氧化鎢憶阻器的制備及其神經(jīng)突觸特性

摘要： 為了實(shí)現(xiàn)憶阻器在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，采用磁控濺射技術(shù)制備模擬型氧化鎢憶阻器； 在氧化銦錫導(dǎo)電玻璃襯底上依次生長(zhǎng)氧化鎢薄膜和銀薄膜，將氧化鎢作為阻變層，氧化銦錫作為底電極，銀作為頂電極； 采用掃描電子顯微鏡和系統(tǒng)數(shù)字源表表征制備的氧化鎢憶阻器的結(jié)構(gòu)、 電學(xué)性能和導(dǎo)通機(jī)制。結(jié)果表明： 制備的氧化鎢憶阻器具有優(yōu)異的突觸性能，阻變機(jī)制由銀導(dǎo)電細(xì)絲為主導(dǎo)； 將制備的憶阻器用于神經(jīng)網(wǎng)絡(luò)仿真，準(zhǔn)確率達(dá)到99.11%，與中央處理器的準(zhǔn)確率99.31%相近，能夠應(yīng)用于神經(jīng)形態(tài)的計(jì)算。

關(guān)鍵詞： 憶阻器； 人工突觸； 磁控濺射； 神經(jīng)網(wǎng)絡(luò)； 神經(jīng)形態(tài)計(jì)算

文章編號(hào)：1671-3559（2025）02-0278-08

中圖分類號(hào)： TN303

文獻(xiàn)標(biāo)志碼： A

Preparation of Tungsten Oxide Based Memristors and Their Neural Synaptic Properties

QIU Zhicheng1， LI Yang^{1， 2， 3}

（1. School of Information Science and Engineering， University of Jinan， Jinan 250022， Shandong， China;

2. School of Integrated Circuits， Shandong University， Jinan 250101， Shandong， China；

3. Shandong Yunhai Guochuang Cloud Computing Equipment Industry Innovation Co.， Ltd.， Jinan 250101， Shandong， China）

Abstract： To realize the application of the memristor in neural networks， analogue tungsten oxide memristors were prepared by the magnetron sputtering technique. Tungsten oxide and silver films were sequentially deposited on an indium tin oxide conducting glass substrate. Tungsten oxide served as the resistive layer， while indium tin oxide functioned as the bottom electrode， and silver acted as the top electrode. The structure， electrical properties， and conduction mechanism of the prepared tungsten oxide memristors were characterized by using scanning electron microscopy and system digital sourcemeter. The results show that the prepared tungsten oxide memristors have excellent synaptic properties， and the resistive mechanism is dominated by silver conductive filaments. The prepared memristors are used for neural network simulation， and the accuracy reaches 99.11%， which is similar to that of the central processor at 99.31%， indicating that they can be applied to neuromorphic computation.

Keywords： memristor; artificial synapse; magnetron sputtering; neural network; neuromorphic computing

隨著類腦人工智能、 云計(jì)算、 5G通信、 智慧醫(yī)療和物聯(lián)網(wǎng)的出現(xiàn)， 高科技智能社會(huì)的發(fā)展對(duì)能效和處理速度提出了更高的要求^［1-4］， 隨之而來(lái)的是對(duì)超大計(jì)算力的需求變得更加迫切^［5-7］。 在傳統(tǒng)芯片中， 存儲(chǔ)器和處理器是各自獨(dú)立并通過(guò)數(shù)據(jù)總線進(jìn)行連接的， 需要兩者間來(lái)回移動(dòng)數(shù)據(jù)^［8-11］，因此， 在進(jìn)行大規(guī)模計(jì)算時(shí)高功耗和內(nèi)存需求大等問(wèn)題逐漸顯露， 計(jì)算設(shè)備很難滿足信息處理的快速發(fā)展， 從而使得基于馮·諾伊曼架構(gòu)的計(jì)算機(jī)面臨巨大的挑戰(zhàn)^［12-15］。 受到人腦強(qiáng)大的模式識(shí)別能力、 靈活的適應(yīng)性、 深入的理解能力、 豐富的聯(lián)想和創(chuàng)造力等本能的啟發(fā)， 科研人員將目光聚焦于能夠模擬人腦進(jìn)行高效處理和學(xué)習(xí)信息的設(shè)備， 而人工突觸能夠模擬其中最重要的部分^［16-18］，即人腦的神經(jīng)突觸。人工突觸器件是模擬生物神經(jīng)元之間信息傳遞機(jī)制的仿生器件， 其工作原理主要包括突觸前神經(jīng)元通過(guò)化學(xué)神經(jīng)遞質(zhì)傳遞信號(hào)和突觸后神經(jīng)元通過(guò)電位變化響應(yīng)傳入的信號(hào)， 從而實(shí)現(xiàn)神經(jīng)元之間的信息傳遞。 目前主要的晶體管型人工突觸器件有人工突觸、 單端突觸和兩端突觸3類。 模擬型憶阻器作為一種兩端突觸型人工突觸器件， 在實(shí)現(xiàn)學(xué)習(xí)與記憶功能、 高效的數(shù)據(jù)處理與運(yùn)算、 低功耗與長(zhǎng)壽命以及可擴(kuò)展性與集成性等方面具有顯著的優(yōu)勢(shì)， 受到了越來(lái)越多的關(guān)注^［19-20］。此外， 憶阻器具有天然的兩端口形式， 與神經(jīng)突觸類似， 能夠以簡(jiǎn)單的方式實(shí)現(xiàn)大規(guī)模集成， 并且與之前傳統(tǒng)的互補(bǔ)金屬氧化物半導(dǎo)體工藝（COMS）工藝兼容^［21-24］， 使得憶阻器在人工智能、 神經(jīng)形態(tài)計(jì)算以及物聯(lián)網(wǎng)等領(lǐng)域具有廣泛的應(yīng)用前景。

