阻器（Memristor）由于其读写速度快、集成密度高、成本低和可扩展性好，被认为是最有希望的下一代新兴存储器技术之一，其核心是利用电介质中缺陷的产生、迁移和恢复来存储数据。在外加电场的作用下，忆阻器的阻值会发生连续且可逆的变化，以此来存储相应的数据。由于介质中的缺陷能够以较为稳定的状态存在，忆阻器的阻值在撤掉外加电场的情况下仍能够保持很长时间。因此利用忆阻器存储的数据在断电后仍然可以保持，也就是具有非易失性。
除了应用于存储领域之外，忆阻器在神经形态计算芯片领域显示出更加重要的潜力。众所周知，哪怕是目前最先进的超级计算机，在复杂程度与能效方面也与人脑相去甚远。而神经形态计算就是通过模仿人脑的构造来大幅提高计算能力与能效的新型计算方法。神经形态计算与传统计算方法最本质的区别在于其将负责数据存储和处理的单元融合在了一起，从而省去了传统计算方法中由于数据在存储器与中央处理器之间频繁移动而造成的大量能源开销，绕过了“存储墙”这一制约传统计算方法发展的瓶颈，大幅提升了数据传输和处理的并行度。忆阻器的阻变特性恰好可以用来实现这个方法，就像大脑神经元中的突触一样。
忆阻器本身的阻值可以用来存储数据；在外加电压下还会输出相应的电流来完成乘法计算的功能，将多个忆阻器的输出电流汇集到一起还可以实现加法计算的功能。通过乘法与加法的组合，忆阻器可以完成绝大多数的计算任务。而且这样的计算都是由最基本的电学物理定律主导的，也就是说所有的计算都能够在极其短暂的时间内完成。最关键的是，忆阻器的阻值能够在一定的外加电压条件下进行快速且可逆的控制与调整，这就使得由忆阻器集成的神经形态计算芯片不仅仅能够高效地完成计算功能，而且还是可重复编程的。这些特性为忆阻器在神经形态计算领域的应用带来了无可比拟的优势。可以预见，一旦基于忆阻器的神经形态计算芯片技术成熟，制作类似甚至超越人脑智能和能效的“超级人工大脑”将变成现实。
然而，在大规模应用忆阻器的道路上还存在着许多科学问题与技术难关。首先，忆阻器的工作机理中还有一些尚未明确的部分，这就使得在如何改进忆阻器器件特性这一问题上方向并不十分明确。其次，工作机理的模糊也使得忆阻器在材料选取、制备工艺、组成结构和大规模集成等方面还不甚成熟，器件的可靠性和稳定性等指标尚未达到大规模实际应用的要求。除此之外，忆阻器本身完成的是模拟计算，如何与经典的数字计算系统进行挂钩和对接也是一个值得探讨的问题。针对这些问题，清华大学微电子研究所钱鹤、吴华强和邓宁课题组在忆阻器的工作机理、结构、材料、工艺、性能、集成和操作模式等方面进行了深入的研究，提出了一系列解决方案。
━━━━━ ━━━━━
题组通过探寻忆阻器的工作机理、筛选材料、优化结构、精心设计芯片电路与测试系统等步骤，最终完成了世界上首个集成上千个双向连续阻变忆阻器单元、能够像人脑一样对输入有实时响应并能在线学习的人脸识别系统，且该系统每次迭代的能耗不足英特尔至强融核协处理器的千分之一。相关成果已被《自然.通讯》与国际电子器件会议（IEDM）等具有世界影响力的期刊和会议收录。
为了使忆阻器具有稳定的连续电阻特性，课题组使用了层叠的氧化钽和铪铝氧结构，其中氧化钽作为界面热保护层（Thermal Enhanced Layer）和储氧层，铪铝氧作为电阻开关层。通过探究忆阻器的阻变机理和仔细调整铪、铝、钽、氧各元素的比例，课题组得到了具有良好均一性和稳定双向连续阻变特性的忆阻器器件，可以在一个器件中存储多比特数据，并结合输入电压的情况完成模拟计算。
