《Advanced Materials》:Path-Decoupled Cation-Eutaxy III–V van der Waals Memristive Semiconductors for Mitigating the Neuromorphic Accuracy-Energy Trade-off
编辑推荐:
基于晶体管的传统计算面临本征的能量-分辨率权衡:降低沟道电导可减小编程能耗(Eprog),但同时会压缩多级态区分所需的最大与最小电导比(Gmax/Gsub>min),导致学习精度下降。忆阻器虽具备模拟可编程性,却受限于相同困境——低电导工作模式下Gmax
基于晶体管的传统计算面临本征的能量-分辨率权衡:降低沟道电导可减小编程能耗(Eprog),但同时会压缩多级态区分所需的最大与最小电导比(Gmax/Gsub>min),导致学习精度下降。忆阻器虽具备模拟可编程性,却受限于相同困境——低电导工作模式下Gmax/Gmin收缩,严重制约权重分辨率。研究人员开发了一种路径解耦的III-V族范德华(vdW)忆阻晶体管,通过离子传输路径与电子传输路径的空间分离突破了这一限制。该器件以HxK1-xGaSb2为代表性体系,将K+空位限制在范德华间隙中作为移动离子物种,而空穴输运则发生在共价键合的[GaSb2]层内。这种解耦结构赋予了K+极高的扩散系数,使忆阻开关可在显著降低的电压下实现。值得注意的是,由离子运动决定的忆阻窗口Gmax/Gmin在栅极调制下保持不变,而Eprog则可通过静电调控沟道电导大幅降低。实验结果表明,该突触器件在实现超过80%的高识别准确率的同时,将Eprog降低了一个数量级以上。该研究确立了离子-电子路径解耦作为突破新兴神经形态硬件精度-能耗权衡的通用策略,并将III-V族范德华材料确立为低能耗人工智能加速器的理想候选材料。
研究背景与意义
随着人工智能算力需求的爆发式增长,传统晶体管数字系统在能效缩放上遭遇了物理瓶颈。无论是传统晶体管还是忆阻器,均面临一个根本性的矛盾:为了降低编程能耗(Eprog),往往需要将器件置于低电导状态,但这会导致最大与最小电导比(Gmax/Gmin)收窄,从而降低多级状态的分辨率,最终损害神经网络的推理精度。现有基于单层MoS2等材料的忆阻晶体管,由于离子迁移路径曲折且离子与电子路径未实现空间解耦,导致操作电压高、载流子散射严重,未能解决这一权衡难题。针对此,研究人员提出了一种基于III-V族范德华(vdW)材料的路径解耦忆阻晶体管,旨在从物理机制上打破精度与能耗之间的相互制约。该研究成果发表在国际顶级期刊《Advanced Materials》上,为下一代低功耗神经形态硬件提供了新的材料范式。
主要关键技术方法
研究人员采用拓扑化学反应合成了KGaSb2晶体,并通过液相蚀刻制备出HxK1-xGaSb2半导体。器件制备采用机械剥离法将材料转移至SiO2/p++-Si衬底上,通过电子束光刻定义电极图形并沉积Au形成肖特基接触,构建三端忆阻晶体管。电学表征使用半导体参数分析仪完成。在机理验证方面,结合Chronoamperometry测试与Cottrell分析提取离子扩散系数;在功能验证方面,利用脉冲刺激模拟突触可塑性行为;在系统级评估方面,采用MLP+NeuroSim框架,基于实测的电导特性对MNIST手写数字识别任务进行了神经网络仿真。
研究结果
2.1 III-V族范德华忆阻晶体管内的路径解耦离子与载流子输运
研究人员构建了基于HxK1-xGaSb2的三端器件,实现了离子与空穴的空间分离输运:K+离子在范德华间隙中横向迁移,而空穴在III-V层内输运。理论模型分析表明,离子迁移(Liq)诱导的空位积累增强了p型掺杂,降低了金属/半导体界面的肖特基势垒(Lqi),从而调控沟道电导。实验证实,器件表现出典型的忆阻回滞特性,且电流开关比(ILRS/IHRS)随沟道厚度增加而增大,而晶体管开关比(Ion/Ioff)随厚度增加而减小,这种截然相反的趋势有力证明了离子路径与电子路径的物理解耦。
2.2 范德华间隙实现的高K+离子扩散系数
得益于范德华间隙提供的低势垒、直线扩散通道,该材料展现出极高的离子扩散动力学。通过Cottrell分析提取的K+扩散系数(D)达到7.1 × 10-10cm2s-1,优于大多数晶界和体相扩散系统,甚至可与表面扩散相媲美。这解释了为何该器件能在低至±5 V的电压下实现稳定切换,显著低于依赖晶界迁移的器件。
2.3 高能效栅极可调突触可塑性
在三端配置下,器件成功模拟了生物异突触可塑性。长时程增强(LTP)与长时程抑制(LTD)表现出良好的线性度与循环耐久性。关键发现在于,栅压(VG)仅调制电子输运项(Lqq),而不影响由离子运动决定的Gmax/Gmin。因此,当栅压从-80 V变化至80 V时,Gmax/Gmin基本保持不变,而单脉冲编程能耗(Eprog)则从110 pJ显著降低至9.8 pJ,打破了传统忆阻器中“高窗口比必然伴随高能耗”的魔咒。
2.4 精度-能耗解耦的神经形态学习
基于实测数据进行的MNIST手写数字识别仿真显示,器件厚度(h)为45 nm及以上时,识别准确率稳定在高位。最为重要的是,当栅压从-80 V调至80 V时,识别准确率保持在71.5%左右几乎不变,而单张图像编程能耗(Ep,image)却从447 nJ骤降至26.6 nJ,降低幅度超过一个数量级。这一结果证实了离子路径负责维持高精度,而电子路径负责降低能耗的功能分工。
结论与讨论
研究人员总结指出,III-V族范德华忆阻晶体管凭借其独特的路径解耦离子-电子输运架构,成功同时实现了宽Gmax/Gmin与超低能耗。通过栅极静电调控选择性降低Eprog而不牺牲Gmax/Gmin,有效克服了传统阻变存储器(RRAM)的精度-能耗权衡。尽管在线性度提升和大面积阵列制备方面仍面临挑战,但这项工作确立了离子-电子路径解耦作为一种通用策略的可行性,为开发面向人工智能加速器的新一代高能效神经形态硬件奠定了坚实的材料基础。