作者：陈子龙，程传同，董毅博，张 欢，张恒杰，毛旭瑞，黄北举，谢谢。
现阶段计算与存储分离的“冯·诺依曼”体系在功耗和速率方面已经不能满足人工智能、物联网等新技术的发展需求，存算一体化的类脑计算方案有望解决这一问题，迅速成为研究热点。忆阻器是一种新型微电子基础器件，其电阻可通过外场连续调节且具有非易失性、小尺寸、低能耗、高速和CMOS兼容等优良特性，被认为是快速实现存算一体化计算最具潜力的类突触器件。与此同时，光电子器件和神经元遵从动力学数学同构性，借助这种同构性可用光电子器件模拟神经元行为并实现类脑计算，基于光子器件的类脑芯片正在往更高集成度、更低功耗、更高性能方向发展，其将会在类脑计算领域发挥越来越重要的作用。介绍忆阻器材料和器件方面的研究进展，具体包括石墨烯材料低温生长，小尺寸钙 钛矿忆阻器件、Parylene忆阻器件、WTiOx忆阻器件以及光子集成类突触器件及芯片等方面研究，并讨论忆阻器在类脑芯片和人工智能领域的应用前景。人脑中有约1011个神经元和约1015个突触连接，突触结构是神经元间发生信息传递的关键部位，是人脑认知行为的基本单元，因此研制类突触器件对于神经形态工程而言具有重要意义。近年来，类脑神经形态器件正在成为人工智能和神经形态领域的一个重要分支，将为今后人工智能的发展注入新的活力。人脑能够以超低功耗处理大量信息，这得益于人脑中神经突触的可塑性，若能利用纳米尺寸的人造器件来模拟生物突触，人造神经网络乃至人造大脑都将会实现。信息大爆炸时代急速增加对存储能力的需求，开发小尺寸多值非易失存储器可广泛服务于军事和民用领域，符合国家重大需求。忆阻材料和器件是实现小尺寸多值非易失存储器的最佳方式，应当大力发展。降低能耗提高效率是信息处理芯片的最终发展方向，类脑芯片具有低功耗高效率的先天优势，会成为未来信息处理芯片的最终选择，具有巨大的市场前景。忆阻材料和器件是构建类脑芯片的基 础，加大对其科技投入具有重要现实意义。纳米尺寸忆阻器电阻可通过电场连续调节并保持，被认为是最有希望模拟生物突触的信息电子器件。高性能的忆阻器需要基于特殊设计的纳米忆阻材料，控制电子或者离子来改变忆阻材料的电阻。目前通过控制离子实现忆阻功能发展迅速，主要通过控制氧离子或者金属离子在忆阻材料基体中形成导电丝，实现电阻的连续调节。开发CMOS兼容的忆阻材料，利用标准CMOS工艺加工忆阻器件是国际发展的大趋势，这是获得低成本类脑芯片的必经之路。目前以下几个研究内容需要重点关注：研制连续可调多值忆阻器，构建人工神经网络；研制量子忆阻器，构建多值非易失存储器，提高忆阻器的稳定性；量化不同忆阻材料体系不同缺陷形成能和迁移能，以及量化忆阻器件导电通道可控性和稳定性；开发基于碳水化合物材料忆阻器件，人工神经网络与生物神经网络充分融合。忆阻器最常见的结构为金属/绝缘体/金属的堆垛结构，包括两层电极材料和一层功能忆阻材料。器件的阻变特性与功能层材料和电极材料密切相关。虽然在阻变存储器早期的发展阶段研究人员未将电阻转变现象与蔡少堂教授提出的忆阻器理论联系起来，但阻变存储器几十年的发展已经能够较好地反应忆阻器材料体系及其物理机制的全貌。总结几十年的发展，忆阻器材料可分为以下几种。这种材料主要是过渡金属氧化物，还有一些镧系金属氧化物以及IV、V、VI主族金属氧化物[1]。在诸多氧化物中，TiOx、HfOx、AlOx、TaOx和ZrOx等材料受到广泛关注。此外由于与传统CMOS工艺兼容，CuOx与WOx材料也有很多报道。目前最出色的忆阻器材料仍然是二元金属氧化物材料，并且最接近工业生产指标。自2000年在Pr0.7Ca0.3MnO3（PCMO）薄膜器件中发现电脉冲触发可逆电阻转变效应（EPIR效应），越来越多的钙钛矿类电阻转变材料被研究，如 SrTiO3、Na0.5Bi0.5TiO3等。钙钛矿型氧化物具有非易失、高速和低功耗等良好性能。近来，卤化物钙钛矿材料在光伏领域的卓越表现使其成为“明星材料”，基于卤化物钙钛矿材料的低功耗高性能忆阻器不断涌现。然而卤化物钙钛矿与传统CMOS工艺不兼容，导致该类材料在阻变存储领域较难推广。本课题组在对CsPbBr3钙钛矿器件研究的过程中突破了这一难点，利用工业级的保护材料聚对二甲苯（parylene）作为牺牲层，在涂有钙钛矿材料的样品表面生长这种材料并对其进行光刻，这样既可以在钙钛矿材料表面制作图形化的顶电极[2]。固态电解质材料因其晶体中的缺陷或其他结构为离子快速的迁移提供通道，因此又被称为快离子导体。这类忆阻器的器件单元通常包括一个电化学活性电极（如 Ag、Cu、Ni等），固态点机制为中间功能层，和一个惰性电极（如Pt、Au、W等）[3]。硫系化合物半导体材料也是一种重要的忆阻材料，常见的二元硫系化合物有 Ag2S[4]、GeSe[5]等、也包括多元硫系化合物Ge2Sb2Te5、AgInSbT等。硫系化合物根据其材料成分、掺杂元素、电极材料等的不同，导致其阻变行为及内部的阻变机理不同，这引起了广泛关注。同时，很多硫系化合物作为相变材料，分别在晶态和非晶态展现出良好的忆阻特性，这为多值存储提供了可能性，成为这类材料的一个潜在的应用优势。有机材料由于其柔性、透明等特点，在制备可穿戴电子器件中拥有天然优势。有机材料类的忆阻器在近几年发展迅速，可分为工业聚合物材料（如 PEDOT:PSS、聚苯乙烯、聚对二甲苯等）和天然生物材料（如鸡蛋蛋白、蚕丝蛋白等）[6-8]。由于有机材料在可穿戴器件中拥有广泛优势，为了能够制作出良好的电子器件，研究人员还需要进一步提高改材料的器件擦写速度、数据保存时间、开关比和器件功耗等方面的参数，并且还需继续探索和阐述其阻变机理、提高其稳定性。原则上，具有记忆功能的器件都可称为类突触器件。具体的，若材料的光、电、力、热等性能在外界刺激下产生不易失变化，基于此种材料制作的器件都可称为类突触器件，类突触器件可构建类脑芯片。光学器件和电学器件是应用最为广泛的器件，本小节介绍两种被广泛研究的类突触器件，分别为忆阻器和光子类突触器件，以及类脑芯片。忆阻器件是一种新兴微电子器件，它的电导状态受外界施加电场的影响，可以在两个或者多个状态间切换，具有非易失性、与现有CMOS工艺兼容、可微缩性好、集成密度高、速度快、能耗低等诸多优点，是一种非常具有发展潜力的基础器件。2008年美国惠普（HP）实验室在TiO2器件中物理验证了这种由加州大学伯克利分校蔡少棠教授理论提出的忆阻器概念[9]。