本文中首先制備氧化鎢憶阻器，采用磁控濺射技術(shù)和掃描電子顯微鏡對(duì)器件截面進(jìn)行表征； 然后，采用電學(xué)測(cè)試系統(tǒng)對(duì)器件的電學(xué)性能進(jìn)行檢測(cè)，通過(guò)曲線擬合對(duì)憶阻器的阻變機(jī)制進(jìn)行分析； 最后，結(jié)合憶阻器的長(zhǎng)時(shí)程突觸可塑性對(duì)手寫數(shù)字識(shí)別進(jìn)行仿真，探索其在神經(jīng)形態(tài)計(jì)算的應(yīng)用前景。

1 實(shí)驗(yàn)

1.1 氧化鎢憶阻器的制備

1）依次使用丙酮、 乙醇和去離子水將商用的氧化銦錫（ITO）導(dǎo)電玻璃襯底各超聲處理10 min， 除去ITO導(dǎo)電玻璃表面的雜質(zhì)和油污。 采用氮?dú)鈽尨蹈蒊TO導(dǎo)電玻璃的表面得到干燥的襯底， 并且保證不再接觸任何物品。 采用磁控濺射技術(shù)在ITO導(dǎo)電玻璃襯底上制備氧化鎢薄膜和圓孔狀銀電極。 將鎢靶材固定在直流靶上，磁控濺射設(shè)備的腔室抽真空到壓強(qiáng)為3×10^-3 Pa后， 分別以體積流量為20、 8 mL/min通入氬氣、 氧氣。在壓強(qiáng)為1.2 Pa的真空環(huán)境、 直流功率為80 W的條件下濺射15 min，得到氧化鎢薄膜。

2）得到具有氧化鎢薄膜的ITO導(dǎo)電玻璃后， 在其上覆蓋一個(gè)孔徑為0.2 mm的圓孔掩模板。 將銀靶材固定在直流靶上， 磁控濺射設(shè)備的腔室抽真空到壓強(qiáng)為5×10^-3 Pa， 并且以體積流量20 mL/min通入氬氣。 在壓強(qiáng)為1.1 Pa的真空環(huán)境、 直流功率為40 W的條件下濺射10 min，得到銀電極，完成基于氧化鎢的模擬型憶阻器的制備。

1.2 氧化鎢憶阻器的測(cè)試表征

采用Regulus-8100型掃描電子顯微鏡（SEM，日本Hitachi公司）對(duì)氧化鎢憶阻器的截面結(jié)構(gòu)和每層薄膜厚度進(jìn)行表征。采用探針臺(tái)和2602B型系統(tǒng)數(shù)字源表（美國(guó)Keithley公司）組成的測(cè)試系統(tǒng)對(duì)氧化鎢憶阻器的電學(xué)特性進(jìn)行檢測(cè)。

