综述：面向脑启发计算的新兴后CMOS硬件神经元：器件、电路与系统集成

《Advanced Functional Materials》：Emerging Post-CMOS Hardware Neurons for Brain-Inspired Computing: Devices, Circuits, and System Integration

　　

冯·诺依曼架构的根本能量和延迟限制已迫使计算范式向神经形态系统转变。这种方法通过模拟大脑的事件驱动和大规模并行处理能力来解决“存储墙”瓶颈。然而，这些神经元在硬件中的物理实现仍然是一个关键挑战。尽管基于互补金属氧化物半导体（CMOS）的实现能够模拟神经元动力学，但此类实现受限于高晶体管数和过高功耗，从而制约了其高密度集成的可扩展性。本综述对人工神经元进行了全面分析，首先描述了生物神经元。研究人员讨论了多种神经元模型和学习模型，以确立硬件仿真所需的功能要求。随后，研究人员详细阐述了CMOS神经元的局限性，以此作为向后CMOS神经元过渡的动机。这些后CMOS神经元包括基于新兴器件的整合发放（integrate-and-fire）神经元、Hodgkin-Huxley神经元以及其他具有新颖功能的神经元。此外，研究人员通过评估系统级架构并推导实际部署中特定应用的需求，探讨了实现这一脑启发技术的路径。最后，研究人员提出了实现高能效和高密度神经形态计算系统的结论与未来展望。

1 引言

现代深度神经网络（DNN）在诸多领域取得巨大成功，但基于冯·诺依曼架构的传统计算因处理单元与存储器物理分离而产生“存储墙”瓶颈，导致显著的延迟和能量开销。神经形态计算通过模拟大脑的事件驱动、大规模并行和存算一体的架构来克服这一限制。硬件实现脑启发计算的核心是模拟突触和神经元两种功能元件。突触作为记忆元件存储连接权重，已通过传统和新兴非易失存储器技术有效实现；而神经元作为主要计算引擎，需要执行非线性变换，其硬件实现依赖于信号整合、脉冲产生和复位的专用模块，导致电路面积和功耗远高于突触器件，成为主要技术挑战。早期人工神经元基于CMOS技术，但其高晶体管数、大电容和静态功耗限制了集成密度，促使研究转向阻变随机存取存储器（RRAM）、相变存储器（PCM）、自旋电子器件和铁电场效应晶体管（FeFET）等新兴器件，这些器件具有滞后、累积和非易失状态保持等内在物理动力学，能以紧凑的二端或三端器件替代复杂电路，为高密度、超低功耗神经形态系统提供路径。

2 基准：生物神经元

2.1 神经元解剖学和动力学

生物神经元在结构上分为树突、胞体和轴突。树突接收突触前神经递质并编码为电流；胞体作为中央处理器，在脂质双分子层膜上整合电压，膜电容（C_m）与离子通道并联。当膜电位（V_m）超过阈值（V_th）时，电压门控钠离子（Na⁺）通道打开，引发快速去极化和动作电位。随后钾离子（K⁺）通道促进复极化并产生不应期。生物神经元因此兼具接收、编码和传递信息的功能。

2.2 不同的神经元模型

2.2.1 Hodgkin–Huxley（HH）模型

HH模型用四个微分方程精确描述膜电位（V_m）的动态，包括钠、钾和漏电通道的非线性电导。硬件实现中，HH神经元通常利用快速阈值开关分支模拟钠激活（m），慢速恢复或反馈过程模拟钠失活（h），延迟易变电导分支模拟钾激活（n）。该模型精度高但计算和电路复杂度大；而简化模型如Izhikevich和自适应指数整合发放（AdEx）模型能以较少状态变量重现多种放电模式，更适合大规模能效型脉冲神经网络（SNN）。

2.2.2 漏电整合发放（LIF）模型

LIF模型是神经形态硬件最广泛采用的抽象，将膜视为简单RC电路，膜电位（V_m）累积输入电流（I_in）的同时以时间常数τ=RC_m向静息电位衰减，达阈值后产生脉冲并复位。该模型捕获了SNN所需的“整合”和“发放”基本计算原语，但缺乏生物复杂性，无法实现相位发放、簇放电和频率适应等行为。

