PECVD非晶碳化硅忆阻器中线性可编程长期可塑性

《Advanced Electronic Materials》：Linear and Programmable Long-Term Plasticity in PECVD Amorphous SiC Memristors

　　

非晶碳化硅（amorphous silicon carbide, SiC）因其高稳定性及与互补金属氧化物半导体（CMOS）集成的后道工序（back-end-of-line, BEOL）兼容性，是一种极具前景的介电平台用于忆阻型人工突触。研究人员展示了具有铜（Cu）活性电极的化学气相沉积（PECVD）生长化学计量比非晶SiC忆阻器，其中突触功能通过材料成分控制进行设计。通过将SiC化学计量比从富硅（Si-rich）调至近化学计量比，键合构型得以修饰以抑制过度的Cu离子迁移，从而实现渐进且稳定的电导率演化。所得器件表现出高度线性且可编程的长期增强（long-term potentiation, LTP）和长期抑制（long-term depression, LTD），非线性度低至0.08，均匀的电导率更新及最小的周期间（cycle-to-cycle）变异。突触行为进一步显示可通过脉冲编程控制，实现可调的多级电导率状态。利用实验提取的器件特性，研究人员实现了人工神经网络（artificial neural networks, ANNs）和卷积神经网络（convolutional neural networks, CNNs）以评估系统级性能。基于忆阻器的网络在MNIST上分类准确率超过95%，在CIFAR-10上超过90%，同时在电导率离散化及周期间变异下保持鲁棒性能。这些结果展示了一种材料驱动的方法以实现线性可控的突触行为，确立了PECVD非晶SiC作为高精度可扩展神经形态计算系统的强有力候选者。

论文《Linear and Programmable Long-Term Plasticity in PECVD Amorphous SiC Memristors》发表于《Advanced Electronic Materials》。随着人工智能的快速增长，传统的冯·诺依曼（von Neumann）架构在执行深度神经网络等数据密集型工作负载时日益受到所谓“内存墙”的限制。内存与处理单元的物理分离导致过多的数据移动，造成高能耗和有限的计算吞吐量，共同阻碍了下一代智能系统的进一步性能提升。神经形态计算旨在硬件层面直接模拟生物神经系统的大规模并行和事件驱动信息处理，被视为克服这些限制的替代范式。在神经形态计算系统中，人工突触器件是关键构建模块，其器件级特性如高度线性和对称的电导调制、大量可访问权重状态、低更新噪声和长期稳定性对于确保准确和节能的神经网络训练与推理至关重要。在各类人工突触候选者中，忆阻器因其结构简单、低功耗、可扩展性、多级电导率可调性及与CMOS技术兼容而备受关注。然而，尽管进展迅速，大多数报道的忆阻器常受限于高度非线性的电导演化、显著的周期间变异以及增强与抑制间明显的不对称性。这些非理想性在网络训练推理中累积，导致权重更新误差、收敛行为退化和识别准确率降低，特别是在大规模和高精度学习任务中。因此，实现高度线性、对称和稳定的权重变化仍是将基于忆阻器的神经形态系统转化为大规模高精度应用的关键挑战。非晶碳化硅（SiC）因其丰富的缺陷化学、优异的电热稳健性及与后道工序（BEOL）处理的兼容性，近来成为忆阻器件中一个有前景但尚未充分探索的材料平台。不同于传统氧化物体系，非晶SiC提供独特的局部键合环境，可通过沉积条件系统控制其电学和开关特性。研究人员此前已表明PECVD富硅非晶SiC忆阻器表现出优异的耐久性和短期可塑性（short-term plasticity, STP），实现突触学习遗忘行为和储备池计算等功能。然而，在SiC基忆阻器系统中尚未系统展示对准确神经网络训练至关重要的稳定且高度线性的长期突触权重调制。在此项研究中，研究人员通过在Cu/SiC/W器件结构中精确调控PECVD前驱体比例以调节SiC层化学计量比，实现了具有高度线性LTP/LTD电导调制的忆阻突触。与富硅组分相比，优化的SiC薄膜在定义良好且可控的动态范围内实现平滑近线性电导演化，减少饱和并改善周期间稳定性。这种内在线性允许在不依赖复杂脉冲方案或算法补偿的情况下可靠编程多级突触权重。利用这些器件，研究人员进一步展示了在图像识别基准上的准确人工神经网络推理，直接将材料级优化与系统级性能联系起来。通过受控SiC组分访问不同突触行为的能力凸显了非晶SiC作为神经形态计算多功能可扩展平台的潜力。

