In2Se3铁电结：神经形态计算记忆窗口与效率的显著提升

【研究背景】

在现代计算技术的快速发展中，传统的冯·诺依曼架构逐渐暴露出CPU与存储器之间的通信瓶颈问题。随着CMOS技术的持续缩小，数据在处理器和存储器之间的频繁传输不仅增加了功率消耗，还导致了热耗散问题加剧，进而限制了计算速度的提升。这种瓶颈在大数据和复杂计算任务中尤为明显，迫切需要新的计算范式来打破这一限制。受生物大脑神经系统的启发，神经形态计算系统作为一种新兴的计算范式应运而生。该系统通过模拟生物大脑的结构和功能，实现了处理与存储的高度集成，从而显著降低了功率消耗并提高了能量效率。在神经形态计算系统中，突触设备扮演着至关重要的角色，它们模拟生物突触的电化学信号通信和神经可塑性，是信息处理和存储的基本单元。

为了实现高效的神经形态计算，研究者们不断探索各种候选材料和技术。其中，阻变RAM（RRAM）、相变存储器（PCM）和铁电RAM（FeRAM）等新型存储器因其各自独特的优势而备受关注。特别是铁电材料，以其低功耗、高速开关速度和非易失性等特点，在突触设备中展现出巨大的应用潜力。近年来，二维材料因其独特的物理和化学性质在记忆设备领域引起了广泛关注。其中，In2Se3作为一种具有铁电和半导体特性的二维材料，被认为是制作高性能突触设备的理想选择。In2Se3的铁电特性使其能够模拟生物突触的权重变化，而半导体特性则使其能够作为通道材料实现信息的传输和处理。而且，In2Se3的光学性质也为视觉突触设备等新兴应用提供了可能。    

【研究成果】

近日，韩国成均馆大学Dong-Hwan Kim联合德克萨斯大学Deji Akinwande联手在国际顶级期刊《Advanced Materials》发文报道了一种创新的突触忆阻器，该器件巧妙地结合了二维In2Se3铁电结的独特性质，旨在为未来神经形态计算领域带来突破性的进展。这款忆阻器在平面架构上展现出了令人瞩目的性能指标：其电压记忆窗口高达16 V（即±8 V的操作范围），这一数值远超当前文献中报道的其他同类器件。同时，它还实现了惊人的10⁸开/关电流比（ION/OFF），在确保高效信息存储与读取的同时，也显著降低了能耗。该忆阻器在开态下的功耗极低，仅为10^-5 W，这一特性对于构建低功耗、高效率的神经形态计算系统至关重要。通过精细的脉冲调控，研究者成功地在该器件中模拟了生物突触的核心功能——突触可塑性，具体表现为非线性因子分别为1.25的长时程增强（LTP）和-0.25的长时程抑制（LTD），这一成果为模拟生物神经网络的学习与记忆机制提供了坚实的硬件基础。在实际应用验证方面，该突触忆阻器被集成到单层感知器（SLP）和卷积神经网络（CNN）中，通过芯片上的训练测试，其准确率高达90%，与理想突触器件的91%准确率几乎持平，充分证明了其在复杂神经网络计算任务中的出色表现。