密歇根大学Lu团队[10]于2010年在忆阻器中实现了突触可塑性仿脑功能，掀起了类突触器件及计算研究的高潮。Yang团队[11]研制出扩散型忆阻器，构建了全忆阻硬件神经网络，探索了忆阻神经网络在完成图像识别、图像压缩和步态识别等任务中的应用；Waser团队[12]深入研究了忆阻器中的电化学机制和导电通道演化过程，提出了忆阻器时序布尔逻辑的实现方法；Strukov团队[13]则硬件构建了忆阻多层感知器网络，探索了网络离线学习和在线学习的能力和性能表现。清华大学研制上千忆阻器集成阵列并用于人脸识别，可发展成为人工智能硬件系统中图像信息识别模块[14]。华中科技大学课题组基于钙钛矿材料的二阶忆阻器实现了生物突触中的三相STDP规则，可以用于更加复杂的模式识别和轨迹追踪[15]。南京大学课题组基于离子导电介质实现类树突多端器件[16]。中国科学院微电子研究所实现了三维集成的RRAM集成阵列[17]，有望实现三维类脑芯片。南京大学的高温高稳定性二维材料忆阻器[18]，有望实现柔性高可靠类脑芯片。目前，国际上忆阻器件的应用方向主要有两个，一个是存储类应用，比如嵌入式存储；另一个是计算类应用，比如类脑计算。在类脑计算方面，目前报道的应用演示中，最大规模的忆阻器件阵列是8kb，还远远不能满足实际应用的需要。如何进一步扩大忆阻器件的集成规模是基于忆阻器件的类脑计算能够真正走向应用的迫切需求，要解决这个问题需要在忆阻器材料、器件和集成技术上取得突破。经过近10年的研究，目前的主流忆阻器材料体系是HfO2和Ta2O5这两类材料，这是因为它们具有良好的CMOS工艺兼容性，且报道的基于这两种材料的器件性能优良。除此之外，钙钛矿类材料，如SrTiO3，虽然含有较多元素，且难以与CMOS工艺兼容，但其缺陷化学理论较为完善，经常被用来作为研究忆阻器件物理机制的模型材料。硫属化合物材，如Ge2Sb2Te5和AgInSbTe，是常见的相变材料，在相变存储器中有较广的应用。综上所述，未来忆阻器件的发展将重点围绕应用需求展开，在这个前提下，主要从器件、电路、架构和算法4个层面逐步推进，通过它们之间的协同研究和发展解决目前忆阻器件存在的问题。忆阻器因能够完全模拟生物突触行为，有望模拟重建生物神经网络并实现神经形态类脑计算，在类脑计算及其硬件化领域引起广泛关注。现阶段国际上的研究者对忆阻材料的研究主要集中在利用忆阻器替代神经网络模型中的权重参数，实现神经网络硬件化。目前利用忆阻器模拟生物突触并完全类似生物大脑皮层工作还未实现，这主要是由于目前研究者还未掌握生物大脑皮层学习和识别的具体算 法。研究生物大脑运行算法，并构建响应的神经网络模型，最终利用忆阻器将神经网络模型硬件化，将成为未来类人智能的一个重要研究方向。由于受冯·诺依曼计算架构的限制，在计算机中计算和存储不能同时进行，这种架构严重制约计算机的计算效率和能耗。人脑消耗20W的功率能够处理1020MAC/s的数据量，计算效率约比当今超级计算机高9个数量级。受大脑高效计算和低能耗的启发，人们开始转向对人脑的研究。人的大脑中大约含有1011个生物神经元，它们通过1015个联接联成一个系统[19]。由于神经元间通过突触相互连接，信息在突触间进行转换、加权处理和传递，而突触又是神经元最重要、数量最多的组成部分。同时光学又因为其高速、低能耗、低串扰、可扩展性和高互连带宽等优点，逐渐被研究者所利用。因此利用光电子器件作为类突触器件去模拟生物突触非常必要。另一方面，光电子器件和神经元遵从的动力学具有数学同构性，基于这种同构性，光电子器件能够模拟神经元行为并实现类脑计算，进而构建光学类脑芯片。目前许多电子器件已被用来实现突触功能，例如基于电诱发的阻变器件[20-22]，金属-绝缘体-金属结构[23-24]以及基于纳米材料的场效应晶体管结构[25-26]等。光学突触方面，基于微型光纤[27]和碳纳米管[28]实现了光学突触和光电突触，其具有大带宽和无电互连损耗的优点，但同时面临着难于集成和速度等限制。基于波导结合相变材料的结构实现光学突触成为了一种趋势。利用相变材料结合氮化硅波导实现的片上光学突触[29]，这种架构能够实现光诱发权重变化和突触权重的可塑性。
忆阻器具有简单的三明治结构，两层电极加一层忆阻功能层，因此忆阻材料包括电极材料和忆阻功能材料。本课题组在电极材料方向发展了低温生长石墨烯技术，旨在开发CMOS兼容的石墨烯材料用于忆阻器电极；在功能层材料方向开展了WTiOx薄膜材料的生长技术，目标是实现高温定性忆阻器功能层。下面分别介绍低温生长石墨烯技术和WTiOx薄膜生长技术。石墨烯作为第一种被发现的二维材料[30-31]，其独特的电学、光学和机械性能吸引了广泛的研究热潮。石墨烯的制备方法多种多样，包括机械剥离[30]，氧化还原[32-34],碳化硅延[35-36]和化学气相沉积（CVD）[37-40]。其中，以金属薄膜（铜、镍[38,40]）为催化剂通过CVD法在金属表面制备石墨烯是目前最为常用的石墨烯生长方法之一。该方法具有石墨烯质量高、产量大的优点。但是，金属衬底生长的石墨烯无法直接制备电子器件，需要通过转移工艺将石墨烯从金属衬底表面转移其他目标衬底（半导体或绝缘体衬底）。转移工艺带来的复杂和不确定性是限制石墨烯发展的瓶颈之一。因此，石墨烯直接生长的研究应运而生，成为目前石墨烯生长的研究热门领域之一。石墨烯直接生长指的是在目标衬底表面生长得到石墨烯薄膜，无需转移。石墨烯的直接生长又可以简单分为3类[41]：无金属催化直接生长[42-43]，等离子体增强直接生长[44-45]，以及金属催化辅助的直接生长[46-49]。目前，直接生长工艺发展迅速，一些报道中石墨烯的质量已经可以比拟金属衬底CVD催化的石墨烯质量。但是，直接生长还存在一个问题是生长温度过高，目前报道的直接生长的石墨烯温度普遍在1000°C以上[42-44,46-49]，绝大多数衬底都难以承受如此高的生长温度。于是，降低石墨烯的生长温度迫在眉睫。目前低温直接生长石墨烯主要有以下途径：选用易裂解碳源，如含有苯环的有机物碳源[50]。甲烷是高温生长石墨烯最常用的碳源，但是在低温下，甲烷难以完全裂解，导致石墨烯质量明显下降。选用一些有机物碳源，更易裂解，因而能够提高低温下生长石墨烯的质量。另外有研究人员利用独特的液态金属来实现低温石墨烯生长，如液态镓，液态锡[51-52]。这种液态金属催化不仅能够实现碳源的低温裂解，同时液态金属表面没有晶界，更加平整，也有利于提高石墨烯质量。