新加坡科技研究局张永伟和新加坡国立大学洪家伟等：基于二维材料的忆阻器在存算一体化中的最新进展

研究背景

近年来，计算机技术，尤其是人工智能领域，呈现了迅猛的发展。随之而来的是越来越大的计算量，数据量和能源消耗。传统的基于的冯诺依曼架构的内存计算分离方式面临严重挑战。内存内计算是一项从人脑计算中汲取灵感的新兴技术。它通过将计算与内存融合，实现存算一体化，达到类脑计算的效果，从而有效降低能源消耗，实现绿色计算的目标。在内存内计算的设计中，忆阻器作为关键器件，一直备受大家的重点关注。自2008年首个忆阻器在实验室问世以来，其技术和性能在这短短几年内取得了巨大进步。近年来，基于二维材料的忆阻器展现出卓越的性能表现。二维材料制作成的忆阻器具有集成密度大，性能稳定，延展性强等优点，有望成为下一代忆阻器设计的核心材料。近两三年来，基于二维材料的忆阻器的研究已经从单个器件的制备测试，扩展到多个忆阻器的连接和集成，形成交叉阵列，从而逐步实现真正的类脑计算。这表明二维材料忆阻器的研究已经进入了一个新的阶段。本综述对已制备成交叉阵列的二维材料忆阻器进行了整理和分析，从材料选取，性能优化，阵列结构和集成计算等方面展示忆阻器研究的前沿进展。

Recent Advances in In‐Memory Computing: Exploring Memristor and Memtransistor Arrays with 2D Materials 

Hangbo Zhou, Sifan Li, Kah-Wee Ang*, Yong-Wei Zhang *

Nano-Micro Letters (2024)16: 121

https://doi.org/10.1007/s40820-024-01335-2

本文亮点

1. 全面展示了基于二维材料的忆阻器的前沿研究。

2. 提出了实现内存内计算的关键步骤，涵盖了材料选取，器件优化，结构设计等。

3. 提出了从单一器件合成到多器件集成的技术突破中存在的挑战。

内容简介

新加坡高性能计算中心，科技研究局张永伟课题组和新加坡国立大学Kah-Wee Ang课题组汇总了自2019年以来二维材料忆阻器领域的最新研究成果，并提出了从材料选取，忆阻器制备，阵列结构设计到类脑芯片设计等方面的关键步骤。文章首先从材料选择角度入手，综合二维材料的整体优势，以及不同二维材料制备成忆阻器的机制和原理，分析了当前可制备忆阻器的各种二维材料的性能特点。其次，本文分析了在阵列中的忆阻器的性能表现，包括能耗，计算电压，器件尺寸，重复擦写次数，数据保持时间等方面，全面展现各种忆阻器的优缺点。此外，很多研究不仅做出了忆阻器，还把忆阻器连接集成形成了阵列。因此，本文着重介绍了不同的阵列结构，分析了他们的特点和优势。然后，本文还介绍了忆阻器在神经网络，类脑计算中的应用。最后，本文探讨了二维材料在忆阻器设计中面临的挑战，发展趋势以及对未来的的展望。

图文导读

I 实现类脑计算的关键步骤

图1展示了从二维材料选择，到忆阻器制备与性能比较，阵列结构选择，计算功能实现到最终实现类脑计算的关键步骤。

图1. 基于二维材料实现内存内计算的关键步骤。首先，图表展示了二维材料的独特性能以及其制备忆阻器的机制和原理。其次，我们分析了二维材料忆阻器在类神经突触和类神经元中的性能表现，再次，我们展示了不同的阵列结构和集成方式。最后，我们展示了用于神经网络的各计算功能的实现。

II 二维材料忆阻器的机制

忆阻器是一种其电阻取决于流经它的电流量的电子元件。它具有两种状态，即打开状态(低电阻)和关闭状态(高电阻)。在二维材料中，我们可以通过不同机制实现这一功能。图2 展示了可应用于忆阻器的二维材料的及其工作机制。由图2(a)所示，由于二维材料非常薄，电流流过时金属电极中的金属原子可以渗入其中，形成可导电的金属带。而二维材料本身为绝缘体(例如h-BN)或者半导体，因此其导电性能可以在关闭和打开中切换。另一方面，由图2(b)所示，在一些半导体中缺陷在电流的作用下具有很高的迁移率，比如MoS₂中的硫缺陷。这些缺陷的移动导致了电极接触面上的肖特基势变化，从而导致接触电阻的显著变化。图2(c)展示了通过光电效应设计的忆阻器。这些二维材料具有可见光敏感性，所以可以用于传感器设计和集成。图2(d)展示了通过二维材料的相变特征设计的忆阻器。图2(e)展示了通过二维材料的铁电性设计的忆阻器。

图2. 二维材料作为忆阻器材料选择的平台，不同的材料具备不同的作用机制和原理：(a)形成可导性金属带的机制；(b)缺陷迁移机制；(c)光电效应机制；(d)相变机制；(e)铁电性机制。

