上海大学等国际合作重磅综述：二维材料赋能神经形态计算——从原子级器件到低功耗自适应系统

2D Materials Powering Neuromorphic Intelligence

Jamal Kazmi*, Waqas Ahmad, Muhammad Naqi, Yawar Abbas, Aumber Abbas, Peijian Wang*, Mohd Ambri Mohamed*, Federico Rosei*, Zhiming M. Wang* & Hongwei Song*

Nano-Micro Letters (2026)18: 413

https://doi.org/10.1007/s40820-026-02253-1

本文亮点

1. 二维材料凭借栅极可调带隙、快速开关动力学以及与脉冲神经网络的天然兼容性，为突破冯·诺依曼能效瓶颈提供了原子尺度的硬件基础。

2. 基于过渡金属二硫属化物、六方氮化硼及黑磷等体系的忆阻、铁电与相变器件，正在从不同物理机制逼近生物突触的可塑性，使存内计算从概念走向功能集成。

3. 面向实用化，晶圆级合成、缺陷工程与量子启发设计的协同推进，有望解决二维神经形态器件在规模化、一致性与环境稳定性方面的关键瓶颈，拓展其在边缘AI、脑机接口及量子计算等场景的应用边界。

研究背景

人工智能与机器学习的迅猛发展正在重塑各行各业的技术格局，但随之而来的是算力需求的指数级攀升。传统冯·诺依曼架构中计算与存储分离的设计，导致大量能耗消耗在数据搬运环节，难以满足AI大模型训练与边缘实时推理的能效要求。神经形态计算通过模拟生物神经网络中存算一体的工作方式，为突破这一瓶颈提供了极具潜力的替代路径。然而，如何在硬件层面实现高效、低功耗且可规模化的突触模拟，仍然是该领域亟待解决的关键科学问题。二维材料的兴起为神经形态硬件的落地带来了新的契机。以过渡金属二硫属化物、六方氮化硼、黑磷及碲烯为代表的二维体系，凭借原子级厚度、可调带隙、高载流子迁移率及优异的机械柔韧性，能够实现栅压可调的电阻转变、快速开关响应及多级电导态调控，为构建高性能人工突触和存内计算架构提供了理想的材料平台。近年来，基于二维材料的忆阻器、忆晶体管及范德华异质结器件发展迅速，已在单器件层面成功模拟尖峰时序依赖可塑性、双脉冲易化等关键突触行为。与此同时，研究者开始将这些器件与脉冲神经网络、卷积神经网络等机器学习框架对接，探索从器件仿真到片上学习的多种集成路径。然而，从实验室走向实际应用，仍面临晶圆级均匀生长、器件一致性、环境稳定性及CMOS兼容性等一系列挑战。

内容简介

围绕边缘计算、脑机接口及量子神经形态等前沿应用场景，上海大学等国际团队系统梳理了二维材料在神经形态计算领域的研究进展，对过渡金属二硫属化物、六方氮化硼、黑磷及碲烯等关键材料体系的特性及其适用场景进行了系统对比，并覆盖了从两端忆阻器、三端忆晶体管到范德华异质结等多种器件架构的设计思路。文章指出：过渡金属二硫属化物虽具备可调带隙与优异的光电响应，但晶界与缺陷引发的器件间差异仍是规模化应用的障碍；六方氮化硼凭借其超宽带隙与高击穿强度，在低功耗介电层方面优势突出，然而导电细丝的形成难以精确控制；黑磷拥有卓越的载流子迁移率与面内各向异性，却受限于环境稳定性；碲烯等新兴材料展现出独特潜力，但合成工艺尚不成熟。作者据此提出“材料筛选—器件架构—算法适配”协同优化的分析框架，强调了材料本征特性、器件物理机制与机器学习任务需求之间的关联设计。进一步讨论了晶圆级均匀生长、CMOS兼容集成、器件一致性与环境稳定性等关键瓶颈，并对缺陷工程、界面钝化及先进封装等解决路径进行了比较分析。