此外，还有通过钛催化实现接近常温的石墨烯生长[53]。等离子体增强技术也被用来实现石墨烯的低温生长[44,54]，由于加了离子体，能够实现甲烷的低温裂解，从而在低温下实现石墨烯的生长，该方法是最适合大批量的石墨烯低温生长的技术之一。我们课题组通过等离子体增强技术在600°C实现石墨烯在铜镍合金表面的低温生长，同时，结合我们此前发表的原位腐蚀工艺[55]，能够实现在绝缘衬底表面免转移得到图形化的石墨烯薄膜。等离子体增强技术目前仍存在一些问题。由于温度降低，同时等离子体反应比较剧烈，因此得到的石墨烯的质量普遍较差，另外石墨烯的层数难以控制。我们发现要提高石墨烯的质量和均匀性主要有以下两点：首先，要选用有更高催化性的金属；其次，要提高低温下碳原子在金属表面的扩散速度。如图1[54]所示，选用铜镍合金薄膜作为催化金，通过磁控溅射沉积不同厚度的铜和镍薄膜，退火后得到不同组分的铜镍合金薄膜。可以看到，随着铜镍合金中镍组分的升高，石墨烯的拉曼光谱的D峰逐渐降低，D峰代表石墨烯的谷间缺陷引起的共振散射[56]，D峰越高表示石墨烯的缺陷越多。
图1.不同镍铜比下，铜镍合金生长石墨烯在300nm二氧化硅衬底表面的拉曼光谱与对应的光学显微镜图片镍比铜有着更好的催化性[57]，因此，随着镍组分的升高，石墨烯的缺陷逐渐减少，质量逐渐升高。同时，我们也发现随着镍组分的升高，石墨烯的颜色变得更深且更加不均匀。不同层数的石墨烯在300nm二氧化硅上会显现出不同的对比度[58]，因此，颜色变深代表石墨烯的层数逐渐增多，颜色不均匀代表石墨烯的层数分布的不均匀。我们发现造成这种现象的原因主要是碳原子在铜表面的扩散速度高，而在镍表面的扩散速度低。对于镍组分低的样品，碳原子的表面扩散速度快，因而可以在极短的时间内就生长成连续的石墨烯薄膜，当石墨烯长满金属表面后，金属被石墨烯包裹，隔绝了与甲烷的接触，金属的催化作用消失，生长速度被极大地放缓。虽然等离子体的存在使甲烷仍在不断裂解，但是失去了金属的催化作用，石墨烯的生长速度变得极为缓慢。对于镍组分高的样品，碳原子在其表面扩散速度慢，因而碳原子会在石墨烯的成核点处堆积。相比于镍组分低的样品，石墨烯长满需要更长的时间，在这个过程中，金属的催化作用一直存在，同时由于镍组分的提高，合金的催化性也会提高，因此石墨烯的生长速度会更快，更长的催化时间和更快的生长速度，导致石墨烯的厚度很厚，且不均匀。举一个形象的比喻来说，就是把一杯水倒在一个平面上，水会在平面上很快地流动形成一层均匀的水膜，但是当把一杯沙子倒在平面上的时候，沙子则会在平面上堆积，如图2[54]所示，碳原子在铜表面的扩散就相当于“把水倒在平面上”，而碳原子在镍表面的扩散就相当于“把沙子倒在平面上”。因而，如果要提高石墨烯的质量需要选用高催化性金属，针对铜镍合金来说，需要提高铜镍合金中的镍组分。若要提高石墨烯的均匀性，需要选用碳原子在其表面扩散速度快的金属，针对铜镍合金来说，需要减小铜镍合金中的镍组分。因此两者是矛盾的，在实验中发现，选用镍比铜1:2的组分会得到一个相对较好的结果。此外，等离子体增强技术本身也对石墨烯的质量影响巨大。如图3（a）所示，有等离子体和没有等离子体的生长结果中，石墨烯的D峰相差巨大。这是因为没有等离子体辅助，甲烷也能裂解，但是不能完全裂解，会产生CH3、CH2这样的中间产物，导致石墨烯质量降低。通过对等离子体生长功率的优化，能够一定程度地提高石墨烯质量。如图3（b）所示，在不同等离子体功率下，50W生长出的石墨烯的D峰最小，质量最高。需要说明的是，50W的功率并不是一个绝对的条件。如图3（b）和（c）是生长腔室和生长过程中的图像，等离子体电极在加热器下方。通过调节等离子体电极与加热器的距离，可以调节生长时在样品表面周围的等离子体强度。因此，50W的功率只对应于当前等离子体电极和加热器距离下的最佳功率[54]。在本文中，只列举的铜镍合金低温下催化生长的石墨烯时，铜和镍组分选取的理由，即既要兼顾催化性，又要兼顾碳原子的表面扩散速度。金属种类多种多样，通过对各种金属的研究，或许能找到比铜镍合金更好的合金选择。WTiOx作为忆阻器开关层，可以通过WTi靶材经过在不同氩氧比例的气体氛围下反应溅射制备薄膜，磁控溅射反应设备及反应腔室内部如图4所示。我们所制作的钨基忆阻器的功能层材料是在功率300W、时间220s、Ar2通量20sccm的条件下通入不同浓度的氧气，实验发现通入的氧气越多，薄膜厚度越薄，如图5所示。之后通过控制时间的长短，可以控制不同氧气通量下的薄膜厚度。制作出的WTiOx薄膜在纯N2氛围下退火30min，提高薄膜结晶度。基于钨氧化物的忆阻器显示出许多优势，包括逐渐改变电阻状态和记忆和学习功能。然而，较多先前的报告侧重于研究突触学习规则，而不是专注于分析导致外部学习规则的内部机制。在此，讨论堆叠的Au/WTiOx/Au和Ti/WTiOx/Au器件，其中通过外部诱导的氧离子的局部迁移实现电阻开关的功能。结果表明，Au/WTiOx/Au器件的连续可调多级电阻是由于高氧空位浓度下势垒宽度和高度的变化；而Ti/WTiOx/Au器件由于导电丝在低浓度氧空位中的连接和断裂而表现出器件的高和低电阻状态。通过控制离子迁移的物理机制构建和多态的突触发展 ，可以深入理解基于氧化物的忆阻器在神经形态计算中的应用。图6为测试结果。在已有的研究中，基于卤化物-钙钛矿的电学器件的电流-电压（I-V）性能中经常发现不良的滞后现象。点缺陷，如间隙、空位、反位及其迁移被认为是钙钛矿材料电学迟滞的原因。忆阻器是基于缺陷工作的器件，因此，卤化物钙钛矿材料在忆阻器领域具有很广泛的应用前景。近年来，研究者开展了许多令人兴奋的研究，实现了具有优良性能的卤化物-钙钛矿基忆阻器件。然而，这些卤化物钙钛矿忆阻器的器件尺寸通常为数十微米，主要通过借助硬掩膜版制作。在本工作中，使用CMOS兼容的光刻工艺，制作了一个具有2μm顶电极的CsPbBr3基忆阻器，器件的三维结构示意图如图7所示。可以看到忆阻器包含底部电极、CsPbBr3膜和顶部电极的交叉结构。在CsPbBr3薄膜表面引入Parylene薄膜作为保护层，既可用于制作小尺寸顶电极，又可提高器件在空气中的稳定性。图7.利用光刻工艺制作CsPbBr3忆阻器的三维结构示意图图8展示了利用光刻工艺制作的CsPbBr3忆阻器的光学显微照片。可以看到下电极和上电极，表明Parylene和CsPbBr3的透光特性。