐明金属盐种类对类突触行为的影响以及器件结构和机制对忆阻性能指标的影响。

结果与讨论
使用PVA作为聚合物载体,制备了六种不同金属盐浓度[0.05, 0.1, 0.2, 0.4, 0.8, 和 1 mol/L (M)]的配方,每种浓度分别针对AgNO3和CuSO4掺杂剂,并使用去离子水作为溶剂介质[图1(a)]。在此基础上,器件以对电极(接地Ag或Cu板)/电解质层(PVA:AgNO3或PVA:CuSO4)/工作电极(Pt线)的配置制造,旨在模拟突触前/突触/突触后神经元的排列[图1(b)]。

图1
(a) 金属盐掺杂聚合物配方的浓度梯度(0.05–1 M)。
(b) 软忆阻器件及其与生物突触的类比示意图。在后者中,突触前神经元释放的神经递质穿过突触间隙向突触后神经元扩散。在系统中,底部金属电极(Ag或Cu)充当突触前末端,而电极尖端(Pt)作为突触后末端,金属盐离子(Ag+, Cu2+)则充当神经递质的类似物。

系统地研究了金属盐浓度的影响,以评估掺杂剂含量的影响并优化配方。对于AgNO3掺杂的配方,观察到双极RS,并且在不超过80 mV的电压范围内(操作范围评估见图S1),各配方之间的滞后I-V曲线相当。特别是,随着掺杂剂浓度的增加,电流窗口向更高幅度移动。此外,SET转变(从高电阻状态(HRS)到低电阻状态(LRS)始终在?52至?41 mV的电压(VSET)范围内观察到,并且随着掺杂剂浓度的增加而呈下降趋势[图2(b)]。相反,RESET转变(从LRS到HRS)发生在20至35 mV的电压(VRESET)范围内,显示出略微上升的趋势。观察到的行为可以通过扩散限制的减少来解释(62),这是由于移动离子的可用性增加,从而在较温和的刺激下促进SET转变,而RESET过程需要更强的偏置来破坏已建立的状态。HRS/LRS(量化电阻状态之间的离散度)在0.1 M时达到最大值10^4 ± 5[图2(b)],因此被选为进一步研究的对象。值得注意的是,相对于零电压的电流下降[见图S2(a)]可以归因于不同电极处的氧化还原反应产生的界面Nernst电位差,导致纳米电池效应。(63) 值得注意的是,当前配方在不需要任何初始步骤的情况下就能实现RS。然而,在原始条件下,I-V曲线倾向于偏离后续循环(见图S3中的原始循环电学表征),这主要受到聚合物基质中金属盐离子广泛和随机分布的内在效应的影响。在电刺激下,金属离子优先在基质内重新分布,(64) 稳定了器件行为并产生了稳定、可重复的I-V曲线。作为代表性的评估,进行了器件间(D2D)变异性研究[图2(c)],显示器件间的滞后I-V曲线相当。SET和RESET电压的相对标准偏差(RSD)分别为14%和13%,而切换电流的RSD分别为65%和22%(图S4中的累积概率)。总体而言,观察到的变异性与在相同协议下组装的器件之间由于轻微的几何和界面差异而产生的预期差异一致。还通过连续的I-V扫描评估了循环间(C2C)变异性[图2(d) 和图S5(a, b),分别得到HRS/LRS和电阻值。从I-V扫描中提取的切换参数的统计分析[图S5(c, d)]得出了明确的、可重复的切换电压:VSET = ?38 ± 2 mV(RSD = 6%)和VRESET = 30 ± 5 mV(RSD = 15%)。切换电流的RSD分别为26%和37%,反映了与电化学成核和溶解动力学相关的随机特性。电阻状态读数的汇总变异系数(CV)为52%,这一值可归因于系统的广泛动态范围,而不是内在的C2C不稳定性,这一点通过各循环中观察到的明确且可重复的HRS/LRS比率得到证明[图S5(a)]。重要的是,在短脉冲操作下评估了耐久性,显示在104次循环中状态离散化稳定[图2(e)],HRS/LRS比率约为5,LRS和HRS的RSD分别为3%和5%(图S6(a)中的累积概率)。此外,还评估了0.1 M配方的时变行为,显示出一致的非易失性保留:HRS和LRS在至少3600秒的时间内分别保持了平均电阻值((1.8 ± 0.8) × 10^5 Ω和(5.8 ± 0.2) × 10^4 Ω[图2(f)],RSD分别为10%和14%(图S6(b)中的累积概率)。

