文章链接：
https://advanced.onlinelibrary.wiley.com/doi/full/10.1002/adma.202413640?saml_referrer
亮点
1.纳米晶氮化硼的直接合成
o实现了在金属电极上的直接合成，避免了机械转移的复杂性。
2.可控的晶体结构
o纳米晶（NC h-BN）和非晶（a-BN）氮化硼忆阻器表现出不同的动态特性，适应多样化应用需求。
3.高效三维集成
o集成储备层与读出层，实现高性能储备计算处理器，适用于时间数据推理任务。
4.优异的储备计算性能
o实验结果显示该集成处理器能够以高精度（如时间数据推理任务）完成神经网络推理。
摘要
基于二维材料（2DMs）的忆阻器因其优异的开关性能吸引了广泛研究兴趣。以往二维材料的合成方法侧重于大晶粒尺寸，但却导致高密度忆阻器阵列中缺陷分布随机化，从而影响器件均一性。此外，高温合成和机械转移使得实现大面积忆阻器阵列及其集成变得困难。因此，发展针对忆阻器的纳米晶二维材料合成方法尤为关键。本研究中，研究者通过直接在金属电极上合成晶体可控的六方氮化硼（h-BN），实现了全集成忆阻器储备计算处理器。利用纳米晶氮化硼（NC h-BN）的忆阻器表现出挥发性开关和可靠的储备动力学，而采用非晶氮化硼（a-BN）的忆阻器则具有非挥发性开关和线性增强/抑制曲线（αP = −0.475，αD = 0.656）。通过在三维空间中集成NC h-BN和a-BN忆阻器，研究者成功构建了包含储备层与读出层的高效储备计算处理器。整体上，该集成处理器的神经网络在时间数据推理中表现出高精度。这一晶体可控氮化硼的合成方法为全集成储备计算处理器的实现开辟了新途径。
研究背景和主要内容
近年来，硬件性能的提升减少了运行人工神经网络 (ANN) 所需的计算时间，从而使图像识别、语音识别、自然语言处理、自动驾驶和人工智能 (AI) 的其他进步成为我们日常生活的一部分。然而，为了处理更复杂和更大量的数据，ANN 训练的参数数量呈指数级增长。因此，传统的基于互补金属氧化物半导体 (CMOS) 的处理器（例如，GPU、CPU、DRAM）采用冯·诺依曼架构，其中内存和处理器在物理上是分开的，由于数据总线上的时间延迟和 ANN 计算期间不必要的功耗，其计算性能受到限制。此外，传统的基于 CMOS 的处理器在处理时间数据时的缺点显而易见。传统计算机使用基于循环神经网络 (RNN) 的神经网络来处理时间数据。然而，RNN 的计算效率受到训练时连续反向传播引起的梯度消失和梯度爆炸问题以及随着数据序列长度成比例增加的计算成本的限制。为了解决这些问题，储备池计算应运而生，它通过引入将时空信息映射到高维计算空间的储备池来降低训练成本。储备池计算网络由储备池层和读出层组成。储备池层输出对时空信息的非线性响应，读出层使用储备池的输出信号作为输入进行训练/推理。当对忆阻器施加电刺激时，器件的电导会根据开关介质中原子（或离子）的分布而变化。此外，该器件具有挥发性或非挥发性特性，具体取决于绝缘膜和导电原子（或离子）的特性。具有挥发性特性的忆阻器可用作储存器，因为它们在顺序电压应用中表现出非线性输出电流，而具有非挥发性特性的忆阻器可用作读出层中的人工突触元件。
为了实现高效的储存器计算，必须将储存器和读出层集成在单个芯片上，以最大限度地减少数据传输过程中的计算成本损失并保留非冯诺依曼架构的意义。然而，储存器和人工突触装置是分开研究的，没有考虑制造兼容性（表S1，支持信息）。因此，需要进行考虑两个组件制造兼容性的单芯片集成研究。