CsPbB3薄膜和Parylene 薄膜的厚度分别为300nm和100nm。制作的CsPbBr3忆阻器的尺寸为 2μm×2μm，比以前的报告的忆阻器小两个数量级。用本文开发的方法，借助世界先进的半导体材料光刻技术公司ASML生产的半导体光刻系统，可以获得尺寸为10nm×10nm的纳米电阻，有潜力制作用于类脑计算的高密度的忆阻器阵列。图8.利用光刻工艺制作CsPbBr3忆阻器表面光学显微图图9显示了在忆阻器顶部电极（Au/Ti）上施加直流扫描电压（0→-4→0→3→0 V）所测量的I-V特性，测试时，底部电极（Au/Ti）接地。当施加的电压从0V 扫至-4V时，置位过程发生在-3.9V，其中电阻状态从高电阻状态（关闭状态）变为低电阻状态（打开状态）。当外加电压从0V到3V变化时，CsPbBr3层的电阻在2.5V（复位过程）时从接通状态变为断开状态。图9的插图显示对数I-V曲线，可以发现所制作的忆阻器的开/关比约为105，远高于先前报道的卤化物忆阻器。在置位过程中，由于从下电极到上电极施加电场，可能形成溴空位导电丝。当向上电极施加正电压时，从上到下形成电场，导电丝断裂。捏滞回线是忆阻器器件的核心特性，可以用来表明忆阻器的核心性能。在进一步研究中，我们可以研究CsPbBr3忆阻器的内在物理机理和特性，还可以研究更多忆阻器的其他特性。相信使用本工作报道的方法制作的忆阻器，可以发现许多有趣的现象，因为器件的尺寸非常小，可以将探索钙钛矿材料的固有特性。基于有机材料的柔性忆阻器在可穿戴电子领域具有良好的前景，引起广泛关注。然而，由于有机忆阻材料的稳定性差，以前报道的柔性忆阻器的稳定性并不理想。为了解决这个问题，采用聚对二甲苯作为高稳定的有机忆阻材料。作为商业有机物质，聚对二甲苯具有生物相容性和多功能性的良好优势。开展有机忆阻材料的研究，首次使用Ag/Parylene/Au忆阻器单元测出了回滞曲线，并判断其由于Ag导电丝的连接和断裂导致的阻变，该器件具有出色的忆阻性能，如图10所示。这种基于有机材料的忆阻器件对于柔性可穿戴存储器件的开发具有重要意义。此外，基于聚对二甲苯的忆阻器具有成本效益，并且可以在任何基板上操作，例如传统的CMOS芯片和柔性基板。这项工作不仅展示了一种新颖灵活的忆阻器，而且为可穿戴人工智能系统开辟了道路。基于前述所介绍的用光电子器件模拟生物突触，所采用的方案是氮化硅波导加相变材料的方式，相变材料和波导之间通过消逝场耦合相互作用。激发阶段，激发光信号或电信号与相变材料相互作用，使得相变材料产生相变。相变材料在激发信号的作用下产生相变，之后作用于信号光，由于相变前后相变材料的消光系数和折射率均会发生变化，因此相变材料与信号光的相互作用也会发生变化，进而影响信号光在波导中的传输特性。首先，选取GST材料作为相变材料，摸索了相变材料GST的相变特性。以石英片为衬底，通过溅射方法制备GST材料，溅射功率为50W，溅射厚度为20 nm，为防止GST氧化，后续溅射了20nm厚的ITO作为保护层。接着，将溅射有GST和ITO的石英片依次经过热板加热，加热条件依次为100℃、200℃、250℃、300℃加热并保持4min，之后随热板自然冷却。对加热后的样品进行了拉曼测试，拉曼测试谱如图11所示。由图可看出，未处理的样品和100℃处理的样品拉曼谱类似，说明相变材料在100℃加热后未发生相变，200℃和250℃处理后的样品与100℃的样品拉曼谱明显不同，说明相变材料在100℃和200℃之间发生了相变。300℃与250℃处理后的样品相比拉曼谱又存在差异，说明在250℃和300℃之间相变材料又发生了相变。实验数据与理论研究一致。沉积态的GST薄膜初始是非晶态，经过热处理后，薄膜开始结晶。随温度的升高，薄膜的结晶度也不断增加。GST薄膜先由非晶态转变为立方FCC结构，再转变为六方HEX结构[59]。因此非晶态转变为立方FCC结构的温度处在100℃和200℃之间，立方FCC结构转变为六方HEX结构的温度处在250℃和300℃之间。与此同时，对热处理样品进行了透射和反射测试，获取透射率和反射率测试谱如图12和图13所示。由图12可知，未处理和100℃处理的样品透射率基本处于相同量级，说明样品均处于无定形状态，GS材料未发生相变。200℃、250℃和300℃透射率相比100℃处于较低值，说明在100℃和200℃之间GST材料发生了相变，而300℃和250℃下样品的透射谱同样存在差异，说明GST材料在 300℃时同样发生了相变。同理，从图13的反射谱也可看出相同的GST材料相变过程。伴随着人工智能、云计算和物联网等新技术的快速发展，对高性能计算芯片的需求越来越强烈。为了突破传统“冯·诺依曼”计算架构在数据处理速度和芯片能效比等方面的瓶颈，避免数据的反复搬运“，存算一体化”类脑计算技术成为当前的研究热点之一。实现“存算一体化”的关键是开发出高性能的“存算一体化”器件，并能将器件阵列化形成类脑芯片。传统基于电荷的存储器件技术难以实现存储与计算融合的功能，近年来忆阻器受到了广泛关注，因其具有高集成密度、快速读写、低功耗和完美兼容CMOS工艺等优良特性。然而“，存算一体化”这一特殊应用对忆阻器的器件特性提出了更高的要求，现有器件在线性度、耐久性和离散性等关键器件特性上仍不理想，因此需要探索提高器件性能的方法，增加可用于计算的有效比特数，提高不同阻态调控的精度，缩短电导调控需要的脉冲时间，抑制电导漂移效应，减小器件涨落与波动。同时，针对“存算一体化”芯片中高密度数据存储和低功耗数据处理对器件小型化的需求，需要研究纳米尺寸下新型存储器的设计与性能优化，为未来研制高性能智能“存算一体化”类脑芯片提供良好的器件基础。综上可知，忆阻器的发展对人工智能的高质量发展具有深层次的推动作用。由氮化硅波导加相变材料的方式模拟生物突触，实现对信号的加权和延时，在此基础上结合探测器和调制器等光电子器件依次实现对加权信号的求和积分以及非线性过程，从而真正地实现单个人工神经元，实现生物神经元的阈值激发和不应期抑制等行为模拟[60]。在单个人工神经元的基础上，通过一定的神经网络的拓扑结构，即单隐层前馈网络结构，构建小型的神经网络，实现对微分方程的求解等功能[61]。在此基础上，利用更大规模人工神经元的集成，更复杂的拓扑结构，构建光子类脑芯片，实现对数字和图像的识别[62]，潜在的光子类脑芯片可应用于神经形态计算、模式识别、思维推理、认知科学和集群分析等人工智能应用。