图2
(a) PVA:AgNO3的电学表征。
(b) I–V响应作为AgNO3浓度(0.05–1 M)的函数。
(c) 六个独立0.1 M器件在相同初始协议(I–V循环,最大电压1 V,电压步长0.05 V)下的D2D变异性。
(d) 0.1 M器件在100次连续I–V扫描下的C2C变异性。
(e) 0.1 M在短脉冲操作下的耐久性(超过104次循环;±1 V脉冲,100 μs宽度,150 mV读取电压)。
(f) 0.1 M的数据保留评估(分别在150 mV和?50 mV下测量HRS和LRS),持续时间为3600秒。
(g) 0.1 M的动态导电性调制,显示由?80 mV脉冲(50 ms脉冲宽度和1 ms脉冲间隔,×32)引起的LTP和由40 mV脉冲(50 ms脉冲宽度和1 ms脉冲间隔,×32)引起的LTD,在四个连续循环中(在500 mV下读取)。
(h) 0.1 M的PPF/PPD比率作为脉冲间隔(0.5–40 ms)的函数。
(i) 0.1 M系统的STDP表征。

也成功展示了类似突触的响应。特别是,使用?80 mV和40 mV的32个相同电压脉冲序列实现了动态导电性调制,分别诱导了长期增强(LTP)和长期抑制(LTD)。图2(g)显示了LTP/LTD协议的四次连续应用,清楚地突出了突触调制的可重复性。计算了第一个循环的代表性动态范围(DR)为6.8和不对称因子(AF)为5.8。此外,系统地验证了配对脉冲促进(PPF)和配对脉冲抑制(PPD)的发生,PPF反映了在短脉冲间隔下第二个突触后事件的增强响应,而PPD对应于相对于第一个事件的抑制。(21,29,54) PPF测量使用两个连续的?300 mV脉冲进行,每个脉冲持续10 ms,脉冲间隔(Δt)从0.5到40 ms不等。PPD使用相同的时序协议和100 mV脉冲进行类似评估,相应的比率在图2(h)中确定并表示。与典型的突触行为一致,PPF比率随着脉冲间隔的增加而呈指数衰减,表明在较短的Δt下电流调制更强,并从20 ms开始趋近于1。相反,PPD比率随着脉冲间隔的延长而逐渐增加,反映了系统从初始抑制事件的逐渐恢复。重要的是,还实现了依赖于脉冲时序的可塑性(STDP)行为,这是人脑长期记忆的关键机制。(38) 该机制调节突触权重,表现为相对导电性变化(ΔG/G0),取决于突触前和突触后脉冲之间的时间差(Δt)。(65,66) 图2(i)展示了Δt从?0.3到0.3 ms的脉冲间隔的突触权重轮廓。系统表现出不对称的Hebbian STDP行为,(67) 当突触前脉冲先于突触后脉冲时发生增强(Δt > 0),而当突触前脉冲在后时发生抑制(Δt < 0)。