2.3 学习机制

生物学习通过修改突触权重实现，核心包括Hebbian学习规则，即“神经元同步放电则连接增强”。脉冲时序依赖可塑性（STDP）根据突触前脉冲与突触后响应之间的时间差（Δt）调整权重：突触前先于突触后放电（Δt>0）引起长时程增强（LTP）；反之引起长时程抑制（LTD）。硬件实现STDP需要人工神经元向突触提供反馈信号，如反向传播动作电位，因此需神经元与突触器件协同设计。

2.4 硬件基准

为评估人工神经元的生物真实性，可定义定量参考范围：膜时间常数约5–50 ms，动作电位宽度约1–2 ms，放电频率约0.1–200 Hz，有效膜电导约10–100 nS，以及每次脉冲能量。这些参数随细胞类型和功能而变化，硬件神经元不需要复现所有离子通道电导，而应评估其有效膜电导、阈值和时间常数。能量消耗需要明确测量步骤，区分神经元核心与偏置、感知、复位、路由等外围电路。尽管纳秒或微秒级器件偏离生物时序，但有利于高吞吐神经形态计算。

3 CMOS神经元的局限性

CMOS技术早期通过亚阈值区晶体管模拟生物离子流，实现轴突-丘脑（Axon-Hillock）和整合发放（IF）电路。一个典型的自适应CMOS IF神经元包含四个功能模块：输入整合与漏电模块使用差分对积分器（DPI）实现低通滤波和漏电；脉冲生成模块采用跨导放大器提供正反馈，模拟钠通道的快速激活与失活；不应期和复位模块通过放电和偏置控制实现不应期；脉冲频率适应模块利用辅助DPI产生缓慢抑制性适应电流。尽管CMOS工艺成熟、行为可预测，但主要瓶颈在于膜电容C_m面积过大，无法在实现生物学时间常数的同时满足高密度集成；且亚阈值整合阶段静态功耗高。新兴器件如忆阻器、磁随机存取存储器（MRAM）和FeFET可替代大电容和触发开关，实现可扩展的高密度神经形态系统。

4 后CMOS神经元的进展

4.1 整合发放神经元

基于LIF模型的后CMOS神经元利用新兴器件实现无电容整合。自旋电子器件如垂直自旋转移矩磁隧道结（p-STT MTJ）通过磁阻变化模拟整合，具有纳秒级切换速度，适合快速放电神经元。二维材料如基于Ag/HfO₂的阈值开关忆阻器实现紧凑的人工神经元，但稳定性依赖层厚。利用生物质衍生纳米多孔石墨烯忆阻器的LIF神经元通过SPICE模型实现生物拟真频率调谐，但功耗较高。有机电化学神经元（OECN）利用垂直有机电化学晶体管（OECT）互补电路获得生物相容性和低电压操作，但最大放电频率受聚合物响应时间限制。这些多样化的材料系统表明LIF模型可根据高速计算或软生物接口等需求进行定制。

4.2 Hodgkin–Huxley神经元

HH神经元在硬件中实现极其困难，但新兴材料可原生模拟离子通道动力学。Harikesh等人利用混合离子电子导电梯型聚合物聚苯并咪唑苯并菲咯啉（BBL）的“反双极性”特性，实现了无需复杂硅电路的导电型有机电化学神经元（c-OECN），成功在鼠迷走神经中实现闭环调控。固态忆阻HH神经元方面，Yang等人使用两个阈值开关忆阻器（Ag/TaO_x）模拟Na⁺和K⁺通道动力学，建立了通用设计规则，可复现23种生物放电行为。随后，他们展示了单片集成的忆阻HH神经元，利用两个RRAM（HfO_x基）和两个阈值开关忆阻器（Ag/HfO_x基）实现全有或全无发放、紧张性放电/簇放电、阈下振荡和混合模式放电，并引入稳态可塑性——神经元在面对过强输入时自发调整放电阈值，防止“超兴奋”，为自治神经形态系统的扩展奠定基础。