现阶段的人工智能大多是基于软件实现的，其较高的功耗需求成为智能终端化发展道路上的障碍。下面以实现人脸识别为例展示基于类脑芯片的人工智能芯片在功耗和速率方面的优势。基于软件的人脸识别的流程是：首先将所有目标人脸图像数据化存储在存储器中，同时存储其对应的身份信息；进行人脸图像识别时，将图像信息数据化后和存储器中所存储的所有图像信息进行对比，找到匹配度最高的图像；输出图像信息对应的身份信息。由此可知，每次进行图像识别时，拟识别图像要和所有存储图像数据进行对比，随着存储图像数据的增加，功耗的增加和速率的下降是无法忽视的。未来基于类脑芯片的人脸图像识别，其识别流程如下：首先将人脸图像数据化后输入到类脑芯片中，通过修改类脑芯片中类突触器件的参数 ，使在输入不同图像数据时，输出端口有不同的输出值，将不同输出值和输入图像的身份信息对应并存储，实现对类脑芯片的训练；在识别图像时，将图形数据化后输入到类脑芯片中，类脑芯片直接输出图像对应的身份信息。由此可知，只要类脑芯片训练完成，其能够在及低功耗下快速给出拟识别图像的身份信息，不需要循环对比计算。综上，基于忆阻器等类突触器件的类脑芯片能够促进人工智能系统硬件化、终端化的早日实现。陈子龙，程传同，董毅博，等. 忆阻器类脑芯片与人工智能[J]. 微纳电子与智能制造, 2019, 1(4): 58-70.CHEN Zilong, CHENG Chuantong , DONG Yibo, et al. Brain-like chips and artificial intelligence based on memristors[J]. Micro/nano Electronics and Intelligent Manufacturing, 2019, 1(4): 58-70.《微纳电子与智能制造》刊号：CN10-1594/TN[1] WONG HSP, LEE HY, YU S, et al. Metal-oxide RRAM [J]. Proceedings of the IEEE, 2012, 100(6): 1951-1970. [2] CHENG C, ZHU C, HUANG B, et al. Processing halide perovskite materials with semiconductor technology[J]. Advanced Materials Technologies, 2019, 4(7): 1800729. [3] HIROSE Y, HIROSE H. Polarity- dependent memory switching and behavior of Ag dendrite in Ag- photodoped smorphous As2S3 films[J]. Journal of Physics D, 1976, 47: 2767-2772. [4] TERABE K, HASEGAWA T, NAKAYAMA T, et al. Quantized conductance atomic switch[J]. Nature, 2005, 433(7021): 47-50. [5] KOZICKI M N, Park M, MITKOVA. Nanoscale memory elements based on Solid- State electrolytes[J]. IEEE Transactions on Nanotechnology, 2005, 4(3): 331-338. [6] HENISCH HK, SMITH W R. Switching in polystyrene films[J]. Applied Physics Letters, 1974, 24: 589-591. [7] SEGUI Y, AI B, CARCHANO H. Switching in polystyrene films: transition from on to off state[J]. Journal of Applied Physics, 2008, 47(1): 140-143. [8] VERBAKEL F, MESKERS SCJ, JANSSEN R. Electronic memory effects in a Sexithiophene-Poly(ethylene oxide) block copolymer doped with NaCl. combined diode and resistive switching behavior[J]. Chemistry of Materials, 2006, 18(11): 2707-2712. [9] STRUKOV D B, SNIDER G S, Stewart D R, et. al. The missing memristor found[J]. Nature，2008，453: 80-83. [10] CHANG T, JO SH, KIM KH, et al. Synaptic behaviors and modeling of a metal oxide memristive device[J]. Applied Physics A, 2010, 102(4): 857-863. [11] WANG Z, JOSHI S , SAVEL’EV, SERGEY, et al. Fully memristive neural networks for pattern classification with unsupervised learning[J]. Nature Electronics, 2018, 1(2): 137-145. [12] SIEMON A, MENZEL S, WASER R, et al. A complementary resistive switch- based crossbar array adder[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2015, 5(1): 64-74. [13] MERRIKH B F, PREZIOSO M, CHAKRABARTI B, et al. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits [J]. Nature Communications, 2018, 9(1): 2331. [14] YAO P, WU H, GAO B, et al. Face classification using electronic synapses[J]. Nature Communications, 2017 (8): 15199. [15] YANG R, HUANG H M, HONG Q H, et al. Synaptic suppression Triplet- STDP learning rule realized in Second- Order memristors[J]. Advanced Functional Materials, 2017, 28(5): 1704455. [16] WAN C J, ZHU L Q, ZHOU J M, et al. Inorganic proton conducting electrolyte coupled oxide- based dendritic transistors for synaptic electronics[J]. Nanoscale, 2014, 6 (9): 4491-4497. [17] XU X, LUO Q, GONG T, et al. Fully CMOS compatible 3D vertical RRAM with self- aligned self- selective cell enabling sub-5nm scaling[C]// IEEE Symposium on VL Technology. IEEE, 2016. [18] WANG M, CAI S, PAN C, et al. Robust memristors based on layered two- dimensional materials[J]. Nature Electronics, 2018, 1: 130-136. [19] NAHMIAS M A, SHASTRI B J, TAIT A N, et al. A leaky integrate-and- fire laser neuron for ultrafast cognitive computing[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2013, 19(5): 1800212. [20] WRIGHT C D, LIU Y, KOHARY K I, et al. Arithmetic and biologically inspired computing using phase-change materials[J]. Advanced Materials, 2011, 23 (30): 3408- 3413. [21] KUZUM D, JEYASINGH R G D, LEE B, et al. Nanoelectronic programmable synapses based on phase change materials for brain- inspired computing[J]. Nano Letters, 2012, 12(5): 2179-2186. [22] TUMA T, PANTAZI A, GALLO M L, et al. Stochasticphase-change neurons[J]. Nature Nanotechnology, 2016, 11: 693-699. [23] WONG HS P, LEE HY, YU S, et al. Metal-oxide RRAM [J]. Proceedings of the IEEE, 2012, 100(6): 1951-1970. [24] JO S H, CHANG T, EBONG I, et al. Nanoscale memristor device as synapse in neuromorphic systems[J]. Nano Letters, 2010, 10(4): 1297-1301. [25] ALIBART F, PLEUTIN S, BICHLER O, et al. A memristive nanoparticle/organic hybrid synapstor for neuroinspired computing[J]. Advanced Functional Materials, 2012, 22(3): 609-616. [26] CHEN CL, KIM K, TRUONG Q, et al. A spiking neuron circuit based on a carbon nanotube transistor[J]. Nanotechnology, 2012, 23(27): 275202. [27] GHOLIPOUR B, BASTOCK P, CRAIG C, et al. Amorphous metal- sulphide microfibers enable photonic synapses for brain- like computing[J]. Advanced Optional Materials, 2015, 3(5): 635-641. [28] AGNUS G, ZHAO W, DERYCKE V, et al. Two-terminal carbon nanotube programmable devices for adaptive architectures[J]. Advanced Optional Materials, 2010, 22 (6): 702-706. [29] CHENG Z, RIOS C, PERNICE W H P, et al. On- chip photonic synapse[J]. Science Advances, 2017, 3(9): e1700160. [30] NOVOSELOV K S. Electric field effect in atomically