对高能效且自适应计算架构的指数级需求推动了人工智能（AI）与机器学习（ML）的演进。神经形态计算受生物神经网络启发，克服了传统冯·诺依曼架构的局限，包括高能耗与可扩展性受限等问题。过渡金属硫族化合物（TMDs）、六方氮化硼（h-BN）、黑磷（BP）及碲烯等二维（2D）材料的引入，使研究人员能够实现对电子和光电特性前所未有的控制，从而构建神经形态器件。这些材料具有原子级厚度、高载流子迁移率和可调带隙等特性，有利于实现脉冲时间依赖可塑性（STDP）和成对脉冲易化（PPF）等突触行为。本综述描述了2D材料在神经形态系统中的集成，重点介绍其在可穿戴电子、脑-机接口和量子神经形态平台中的应用。在可穿戴和边缘计算领域，基于2D材料的器件可实现本地化、超低功耗数据处理；在脑-机接口中，它们可增强信号转导和神经界面功能；2D材料中的量子效应进一步促成了面向高维计算任务的混合量子-经典神经形态架构。尽管取得显著进展，可重复性、可扩展性和稳定性方面的挑战依然存在。通过合成创新和缺陷钝化技术来解决这些局限性对实际应用至关重要。本综述强调了基于2D材料的神经形态计算在推动高能效AI方面的变革潜力。
1 引言
1.1 背景
人工智能的崛起推动了对神经形态计算日益增长的需求，尤其是受储内计算技术驱动，旨在复制生物系统处理效率的算法与架构革命。神经形态计算整合模拟计算、数据存储和生物仿真，实现类脑运行的硬件。忆阻器是神经形态平台的关键构建模块，因其能够实现类突触行为和高能效存储。相比之下，传统冯·诺依曼架构将存储和处理单元分离，导致大规模数据密集型任务（如物联网应用）产生显著的延迟和能耗。
"神经形态"一词由Carver Mead于1980年代首次提出，指模拟生物神经网络结构和功能的电子系统。早期研究集中于复制神经元行为的模拟电子电路，而现代神经形态平台已发展为能够进行脑启发感知、存储和信息处理的大规模系统。图1展示了从传统冯·诺依曼架构到神经形态计算的根本性转变，强调处理与存储集成方面的关键区别。神经形态架构模拟生物神经网络的大规模并行和事件驱动特性，计算与存储在人工突触和神经元中共存，这种结构优势提高了能效，同时实现实时适应和学习，使神经形态系统高度适用于下一代人工智能应用。
生物系统凸显了传统中央处理器（CPU）的显著低效：人脑以约20W功率运行，每次突触操作仅消耗1-100fJ。神经形态研究可广泛分为三个相互关联的领域：神经形态工程、神经形态计算和神经形态器件。硬件实现主要依赖动态调节电阻以模拟突触可塑性（如长时程增强LTP和短时可塑性STP）的两端子和三端子存储器件。两端子器件（如阻变忆阻器RSM、相变忆阻器PCM和铁电忆阻器）因结构简单、制备成本低、与高密度集成和交叉阵列配置的高度兼容性而通常优于三端子晶体管架构。与CMOS电路和神经网络算法集成后，这些器件支持模式识别、图像分析和强化学习等任务。三端子突触器件利用栅极调制源漏间沟道电导，从而模拟突触权重调节，包括电荷捕获、浮栅、栅极可调存储器和忆晶体管等类型。然而，器件架构的变异性和非均匀特性限制了大尺度应用的可扩展性和效率。
2D材料，特别是过渡金属硫族化合物（TMDs）、六方氮化硼（h-BN）、黑磷（BP）、碲烯等，正成为有前景的候选材料。其原子级薄层结构和独特的电学、光学性质提供了可调带隙、机械稳定性和柔韧性，使其成为两端子和三端子器件的理想选择。这些2D材料的可调性推动了光电神经形态系统的发展，如光响应和光可调突触，对高性能高能效计算至关重要。受脑启发计算驱动，这些技术整合存储和处理（储内计算，IMC）以克服冯·诺依曼瓶颈。基于硬件的人工神经网络（ANNs）促进IMC，为机器学习算法提供高效平台；而脉冲神经网络（SNNs）将信息编码为脉冲模式，在边缘计算、个性化医疗和物联网等应用中展现出连续实时感官处理的前景。
