山东大学王天宇、孟佳琳等综述：用于神经形态计算的低功耗忆阻器

研究背景

随着人工智能技术的快速发展，传统冯·诺依曼架构的“存储墙”和“能耗墙”问题日益凸显。数据在处理器与存储器之间的频繁搬运导致高能耗与低效率，限制了计算性能的进一步提升。神经形态计算模仿人脑的高效并行处理机制，成为突破传统架构瓶颈的重要方向。忆阻器作为一种新型非易失性存储器，凭借其低功耗、高集成度以及与生物突触/神经元相似的可调电阻特性，成为构建神经形态计算系统的理想元件。近年来，研究者通过材料优化、阵列设计及功能扩展，推动忆阻器在多级存储、逻辑运算和类脑计算等领域的应用，但仍需解决器件稳定性、功耗控制及规模化集成等挑战。

Low‑Power Memristor for Neuromorphic Computing: From Materials to Applications

Zhipeng Xia, Xiao Sun, Zhenlong Wang, Jialin Meng*, Boyan Jin, Tianyu Wang*

Nano-Micro Letters (2025)17: 217

https://doi.org/10.1007/s40820-025-01705-4

本文亮点

1. 本综述介绍了各种类型的低功耗忆阻器，展示了它们在各种应用中的潜力。

2. 总结了用于多级存储、数字逻辑和神经形态计算的低功耗忆阻器，强调了它们在人工神经网络、卷积神经网络和尖峰神经网络中作为人工突触和神经元的应用，以及 1T1R 和 1S1R 交叉阵列设计。

3. 为了充分发挥低功耗忆阻器在内存计算和人工智能领域的潜力，必须开展进一步的深入探索，以克服当前存在的各种限制。

内容简介

山东大学王天宇、孟佳琳等深入探讨了低功耗忆阻器在神经形态计算领域的应用。文章首先系统地介绍了忆阻器的基本概念、工作原理及其作为非易失性存储器的优势特性。随后，重点阐述了低功耗忆阻器在多值存储、数字逻辑门以及神经形态计算等关键领域的应用进展。特别是在神经形态计算方面，文章详细分析了忆阻器在构建人工神经网络 (ANN)、脉冲神经网络 (SNN) 和卷积神经网络 (CNN) 等多种神经网络中的作用机制和优势。文章还探讨了1T1R和1S1R交叉阵列设计在提升忆阻器性能方面的作用，并分析了低功耗忆阻器在这些网络架构中的性能表现。

尽管忆阻器在低功耗神经形态计算中展现出巨大的潜力，文章也指出了目前仍面临的挑战，例如在集成密度和功耗控制方面仍需进一步优化。最后，文章展望了低功耗忆阻器在未来人工智能和内存计算领域，特别是在推动边缘计算和类脑智能发展方面的广阔应用前景，强调了其对于构建下一代高效能计算系统的关键意义。

图文导读

I 忆阻器介绍

图1. 用于低功耗存储和计算的忆阻器概述：包括器件、材料、人工突触和神经元以及神经网络。从器件层面来看，电阻式随机存取存储器(RRAM)、相变随机存取存储器(PCRAM)、磁阻式随机存取存储器(MRAM)和铁电器件是潜在的低功耗神经形态计算电子器件。从材料系统层面来看，离子传输材料、相变材料、磁阻材料和铁电材料是低功耗忆阻器的主要功能材料层。这些新型忆阻器可用作低功耗神经形态计算的人工突触和神经元，包括人工神经网络(ANN)、尖峰神经网络(SNN)和卷积神经网络(CNN)。

II 功能层材料

根据常见的忆阻器类型，忆阻器功能层材料可分为离子传输材料、相变材料、磁阻材料和铁电材料，如图3所示。离子传输材料主要针对RRAM。近年来，该领域的研究主要集中在无机和有机材料上，特别是氧化物、钙钛矿、二维材料和有机材料。无机氧化物具有优异的性能和成熟的制备技术，目前被广泛应用，但传统的二元氧化物仍存在漏电流大、功耗大等问题。通过掺杂或构建多层氧化物异质结，可以改善导电细丝的形成和溶解，实现低功耗存储。钙钛矿和二维材料具有独特的结构，因此具有优异的离子导电性和低电压操作特性。有机材料因其柔性、可调性和低成本潜力，被视为下一代存储器的强有力竞争者，尤其是在柔性设备领域。 

图3. 不同功能材料的忆阻器分类示意图，包括离子传输材料、相变材料、磁阻材料和铁电材料。其中，离子传输材料包括有机和无机类型，相变材料主要是硫族化合物合金，磁阻材料主要构成磁隧道结(MTJ)，铁电材料主要具有自发极化特性。

图4总结了各种忆阻器在完成突触操作时的功耗。RRAM和铁电忆阻器可以达到低于生物水平10 fJ的水平。报道的最低功耗为基于HfAlOx的RRAM的4.28 aJ，表明RRAM在低功耗神经形态计算中展现出巨大潜力。