thin carbon films[J]. Science, 2004, 306(5696): 666-669. [31] GEIM A K, NOVOSELOV K S. The rise of graphene [J]. Nature Materials, 2007, 6(3): 183-191. [32] KIM F, HUANG J, COTE L J. Langmuir- Blodgett assembly of graphite oxide single layers[J]. Journal of the American Chemical Society, 2009, 131(3): 1043-1049. [33] GREEN A A, HERSAM M C. Solution phase production of graphene with controlled thickness via density differentiation[J]. Nano Letters, 2009, 9(12): 4031-4036. [34] GAO W, ALEMANYl L B, CI L, et al. New insights into the structure and reduction of graphite oxide[J]. Nature Chemistry, 2009, 1(5): 403-408. [35] BERGER, C. Electronic confinement and coherence in patterned epitaxial graphene[J]. Science, 2006, 312 (5777): 1191-1196. [36] KEDZIERSKI J, HSU P L, HEALEY P, et al. Epitaxial graphene transistors on SiC substrates[J]. IEEE Transactions on Electron Devices, 2008, 55(8): 2078-2085. [37] KIM K S, ZHAO Y, JANG H, et al. Large-scale pattern growth of graphene films for stretchable transparent electrodes[J]. Nature, 2009, 457(7230): 706-710. [38] LI X, CAI W, AN J, et al. Large-Area synthesis of HighQuality and uniform graphene films on copper foils[J]. Science, 2009, 324(5932): 1312-1314. [39] ZHAN, Z Y, SUN J, LIU L H, et al. Pore-free bubbling delamination of chemical vapor deposited graphene from copper foils[J]. Journal of Materials Chemistry C, 2015, 3(33): 8634–8641. [40] LI X, CAI W, COLOMBO L, et al. Evolution of graphene growth on Ni and Cu by carbon isotope labeling [J]. NANO LETTERS, 2009, 9(12): 4268-4272. [41] WANG H, YU G. Direct CVD graphene growth on semiconductors and dielectrics for Transfer-Free device fabrication[J]. Advanced Materials, 2016, 28(25): 4956-4975. [42] SUN J, COLE M T, LINDVALL N, et al. Noncatalytic chemical vapor deposition of graphene on high-temperature substrates for transparent electrodes[J]. Applied Physics Letters, 2012, 100(2): 022102. [43] BI H, SUN S, HUANG F, et al. Direct growth of fewlayer graphene films on SiO2 substrates and their photovoltaic applications[J]. Journal of Materials Chemistry, 2012, 22(2): 411-416. [44] KATO T, HATAKEYAMA R. Direct growth of DopingDensity- Controlled hexagonal graphene on SiO2, substrate by Rapid- Heating plasma CVD[J]. ACS Nano, 2012, 6(10): 8508-8515. [45] WEI D, LU Y, HAN C, et al. Critical crystal growth of graphene on dielectric substrates at low temperature for electronic devices[J]. Angewandte Chemie International Edition, 2013, 52(52): 14121-14126. [46] DONG Y, XIE Y, XU C, et al. Transfer-free, lithographyfree, and micrometer- precision patterning of CVD graphene on SiO2 toward all- carbon electronics[J]. Applied Materials, 2018, 6(2): 