4.3 其他神经元

4.3.1 随机神经元

随机性是生物神经网络的重要特征。Tuma等人利用硫系相变材料（PCM）的随机结晶实现随机整合发放神经元，该神经元通过可逆的非晶-晶体相变整合输入，熔融淬灭引起的原子结构重组赋予固有物理噪声，可用于时间相关性检测和亚奈奎斯特速率信号表示。Jun等人基于垂直磁隧道结（p-MTJ）和28 nm CMOS外围电路实现了全功能随机二元神经元，其随机切换概率呈S型函数，可在SNN中执行时间相关性检测和概率计算。

4.3.2 复杂脉冲神经元

Yi等人利用具有局部活性负微分电阻（NDR）的VO₂忆阻器实验再现了多种生物脉冲行为，包括紧张性发放/簇发放、相位发放、混合模式发放、阈下振荡、反弹发放、频率适应和不应期等。通过改变输入耦合方式和被动时间常数，可在不更换活性材料的情况下选择不同放电类型。Pei等人基于AlAs/InGaAs/AlAs量子阱结构的NDR忆阻器提出了FitzHugh–Nagumo（FN）神经元实现，具有高温稳定性和超过10⁶次循环耐久性。Xiao等人将Ag/HfO₂易失性阈值开关元件与电化学随机存取存储器（ECRAM）耦合，实现了可在LIF、自适应、相位和簇发模式之间重新配置的神经元。此外，反双极性晶体管（AAT）和异质结晶体管凭借负跨导区的自然振荡和自触发脉冲特性，可在较小硬件面积内实现阈值整形和节律发放。

4.3.3 兴奋性和抑制性神经元

实际神经形态网络需要可控的兴奋和抑制交互。Han等人利用单MOSFET的栅极选择性抑制神经元发放，无需额外电路。后续工作引入双栅极MOSFET架构，独立访问主栅和副栅，分别实现兴奋/抑制切换和动态阈值调谐。新兴存储器件方面，Luo等人报告了无电容随机漏电FeFET神经元，可同时处理兴奋性和抑制性连接；Hu等人演示了基于双极阈值开关忆阻器的可重构神经元，通过电压极性调节阈值来切换兴奋/抑制模式。

4.3.4 光电子和光子神经元

光电子感觉神经元将光刺激直接转换为电脉冲，用于人工视觉和感内感知；集成光子神经元在光域内保留信息，支持高带宽传输、波分复用（WDM）和低延迟处理。代表性器件包括基于氧缺陷InGaZnO/富氧InGaZnO同质结的全光控忆阻器，其持续光电导可通过不同波长照射调节；基于光晶体管的光电LIF神经元通过累积光栅效应实现膜电位整合、阈值发放和复位。光子神经元通过相变单元、微环谐振器、马赫-曾德尔干涉仪等实现加权聚合，采用WDM合并多通道信号，再经非线性光学元件产生输出脉冲。Feldmann等人报道了全光神经元，利用相变单元加权和微环谐振器产生输出光脉冲；Hu等人演示了薄膜铌酸锂光子计算电路；Guo等人构建了四通道光子SNN，使用硅马赫-曾德尔干涉仪网络进行线性突触计算，用InP分布反馈激光器阵列实现非线性脉冲生成。这些研究展示了集成光子平台在高吞吐神经形态计算中的潜力。

5 实现颠覆性技术

5.1 系统级架构

交叉阵列是神经形态计算最常用的硬件原语，突触权重以非易失电导状态存储于字线和位线交点，通过基尔霍夫定律和欧姆定律在单步内完成高并行向量-矩阵乘法（VMM）。每条位线末端连接人工神经元电路，整合累积电流并对非线性激活函数进行实现。近期研究已证明全忆阻SNN的可行性，将突触阵列与忆阻LIF神经元集成于单个硬件系统。体系结构正从速率编码向时间编码演变，以提高信息密度和能效。具有功能树突的神经元能进行分层信息处理和非线性整合，提升复杂时空任务识别精度。人工感觉神经元将模拟环境信号直接转换为脉冲信号，无需模数转换器（ADC），显著降低延迟和能耗。未来系统趋向多感官融合，如将压力和温度等多模态输入压缩为单个脉冲序列。