对于基于CuSO4的配方,在掺杂剂含量变化下同样实现了双极RS[图3(a)]。SET转换发生在?252至?325 mV的VSET范围内,而RESET则覆盖239至398 mV的VRESET范围[图3(b)]。较高的掺杂浓度导致HRS/LRS显著增加,特别是对于0.8 M的浓度,其值达到了234.4 ± 0.5[图3(b)]。此外,请注意这些配方还表现出明显的纳米电池效应[见图S2(b)]。重要的是,与基于AgNO3的系统不同,这些配方需要一个初始步骤来触发RS行为。(68)为了阐明该程序对RS曲线的影响,应用了不同的程序并评估了相应的C2C变异性。例如,应用一个10 mV步长和1 V最大电压的单次I–V循环就足以建立RS行为[见图S7(a),原始循环],在正偏压下产生具有明显迟滞的不对称曲线,在负偏压下产生混合态。定量C2C分析(图S7(d, e))显示,VSET和VRESET的固有变异性低于由50 mV电压步长设定的仪器分辨率,表明至少在175个循环内开关转换具有高度可重复性[图3(c)]。SET和RESET转换的开关电流的RSD分别为5%和8%,电阻状态读数的合并CV为9%。这些值远低于PVA:AgNO3系统的值,反映了在当前刺激条件下Cu2+沉积和溶解的更大电化学规律性。图S7(b)显示了HRS/LRS的演变,证实了跨循环的稳定性和可重复性,而图S7(c)展示了相应的电阻值。相比之下,更严格的程序[图S8(a),原始循环]产生了关于极性更对称的I–V曲线[图3(d)]以及更高的HRS/LRS值[图S8(b)],相应的电阻值在图S8(c)中报告。然而,这些条件可能会增加SET/RESET转换的变异性,在某些情况下,由于活性离子种类的广泛迁移,可能会导致电流峰的出现。开关参数的定量分析[图S8(d, e)]显示,VSET和VRESET的RSD分别为3%和5%,而开关电流的RSD分别为18%和3%,合并CV为39%。与之前的协议相比,电流变异性和整体CV的显著增加与高强度刺激下更广泛的离子重分布一致,进一步支持将前者作为所有后续表征的标准协议。这些结果表明,仔细调整初始步骤程序可以调节RS动态,使系统响应能够根据操作要求进行调整。关于耐久性,0.8 M配方在104个循环内实现了稳定和可重复的曲线[图3(e)],HRS/LRS比率约为102,LRS和HRS的RSD分别为1%和30%[图S9(a)中的累积概率]。数据保留也表现出类似的行为[图3(f)],平均电阻值分别为HRS的(2.69 ± 0.59) × 10^5 Ω和LRS的(7.7 ± 0.42) × 10^3 Ω,在整个测量期间保持稳定,没有明显的漂移或衰减,表明其具有非易失性,LRS和HRS的RSD分别为5%和20%[图S9(b)中的累积概率]。图3显示了PVA:CuSO4配方的电学特性。(a) I–V响应作为CuSO4浓度(0.05–1 M)的函数。(b) SET/RESET电压和HRS/LRS与浓度的关系。0.8 M在连续I–V循环下的RS调制,证明了(c)在低强度刺激(10 mV电压步长,1 V最大电压)后至少175个循环的稳定切换,以及(d)在高强度刺激(100 mV电压步长,5 V最大电压,0.5 mA电流合规性)后10个循环。(e) 0.8 M在短脉冲操作下的耐久性,超过104个循环(LRS:1 V脉冲,100 μs宽度;HRS:2 V脉冲,850 μs宽度;100 mV读取电压)。(f) 0.8 M在3600秒内的LRS和HRS状态的数据保留(HRS在150 mV下读取;LRS在?300 mV下读取)。(g) 0.8 M的导电率调制,显示了?900 mV脉冲(×30,800 ms脉冲宽度,1 s脉冲间隔)引起的增强作用和900 mV脉冲(×30,800 ms脉冲宽度,1 s脉冲间隔)引起的抑制作用,经过四个连续循环(在450 mV下读取)。(h) 0.8 M配方的PPF/PPD比率作为脉冲间隔(0.1–70 ms)的函数。(i) 0.8 M的STDP特性。还确认了基于CuSO4配方的生物突触样响应的模拟。使用?900和900 mV的30个脉冲序列诱导了LTP和LTD[图3(g)],第一个循环的DR为5.3,AF为4.0。图3(h)展示了PPF和PPD现象的发生。PPF是用两个连续的?650 mV脉冲测量的,脉冲持续时间为10 ms,脉冲间隔为0.1至70 ms,而PPD则是使用相同的协议用300 mV脉冲记录的。随着Δt的增加,两种曲线比率都显示出更平滑的趋势,在大约40 ms以上趋于一致。最后,STDP测量也揭示了不对称的Hebbian曲线[图3(i)]。为了研究RS的工作原理,对0.1 M PVA:AgNO3样品进行了一组实验,其中系统地改变了电极间距[图4(a)]。观察到HRS和LRS基本保持不变,表明RS行为主要由局部电极-电解质界面过程控制。关键的是,即使在LRS条件下也是如此,在LRS条件下,如果存在桥接电极的导电金属丝,预计会在电极间距增加时断裂,导致电阻的急剧且几乎不可逆的增加。因此,证据支持将RS归因于局部界面电化学过程。这一点通过在整个电极间距范围内(从短路到开路;图S10)进行的I–V测量得到了进一步证实。图S10(a)中的测量以Pt电极脱离电解质(开路)结束,而图S10(b)中的测量从重新插入电极尖端开始,电阻保持在约104 Ω。如参考文献(21)所述,因此可以基于图4(b)中的示意图来解释潜在机制。在任何电刺激之前,系统预计处于接近平衡状态,金属离子均匀分布在聚合物基质中。