2 結(jié)果與表征

2.1 氧化鎢憶阻器的結(jié)構(gòu)與表征

為了驗(yàn)證以氧化鎢為介質(zhì)層的憶阻器的阻變性能，對(duì)氧化鎢憶阻器的結(jié)構(gòu)和微觀形貌進(jìn)行表征，結(jié)果如圖1所示。圖1（a）為所制備的氧化鎢憶阻器的結(jié)構(gòu)示意圖， 其中圓孔狀銀電極為氧化鎢憶阻器的頂電極，中間為氧化鎢介質(zhì)層， 最下面為ITO底電極。從圖中可以看出， 氧化鎢憶阻器為典型的三明治結(jié)構(gòu)， 這種結(jié)構(gòu)使得憶阻器的設(shè)計(jì)相對(duì)簡(jiǎn)單， 易于制造和集成， 并且能實(shí)現(xiàn)直接和高效的電子傳輸， 電路設(shè)計(jì)相比于由傳統(tǒng)互補(bǔ)金屬氧化物半導(dǎo)體器件搭建更為簡(jiǎn)單， 從而降低了能耗。圖1（b）展示了氧化鎢憶阻器截面的SEM圖像。 從圖中可以觀察到， 采用磁控濺射技術(shù)制備的氧化鎢薄膜的厚度約為300 nm，并且成膜結(jié)構(gòu)清晰，膜厚均勻，為氧化鎢憶阻器良好的性能提供了保障。

2.2 氧化鎢憶阻器的電學(xué)測(cè)試

將ITO層接入源表的負(fù)極，銀電極接入源表的正極，通過(guò)系統(tǒng)數(shù)字源表施加掃描電壓、 脈沖電壓等信號(hào)測(cè)試氧化鎢憶阻器的電學(xué)性能，評(píng)估其作為人工突觸的特性和功能。

2.2.1 伏安特性曲線

圖2所示為氧化鎢憶阻器的伏安特性曲線、 正向10次電流-電壓掃描曲線和負(fù)向10次電流-電壓掃描曲線。在銀電極上施加一系列的掃描電壓（0 V—1 V—0 V—-1 V—0 V）， 設(shè)置限制電流為10 mA， 步進(jìn)電壓為0.05 V， 單點(diǎn)掃描的時(shí)間為50 ms， 占空比為80%。從圖2（a）可見：憶阻器初始狀態(tài)為高阻狀態(tài)，隨著電壓增大逐漸過(guò)渡到低阻態(tài)（階段1）； 隨后施加電壓逐漸減小，憶阻器的響應(yīng)電流逐漸減?。A段2）。繼續(xù)施加反向電流，器件的響應(yīng)電流先增大（階段3）后逐漸減?。A段4）。為了驗(yàn)證氧化鎢憶阻器在模擬神經(jīng)突觸方面的潛力，對(duì)器件分別施加了連續(xù)的正向、負(fù)向掃描電壓，結(jié)果如圖2（b）、 （c）所示。對(duì)氧化鎢憶阻器施加10次連續(xù)的正向掃描電壓，最大電壓為1 V，從圖中可以看出，隨著掃描次數(shù)的增加，憶阻器的響應(yīng)電流逐漸增大，表明器件的電導(dǎo)逐漸增大。對(duì)器件施加10次連續(xù)的負(fù)向掃描電壓結(jié)果顯示，隨著負(fù)向掃描次數(shù)的增加，器件的響應(yīng)電流逐漸減小，對(duì)應(yīng)著其電導(dǎo)的逐漸減小。通過(guò)正向、負(fù)向連續(xù)的掃描電壓的測(cè)試可以看出，氧化鎢憶阻器電導(dǎo)的漸進(jìn)式變化過(guò)程與生物神經(jīng)突觸在生物信號(hào)刺激下的漸進(jìn)式促進(jìn)和抑制過(guò)程相似，具有基本的突觸特性。不同于數(shù)字型憶阻器的電阻狀態(tài)隨施加電壓的增加會(huì)發(fā)生突變，模擬型憶阻器的電阻狀態(tài)隨電壓的增大而連續(xù)發(fā)生變化，其電流變化較為平緩，電阻在施加不同的掃描電壓時(shí)會(huì)有所不同，因此模擬型憶阻器具有電阻狀態(tài)變化的連續(xù)性以及類似于神經(jīng)突觸權(quán)重的功能，更適合于應(yīng)用于神經(jīng)網(wǎng)絡(luò)及神經(jīng)形態(tài)計(jì)算機(jī)系統(tǒng)等領(lǐng)域的計(jì)算和模擬中。