课题组使用了一晶体管一忆阻器（1T1R）的结构来进一步提高忆阻器的双向连续阻变特性和均一性。与两端的单一忆阻器结构相比，三端的1T1R结构中由晶体管栅极电压控制的限制电流可以显著地抑制忆阻器阻值调小过程中的电路正反馈，从而提高忆阻器阻值的连续可控性。除此之外，1T1R结构中的晶体管还能够有效地切断大规模忆阻器阵列中未选择单元的导通，从而消除有效路径之外的干扰路径问题。
在器件的基础上，课题组集成了一个具有1024个忆阻器单元的计算芯片。其中每一行的晶体管源极相连作为源极线，晶体管栅极相连作为字线，每一列的阻变器件顶电极相连作为位线。通过在位线上并行输入指定电压，源极线上就可以迅速得到由输入电压和忆阻器电导矩阵相乘得到的输出电流。
课题组用此芯片实现了一个单层感知机神经网络来完成人脸识别功能，并将这个神经网络在处理过的部分耶鲁人脸数据集上进行了训练与测试。随着认识过的人脸图片越来越多，网络很有效地学习到了区分不同人脸的特征，最终取得了训练集和测试集都能够完美识别的优异结果，并在更难的具有20%噪声点的测试图片上得到了大于90%的识别准确率。
在网络训练的过程中，课题组还对忆阻器的操作模式进行了深入的研究。在一定的外加电压作用下，忆阻器的阻值能够发生连续可逆的变化。但由于不可避免的系统噪声的存在，以及高精度外加电压控制的复杂性，很难通过一次操作就将忆阻器的阻值调整到预期的大小。因此对忆阻器阻值进行调整之后往往需要进行一次验证操作，即读出忆阻器的实际阻值大小并与目标阻值进行比较。如果实际阻值与目标阻值相关较大，则需重复进行阻值调整与验证操作，直到满足要求。而实际的学习过程是一个渐进的过程，从初始的懵懂无知到最后能够完成一个复杂的识别任务，这一过程中需要不断地调整与学习。如果像数字系统一样，每次迭代后都要求忆阻器阻值达到一定的精度，那么将带来很多次的验证与再调整操作。
因此课题组尝试使用了一种无验证操作的忆阻器操作模式。在每次学习之后，根据当前结果的反馈仅对忆阻器阻值进行变大、变小或不变操作，并不要求每个忆阻器的具体阻值，而以最终的识别能力作为唯一的检验标准。这样的设计可以十分有效地减小相关电路需求与每次迭代的能耗，使芯片在单位面积下具有更高的计算能力。最终的实验证明，无验证操作的忆阻器操作模式也可以完成相同的人脸识别任务。
在这一工作的基础上，课题组进一步设计了一款完整的神经形态计算芯片，该芯片包含一个784×100的忆阻器阵列和一个100×10的忆阻器阵列，以及神经元和全部控制电路。该芯片可以在线学习并识别标准的MNIST手写体数字数据集。未来，课题组还将进一步提升阵列的规模，完成更加实际的场景中的物体识别。
━━━━━ ━━━━━
了让忆阻器能够更好地应用于更种场景，除了以上研究内容之外，课题组还面临着其他一些挑战，比如如何设计一款通用型的忆阻器计算芯片等。在未来的工作中，性能更优异的器件、配套的算法模型和优秀的芯片架构设计将成为帮助忆阻器实现突破的最大课题。
致谢：感谢国家自然科学基金项目“新型神经态器件阵列设计和优化”（项目编号：61674089）、国家重点研发计划课题“新型纳米存储器的材料与单元研究”（课题编号：2016YFA0201801）、北京市科技计划重点课题“三维NAND闪存机理分析及仿真平台搭建”（课题编号：D161100001716002）的支持。
吴华强：清华大学副教授。
张清天：清华大学博士后。
高滨：清华大学助理教授。
邓宁：清华大学副教授。
钱鹤：清华大学教授。
>>>本文为原创，转载请回复。<<<
