综述：纳米材料和纳米器件用于物理储层计算

《Current Applied Physics》：Nanomaterials and nanodevices for physical reservoir computing

　　

物理储层计算（PRC）正作为一种用于动态信息神经形态处理的新兴范式出现。在这里，物理系统固有的非线性动力学和衰减记忆将输入信号映射到高维空间，仅通过训练后的线性读出即可实现复杂任务。基于纳米材料的纳米器件可以成为PRC的理想平台，因为量子限域效应、结构随机性和高表面积与体积比共同提供了丰富的非线性响应和可调记忆特性。研究人员将实现状态丰富性（即映射的维度）的策略，根据可控性和随机性的程度，分为“in materia”计算和器件级PRC。在零维（0D）、一维（1D）和二维（2D）纳米材料系统中，研究人员系统地综述了代表性实现。本综述提供了关于纳米器件如何用于PRC的总体概况，讨论了当前局限性，并展望了面向高能效神经形态计算的前景。

1. 什么是物理储层计算（PRC）
物理储层计算（PRC）是储层计算（RC）在物理硬件中的实现，利用材料或器件的固有非线性动力学和衰减记忆，将输入信号映射到高维状态空间，仅通过训练线性读出层即可完成复杂任务。与需要训练整个网络的递归神经网络（RNN）相比，PRC显著降低了计算成本。纳米材料因其量子限域效应、结构随机性和高表面积与体积比，能够同时提供丰富的非线性响应和可调记忆特性，成为实现PRC的理想平台。根据可控性和随机性程度，PRC策略可分为“in materia”计算（基于随机网络）和器件级PRC（基于可单独寻址的器件），分别对应零维（0D）/一维（1D）纳米材料和二维（2D）系统。

2. 用于物理储层计算的纳米材料
纳米材料定义在1-100 nm尺度，其量子限域效应、高表面积比和表面态产生复杂的电荷、离子和自旋动力学，从而提供伴随滞后和时间依赖性的非线性响应。

2.1 0D储层：量子点和分子网络
0D纳米结构如量子点（QD）具有离散能级和强量子限域。分散的量子点网络形成电连接，通过光脉冲激发可产生随机和滞后的动态响应。Sakai等人利用量子点网络的时空荧光现象作为储层，在延迟异或（XOR）任务中实现了低预测误差。Tate等人通过荧光输出中的光子数观察到回声状态，验证了时间依赖的记忆效应。0D储层主要基于半导体量子点网络和分子/团簇系统，非线性源于量子限域和单电荷存储，衰减记忆由载流子俘获和重组决定。

2.2 1D储层：纳米线和纳米管网络
一维纳米材料如金属氧化物纳米线（NW）和碳纳米管（CNT）自然形成包含各种结和环路的无序网络，产生复杂高维动力学。在结处，导电细丝的形成和量子隧穿导致滞后导电行为。Li等人利用银修饰的TiO₂纳米线网络展示了记忆巩固样行为。Wu等人构建了气体/单壁碳纳米管（SWCNT）/多金属氧酸盐（POM）复合分子网络，通过POM的电子级联和CNT与气体分子间的电荷转移产生高阶非线性和时间依赖性动力学，在数字识别任务中达到约80%的准确率。Banerjee等人也证实了SWCNT网络在室温下产生多种输出响应，并实现了NOR、NAND、XNOR布尔逻辑门，准确率约92-100%。1D储层的非线性来自细丝氧化还原、隧穿势垒和接触调制，衰减记忆由细丝演化、电荷俘获和网络重建的时间尺度决定。

2.3 2D储层：薄膜、忆阻器和磁性多层膜
2D系统通过可单独寻址的器件提供更高可控性，非线性与衰减记忆可通过器件几何、材料堆叠和偏置方案调节。

2.3.1 基于忆阻器的2D储层
动态金属氧化物忆阻器（如WOx）通过氧空位漂移和细丝导电提供非线性和衰减记忆。Du等人利用WOx忆阻器实现了非线性系统的分类和预测。另一团队制作了电光双输入忆阻器，用于语言检测。进一步，3D集成WOx忆阻器阵列被用于预测洛伦兹吸引子等复杂非线性动力学。

2.3.2 光电突触2D储层
突触器件如Te薄膜人工光学突触，利用持久光电导（PPC）效应，通过栅极偏压控制弛豫时间，从而调节衰减记忆窗口。Jo等人使用Te光子突触成功实现了灰度手写数字识别和二阶非线性方程求解。此外，基于金属氧化物、有机半导体和钙钛矿薄膜的光电突触也被广泛报道。

2.3.3 磁性和自旋电子学多层膜
自旋电子学器件利用电荷和自旋自由度，提供非易失性、快速响应和非线性动力学。Sun等人在Pt/Co/Gd多层膜中实现了基于斯格明子（skyrmion）增强的应变介导物理储层，在波形分类任务中达到99.3%识别率，在Mackey-Glass时间序列预测中归一化均方根误差（NRMSE）为0.2。Jiang等人通过磁斯格明子与自旋扭矩纳米振荡器（STNO）混合系统实现储层，在手写数字识别（排除5和8）中准确率90%，并成功预测10阶非线性自回归滑动平均（NARMA10）方程。此外，基于钇铁石榴石（YIG）单晶多层膜的非线性自旋波干涉储层在系统辨识和NARMA任务中实现了训练和测试阶段归一化均方误差（NMSE）约10^-5。自旋电子学忆阻器（如Pt/Ir纳米柱）也表现出相变忆阻特性。

3. 纳米材料和器件基PRC系统的性能总结
表1总结了0D、1D和2D系统的代表性实现，涵盖手写数字识别、时间序列预测、波形分类、气体模式检测和声学关键词识别等任务。然而，由于缺乏标准化评价协议，不同研究间的任务类型和数据集差异很大，难以直接比较。关键储层特性如记忆容量（MC）在多数研究中未被报告。建立通用基准（包括标准化数据集和统一指标）对于公平比较和指导下一代PRC系统设计至关重要。

4. 展望
纳米器件基PRC提供了一种能效高的动态数据处理方法。in materia计算利用0D/1D纳米材料的随机动力学提供丰富状态空间，但可重复性和可控性较差；器件级PRC基于2D系统提供更高可控性，但需时分复用产生状态丰富性，导致带宽开销。未来需要标准化评价协议，量化非线性和记忆容量。纳米器件基PRC特别适合传感器内计算（in-sensor computing），如运动检测、语音识别和健康监测，并且可与现有硅技术兼容，有望发展为神经形态处理单元。