神经形态硬件发展可分为三个阶段：（i）当前大规模神经形态系统，主要基于CMOS，使用数字或混合信号设计，包括IBM的TrueNorth、Intel的Loihi、天机芯和ODIN等；（ii）非易失性存储技术，如阻变存储器（RRAM）、PCM、铁电存储器（FeRAM）、FeFET和MRAM等，作为紧凑低功耗的突触节点和神经元模型元素；（iii）未来忆阻材料和新兴计算概念，正扩展至2D材料、有机化合物、钙拒钛矿、纳米管和纳米线网络，以及自旋电子器件和金属-绝缘体转变器件等。
1.2 动机
数据驱动应用，特别是AI的快速演进，正从根本上重塑多个研究领域的技术格局。然而，追求增强AI性能往往忽视能耗和环境影响等关键方面。考虑到AI对广泛计算基础设施的依赖，平衡性能与能效以确保可持续增长已成为紧迫需求。
大规模AI任务快速增长的计算需求凸显了当前硬件系统的局限性，凸显了需要支持AI进一步发展同时保持能效的替代方法。图3a显示了计算需求的急剧上升，以petaflops/天量化，每两个月翻倍的速度远超摩尔定律的传统改进。NVIDIA的GPU在2012年至2024年间实现了317倍性能提升，但功耗从约25W增至320W。当阻变开关（RS）器件以交叉阵列配置排列时，在概念上类似于生物系统中的突触，其中两个电极作为轴突和树突连接，而开关层的电导代表突触权重。这种并行处理能力使得向量-矩阵乘法可在存储器内完成，无需大量数据移动，极大提高了能效。
在RS器件中，开关行为源于开关层内的离子重分布，通常涉及氧空位（V
o）或金属阳离子。与生物突触可塑性类似，RS器件的电导可以通过控制电压脉冲进行微调，使其能够复制短程和长程突触行为。
1.3 范围与目标
本综述的范围锚定于探索新兴2D材料，特别是它们向机器学习赋能的神经形态计算应用的集成。综述旨在深入分析这些进展，突触促进合成技术、材料特性和器件架构的最新进展，以促进2D材料向机器学习系统的集成。关键目标包括：评估2D材料用于神经形态应用的特性；与机器学习框架的集成；突触器件架构的进展；可扩展性和集成技术；以及基准测试、局限性和未来展望。
2 神经形态计算基础
2.1 原理与架构
神经形态系统旨在体现受人类大脑启发的计算模型，其中神经元和突触的互连实现了并行、高效和自适应的信息处理。其核心是脉冲式通信模型，信息通过称为动作电位或"脉冲"的离散时间精确事件传递。这种基于脉冲的信号传递受STDP等原理支配，使神经形态网络能够通过调制突触强度来动态适应，以响应前、后突触脉冲的时间相关性。神经形态系统中，STDP通过专用硬件组件实现，包括两端子阻变开关器件和三端子晶体管基存储元件，直接映射计算于存储结构内，即储内计算，规避了冯·诺依曼架构的数据移动瓶颈。
2.2 机器学习集成
神经形态计算与ML的融合代表了计算科学的范式转变，特别是在追求自适应学习和能效数据处理方面。并非所有ML辅助的神经形态演示代表相同程度的硬件实现。本综述将研究区分为五类：（i）软件级或数值模拟；（ii）器件信息模拟；（iii）硬件辅助推理；（iv）混合实验/计算系统；（v）真正的原位或片上学习。
2.2.1 面向ML算法的神经形态适应
最新进展已将ML模型，特别是SNNs映射到神经形态硬件上，以利用事件驱动、异步计算。SNN通过稀疏脉冲通信，显著减少与数据移动和计算相关的能量。2D材料基神经形态硬件已在脉冲处理任务中相对于GPU实现显示出显著的能效提升。
2.2.2 用于实时适应的片上学习
神经形态计算支持通过STDP和其他形式的Hebbian学习进行连续、局部学习，使突触权重能够动态更新以响应数据中的时间模式。然而，由于器件变异性、保持能力和非理想电导更新等挑战，真正的片上学习在2D材料基系统中的应用仍相对有限。
2.2.3 深度学习架构的高效实现
神经形态系统支持事件驱动处理，可适应多种深度学习架构。对于CNNs，模拟电导调制和线性权重更新对乘积累加精度至关重要。铁电突触和光电设备等材料系统展示了适合CNN推理的渐变电导变化和长保持特性。