5.1.1 系统级集成与协同设计挑战

将人工神经元扩展到大型SNN系统需要神经元、突触、互连和外设电路的协同设计。高密度交叉阵列中的线电阻、寄生电容、器件变异和潜行电流会扭曲累积信号并改变有效阈值，因此需要联合优化阵列分割、偏置、电流模式传感和局部外围电路。事件驱动路由（如地址-事件表示AER）仅传输活动脉冲，本地或存内路由减少数据移动，三维集成缩短互连长度。但高密度忆阻交叉阵列和三维堆栈带来热约束，需协调瓦片尺寸、路由带宽、散热和编程频率。神经元-突触协同设计对时序学习至关重要，STDP的实现需协同设计预/突触后脉冲波形、脉宽、神经元延迟和突触器件切换动力学。系统级基准应报告互连、路由、缓冲、编程、感知和热管理开销。

5.1.2 器件变异、可靠性与缓解策略

器件变异和长期可靠性是扩展后CMOS人工神经元的核心挑战。阈值开关忆阻器、PCM和OECT存在循环间和器件间变异，影响放电阈值、潜伏期和频率等关键属性。PCM还存在电导漂移，Ag/HfO₂器件需控制阈值电压均匀性。缓解措施包括闭环写-验证编程、阈值校准、自适应偏置、参考器件和稳态反馈；架构层可采用冗余和故障感知映射；器件感知的训练和推理应纳入实测分布。可控制的随机性还可用于随机计算和不确定性感知SNN。未来报告应包含阈值电压、放电频率、时间响应、耐久性、漂移和长期稳定性的分布数据。

5.2 特定应用需求

5.2.1 边缘AI和约束优化

边缘计算如自主无人机和智能传感器要求高能效和高速度。无机后CMOS神经元如VO₂莫特忆阻器和自旋矩器件具有纳秒级切换速度和可扩展性，可通过后道工艺（BEOL）直接集成在CMOS逻辑之上，实现三维堆叠和毫焦耳级每脉冲能耗。莫特忆阻器还可模拟簇发放和混沌动力学，加速约束满足问题的求解。

5.2.2 神经形态感知与生物接口

电子皮肤、假肢和脑机接口等直接与生物世界交互的应用优先考虑生物相容性和时间匹配。生物信号通常在0.1–100 Hz范围内，硅电容难以在合理面积内实现如此长的时间常数。有机电化学神经元（OECN）通过离子传输工作，天然匹配生物组织的时间常数和化学环境，可实现电子系统与生物实体的无缝接口。

6 结论与展望

人工神经元的演进已从基于CMOS大电路实现的简单现象学模型，转向基于新兴材料和器件的紧凑生物拟真电路。LIF模型仍是主流标准，但领域正朝向更高阶的生物物理真实性扩展，例如在固态和有机硬件中实现HH动力学。未来挑战包括：器件变异与可靠性，需结合材料和工艺优化、阈值校准、闭环编程、冗余和器件感知算法；可重构性，下一代芯片应支持神经元模型动态切换；多模态融合，将光、触觉和化学传感器直接与人工神经元集成；系统级集成与可扩展性，需要跨层协同设计并解决热约束和时序匹配；商业化和长期可靠性，需建立标准化的可靠性协议、紧凑模型和工艺设计套件，实现晶圆级阵列演示和软硬件协同优化。后CMOS神经元电路将持续为开发高能效、可扩展、可重构、多模态甚至生物相容的信号处理器提供技术机遇，材料科学、器件物理、电路设计、芯片制造和计算神经科学社区的紧密协作将是关键。