Advanced Intelligent Systems: 人工神经架构 – 基于新型有机小分子的忆阻器件

随着人工智能时代的到来,数据计算复杂度以及能耗迅速增加,传统冯诺伊曼体系结构的计算机遭遇空前挑战。相比传统计算机,人脑拥有高度发达的并行计算能力,在学习、记忆、视觉传感等方面发挥着极为重要的作用。在人脑神经系统中,神经元是最基础的工作单元,而连接每个神经元的则是神经突触。神经突触形态、功能、工作效率的变化,即突触可塑性,与神经元间信息的传递和存储有直接联系。因此神经突触的可塑性亦被认为是人脑学习能力的重要基础,实现神经网络计算系统,构建人工突触器件至关重要。

传统的互补金属-氧化物半导体电路已被报道用于突触功能的模拟,然而随着电路集成程度的增加,大量的电阻器以及电容器堆积,会造成能耗的大幅上升。因此多种单个两端结构的器件,如相变和铁电器件被大量研究来模拟突触可塑性。虽然这两种器件的引入将有效实现器件更高密度的集成,但相变器件较大工作电流以及铁电器件的破坏性读取都是不可忽视的短板。相比之下,阻变存储器件得益于其在高密度存储、快速读取以及低能耗方面的优越表现,则是一个更适合用于突触功能模拟的新型器件。多年来多种材料亦被研究用于阻变存储器的制备,例如金属氧化物、钙钛矿、硫族化合物等。相比于无机材料,有机材料由于其溶液法制备、低成本以及环保的特性,在制备人工突触器件方面有着巨大的优势。

因此,深圳大学高等研究院周晔课题组、微纳光电子学研究院韩素婷课题组与台湾清华大学化学工程系周鹤修课题组合作,应用溶液法合成一种新型的有机小分子(pPPI),制备高性能的两端结构阻变存储器器件并用于神经突触可塑性的模拟。该阻变器件具有稳定可循环的双极型阻变现象,很长的数据保持时间和极大的阻变窗口(7 × 107)。通过开尔文探针显微镜和导电原子力显微镜的测试表明空间限制电荷和缺陷对载流子的捕获与释放是电阻转变行为以及电导连续变化的原因。电荷的运动行为使得该阻变器件能顺利对突触的各项功能进行模拟,如短时程可塑性中的双脉冲增强、刺激频率依赖突触可塑性,时间依赖可塑性等等。此外,通过Butler–Volmer方程揭露了该忆阻器件的线性电导调制与脉冲宽度、间隔以及幅值的关系。研究者相信,此项研究在构建高性能人工突触以及神经网络系统中做出一定贡献。论文第一作者为深圳大学高等研究院研究生任意,文章在线发表在Advanced Intelligent Systems(DOI: 10.1002/aisy.201900008)上,并于当期Front Cover做简要介绍。