2.2.4 面向神经形态硬件优化的机器学习模型
随着ML与神经形态计算的持续交叉，对明确为神经形态硬件优化的算法的兴趣日益增长。脉冲反向传播等概念已获得关注，其中训练直接在脉冲网络内进行。这些算法对2D材料基神经形态硬件尤为重要，因为这些器件通常表现出与传统数字系统不同的非线性开关、多级电导态和随机行为。
3 用于神经形态应用的新兴2D材料概述
3.1 过渡金属硫族化合物：特性及在神经形态器件中的应用
TMDs具有MX
2的特殊结构，其中M为过渡金属，X 为硫族原子。在单层TMDs中，硫族原子与过渡金属共价键合形成X-M-X结构，而体相中这些单层通过弱范德华（vdW）相互作用堆叠。基于过渡金属与硫族的不同组合，2D TMDs表现出金属、半金属和半导体特性。
2D TMDs的电阻可通过硫族空位的移动或位移、异质结掺杂和过渡金属原子合金化来调制。这些材料作为忆阻器和神经形态器件的优异有源层，其原子级薄层几何结构允许精确控制缺陷形成和离子迁移路径，同时其可调带隙和高载流子迁移率实现了稳定的阻变开关和高效的突触调制。
3.2 六方氮化硼：作为绝缘体和栅介质在2D材料基器件中的作用
h-BN具有类似石墨烯的结构，展现了优异电子性能。其大带隙（~6eV）、高击穿强度、原子级薄层特性以及优异的化学和热稳定性，使其成为忆阻器和神经形态应用的突出活性介质。其无缺陷范德华界面、低漏电流和高介电强度为忆阻器和突触器件提供了优异的栅介质能力。
3.3 黑磷：各向异性特性及其对突触行为的影响
BP于2014年被分离后，因其面内强各向异性而得到广泛研究，导致方向依赖的电子、热学和光学性质。BP的灵活性、与其他2D材料的兼容性和光学各向异性使其广泛应用于光电探测器、忆阻器、晶体管等电子器件的开发。
3.4 碲烯及其他新型材料：神经形态计算中新兴的碲基及其他新发现2D材料
受BP显著各向异性特性的启发，单元素2D材料（Xenes），如碲烯、砷烯和硅烯等得到深入研究。Xenes的电子特性强烈依赖于其元素组成和厚度，通过从体相到纳米尺度的厚度调整，可以精确调控绝缘、半导体或金属性质。
4 制备技术与器件架构
4.1 生长方法：用于2D材料的化学气相沉积、分子束外延和溶液基合成技术
化学气相沉积（CVD）已成为合成2D材料的基石技术，提供了生产高质量原子级薄层的稳健可扩展方法。该过程涉及气态前驱体分子在加热衬底上的化学反应，前驱体分解或反应形成所需的2D材料。CVD的优势在于其可扩展性，能够生产大面积均匀薄膜，这对电子和光电子等实际应用至关重要。
分子束外延（MBE）在超高真空（10
-8-10
-12 Torr）中进行，采用慢沉积速率确保高均匀性和结晶薄膜的外延生长。最近，MBE被用于沉积晶圆级多晶2D HfSe
2以制作忆阻器交叉阵列，用于硬件卷积图像处理。
溶液基合成技术提供了真空技术的多功能且具有成本效益的替代方案，包括液相剥离（LPE）、水热合成和溶剂热合成等。LPE涉及在溶剂中对体相层状材料进行机械或化学剥离，产生少层或单层2D材料。
4.2 器件架构：神经形态电路中的忆阻器、忆晶体管和垂直异质结构
4.2.1 忆阻器
忆阻器是一种基本电子元件，其电阻取决于通过它的电流历史，从而提供类似于生物突触操作的存储功能。2D材料基忆阻器通过活性层内的离子或电子传输运行，在施加电场下调制器件电阻。最近进展包括成功将MoS
2、WSe
2、h-BN和石墨烯等2D材料集成到忆阻器结构中，这些材料能够创造超薄、灵活和透明的忆阻器件。
4.2.2 忆晶体管
忆晶体管结合忆阻器的存储功能和晶体管的开关能力，提供多端子控制和增强的可调性。2D材料基忆晶体管通常采用水平结构，其中2D材料作为源漏之间的沟道，第三电极作为栅极。最近，研究人员利用液体金属印刷技术合成2D-SnO