图文导读

I 引言

1.1 研究背景

传统冯·诺依曼架构中，处理器与存储器在物理上相互分离，数据在两者之间反复搬运，导致大量能耗消耗在通信而非计算本身——这一“内存墙”瓶颈在大规模AI任务中尤为突出。与之相对，人脑以约20瓦的功率完成每秒约101⁵次突触操作，能效优势高达数个数量级。神经形态计算正是受此启发，通过将存储与处理在硬件层面深度融合，从根本上规避数据搬运的能耗开销。

图1 冯·诺依曼架构(左)与神经形态架构(右)的对比，展示了存算分离与存算一体在数据流路径上的根本差异。

图1对比了两种架构的差异。左侧的冯·诺依曼系统依赖中央处理器与外部存储之间的总线通信，数据来回迁移造成延迟与功耗；右侧的神经形态架构则采用分布式、事件驱动的处理模式，存算一体单元直接在数据所在位置完成运算。这种结构上的区别不仅是组织方式的改变，更意味着计算效率的数量级提升——尤其在涉及大规模矩阵运算的深度学习中，减少数据移动带来的收益远超过器件本身的功耗优化。在硬件实现层面，两端忆阻器和三端忆晶体管分别承担了不同角色：前者以结构简单、集成密度高见长，适合大规模交叉阵列；后者凭借栅极提供的额外调控维度，在线性电导更新和读写分离方面更具优势。

图2 半导体器件密度缩放趋势，从几何缩放、等效缩放到超缩放时代的技术演进路径。

图2则将视野拉回到半导体工业的整体演进脉络。从早期的几何缩放(依靠光刻精度提升缩小晶体管尺寸)，到等效缩放(引入应变硅、高k介质等新材保持性能增益)，再到当前的超缩放时代——单纯依靠尺寸微缩已难以为继，异质集成、先进封装与存内计算等新范式正在成为推动器件密度继续攀升的核心动力。图中标注了不同阶段的标志性技术节点(如后道工艺、原子层沉积等)，清晰地表明：新型二维材料的引入并非对硅基路线的简单替代，而是在超缩放时代为功能多样化提供的全新维度，也是神经形态硬件得以从概念走向阵列级集成的重要前提。

1.2 性能与功耗的赛跑：AI算力需求为何不可持续

图3 a 全球AI算力需求的增长趋势(petaflops/天，不同应用领域以色标区分)；b NVIDIA GPU性能与功耗的攀升(2012–2024年间实现约317倍性能提升，功耗从约25W增至320W)；c AI模型训练成本的指数级增长(2011–2024，纵轴为对数坐标)。

人工智能的迅猛发展正在将计算系统的能效极限推向空前压力。过去十年间，深度学习模型的参数规模从数百万级膨胀至万亿级，训练所依赖的计算资源也随之飙升。值得注意的是，这种增长并非遵循摩尔定律所预示的平稳曲线——事实上，算力需求的翻倍周期已从早期的每24个月急剧缩短至约两个月，这种指数级攀升的速度远超半导体工艺进步所能提供的红利。在同一时间段内，虽然硬件加速器的峰值性能实现了数百倍的提升，例如GPU在2012至2024年间取得了约317倍的计算能力增长，但这一进步伴随着功耗的大幅攀升——从约25瓦增至320瓦。这意味着，每一单位算力增益所付出的能耗成本并未同步优化，单纯依赖硬件迭代已难以维系AI技术的可持续演进。

更值得警惕的是模型训练本身的经济账。自2011年以来，前沿AI模型的训练成本呈现近乎指数级的上升轨迹，从最初的数万美元级快速攀升至千万美元级别。这种趋势不仅将中小型研究机构排除在基础模型研发的门槛之外，也意味着即使对于大型科技企业，继续沿用以规模换取性能的范式将面临物理极限与经济可行的双重制约。无论是从芯片散热、数据中心用电，还是从碳排放的环境成本来看，现有计算路径都亟需根本性调整。这正是在架构层面探索神经形态计算、在材料层面引入二维体系的根本动因——不是对现有技术的修补，而是在功耗与性能的天平上重新寻找平衡点。