当对尖端施加负电压偏压时[图4(b)中的(1)],会建立一个电场,驱动移动的金属离子向工作电极移动。同时,在平面金属电极处发生氧化,导致金属原子的阳极溶解,并将额外的金属离子释放到聚合物中。当这些阳离子到达惰性电极时,通过外部电路的电子转移被还原。这一过程导致电阻急剧下降,对应于从HRS到LRS的SET转换(2)。当极性反转时(3),惰性电极附近的金属沉积物部分溶解,释放的阳离子迁移到活性电极处并被还原。这部分破坏了金属聚集体,对应于RESET转换,恢复了HRS(4)。实际上,开关行为不依赖于体积电解质中的总离子量,而是由有效的电极-电解质界面面积控制。这一点通过观察不同电解质体积组装的设备在I–V行为上没有实质性变化得到证实[图S11],与在固定体积下改变盐浓度时观察到的电流变化相反[图2(a)],这证实了是界面处的局部离子密度而不是体积储库决定了开关响应。图4显示了0.1 M PVA:AgNO3配方的HRS和LRS随电极间距的变化。(a) 在30 mV下读取。(b) 基于电化学反应[用箭头(1)和(3)标记和指示]和金属离子驱动迁移的RS机制示意图。(c) (i, ii) PVA:AgNO3和(iii, iv) PVA:CuSO4在(i, iii) SET和(ii, iv) RESET区域的双对数I–V曲线。高分辨率图像下载MS PowerPoint幻灯片。机械解释还得到了光学显微镜、扫描电子显微镜(SEM)和能量色散X射线光谱(EDS)分析的支持。在PVA:AgNO3系统中[图S12(a)],与原始条件(i–ii)相比,电刺激促进了富含银的聚集体形成,这些聚集体具有分支状、树突状形态,主要位于电极-电解质界面附近(iii–vii)和Pt工作电极尖端(viii–x)。EDS分析(图S13)确认这些结构主要由银组成,证实了它们的电化学起源。对于PVA:CuSO4系统[图S12(b)],与原始状态(i–ii)相比,观察到明显的形态演变,其特征是铜盐晶体的聚集和在聚合物基质内发展出电诱导的多孔形态(iii–v)。在电极-电解质界面(vi)处观察到树突状特征(vii)和金属簇结构(viii–ix),在这些簇的表面可以看到铜盐晶体(viii–ix)。同样,EDS分析(图S14)证实了这些富含铜的复合材料的电化学起源。重要的是,在刺激后的形态表征中,没有方向性的金属生长桥接两个电极,这与纤维状行为不一致,进一步支持了界面电化学的观点。此外,必须特别考虑这些系统中的不对称电极配置。显著不同的界面面积导致电流密度严重不平衡,从而在电极附近产生不同的电场分布和不均匀的离子分布,最终导致系统动态的不对称性。在SET过程中,平面金属电极经历低电流密度,有利于金属阳离子稳定地溶解到聚合物电解质中。(69) 相反,工作电极在微观尺度界面集中了离子流。这一小面积大大增加了尖端附近的局部电流密度和金属阳离子的有效浓度,使得沉积动力学对施加的电压非常敏感。结果,金属沉积的还原动力学、成核率和生长在工作电极处显著加速,产生了更尖锐的SET转换。这一行为通过双对数I–V分析[图4(c); (i) PVA:AgNO3和(iii) PVA:CuSO4]得到定量证实,其中SET转换期间的拟合幂律指数分别为9.0和5.7。当极性反转时(3),金属沉积物发生溶解,导致RESET转换。双对数曲线[图4(c); (ii) PVA:AgNO3和(iv) PVA:CuSO4]显示动态幂律指数在转换过程中变化:PVA:AgNO3为?2.1和?5.0,PVA:CuSO4为?5.0和?1.6。这些值的大小始终低于SET状态下的值,突出了切换过程的不对称性,因为发生在相似电流范围内的转换并不完全可逆和对称。实际上,RESET转换本质上表现出更随机和多变的特性,这从与SET相比获得的更高RSD值中可以看出。实际上,电极的组成差异是I–V特性依赖极性的迟滞的原因,因为金属沉积和溶解所需的能量在两个电极界面处不同。(21) Ag+相对于Cu2+的更高标准还原电位(70),加上PVA:AgNO3相对于PVA:CuSO4在所有浓度下的系统更高离子导电性(图S15),直接解释了AgNO3基系统中界面电沉积的较低动力学障碍和观察到的低于100 mV的操作电压。相比之下,Cu2+的较慢的两电子还原,其特征是在Pt界面处更高的成核障碍和PVA基质内较低的离子迁移率,需要一个初始触发步骤来实现可重复的切换和更宽的操作电压窗口。这种在惰性Pt工作电极上的金属成核与活性对电极上的溶解之间的动力学不对称性是两种系统固有的,但对于Cu2+来说更为明显,导致了基于CuSO4的系统具有强烈的极性依赖性和不对称的迟滞特性。最后,为了评估观察到的类突触行为对学习性能的影响,使用CrossSim中实现的多层感知器(MLP)框架进行了数值模拟。(71) 直接纳入了AgNO3-和CuSO4-系统的实验提取的导电调制特性[图2(g)和3(g)],将固有的非线性、不对称性、C2C变异性和离散导电步骤嵌入到网络动态中。性能评估使用了二值化的MNIST数据集,(72),其中28 × 28像素的输入映射到784个输入神经元,一个300个神经元的隐藏层,以及一个代表数字类别(0–9)的10个神经元的输出层,如图5(a)所示。该网络在60,000张图像上进行了训练,并在104个样本的独立测试集上进行了评估。图5(b)显示了AgNO3-和CuSO4-系统在50个训练周期内的分类准确性演变。最终分别达到了约88.5%和89.2%的准确性,证明了这两种金属盐功能化的软聚合物系统能够提供适合实际设备在模式识别任务中的学习准确性。