2.2.2 突觸可塑性

憶阻器的突觸可塑性主要體現(xiàn)在其能夠模擬生物神經(jīng)突觸在多次神經(jīng)活動(dòng)后產(chǎn)生的形態(tài)與功能上的持久性變化。脈沖的幅度、 寬度和時(shí)間間隔都會(huì)對(duì)突觸的連接強(qiáng)度產(chǎn)生影響， 也被稱為尖峰參數(shù)依賴可塑性。尖峰參數(shù)對(duì)氧化鎢憶阻器電導(dǎo)響應(yīng)的影響如圖3所示。脈沖幅度對(duì)氧化鎢憶阻器的相應(yīng)電流的影響如圖3（a）所示， 分別設(shè)置了脈沖幅度為0.5、 0.8、 1.0 V， 設(shè)置單點(diǎn)脈沖時(shí)間為50 ms， 占空比為80%， 連續(xù)施加10次脈沖。由圖可見， 隨著施加的脈沖幅度的增加， 氧化鎢憶阻器的響應(yīng)電流隨之增大。不同脈沖占空比對(duì)氧化鎢憶阻器響應(yīng)電流的影響結(jié)果如圖3（b）所示，設(shè)置脈沖時(shí)間為50 ms，脈沖寬度為20、 30、 40 ms，連續(xù)施加10次脈沖。結(jié)果顯示，隨著脈沖寬度減小，憶阻器的響應(yīng)電流也隨之減小。通過(guò)調(diào)節(jié)不同脈沖時(shí)間間隔分別為30、 60、 90 ms，設(shè)置脈沖寬度為40 ms，連續(xù)施加10次脈沖，測(cè)試憶阻器響應(yīng)電流的變化，結(jié)果如圖3（c）所示。由圖可以看出，脈沖時(shí)間間隔越大，憶阻器的電流響應(yīng)越小，其原因是脈沖時(shí)間間隔的增大使得器件的電導(dǎo)逐漸恢復(fù)。上述結(jié)果表明，氧化鎢憶阻器具有與生物神經(jīng)突觸相似的尖峰參數(shù)依賴可塑性，為器件提供了多樣的調(diào)制方式。

雙脈沖促進(jìn)（PPF）和雙脈沖抑制（PPD）是神經(jīng)科學(xué)中用于描述神經(jīng)元突觸反應(yīng)特性的概念。當(dāng)給神經(jīng)元連續(xù)施加2個(gè)相同的刺激時(shí)，如果后一個(gè)刺激產(chǎn)生的興奮性突觸后電位大于前一個(gè)刺激產(chǎn)生的興奮性突觸后電位，這種現(xiàn)象被稱為PPF。反之，如果后一個(gè)刺激產(chǎn)生的興奮性突觸后電位小于前一個(gè)刺激產(chǎn)生的興奮性突觸后電位，稱為PPD^［25］。在人工突觸中，也可以用PPF和PPD的概念來(lái)對(duì)器件的短時(shí)程突觸可塑性進(jìn)行評(píng)估。PPF、 PPD的促進(jìn)或抑制程度δ的量化表達(dá)式為

δ=I1-I2I1×100% ，（1）

式中： I1為第1次脈沖刺激后的響應(yīng)電流； I1為第2次脈沖刺激后的響應(yīng)電流。

施加2個(gè)正向脈沖，脈沖寬度為40 ms，脈沖幅度為1 V，時(shí)間間隔為t，計(jì)算結(jié)果見圖4（a）所示。通過(guò)指數(shù)方程式對(duì)原始數(shù)據(jù)促進(jìn)過(guò)程進(jìn)行擬合，

δ=C1 exp-tτ1+C2 exp-tτ2，（2）

式中： C1、 C2為初始促進(jìn)程度； τ1、 τ2為衰減系數(shù)。通過(guò)擬合得到τ1、 τ2為別為41.92、 41.91 ms。同理， 施加2個(gè)負(fù)脈沖電壓， 脈沖幅度為-1 V， 脈沖寬度為40 ms， 脈沖時(shí)間間隔為t， 計(jì)算結(jié)果如圖4（b）所示。 通過(guò)擬合得到τ1、 τ2分別為6.69、 182.64 ms， 與生物衰減系數(shù)相近。 短時(shí)程突觸可塑性是對(duì)憶阻器在短時(shí)間內(nèi)對(duì)脈沖信號(hào)的記憶能力的描述，是研究模擬人類學(xué)習(xí)能力的關(guān)鍵要素之一。