1.3 综述范围和核心议题

过去五年间，二维材料在人工突触与神经形态器件领域的研究取得了长足进展，从最初的材料制备探索逐步走向功能集成与系统演示。然而，面对快速增长的文献体量，一个根本性问题逐渐浮现：如何在材料创新与计算需求之间建立有意义的关联，而非仅仅在已有架构上替换材料、展示性能提升？本综述的出发点正是回应这一关切——将二维材料的本征物性、器件物理机制与机器学习任务需求置于同一框架下审视。

在材料维度，综述聚焦于过渡金属二硫属化物、六方氮化硼、黑磷及碲烯等主流与新兴二维体系，系统比较它们在带隙可调性、载流子迁移率、开关速度、环境稳定性及大面积制备可行性等方面的优劣。在器件维度，覆盖两端忆阻器、三端忆晶体管及范德华异质结等多种架构，分析不同器件结构在电导线性度、开关比、耐久性与能耗等关键指标上的表现。在算法维度，明确区分软件模拟、器件驱动仿真、硬件推理与片上学习等不同实现层次，揭示器件非理想特性(非线性、随机性、有限开关比)对训练精度与系统可靠性的实质影响。

在此基础上，综述进一步讨论了面向实际部署的系统级挑战——晶圆级均匀生长、CMOS兼容集成、器件一致性与环境稳定性，并对缺陷工程、界面钝化、异质结构设计及先进封装等解决策略进行了比较评估。表1为贯穿全文的框架性总结，将材料体系、器件架构、学习模式与应用场景之间的对应关系进行了系统映射，为后续各章节的讨论提供了统一的分析坐标。

II 神经形态计算基础

2.1神经形态计算的基本原理与架构

生物神经系统的信息处理方式与传统计算机截然不同。在人脑中，信息并非以0和1的离散状态存在，而是以动作电位——即神经元的“放电”事件——的形式在神经网络中传递。每个神经元在接收到来自突触前端的信号后，会进行时空整合，只有当膜电位累积超过阈值时才产生一个锋电位，沿轴突向下游传递。这种事件驱动的通信模式天然具有稀疏性和并行性，是大脑能够以极低功耗完成复杂认知任务的关键所在。神经形态计算正是从这一生物学事实出发，将神经元和突触的行为抽象为物理可实现的硬件单元。在突触层面，最为关键的功能是实现权重的可塑性——即突触连接强度能够根据前后神经元的活动历史动态调整。尖峰时序依赖可塑性(STDP)是其中最具代表性的学习规则：若突触前神经元先于突触后神经元放电，则突触权重增强(长时程增强，LTP)；反之，若时序相反，则权重被削弱(长时程抑制，LTD)。这种由相对时序驱动的可塑性，使得神经网络能够在不依赖外部监督信号的情况下，从输入数据的时空结构中自发学习特征。

在硬件实现层面，神经形态系统通常依赖两类器件来模拟上述生物学功能。两端的忆阻器(包括阻变、相变及铁电等机制)以其结构简单、可高密度集成的优势，在交叉阵列中实现权重的电导化表征；三端的忆晶体管则通过栅极提供独立的调控维度，在电导更新的线性度和读写操作的分离方面展现出更好的可控性。不论器件类型如何，其核心目标是一致的：将突触权重以非易失的方式存储在模拟电导态中，并使该状态能够根据脉冲输入进行可重复、可细化的增量调整——这正是STDP等学习规则在硬件中的直接映射。更重要的是，这种存算一体的结构从根本上绕开了冯·诺依曼架构中存算分离所带来的频繁数据搬运。在同一阵列内完成权重的存储与运算，意味着大规模向量-矩阵乘法可以在内存中就地执行，不再需要将数据从处理器和存储器之间来回迁移。这不仅大幅降低了能耗和延迟，也使得系统在面对流式传感数据时，能够以事件驱动的方式实时响应——这正是边缘计算和自适应控制等应用场景所期望的计算范式。