图5
(a) MLP架构示意图,包括784个输入神经元、300个隐藏神经元和10个输出神经元。
(b) 对于实验测量的PVA:AgNO3和PVA:CuSO4系统的导电调制所达到的分类准确性。

通过将这两种系统的性能与基于金属盐电解质的代表性忆阻系统和相关材料平台进行基准分析(表S1),进一步对其性能进行了背景化。比较涵盖了不同的材料状态和切换机制。共享界面氧化还原机制的液态系统,如Ag/AgNO3/Au (52) 和 Cu/CuSO4:H2O/Pt (21),报告了低工作电压和广泛的类突触响应。然而,它们固有的机械脆弱性以及对蒸发和泄漏的敏感性对长期运行施加了额外的实际限制。传统的固态系统,如Ag/PEI-AgClO4/Pt (34) 和 Ag/PVA/W (43),虽然解决了这些问题,但代价是更高的工作电压(高达2.0 V)。基于深共晶凝胶的系统Zn/(EG:ZnCl2:PVA)/Cu (60) 在材料类别和学习性能方面是最接近的比较对象,实现了高耐久性(2000次循环)和89.3%的测试准确性。我们的系统工作电压低于500 mV,其中PVA:AgNO3系统的工作电压低于100 mV,是基准平台中最低的之一,同时保持了高耐久性(>104次循环)和保持性(>3600秒)。此外,它们是唯一展示完整类突触功能的系统,同时为PVA:AgNO3和PVA:CuSO4分别提供了88.5%和89.2%的竞争性模式识别准确性,这些值非常适合实际设备的实现。

结论
总之,这项工作对掺有AgNO3或CuSO4的PVA基聚合物电解质进行了彻底的研究,阐明了金属盐类型、其浓度和电极配置如何共同塑造忆阻和类突触行为。两种配方的主要参数总结在表1中。这两种系统都表现出由纯界面电化学机制控制的双极电阻切换、高耐久性(>104次循环)、稳定的数据保持性(>3600秒)以及完整的类突触功能,包括LTP/LTD、PPF/PPD和STDP。关键区别在于CuSO4基系统需要一个初始触发步骤,而AgNO3基系统则不需要,这也体现在不同的工作电压范围内(PVA:AgNO为低于100 mV,而PVA:CuSO4为500 mV)。这些差异最终可以追溯到Ag+和Cu2+不同的物理化学性质,即它们的离子迁移率、在Pt上的电沉积亲和力以及标准还原电位,再加上两种系统共有的不对称电极几何形状。重要的是,切换机制完全通过界面电化学过程进行,由电极-电解质界面上的金属沉积-溶解驱动。使用实验测量的导电特性进行的数值模拟证实,所发现的类突触响应可以有效支持学习任务。总体而言,这些发现突出了两种可行的软聚合物配方,并展示了仔细的界面和材料设计如何能够实现可靠的、低功耗和可调的忆阻行为,适用于受大脑启发的神经形态应用。