神經(jīng)系統(tǒng)有2種重要突觸機(jī)制， 分別為長(zhǎng)時(shí)程增強(qiáng)（LTP）和長(zhǎng)時(shí)程抑制（LTD）。LTP是發(fā)生在2個(gè)神經(jīng)元信號(hào)傳輸中的一種持久的增強(qiáng)現(xiàn)象， 能夠同步地刺激2個(gè)神經(jīng)元。在刺激重復(fù)出現(xiàn)的情況下， 同一刺激所引發(fā)的神經(jīng)元興奮程度會(huì)逐漸提高， 從而加強(qiáng)神經(jīng)傳遞的效果。與LTP相反， LTD是指突觸強(qiáng)度的長(zhǎng)時(shí)程減弱。在長(zhǎng)時(shí)間的模式刺激后， 神經(jīng)元突觸效能會(huì)出現(xiàn)活動(dòng)依賴性降低。LTP和LTD作為突觸可塑性的功能性指標(biāo)，共同構(gòu)成了行為依賴性學(xué)習(xí)記憶的基礎(chǔ)^［26-27］。首先，對(duì)氧化鎢憶阻器施加400次連續(xù)的正向脈沖，脈沖時(shí)間間隔為50 ms，脈沖寬度為40 ms，脈沖幅度為1 V，驗(yàn)證其長(zhǎng)時(shí)間突觸可塑性，結(jié)果如圖5所示。為了方便進(jìn)行神經(jīng)網(wǎng)絡(luò)中權(quán)重的替換，對(duì)電流進(jìn)行了歸一化處理。

W=I-I_minI_min×100% ，（3）

式中：W為歸一化權(quán)重；I為當(dāng)前施加脈沖所產(chǎn)生的電流； I_min為所有脈沖中最小的電流。如圖5（a）所示： 在施加連續(xù)的400次正向脈沖后，氧化鎢憶阻器的響應(yīng)電流逐漸趨于飽和； 隨后施加負(fù)向脈沖，響應(yīng)電流慢慢減小。氧化鎢憶阻器在長(zhǎng)時(shí)程促進(jìn)或抑制測(cè)試中表現(xiàn)出了良好的性能。此外，本文中測(cè)試了當(dāng)脈沖幅度不同（0.5、 0.8、 1.0 V）時(shí)，施加0.1 V的脈沖電壓獲取氧化鎢憶阻器的衰減情況，結(jié)果如圖5（b）所示。由圖可以看出，器件在經(jīng)過(guò)長(zhǎng)時(shí)間電壓激勵(lì)后，表現(xiàn)出較為穩(wěn)定的保持特性。綜上分析，本文中制備的氧化鎢憶阻器具備長(zhǎng)時(shí)程突觸可塑性，能夠模擬人類大腦中的學(xué)習(xí)和記憶過(guò)程，為實(shí)現(xiàn)神經(jīng)形態(tài)計(jì)算奠定了基礎(chǔ)。

2.2.3 阻變機(jī)制

為了研究氧化鎢憶阻器中的載流子輸運(yùn)機(jī)制，采用雙對(duì)數(shù)擬合得到典型的電流I-電壓U曲線，如圖6所示。由圖6（a）可知，空間電荷限制電流擬合的結(jié)果可以評(píng)估為與歐姆傳導(dǎo)機(jī)制一致（擬合斜率約等于1.07）。隨著施加電壓的增加，擬合曲線的斜率增大到1.22，然后快速增大到6.96，導(dǎo)電細(xì)絲形成，并隨著電壓降低而最終減小到0.99，符合歐姆傳導(dǎo)機(jī)制，導(dǎo)電細(xì)絲斷裂回到初始狀態(tài)。圖6（b）為負(fù)電壓區(qū)域的曲線擬合結(jié)果，曲線斜率約為1， 隨著電壓向負(fù)方向增加，斜率逐漸減小至0.31，最終斜率返回到0.95，證明氧化鎢憶阻器的導(dǎo)通是基于導(dǎo)電細(xì)絲機(jī)制。

氧化鎢憶阻器的導(dǎo)通機(jī)制示意圖見圖6（c）。由圖可知：未施加電場(chǎng)時(shí)器件處于初始狀態(tài)；當(dāng)電壓增加到一定值時(shí)，電離后的銀離子從底部向上遷移，在電壓的作用下被還原成銀原子，并在底電極側(cè)堆積，逐漸形成銀絲。這些銀絲逐漸向銀電極方向生長(zhǎng)，最終當(dāng)銀導(dǎo)電細(xì)絲連通了兩端電極時(shí)，器件由高阻態(tài)轉(zhuǎn)變?yōu)榈妥钁B(tài)。隨后，施加反向電壓，形成細(xì)絲的銀原子會(huì)被氧化并在電壓作用下向銀電極方向移動(dòng)，導(dǎo)致細(xì)絲逐漸斷裂，返回初始狀態(tài)。銀導(dǎo)電細(xì)絲機(jī)制是憶阻器工作的重要原理之一，這一過(guò)程使得憶阻器能夠模擬生物神經(jīng)突觸的某些功能，如學(xué)習(xí)和記憶過(guò)程，成為神經(jīng)形態(tài)計(jì)算的基礎(chǔ)。