2.2 神经形态系统与机器学习的融合路径

将机器学习映射到神经形态硬件上，涉及算法范式、器件物理与架构设计之间的深度协同。传统神经网络(ANN、CNN)依赖于精确的数值权重，在数字系统中代价是巨大的能耗。神经形态系统则将权重以模拟电导值的形式存储在器件中，并在同一物理位置完成乘加运算，尤其适合推理阶段的高效执行。当任务从推理延伸到训练时，问题变得复杂。目前，二维材料器件集成到机器学习流程中的方式大致分为五个层次：纯软件级模拟、器件驱动仿真、硬件辅助推理、混合实验/计算系统，以及真正的片上学习——器件的电导更新直接作为训练的一部分，权重在同一硬件中迭代调整。这五种层次的区分决定了“二维材料器件用于机器学习”这一陈述的实际内涵。

不同神经网络对器件特性的敏感度各不相同。CNN对电导更新的线性度和对称性要求较高；RNN对记忆保持时间有额外要求；而SNN则更依赖于器件对尖峰时序的响应特性，STDP的实现需在纳秒至毫秒尺度上可靠区分脉冲次序。值得注意的是，二维材料器件特有的非线性与随机波动——在传统视角下往往被视为非理想因素——在某些场景中可能成为优势，例如作为天然的正则化来源或用于硬件安全加密。更深层的影响在于，器件非理想性可能反过来催生新的算法设计。当电导更新的非线性难以完全消除时，训练算法可通过调整脉冲参数来补偿偏差；当有限开关比限制权重动态范围时，稀疏编码或二值化网络可规避局限。尽管大多数演示仍停留在前三个层次，片上学习的实现依然受限于器件的耐久性与波动性，但这些探索已表明：真正意义上的神经形态智能，不在于用硬件去运行已有的算法，而在于从材料和器件的物理行为出发，重新定义算法应该在何种硬件上生长。

III 用于神经形态计算的二维材料概述

3.1过渡金属二硫属化物：可调带隙与缺陷工程构筑人工突触

过渡金属二硫属化物(TMDs)是二维材料家族中研究最为深入的体系之一。其通式为MX₂，由过渡金属层夹在两层硫族原子之间构成，层内共价键结合、层间范德华力堆叠。根据元素组合不同，TMDs可呈现金属性、半金属性及半导体性，且带隙随层数变化可调——这种可调性为光电突触器件提供了天然的物理基础。TMDs的核心价值源于其缺陷敏感性。单层MoS₂中天然存在的硫空位可作为金属离子迁移通道，电场驱动下Au⁺进入或离开空位位置，实现原子尺度的阻态切换，器件可在0.1 fJ的超低能耗下完成单次突触操作。WSe₂纳米片忆阻器同样在数千次循环中保持稳定的双极开关特性。相变工程提供了另一重调控维度——Li⁺驱动的2H与1T’相可逆转变使电导双向连续可调，在脉冲序列下表现出渐进的增强与抑制行为，精确模拟了生物突触的长时程可塑性。

在结构设计层面，TMDs的范德华特性使其能够形成高质量异质界面。Ag/WOₓ/WSe₂/石墨烯异质结构中，栅压可调控肖特基势垒，实现类似生物突触的电流调制；六端MoS₂晶体管则展示了多输入时空整合的异突触功能，更接近生物树突的信息处理方式。 将TMDs推向光电神经形态领域的关键是其光敏特性。h-BN/WSe₂异质结在0.3V、66fJ每突触事件的超低功耗下实现颜色与混色模式识别。基于此构建的7×7 MoS₂光突触阵列展示了面对彩色噪声干扰时的“自去噪”能力——短时程与长时程可塑性的协同作用使阵列能过滤干扰、正确识别目标图形，使TMDs从阻变材料上升为感知-存储-计算一体化的功能平台。