【研究细节与结果】

1.器件制备

1.1 材料选择与准备

（1）选用高质量的二维In2Se3材料作为铁电层，因其具有优异的铁电性能和半导体特性。

（2）选择金（Au）作为电极材料，因其具有良好的导电性和化学稳定性。

（3）引入3 nm厚的二氧化硅（SiO2）作为界面层，以优化器件的电学性能。    

1.2 器件结构设计与制备

（1）采用平面忆阻器架构，将In2Se3纳米片通过机械剥离法转移到SiO2/Si衬底上。

（2）利用电子束光刻技术定义电极图案，并通过电子束蒸发系统沉积SiO2绝缘层和Au电极。

（3）确保各层之间的界面清晰、接触良好，以减小界面电阻和提高器件的稳定性。

2. 性能测试

2.1电学性能测试

（1）使用半导体参数分析仪对器件进行I-V特性测试，测量其在不同电压下的电流响应。

（2）通过调整SiO2绝缘层的厚度，优化器件的I ON/OFF比和操作电压，最终确定3 nm为最佳厚度。

（3）在此条件下，器件展现出高达16 V的电压记忆窗口和10-5 W。

2.2 突触可塑性测试

（1）设计特定的脉冲序列，模拟生物突触的成对脉冲易化（PPF）、遗忘曲线、长时程增强（LTP）和长时程抑制（LTD）等可塑性行为。

（2）通过向器件施加不同幅值和时长的脉冲电压，观察并记录其电阻状态的变化，从而模拟突触权重的调整过程。

（3）实验结果显示，器件能够成功地模拟出非线性因子为1.25的LTP和-0.25的LTD，与生物突触的可塑性行为高度一致。

3. 神经网络应用验证

3.1 单层感知器（SLP）测试

（1）构建基于该突触忆阻器的SLP模型，使用MNIST手写数字数据集进行训练和测试。

通过调整学习率、迭代次数等参数，优化模型的识别性能。    

（2）实验结果表明，SLP模型的识别准确率高达88%，接近理想突触器件的性能水平。

3.2 卷积神经网络（CNN）测试

（1）将突触忆阻器集成到CNN中，替换传统的突触元件。

（2）使用CIFAR-10图像数据集对CNN进行训练和测试，评估其在复杂图像识别任务中的表现。

（3）实验结果显示，CNN的识别准确率达到90%，与理想突触器件的91%相当，进一步验证了该器件在神经网络应用中的潜力和优势。

【论文插图】

图1. α-In2Se3纳米片铁电结的示意图和分析数据。a）平面配置中Au/In2Se3/Au结构的示意图。b）铁电器件的光学图像。c）对厚度约为170 nm的α-In2Se3纳米片器件的原子力显微镜分析。d）𝛼-In2Se3纳米片的拉曼位移和e）PL。f）IP方向上𝛼-In2Se3纳米片的PFM分析。    

图2. 𝛼-In2Se3铁电结的示意图和电特性。a）具有OOP和IP极化方向的𝛼-In2Se3的铁电性能。b）平面结构中铁电结器件的I-V曲线如图1所示。c）铁电器件的工作机制。d）DC 100循环的耐久性。

图3. 不同SiO2厚度的𝛼-In2Se3铁电器件的I-V曲线和开/关比。SiO2厚度约为a）0nm、b）2nm、c）3nm和d）5nm的铁电器件的I-V曲线。e）铁电器件的ION/OFF比随SiO2厚度差异的静态变化。f） SiO2厚度下的工作电压。    

图4. 具有3nmSiO2的铁电结的示意图和分析数据。a）Au/In2Se3/SiO2/Au平面结构的示意图。b）铁电器件的光学图像。c）该器件的原子力显微镜分析显示，𝛼-In2Se3纳米片厚度约为100 nm。d）铁电器件在矫顽电压以下和e）矫顽电压以上的电性能。f）耐久性测试结果显示第53次直流循环。

图5.铁电突触连接的图解和突触可塑性。a）铁电器件和突触前后的图示。铁电结的突触可塑性，包括b）PPF特性，c）遗忘曲线，d）LTP和LTD。。    

图6.带有SLP和CNN的人工神经网络。a）SLP与MNIST数据库的示意图。b）使用SLP和MNIST数据库对案例1和案例2进行训练后的识别率。c）使用CIFAR-10数据库的CNN架构示意图。d）案例1和案例2的CNN模拟的准确性。

图7. 使用铁电结的2D vdW材料的突触和非突触器件的基准。第1类和第2类分别代表突触装置和非突触装置。黄色箭头表示最好的角落。

【结论与展望】

这项研究的核心在于二维In2Se3铁电结与金电极之间引入的3nm厚SiO2界面层。这一创新设计不仅显著提升了器件的电学性能，还实现了超高的ION/OFF比和稳定的操作电压。同时，通过精细的材料选择与制备工艺，确保了器件的高稳定性和长寿命。该突触忆阻器在平面忆阻器架构中实现了高达16V（±8V）的电压记忆窗口和惊人的10⁸开/关电流比（ION/OFF），远超同类器件的现有水平。在开态下，其功耗仅为10^-5W，展现了极低的能耗特性，这对于构建绿色、可持续的计算系统至关重要。通过精细的脉冲调控，该器件成功模拟了生物突触的成对脉冲易化（PPF）、遗忘曲线、长时程增强（LTP）和长时程抑制（LTD）等可塑性行为，为人工智能领域的神经网络模拟提供了强大的硬件支持。在单层感知器（SLP）和卷积神经网络（CNN）的芯片上训练中，该突触忆阻器展现了高达90%的准确率，与理想突触器件的91%相当，为智能计算技术的发展开辟了新的道路。随着这项研究的不断深入和技术的不断成熟，基于二维In2Se3铁电结的突触忆阻器有望在未来的神经形态计算、人工智能、物联网等领域发挥重要作用。它不仅能够推动计算技术的革新，还将为我们带来更加智能、便捷的生活方式。    

【论文信息】

Y.-R. Jeon, D. Kim, C. Biswas, N. D. Ignacio, P. Carmichael, S. Feng, K. Lai, D.-H. Kim, D. Akinwande, Enhanced Synaptic Memory Window and Linearity in Planar In2Se3 Ferroelectric Junctions. Adv. Mater. 2024, 2413178. https://doi.org/10.1002/adma.202413178    

上海昂维科技有限公司现提供二维材料单晶和薄膜等耗材，器件和光刻掩膜版定制等微纳加工服务，以及各种测试分析，欢迎各位老师和同学咨询，竭诚做好每一份服务。