3 氧化鎢憶阻器在神經(jīng)形態(tài)計(jì)算上的應(yīng)用

基于氧化鎢憶阻器的長(zhǎng)時(shí)程突觸可塑性，即LTP和LTD，搭建交叉陣列的憶阻器用于神經(jīng)網(wǎng)絡(luò)的分類功能，結(jié)果如圖7所示。由圖7（a）可知，實(shí)驗(yàn)所選取的網(wǎng)絡(luò)架構(gòu)包括2個(gè)卷積層、 2個(gè)池化層，并在最后一個(gè)池化層之后設(shè)置1個(gè)全連接層，以實(shí)現(xiàn)對(duì)數(shù)據(jù)的輸出處理。第1個(gè)卷積層有32個(gè)像素點(diǎn)數(shù)為784的卷積核，而第2個(gè)卷積層包含64個(gè)像素點(diǎn)數(shù)為196的卷積核。池化核像素點(diǎn)數(shù)被設(shè)定為22，步長(zhǎng)設(shè)為2，由ReLU 函數(shù)激活。全連接層包含3 136個(gè)輸入神經(jīng)元以及2層隱藏神經(jīng)元，其中第1層包含1 024個(gè)神經(jīng)元，第2層包含512個(gè)神經(jīng)元，最后通過(guò)10個(gè)輸出神經(jīng)元處理數(shù)據(jù)。網(wǎng)絡(luò)選取了手寫數(shù)字MNIST數(shù)據(jù)集作為分類識(shí)別的對(duì)象，其中60 000張圖片作為訓(xùn)練集，10 000張圖片作為訓(xùn)練集。在實(shí)驗(yàn)中采用電壓脈沖的方式更新憶阻器網(wǎng)絡(luò)的電導(dǎo)權(quán)重，這一過(guò)程實(shí)現(xiàn)了將中央處理器網(wǎng)絡(luò)的權(quán)重映射到憶阻器交叉陣列網(wǎng)絡(luò)中，進(jìn)而轉(zhuǎn)換為歸一化的電導(dǎo)權(quán)重^［28-31］，使得憶阻器的特性能夠被有效利用，實(shí)現(xiàn)網(wǎng)絡(luò)權(quán)重的快速、 精確調(diào)整。在權(quán)重映射的過(guò)程中，首先對(duì)中央處理器網(wǎng)絡(luò)的權(quán)重進(jìn)行10位量化處理，隨后將量化后的10位數(shù)據(jù)映射為憶阻器的800個(gè)歸一化電導(dǎo)狀態(tài)，從而實(shí)現(xiàn)了權(quán)重信息在2種不同網(wǎng)絡(luò)之間的有效轉(zhuǎn)換?；诨鶢柣舴蚨珊途仃囘\(yùn)算的形式等效構(gòu)建交叉陣列，以實(shí)現(xiàn)一步操作即可完成的矩陣運(yùn)算的快速處理。由于神經(jīng)形態(tài)計(jì)算具備存算一體的獨(dú)特特性，能夠高效地實(shí)現(xiàn)分類識(shí)別任務(wù)的快速計(jì)算，因此顯著提高了計(jì)算效率和響應(yīng)速度。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，隨著迭代次數(shù)的增加，憶阻器網(wǎng)絡(luò)的平均正確率逐步趨于穩(wěn)定，并最終達(dá)到了99.11%，如圖7（b）所示。這一結(jié)果與中央處理器網(wǎng)絡(luò)的準(zhǔn)確率99.31%十分接近，顯示出憶阻器網(wǎng)絡(luò)在分類識(shí)別任務(wù)中的高效性和可靠性。此外，為了驗(yàn)證憶阻器網(wǎng)絡(luò)在不同分類物品上的表現(xiàn)能力，計(jì)算并獲得了分類識(shí)別的混淆矩陣，如圖7（c）所示。結(jié)果表明，基于憶阻器交叉陣列的神經(jīng)網(wǎng)絡(luò)對(duì)于手寫數(shù)字的識(shí)別具有良好的表現(xiàn)。

相比于中央處理器，憶阻器模擬了生物神經(jīng)元的工作方式，使得人工神經(jīng)網(wǎng)絡(luò)更接近生物神經(jīng)網(wǎng)絡(luò)的工作方式。這種相似性有助于人工神經(jīng)網(wǎng)絡(luò)更好地模擬人腦的功能，完成更高級(jí)別的認(rèn)知和學(xué)習(xí)任務(wù)。同時(shí)，憶阻器的集成度、 功耗、 讀寫速度都比傳統(tǒng)的隨機(jī)存儲(chǔ)器優(yōu)越，使得基于憶阻器的神經(jīng)網(wǎng)絡(luò)在性能上更具優(yōu)勢(shì)，能夠執(zhí)行更快速、 更高效的數(shù)據(jù)處理和計(jì)算。