III 二维材料忆阻器的性能

一个表现优异的忆阻器需要具备低能耗，低操作电压，低操作电流，擦写变异小，数据保持时间长，以及器件变异率低等特点。图3展示了当前忆阻器在这些性能上的表现。这些数据清楚的表明，近年来忆阻器的性能得到了显著提升。通过性能比较我们发现，多端忆阻器(memtransistor)通常具有较低的能源消耗和电路中的能源损耗。然而，目前这类忆阻器的擦写稳定，器件稳定性，数据保持时间和预期存在一定差距。h-BN忆阻器具有良好的单一器件性能，其缺乏控制端，因此在集成时需要解决漏电造成的能源损耗问题。

图3. 忆阻器的性能分析以及和发展蓝图的比较：(a)能耗和操作电流；(b)操作电压和器件尺寸；(c)。擦写次数和保持时间；(d)各种类型忆阻器的发展现状和发展蓝图对比；(e)擦写变异率；(f)器件变异率。

IV 阵列结构和集成

图4展示了忆阻器的各种阵列结构和与内存电路的集成方式。阵列结构包括一维阵列，二维交叉连接阵列等方式。其中二维交叉阵列是最为普遍的连接方式，并且其与神经网络的连接方式相吻合，可用于快速矩阵计算。由于二维材料的特殊性，由二维材料制作而成的忆阻器可通过层层堆叠实现三维集成。另外，在具体应用中，我们还注意到了阵列与内存电路，传感器等器件的集成，达到高效低能耗的计算目标。

图4. 忆阻器阵列和电路集成：(a)一维阵列；(b)二维阵列；(c)带有选择器的二维阵列；(d)带有三极管的多端忆阻器阵列；(e)自选多端忆阻器阵列；(f)三维集成；(g)神经突触和神经元的集成；(h)阵列与内存电路集成；(i)在多层硬件中的阵列和内存电路集成

V 忆阻器阵列的基本功能

为实现复杂的类脑计算，我们首先需要让忆阻器首先实现一些简单的功能，为将来集成复杂运算电路做好准备。类似神经网络需要的计算，这些简单的功能包括模式记忆，矩阵计算，线性和非线性回归，以及影像处理。模式记忆类似于人脑的记忆功能，而矩阵计算则代表了神经元之间的信号传递和处理。线性和非线性回归的实现使机器学习成为了可能，而影像处理则可以使我们能够从复杂信息中提取关键信息。

图5. 忆阻器阵列的基本功能介绍：(a)模式记忆；(b)矩阵计算；(c)线性回归；(d)非线性回归；(e)影像处理。

VI 神经网络

忆阻器通过实现类似神经元和神经突触的功能，最终将实现人工神经网络的计算。图6列举了各类神经网络，以及忆阻器在其中能做出的突出表现。

经典条件反射表现出四个特征:获取、消退、恢复和泛化。其中，同时对器件施加包含光刺激和电刺激的关联对以实现获取特性。如图6a所示，电导响应在阈值以上迅速增加，触发PER。关联对的训练结果表明，仅仅施加也CS可以触发响应；然而，这种神经连接并不是永久的。消退可以主导条件反应的消失。在10分钟后，对每个器件施加了45个周期的光刺激。图6b表明经过10秒的衰减时间后CS单独未能触发PER(消退)。图6c展示了使用相同的关联对进行训练后的电导响应。响应增强到约0.97 μA，初始衰减电流激发到0.95 μA，表明了US和CS之间神经连接的重新加强(恢复)。在泛化过程中，类似的刺激在特定的联想对下形成神经连接后，也可以触发相同的响应。在本工作中，低频联想被视为类似刺激，并在恢复后应用于器件。如图6d所示，电导率响应逐渐增加超过阈值，虽然触发过程缓慢，但具备触发PER的能力。

VII 总结和展望

二维材料忆阻器在这几年飞速发展，为类脑运算提供了实现的可能，从而实现绿色计算，低能耗计算，高性能计算的目标。目前忆阻器研究面临的主要困难集中在忆阻器的大规模高密度集成。这些困难主要体现在以下几个方面。首先需要降低二维材料忆阻器的厚度和尺寸，这对忆阻器制备提出了很高的要求。二是当忆阻器需要和其他电路，包括三极管，选择器等，集成时，对制备低转化电压，低能耗，小尺寸的忆阻器提出了更高的要求。三是忆阻器的稳定性。当前制备的忆阻器存在明显的变异率，产品性能还不均匀。最后，人工神经突出和神经系统的自主学习功能仍然有待突破。目前的训练和学习过程还主要依赖传统计算机。尽管面临诸多挑战，但是近年来忆阻器和类脑运算这几年的飞速发展，让我们看到了自摩尔时代以后，更新下一代计算器件的希望。

作者简介

关于我们

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2022JCR影响因子为 26.6，学科排名Q1区前5%，中科院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624

如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 新加坡科技研究局张永伟和新加坡国立大学洪家伟等：基于二维材料的忆阻器在存算一体化中的最新进展