研究人员为开展研究用到的主要关键技术方法包括：采用等离子体增强化学气相沉积（PECVD）调控硅烷（SiH₄）与甲烷（CH₄）前驱体比例以沉积近化学计量比非晶SiC薄膜，并通过X射线光电子能谱（XPS）表征其化学组成与键合构型；制备Cu/SiC/W堆叠结构的忆阻器器件，利用半导体参数分析仪进行直流（DC）扫描与耐受性测试，采用波形发生器/快速测量单元（WGFMU）施加电压脉冲序列以表征突触开关特性（LTP/LTD）；基于实验提取的LTP/LTD电导演化数据与变异系数（CoV），在差分对配置下构建全连接人工神经网络（ANN）与基于VGG16的卷积神经网络（CNN），分别在MNIST与CIFAR-10数据集上进行系统级分类仿真，并在训练中引入电导离散化（snapping）与周期间（C2C）变异以评估硬件鲁棒性。

研究结果如下。

2 Results

研究人员通过截面扫描电子显微镜（SEM）确认Cu/SiC/W/SiO₂/Si堆叠结构，提取SiC厚度约25±2 nm。XPS核心能级谱显示Si 2p位于100.4 eV、C 1s位于283.1 eV，分别对应Si─C与C─Si键合，无Si─Si键贡献，定量给出近化学计量比Si:C原子比约1:1（±10%）。电学表征表明初始高阻态（HRS）需4.0 V电形成（electroforming）转入低阻态（LRS），随后在±1.0 V实现稳定双极阻变，ON/OFF比超一个量级，100次DC循环可重复，高低阻态保持1000 s稳定，器件良率约80%。高阻态符合肖特基发射（Schottky emission）主导输运，势垒高约0.61 eV；低阻态呈欧姆传导（Ohmic conduction）且具有正温度系数约0.004 °C^?1，证实Cu导电细丝形成与断裂机制。突触开关特性显示，在方案I（非对称脉宽±1.2 V、25正脉冲60 μs、30负脉冲30 μs）下LTP与LTD非线性因子β_p=0.11、β_d=0.34；方案II（对称脉宽60 μs、40正脉冲、25负脉冲）进一步优化至β_p=0.08、β_d=0.15，多级电导态在500 s内稳定无退化。周期间重复性显示方案I变异系数（CoV）约1.15%，方案II降至约0.89%，标准误（SE）更小，重叠度更高。系统级仿真中，基于方案II的单周期电导态在MNIST三层的ANN（784–200–10）上测试准确率达95.2%（理想浮点98.2%），引入C2C变异后平均95.8%±1.0%；在更复杂的CIFAR-10上使用CNN（类VGG16）单周期准确率90.3%（理想91.6%），C2C下平均89.7%±0.8%，混淆矩阵显示各类别分类可靠，证明材料离散化与变异下仍具鲁棒性。

3 Conclusions

研究人员总结，通过调控非晶SiC层从富硅至近化学计量比，实现渐进可控电导演化，稳定LTP非线性度低至0.08与高周期间重现性。突触行为可通过脉冲编程系统调谐，在保持线性下控制电导范围与权重状态。结合内在线性与可编程性，基于实验特性在MNIST与CIFAR-10分别达约96%与90%分类准确率，且在电导离散化与周期间变异下稳定。结果确立非晶SiC为可工程化忆阻平台，突触功能可在材料级定制，提供材料驱动路径以实现线性可控可靠人工突触，具可扩展神经形态计算潜力。未来将通过缩放SiC层厚与尺寸提升开关速度，并利用BEOL兼容结构推进交叉阵列集成，以选择器或晶体管辅助架构应对潜通路电流与变异。

讨论部分总结：研究人员在结论中强调，本文工作的核心在于通过材料化学计量比调控这一材料驱动途径，解决了传统忆阻器非线性与非对称权重更新的难题。近化学计量比非晶SiC通过抑制过剩Si─Si键限制Cu迁移，从而获得长期可塑性与高线性度。实验提取的器件参数直接映射至网络仿真，证明了即便在硬件固有的电导离散与随机变异下，系统仍能维持高性能识别，这验证了该平台从材料到系统的可行性。最后指出未来朝向速度优化与大规模交叉阵列集成的发展方向，并指出可借助选通管或晶体管结构解决大规模集成中的潜行电流问题，为后续研究指明路径。