4 結(jié)論

本文中制備的氧化鎢模擬型憶阻器是一種具有良好突觸性能的人工仿生器件。首先，對(duì)器件分別進(jìn)行連續(xù)的正向、 負(fù)向電流-電壓掃描，模擬實(shí)現(xiàn)了神經(jīng)突觸的權(quán)重促進(jìn)和抑制；然后，對(duì)器件的尖峰參數(shù)依賴可塑性、短時(shí)程突觸可塑性和長(zhǎng)時(shí)程突觸可塑性進(jìn)行了測(cè)試，結(jié)果表明氧化鎢憶阻器具有良好的模擬人腦學(xué)習(xí)和記憶的特性。此外，通過(guò)對(duì)器件的I-U曲線進(jìn)行雙對(duì)數(shù)擬合，分析了氧化鎢憶阻器的阻變機(jī)制，并且繪制了阻變機(jī)制圖，結(jié)果表明氧化鎢憶阻器I-U曲線擬合符合歐姆傳導(dǎo)機(jī)制，是通過(guò)導(dǎo)電細(xì)絲形成導(dǎo)電通路。結(jié)合憶阻器的LTP和LTD性能搭建了憶阻器交叉陣列，并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的分類識(shí)別，平均準(zhǔn)確率能達(dá)到99.11%，接近于中央處理器網(wǎng)絡(luò)的準(zhǔn)確率99.31%。綜上所述，氧化鎢憶阻器是一種具有類似于生物突觸可塑性的器件，為神經(jīng)形態(tài)計(jì)算領(lǐng)域開辟了新的道路，為未來(lái)構(gòu)建集存儲(chǔ)與計(jì)算于一體的神經(jīng)網(wǎng)絡(luò)提供了新的思路和可能性，有望推動(dòng)神經(jīng)形態(tài)計(jì)算技術(shù)的進(jìn)一步發(fā)展與應(yīng)用。

參考文獻(xiàn)：

［1］ WANG F Z. Beyond memristors： neuromorphic computing using meminductors［J］. Micromachines， 2023， 14（2）： 486.

［2］ DUAN X G， CAO Z L， GAO K K， et al. Memristor-based neuromorphic chips［J］. Advanced Materials， 2024： 2310704.

［3］ SUN B， CHEN Y Z， ZHOU G D， et al. Memristor-based artificial chips［J］. ACS Nano， 2024， 18（1）： 14.

［4］ AGUIRRE F， SEBASTIAN A， LE GALLO M， et al. Hardware implementation of memristor-based artificial neural networks［J］. Nature Communications， 2024， 15（1）： 1974.

［5］ MAKIOKA D， SHIOMI S， KIMURA M. Ga-Sn-O thin-film memristor and analog plasticity characteristic［J］. IEEE Journal of the Electron Devices Society， 2023， 11： 174.

［6］ SHRIVASTAVA S， KEONG L B， PRATIK S， et al. Fully photon controlled synaptic memristor for neuro-inspired computing［J］. Advanced Electronic Materials， 2023， 9（3）： 2201093.

［7］ WANGL，WEIST，XIEJH，etal.Artificial synapses based on an optical/electricalbiomemristor［J］.Nanomaterials，2023，13（23）： 3012.

［8］ YANG C， SUN B， ZHOU G D， et al. Photoelectric memristor-based machine vision for artificial intelligence applications［J］. ACS Materials Letters， 2023， 5（2）： 504.

［9］ WANG D Y， XU J W， LI F， et al. A memristor-based learning engine for synaptic trace-based online learning［J］. IEEE Transactions on Biomedical Circuits and Systems， 2023， 17（5）： 1153.

［10］ CHAURASIYA R， SHIH L C， CHEN K T， et al. Emerging higher-ordermemristorsforbio-realisticneuromorphiccomputing： a review［J］. Materials Today， 2023， 68： 356.

［11］ WANG Y Q， WANG W X， ZHANG C W， et al. A Digital-analog integrated memristor based on a ZnO NPs/CuO NWs heterostructure for neuromorphic computing［J］. ACS Applied Electronic Materials， 2022， 4（7）： 3525.

［12］ YAN X B， ZHOU Z Y， ZHAO J H， et al. Flexible memristors as electronic synapses for neuro-inspired computation based on scotch tape-exfoliated mica substrates［J］. Nano Research， 2018， 11（3）： 1183.

