以神經網絡為代表的類腦人工智能技術在計算機視覺、自然語言處理、自動駕駛等方面有重要應用。但目前運行神經網絡計算的硬件系統依然基于傳統硅基運算器與存儲器，由于馮·諾伊曼瓶頸的原理限制，其能效遠低于人腦。研發具有神經形態模擬功能的類腦器件，如神經網絡硬件系統的核心器件——具有存算一體功能的電子突觸，是進一步推進人工智能發展的重要途徑之一。為執行復雜的人工智能任務，電子突觸器件需要滿足諸多苛刻要求，如：連續可調的非易失電導態數目（用于模擬腦突觸的連續可調性）大于100，非線性度小于1（好的線性度有助于精準調控電導），開關比大于100，翻轉耐久大于109次，周期隨機性小于3%。然而，已報道的類腦突觸器件無法全面滿足上述指標要求。

研究人員提出了多種構建類腦突觸器件的原理方案。其中，基于鐵電非易失電極化和量子隧穿效應的鐵電隧道結，因為有潛力構建成為高性能類腦突觸器件而備受關注。鐵電隧道結的電導調控基于鐵電疇的連續翻轉所調控的隧穿勢壘，在原理上具有穩定性高、功耗低、速度快等諸多優勢。因此，基于鐵電隧道結，設計并構筑高性能類腦突觸原型器件，使其具有高精度、線性調節的非易失電導態，未來應用于神經網絡計算硬件系統的構建，有重要意義。

基于上述背景，中國科學技術大學李曉光教授團隊通過對鐵電疇形態和翻轉動力學的設計，在鐵電量子隧道結中實現了亞納秒電脈沖下電導態可非易失連續調控的類腦突觸器件，可用于構建人工神經網絡類腦計算系統，該成果以“High-precision and linear weight updates by subnanosecond pulses in ferroelectric tunnel junction for neuro-inspired computing”為題發表在Nature Communications上。

研究人員制備了高質量Ag/PbZr0.52Ti0.48O3（PZT~1.2 nm，（111）取向）/Nb:SrTiO3鐵電隧道結（如圖1a）。通過設計PZT的超薄厚度和（111）取向，在鐵電勢壘層中實現了更豐富的鐵電多疇亞穩態（如圖1b， c），在外加電場下，鐵電疇的翻轉動力學行為更加連續，因而器件的電導調節更加連續、平緩，更有利于多態的實現。該器件綜合性能優異，主要表現在：

圖1：鐵電隧道結類腦突觸器件及其鐵電多疇結構。a. 鐵電隧道結類腦突觸器件結構示意圖。b. 鐵電隧道結不同鐵電疇區的原子分辨像。c. 不同厚度PZT薄膜中多疇結構的面外、面內PFM相位。

1）亞納秒超快操作速度、飛焦級低能耗，媲美人腦突觸的能效表現。

通過能帶設計、降低鐵電層厚度、選擇處于準同型相界處具有較低矯頑場的PZT作為鐵電勢壘層，有效地降低了器件的操作電壓，僅需 《 5 V的電壓就能在630 ps的操作速度下實現可分辨的阻態翻轉（如圖2a）。而器件最快操作速度可至300 ps（可以匹配目前CPU的操作速度，如圖2b）。此外，器件具有良好的可分辨多態（4比特）保持特性（如圖2c）。通過對直徑為50 nm的鐵電隧道結的性能表征，發現其操作能耗低至5.3 fJ/bit。基于上述性能推算，該鐵電隧道結構建的神經網絡計算系統有可能實現媲美人腦的優秀能效（人腦單次突觸活動的能耗約為1 ~100 fJ），且響應速度比人腦突觸快6個量級（人腦突觸響應速度約為亞毫秒）。

2）高精度、線性的電導調控和高耐久性，滿足類腦突觸器件的核心性能指標要求。

在10 ns的脈寬下（與DRAM操作速度相當），實現了8比特（256個）連續可調的非易失電導狀態，且非線性度低（《1），開關比大（~100），周期隨機性?。▇2.06%）（如圖2d）；甚至在亞納秒（630 ps）的操作速度下，器件仍然可以調節出150個連續的電導態（如圖2e）。此外，器件表現出》109次的翻轉耐受性（如圖2f）。器件具有優良的突觸塑性調節功能和良好的翻轉耐受性，滿足了類腦突觸器件的核心性能指標要求。

圖2：鐵電隧道結類腦突觸器件的性能表征。a. 630 ps脈寬的脈沖電壓下，類腦突觸器件的電阻在不同阻態之間的往復翻轉。b. 不同脈寬的電脈沖下類腦突觸器件電阻的連續調控。c. 類腦突觸器件的16個可分辨阻態的保持特性。d， e. 10 ns 和 630 ps 脈寬的電脈沖下隧道結類腦突觸器件的長時程增強和抑制模擬。f. 類腦突觸器件的翻轉耐受性。

3）基于器件電導調控性能，仿真構建的神經網絡具有高圖像識別率。

基于該鐵電隧道結的實驗性能，仿真構建的卷積神經網絡（如圖3a）類腦計算系統可在線學習并識別Fashion-MNIST數據庫的時尚產品圖片，準確率達~94.7%，非常接近于基于浮點的神經網絡軟件計算結果~95.6%（如圖3b）；此外，仿真構建的人工神經網絡還體現出良好的抗噪聲能力，即使在識別圖片中引入椒鹽或高斯噪聲（噪聲水平達0.5），其識別時尚產品圖片的準確率仍然可達~85%（如圖3c， d， e）。

圖3：基于器件性能，仿真構建神經網絡。a. 仿真構建的ResNet-18卷積神經網絡結構示意圖。b. 識別Fashion-MNIST數據庫中時尚產品圖片的準確率隨訓練次數的變化。c， d. 識別加入不同水平的椒鹽噪聲和高斯噪聲的Fashion-MNIST時尚產品圖片的準確率隨訓練次數的變化。e. 識別Fashion-MNIST時尚產品圖片的準確率隨加入椒鹽噪聲和高斯噪聲的水平的變化。

上述基于鐵電隧道結設計的類腦突觸原型器件具有超快、低能耗、高耐久特性，特別是具有穩定、線性、準連續的電導態調控優勢，滿足了類腦突觸器件的高要求，展現了鐵電隧道結在構建未來高性能類腦人工智能計算硬件系統方面的重要潛力。中國科學技術大學物理系博士生羅振、王梓鑒、管澤雨為文章的共同第一作者，中國科學技術大學李曉光教授、殷月偉教授為文章的通訊作者。

該項研究得到了國家自然科學基金、科技部國家重點研發計劃、中國科學技術大學“雙一流”人才團隊平臺項目的資助。

原文標題：Nat. Commun.： 基于鐵電隧道結的高性能類腦突觸原型器件

文章出處：【微信公眾號：知社學術圈】歡迎添加關注！文章轉載請注明出處。