表1. 基于软金属盐PVA的配方的主要结果总结
配方 HRS/LRS VRESET (mV) Endurance (cycles) Retention (s) LTP (mV) LTD (mV) Test accuracy (%)
PVA:AgNO3 (0.1 M) 102–51 22 >104 >3600 –80 40 88.5
PVA:CuSO4 (0.8 M) 102–169 28 1 >104 >3600 90 0 89.2

实验部分
材料和制备
使用聚(乙烯醇)(PVA,Mw 13,000–23,000,98%水解,Sigma-Aldrich)作为聚合物基质。从Fluka购买的硫酸铜(II)五水合物(CuSO4 · 5H2O,>99%)和硝酸银(AgNO3,>99.8%)作为掺杂剂。使用去离子水作为溶剂,通过水与PVA的质量比为5:1的水溶液溶解过程制备软物质配方。在预热条件下通过磁力搅拌逐渐分散PVA,以促进润湿和聚合物膨胀。温度最初以中等速率升高,随后逐渐增加到大约85 °C,(73) 在此温度下持续搅拌直至聚合物完全溶解。使用CuSO4和AgNO3作为掺杂金属盐,制备了六种不同浓度级别的配方[0.05, 0.1, 0.2, 0.4, 0.8, 和 1 mol/L (M)]。将适量的金属盐(CuSO4或AgNO3)加入水溶液PVA中,并在相同的温度和搅拌条件下保持直至掺杂剂完全溶解。制备好的配方储存在密封的玻璃容器中,准备用于器件制造。

电气测量
使用定制的双端装置对配方进行了电气表征。通过将一定体积的软物质配方(PVA:AgNO3或PVA:CuSO4)放置在平面金属电极(Ag或Cu)上,并将顶部电极浸入配方中来组装器件。顶部电极由一个高度可调的Pt尖端(直径0.1 mm,从Goodfellow购买)组成,其位置可以通过微螺钉控制的间隔器精细调节,从而精确控制电极间距。导线部分涂有商用清漆以绝缘,假设其电化学上是惰性的。涂层确保了接触面积稳定且局限在暴露的尖端,估计面积为大约7.85 × 10–3 mm2。每次使用后修剪导线末端,以暴露新的接触界面进行后续测量。测量装置建立了电极与源测量单元(SMU)之间的电气连接,即Keithley 2400-C SourceMeter或ArcOne。对于前者,使用自定义的LabView程序作为界面,可以选择测量模式和参数。对于ArcOne,专有的界面执行相同的功能。在这两种情况下,选定的模式和参数都被传输到SMU,SMU执行测量协议,同时界面记录并存储所有获取的数据以供后续分析。所有测量均在室温下进行,电极间距为1 mm,配方体积为100 μL,环境条件正常。湿度和温度的变化可能会影响配方的响应。

形态表征
使用FlexSEM 1000(Hitachi, Ltd.)在真空下15 kV下研究了开发系统的结构和组成特征。使用配备Leica物镜(100×)和10×目镜的Olympus显微镜进行了补充光学检查。使用SEM集成的能量分散X射线光谱(EDS)评估了元素组成,并对选定的感兴趣区域进行了映射和点分析。

模式识别评估
使用CrossSim平台(71)和二值化的MNIST数据集(72)训练了一个多层感知器(MLP)框架。(72) 网络包括784个输入神经元、一个包含300个神经元的隐藏层和10个输出神经元,并使用60,000张图像进行了50个周期的训练,然后在104个样本的独立测试集上评估了性能。通过查找表将PVA:AgNO3和PVA:CuSO4系统的多个连续实验导电调制纳入网络,这些查找表编码了导电变化的统计分布作为电流导电状态的函数,捕捉了非线性、不对称性和C2C变异性。类突触权重被重新缩放到矩阵限制0.327(第1层)和1.575(第2层),并且在训练期间将自适应学习率从2.5 × 10–3降低到2 × 10–4,以减轻导电非线性和更新不对称性对收敛的影响。因此,报告的准确性反映了所有实验观察到的非理想性的综合影响。
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