2来制造忆晶体管，通过改变栅极电压，手写数字识别精度提高至92.25%。MoS
2忆晶体管显示了四个数量级的栅极可调单独电阻态，以及高于100的大开关比、475次的高循环耐久性和24小时的长期状态保持能力。
4.2.3 神经形态器件中的垂直异质结构
垂直异质结构将不同2D材料逐层堆叠，已成为神经形态电路的有前景方法。每层可发挥不同作用一一作为突触连接、神经元或控制电荷传输、隧穿或离子迁移的栅极。垂直堆叠允许高密度集成，每层可单独寻址，实现具有可调特性的可塑突触和神经元。
4.3 制造中的挑战：解决神经形态器件中的可变性、扩展和集成问题
制造神经形态器件时，2D材料器件的可变性——包括循环间（C2C）和器件间（D2D）波动——仍是影响忆阻性能重复性和稳定性的主要挑战。确保大面积材料均匀性至关重要，因为材料特性的变化会导致电学性质不一致。缩小器件规模同时保持性能、与现有CMOS技术的兼容性、交叉阵列中的漏电流和连接电阻问题均待解决。
5 神经形态器件的机器学习驱动优化
5.1 训练和推理技术：在基于2D材料的神经形态系统中实现监督、无监督和强化学习算法
监督学习依赖标记数据训练模型进行准确预测。MoS
2基忆阻器作为突触器件展示了线性且显著的突触行为，集成到ANN后使用深度神经网络（DNN）在MNIST数据集上达到98.55%的识别准确率。无监督学习在识别未标记数据集中的模式方面发挥关键作用，石墨烯基忆阻器件作为SNNs中的突触实现了STDP，用于高效无监督学习。强化学习通过环境与行动的交互优化行为，2D铁电α-In
2Se
3基三端神经形态器件被开发用于调制电导态，实现大脑启发的学习策略。
5.2 自适应和低功耗架构：利用机器学习实现能效设计和运行
自适应和低功耗架构整合电路级和算法策略，动态调节功耗。利用2D材料的独特性质如低漏电流、可调电子态和高柔韧性，这些架构动态管理能耗以满足变化的计算工作负载。近期展示了兼容生物学的双层石墨烯基人工突触晶体管（BLAST）阵列，能够模拟突触行为并实现LTP，开关能效约50aJμm
-2。同时，报道了基于单层MoS
2作为沟道材料的32×32集成向量-矩阵乘法器，包含1,024个浮栅场效应晶体管（FGFETs），展示了单编程脉冲的多位数据存储。
5.3 案例研究：强调机器学习增强基于2D材料突触行为、可塑性和性能的最新研究
双工器件结构将FeFET与原子级薄MoS
2沟道集成，展示了用于原位机器学习的通用储内计算架构。该架构采用双晶体管-双工（2T1D）FeFET单元阵列，其中一个晶体管控制训练操作，另一个管理推理，而双工FeFET元件作为共享存储节点。h-BN忆阻器阵列用于执行点积运算，训练多变量随机线性回归模型。MoS
2基各向异性突触器件作为轴突-多突触系统，通过ANN实现图像识别和彩色数字识别。基于各向异性MoS
2晶体管的双层光电神经网络（ONN）用于彩色数字识别任务，在50个学习周期后达到83.11%的准确率。
6 性能指标与基准测试
6.1 响应度和效率：评估2D材料神经形态器件的电学和光学性能
基于WSe
2的可重构2D半导体光电二极管阵列被用于整合传感和处理于ANN内，通过连续可调光响应度矩阵编码突触权重，实现监督和无监督学习，吞吐量达每秒2000万比特。基于MoS
2 FET的人工光电突触展示了传感、记忆和预处理功能的集成，实现85.5%的图像识别准确率。
6.2 能耗分析：聚焦适于边缘和可穿戴应用的低功耗运行
基于2D-TMD层状沟道材料隧穿场效应晶体管（TFETs）的神经形态电路展示了显著的能效改进，利用其低关态电流和小于60mV/decade的亚阈值摆幅有效克服了传统CMOS实现的局限性。TiS
2基器件展示了超柔性人工突触阵列，在20个循环和400个门脉冲下保持稳定突触特性，MNIST数据集上识别准确率达94.5%。