二维材料 (2DM)，例如六方氮化硼 (h-BN) 和二硫化钼 (MoS2)，由于其具有低开关电压、快速开关速度、器件均匀性和出色的模拟可调性，作为下一代高性能神经形态硬件材料而受到关注。特别是氮化硼 (BN) 是一种具2DM 的固有优势。此外，BN 薄膜具有比金属氧化物更高的介电强度 ，使其能够抵抗重复电应力。因此，BN 基忆阻器具有出色的开关耐久性。 BN 薄膜的介电常数较低，根据厚度和形态不同，为 1.70–3.76，这使得 BN 薄膜能够快速读取数据，这对于神经网络的推理速度至关重要。此外，BN 薄膜具有优异的抗氧化性和热稳定性，非常适合三维集成工艺。
迄今为止，已经开发出针对大晶粒生长的 2DM 合成方法，用于高性能基于 2DM 的电子产品（即晶体管和光电子学）。为此，已经使用了利用特定基板和高工艺温度的合成方法。之前的几份报告使用机械剥离和转移方法制造了基于 2DM 的忆阻器器件，这限制了大面积制造并造成了意外损坏。此外，当 2DM 的晶粒尺寸大于电极的宽度时，器件的有源区域中不会出现与切换相关的缺陷，从而导致器件之间出现差异。因此，纳米晶粒 2DM 对于在忆阻器应用中制造大面积、高产量的忆阻器阵列至关重要。因此，开发用于忆阻器的新型 2DM 合成方法至关重要。
在本研究中，我们通过 3D 集成晶体度控制的 h-BN 忆阻器，在单芯片上开发了完全集成的储存器计算处理器。晶圆级 Cu/h-BN/Au 忆阻器阵列是使用等离子体增强化学气相沉积 (PECVD) 工艺在低温 (350 °C) 下直接在电极上生长 h-BN 制成的。通过控制 PECVD 的前体蒸气压来调节单位厚度的等离子体辐照时间来控制 h-BN 的晶体度。此外，我们旨在确认 h-BN 的晶体度会导致忆阻器细丝断裂速度的差异。我们使用纳米晶六方氮化硼 (NC h-BN) 实现了物理储存器，并使用非晶氮化硼 (a-BN) 实现了人工突触。NC h-BN 忆阻器对电压脉冲表现出易失性电阻开关和非线性增加/衰减特性，并对 4 位顺序输入实现不同的响应。此外，a-BN忆阻器表现出非挥发性电阻开关特性，在施加连续电脉冲（>105个脉冲）后反复表现出线性增强/抑制（α P = −0.475，α D = 0.656） 。该器件在模拟开关电导范围内还具有超过104 s的保持特性，即使在高温下也能保持稳定的电导状态。最后，将NC h-BN和a-BN忆阻器集成到三维中，实现了具有一个储层、两层感知器（TLP）（读出）架构的全集成储层计算处理器。通过MNIST手写数字识别和二阶非线性动力学预测验证了集成处理器的时间数据处理能力。
图1 全集成储层计算处理器的概念及其特性。a) 建议的储层计算系统的神经网络结构。读出层使用两层感知器。b) 全集成储层计算处理器的横截面透射电子显微镜图像。所有设备都是垂直集成的。c) 晶圆级制造的 3D 集成处理器和 d) 单个处理器的光学显微镜图像。比例尺：200 µm d)、5 µm（d，插图）。e) 储层器件（第 3 层）和 f) 突触器件（第 1 层和第 2 层）的电阻切换曲线。
图2 BN 膜的特性。a) NC h-BN 和 b) a-BN 膜的合成系统图示。c) NC h-BN 和 d) a-BN 膜的透射电子显微镜图像。比例尺：5 nm（c、d）。e) 合成的 NC h-BN（红色）和 a-BN（黑色）膜的拉曼光谱。f) NC h-BN 和 g) a-BN 膜的晶圆级厚度测量。h–j) Cu/BN/Au 忆阻器器件的保留特性与前体蒸气压的关系。每个器件的前体蒸气压和 BN 沉积速率分别为 h) 19 mTorr，0.26 nm min−1；i) 21 mTorr，0.38 nm min−1；和 j) 25 mTorr，0.6 nm min−1。