［13］ LI H F， GENG S Y Y， LIU T， et al. Synaptic and gradual conductance switching behaviors in CeO2/Nb-SrTiO3 heterojunction memristors for electrocardiogram signal recognition［J］. ACS Applied Materials amp; Interfaces， 2023， 15（4）： 5456.

［14］ LI C， BELKIN D， LI Y N， et al. Efficient and self-adaptive in-situlearninginmultilayermemristorneuralnetworks［J］. Nature Communications， 2018， 9（1）： 2385.

［15］ WANG S X， DONG X Q， XIONG Y X， et al. CsFAMAPbIBr photoelectricmemristorbasedonion-migrationinducedmemristive behavior［J］.AdvancedElectronicMaterials，2021，7（5）：2100014.

［16］ XIONG X Y， XIONG F， TIAN H， et al. Ultrathin anion conductors based memristor［J］. Advanced Electronic Materials， 2022， 8（2）： 2100845.

［17］ LIU Y， ZHOU X F， YAN H， et al. Robust memristive fiber for woven textile memristor［J］. Advanced Functional Materials， 2022， 32（28）： 2201510.

［18］ GRECA L G， LEHTONEN J， TARDY B L， et al. Biofabrication ofmultifunctionalnanocellulosic3Dstructures：afacile and customizable route［J］. Materials Horizons， 2018， 5（3）： 408.

［19］ KIM Y， KWON Y J， KWON D E， et al. Nociceptive memristor［J］. Advanced Materials， 2018， 30（8）： 1704320.

［20］ HAO H T， WANG M X， CAO Y L， et al. Boron-doped engineeringforcarbonquantumdots-basedmemristorswith controllable memristance stability［J］. Small Methods， 2024： 2301454.

［21］ ZHONG Y N， WANG T， GAO X， et al. Synapse-like organic thin film memristors［J］. Advanced Functional Materials， 2018， 28（22）： 1800854.

［22］ WANG T Y， MENG J L， LI Q X， et al. Reconfigurable opto-electronic memristor for in-sensor computing applications［J］. Nano Energy， 2021， 89： 106291.

［23］ ZHOU H B， LI S F， ANG K W， et al. Recent advances in in-memorycomputing：exploringmemristorandmemtransistorarrayswith2Dmaterials［J］.Nano-MicroLetters，2024，16（1）： 121.

［24］ RYUJH，MAHATAC，KIMS.Long-term and short-term plasticity of Ta2O5/HfO2 memristor for hardware neuromorphic application［J］. Journal of Alloys and Compounds， 2021， 850： 156675.

［25］ ZHOUL，YANGSW，DING G Q， et al. Tunable synaptic behavior realized in C3N composite based memristor［J］. Nano Energy， 2019， 58： 293.

［26］ WANG Y C， ZHENG J W， SHANG Y Y， et al. LTP-LTD transformation of unipolar pulse voltage-driven zinc oxide memristors via TiO2 thin layer incorporation［J］. Journal of Materials Chemistry C， 2024， 12（4）： 1281.

［27］ LIU J， YANG H F， JI Y， et al. An electronic synaptic device based on HfO2 TiOx bilayer structure memristor with self-compliance and deep-RESET characteristics［J］. Nanotechnology， 2018， 29（41）： 415205.

［28］ ZHANGY，WANGXP，F(xiàn)RIEDMAN E G. Memristor-based circuitdesignformultilayerneuralnetworks［J］.IEEETransactions on Circuits and Systems I： Regular Papers， 2018， 65（2）： 677.

［29］ ZHOU W H， WEN S P， LIU Y， et al. Forgetting memristor basedSTDPlearningcircuitforneuralnetworks［J］. Neural Networks， 2023， 158： 293.

［30］ LIU J Q， LI Z H， TANG Y L， et al. 3D Convolutional neural network based on memristor for video recognition［J］. Pattern Recognition Letters， 2020， 130： 116.

［31］ ZHANG X M， LU J， WANG Z R， et al. Hybrid memristor-CMOS neurons for in-situ learning in fully hardware memristive spiking neural networks［J］. Science Bulletin， 2021， 66（16）： 1624.

（責(zé)任編輯：劉 飚）

基金項(xiàng)目： 國(guó)家自然科學(xué)基金項(xiàng)目（62005095）

第一作者簡(jiǎn)介： 邱志程（1999—），男，江蘇宜興人。碩士研究生，研究方向?yàn)閼涀杵?。E-mail： qzc0313@outlook.com。

通信作者簡(jiǎn)介： 李陽(yáng)（1987—），男，黑龍江牡丹江人。教授，博士，博士生導(dǎo)師，研究方向?yàn)閼涀杵髋c柔性傳感器。 E-mail： ise_liy@ujn.edu.cn。