图4. 不同低功耗忆阻器执行突触可塑性时的功耗，其中生物突触功耗约为10 fJ。报道的新型忆阻器功耗范围从5 nJ到4.28 aJ，在神经形态计算中展现出巨大潜力。

III 忆阻器阵列

图5. 基于1T1R和交叉开关忆阻器阵列的示意图。

IV 数字逻辑门

在忆阻式数字逻辑实现中的主要功耗问题是关闭状态下的持续漏电流损失、电阻状态转换过程中的动态开关能量损失以及数字逻辑交叉结构中的漏电路径电流。研究人员主要在优化开关层材料和开发新架构方面寻求解决方案。

图6. 低功耗数字逻辑门。

V 人工突触

生物突触调节通过细胞膜内外特定离子(如Ca²⁺、Na⁺等)的存在来改变突触权重，从而实现学习和记忆功能，如图7a所示。短期可塑性(STP)在人脑中的主要功能是处理临时信息。长期增强(LTP)主要负责长期记忆和学习。在器件层面，STP和LTP通过向忆阻器施加脉冲来建模，其中突触权重变化的持续时间定义了STP或LTP。 

图7.  低功耗人工突触。

VI 人工神经元

图8a显示了生物神经元的示意图，这启发了使用忆阻器设计神经电路。与之前使用CMOS构建神经元电路的尝试相比，基于忆阻器的人工神经元能显著降低功耗。Zhang等人在单个忆阻器上创建了一个人工神经元，模拟了神经元特性，如漏电整合和阈值触发激发。

图8.  人工神经元的低功耗忆阻器。

面缺陷出现在三维结构被分割为对称原子排列的微畴区域时，主要表现为堆垛层错。阿尔托团队研究了金属基底上外延石墨烯的空位山缺陷(图5c)，这类周期性出现的缺陷会降低材料本征迁移率，但精确调控可能发掘新颖的光学与自旋特性。

VII 人工神经网络

ANN由输入层、隐藏层和输出层组成，相互连接形成复杂的网络结构，如图9a所示。在传统计算机系统中，神经网络权重以浮点数的形式存储在RAM、硬盘驱动器或固态驱动器中。处理器在计算过程中读取这些权重，并通过反向传播更新它们。这个过程需要许多读写操作，降低了性能并消耗能量。相比之下，忆阻器阵列将每个权重存储为电阻值，实现高能效计算。如图9b所示，输入信号作为电压施加到阵列的行，并传输到列，产生求和输出电流。输出电流与输入信号和电导的乘积成正比。通过这种方式，忆阻器阵列直接在硬件层面执行矩阵乘法，替代了大规模CMOS加法器、乘法器和SRAMs，提高计算效率并显著降低能耗。

图9.人工神经网络示意图。

VIII 卷积神经网络

CNN使用卷积层从输入数据中提取特征。如图10a所示，数据通过滤波器和激活函数处理，然后通过池化层减小尺寸。得到的特征图被展平并通过全连接层传递，使用Softmax或Sigmoid函数生成最终输出。忆阻器阵列主要部署在执行乘-累加操作的卷积层和全连接层中。如图10b所示，外部磁场(Hext)被映射为输入图像，并且偏置电流(Ibias)作为权重应用于每个STT-MTJ器件。STT-MTJ器件的输出电压通过求和电路相加，形成非线性卷积核的输出。Lee等人将铁电忆阻器阵列应用于储备池计算(RC)，系统架构如图10c所示。通过调整极化方向，铁电忆阻器适用于RC系统中的多维映射和低功耗并行计算。

IX 脉冲神经网络

在SNN中，神经元的激活不仅取决于输入信号的强度，还取决于脉冲到达的时间。时间序列的引入使SNN能够处理动态、时间敏感的数据，如声音和视觉等感官输入。SNN的另一个关键特性是对动态信息的低功耗计算。神经元只在必要时发射脉冲，在没有输入信号时可以进入待机模式，这种稀疏活动模式使其在低功耗方面具有显著优势。

图10. CNN、SNN等类脑计算网络示意图。

X 总结

本文全面阐述了低功耗忆阻器作为神经形态计算关键元件的重要性及其应用前景。凭借其非易失性存储和低功耗特性，忆阻器在多级存储、数字逻辑门以及神经形态计算领域展现出巨大的潜力，尤其是在实现高效的矩阵运算和神经网络加速方面优势显著。通过巧妙地集成多功能忆阻器，有望在同一器件阵列中同时实现人工突触和神经元的功能，为构建未来的高效神经形态系统提供了革命性的技术路径。尽管忆阻器技术仍面临一些挑战，如新型材料开发、功耗精细控制和高密度集成技术的优化，但未来的研究有望通过材料创新和结构优化逐步克服这些难题。基于忆阻器的神经网络在功耗和效率方面的独特优势，使其在智能移动设备、边缘计算以及更广泛的AI应用领域拥有无可比拟的竞争力和广阔的应用前景，预示着忆阻器技术将在未来的智能时代扮演至关重要的角色。

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，2023 JCR IF=31.6，学科排名Q1区前3%，中国科学院期刊分区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 » 山东大学王天宇、孟佳琳等综述：用于神经形态计算的低功耗忆阻器