026802. [47] PENG Z, YAN Z, SUN Z, et al. Direct growth of bilayer graphene on SiO2, substrates by carbon diffusion through nickel[J]. ACS Nano, 2011, 5(10): 8241-8247. [48] YAN Z, PENG Z, SUN Z, et al. Growth of bilayer graphene on insulating substrates[J]. ACS Nano, 2011, 5 (10): 8187-8192. [49] SU C, LU A, WU C Y, et al. Direct formation of wafer scale graphene thin layers on insulating substrates by chemical vapor deposition[J]. Nano Letters, 2011, 11(9): 3612-3616. [50] LI Z, WU P, WANG C, et al. Low-temperature growth of graphene by chemical vapor deposition using solidand liquid carbon sources[J]. ACS NANO, 2011, 5(4): 3385-3390. [51] FUJITA J I, HIYAMA T, HIRUKAWA A, et al. Near room temperature chemical vapor deposition of graphene with diluted methane and molten gallium catalyst [J]. Scientific Reports, 2017, 7(1): 12371. [52] VISHWAKARMA R, ROSMI M S, TAKAHASHI K, et al. Transfer free graphene growth on SiO2 substrate at 250°C[J]. Scientific Reports, 2017, 7: 43756. [53] PARK B J, CHOI J S, EOM J H, et al. Defect-free graphene synthesized directly at 150°C, chemical vapor deposition with no transfer[J]. ACS Nano, 2018, 12(2): 2008–2016. [54] DONG Y. Study on Key Factors of Metal-assisted Low Temperature Direct Growth of Graphene[J]. In submission. [55] DONG Y, XIE Y, XU C, et al. Transfer-free, lithographyfree and fast growth of patterned CVD graphene directly on insulators by using sacrificial metal catalyst[J]. Nanotechnology, 2018, 29(36): 365301. [56] MARTINS F E, MOUTINHO M, STAVALE F, et al. Evolution of the Raman spectra from single-, few-, and many-layer graphene with increasing disorder[J]. Physical Review B, 2010, 82(12): 125429. [57] WANG X, YUAN Q, LI J, et al. The transition metal surface dependent methane decomposition in graphene chemical vapor deposition growth[J]. Nanoscale, 2017, 9 (32): 11584-11589. [58] BLAKE P, HIL E W, CASTRO NETO A H, et al. Making graphene visible[J]. Applied Physics Letters, 2007, 91(6): 63124. [59] MARTIJN H R, LANKHORST, KETELAARS, et al. Low- cost and nanoscale non- volatile memory concept for future silicon chips[J]. Nature Materials, 2005, 4(4): 347-52. [60] FOK M P, DEMING H, NAHMIAS M, RAFIDI N, et al. Signal feature recognition based on lightwave neuromorphic signal processing[J]. Optics Letters, 2011, 36 (1): 19-21. [61] TAIT A, ZHOU Y, WU A X, et al. Demonstration of a silicon photonic neural network[C]// Summer Topicals Meeting Series, 2016. [62] SHEN Y C, HARRIS N C, SKIRLO S, et al. Deep learning with coherent nanophotonic circuits[J]. Nature Photonics, 2017, 11: 441-446.荐：
来源：微纳电子与智能制造，RAD极客会（ID:RAD_Geek_Club）推荐阅读，不代表RAD极客会立场，转载请注明，如涉及作品版权问题，请联系我们删除或做相关处理！
人工智能产业链联盟
人工智能技术解读、产业链分析