6.3 稳定性和耐久性：柔性和可重构神经形态系统中的长期性能和稳定性
MoS
2/石墨烯非易失性阻变开关展示了逐渐增强和抑制行为，具有约100个不同电导态。石墨烯/Mo
2S
3-xO
x/石墨烯（GMG）基健壮忆阻器展示了高达10
7次开关循环的显著耐久性和340°C的创纪录高温稳定操作。2英寸SiO
2/Si晶圆上h-BN的高密度忆阻交叉阵列实现了约98%的高良率。全2D材料基异质结构能够执行多种神经形态操作，重构输出端以模拟突触、神经元和树突功能。
7 应用与未来方向
7.1 可穿戴和边缘计算：将柔性2D神经形态器件集成于生物可植入和便携式电子中
柔性2D材料如TMDs、h-BN和BP在低功率、自适应电子学中的集成释放了前所未有的潜力。MoS
2和WSe
2基忆阻器件能够模拟LTP和STP，实现生理信号的本地化、高能效处理。基于2D材料的光电突触在边缘分析方面展示了优异的时序响应和信号处理效率。MoS
2忆阻器在350nm CMOS微芯片的后端线（BEOL）中的最新集成展示了形成自由操作和低循环间变异性。
7.2 脑-机接口：新兴材料在开发紧密模拟生物神经元接口中的潜力
2D材料如TMDs、h-BN和BP在脑-机接口（BMI）中展现了变革性潜力，提供无与伦比的复制突触可塑性和神经动力学的能力。基于MoS
2、WSe
2和异质结构的忆阻器和忆晶体管器件能够实现精细调谐的STDP，促进神经网络和电子系统之间的双向信号转导。将器件集成到柔性基底中实现了模仿大脑弹性和适应性的微创植入物。
7.3 量子神经形态系统：探索量子特性在未来2D材料神经形态架构中的作用
量子神经形态系统旨在利用量子效应增强神经形态架构的能力，超越经典极限。2D材料的原子精度和可调电子性质使其独特地位能够连接量子力学与神经形态计算。TMDs和vdW异质结构中的量子隧穿和层间耦合实现了最小能量耗散的非易失性开关。混合量子-经典神经形态系统通过将2D材料与量子计算平台集成而得到探索，如WSe
2或MoSe
2中的量子点提供单光子发射能力。
7.4 挑战与机遇：解决可扩展性、可重复性以及材料合成挑战
主要障碍仍然是2D材料的可扩展合成，需要均匀的厚度、无缺陷的表面和可重复的电子特性。器件间的可重复性是另一重大挑战，特别是TMDs和异质结中材料特性的变异性导致器件性能不一致。大规模神经形态阵列还面临系统级挑战，包括交叉阵列中的漏电流、外围电路的面积和能耗开销，以及大规模互连网络中的IR压降和热积累问题。解决这些问题需要改进材料合成、器件架构、选择器集成和算法补偿策略的协同优化。
8 结论与展望
将2D材料集成到神经形态计算架构中标志着下一代信息技术的重大进展。TMDs、h-BN、BP和新兴碲烯基材料可能解决传统冯·诺依曼计算范式的基本限制。这些系统促进能够实现紧密模拟神经元和突触行为的器件，展示了低功率、高性能、实时自适应系统的巨大前景。
关键挑战包括可重复的大规模合成高质量2D材料、器件间均匀性、长期稳定性、CMOS兼容集成以及量子效应的精确控制。未来进展将依赖于材料均匀性、缺陷控制、晶圆级合成、长期可靠性和CMOS兼容集成的改进。特别是，平衡开关性能、可扩展性和能效对于将实验室规模演示转化为实用神经形态硬件至关重要。
神经形态计算与2D材料的未来看起来非常有前景，特别是通过与先进机器学习算法、量子计算方法论和柔性电子技术的集成。这些领域的汇聚有望推动边缘AI、自主机器人、脑-机接口、个性化医疗诊断和环境感知的突破。多学科合作将不可或缺，跨越材料科学
科学、物理、计算建模、电子、神经生物学和人工智能等领域的专业知识将有助于全面解决基础材料挑战和复杂系统集成任务。最终，通过定向研究和协同创新应对这些挑战，2D材料有望建立一种新的计算范式，受生物系统非凡效率和适应性的启发，能够应对当代计算挑战并重新定义未来技术的能力。