图4 TMDs的晶格缺陷类型及其在忆阻器、忆晶体管和光突触器件中的典型应用与突触功能演示。

3.2六方氮化硼：从原子级绝缘介质到高性能突触开关

六方氮化硼(h-BN)的结构与石墨烯相似——sp2杂化的B-N蜂窝晶格，但B-N键的强离子性使其带隙高达约6eV，是良好的绝缘体。层内共价键强韧，层间范德华力弱，这一组合使h-BN兼具原子级平整度、高击穿场强、低介电常数和优异的热化学稳定性，在二维材料器件中扮演着不可替代的角色。h-BN在神经形态器件中的典型应用分两类。其一是作为忆阻器的开关层——其原子级厚度允许极短的导电细丝形成距离，使开关速度进入皮秒至纳秒范围。然而，导电细丝的形成具有随机性，导致器件间与循环间的显著波动。这种变异性在传统存储中是不利的，但在硬件安全加密和物理不可克隆函数(PUF)中反而成为可利用的资源。通过调控工作模式在易失性与非易失性之间切换，h-BN忆阻器还能够同时模拟短时程与长时程可塑性，这种双模特性在单一器件中较为罕见。在阵列层面，研究者已实现了Au/h-BN/Au交叉阵列中的点积运算——这是神经网络中乘加操作的基本单元——并基于此演示了多变量线性回归，展示了h-BN从单器件特性走向算法验证的可行性。其二是作为场效应晶体管的栅介质。h-BN与MoS₂等二维半导体形成的范德华界面几乎没有悬挂键和陷阱态，保证了沟道中电荷传输的本征特性。这种“干净”的界面对于突触晶体管尤为重要——通道电导的可调性依赖于对载流子浓度的精确栅控，而不是随机电荷捕获，这使得权重的调制更可靠、线性度更高。

最新进展中，基于双层石墨烯/h-BN莫尔超晶格的晶体管展示了独特的双向阈值滑移行为——这意味着同一器件可以根据输入信号的历史在不同响应模式间切换，为构建输入自适应的神经形态硬件提供了可能。这种利用莫尔平带中强关联电子态来实现突触功能的思路，代表了将凝聚态物理效应引入神经形态计算的新方向。

图5 h-BN的晶体结构多型体及其在忆阻器阵列、晶体管栅介质和光突触晶体管中的代表性器件结构与性能演示。

3.3黑磷：各向异性输运与光响应拓展突触功能维度

黑磷(BP)是二维材料家族中备受关注的一员。与TMDs和h-BN不同，BP具有面内各向异性的正交晶格结构——沿armchair和zigzag方向，载流子有效质量、电导率和光学响应均表现出显著差异。这种本征各向异性使得单一器件中即可实现方向依赖的突触行为，为神经形态计算提供了超越各向同性材料的新自由度。在突触功能实现方面，BP的运作机制通常依赖于其表面天然氧化层(约2nm)与BP沟道之间的电荷转移。首个BP基突触晶体管于2016年问世，器件成功模拟了长时程增强、长时程抑制和STDP行为，并沿armchair和zigzag方向表现出截然不同的权重更新速率——这一方向依赖的可塑性在生物神经系统中也有对应，例如海马体中突触强度依赖于树突朝向的差异性调控。在能耗层面，BP器件的单次突触操作可低至约40fJ，这得益于其高达约900cm2V⁻1s⁻1的载流子迁移率。

BP的光学各向异性为光电突触开辟了独特的应用空间。在可见光波段，BP沿armchair与zigzag方向的折射率差异明显，可用于构建极化敏感的光突触器件。研究者利用这一效应，在单器件中实现了280nm紫外光驱动的增强与365nm紫外光驱动的抑制——相反极性光响应使得同一器件可以区分不同波长的紫外辐射，并支持集成布尔逻辑运算。在柔性光电子领域，BP/HfO₂异质结器件在1cm弯曲半径下保持稳定突触功能，光脉冲刺激下的突触后电流随光强线性变化，为可穿戴视觉感知系统提供了可能。

将BP与铁电聚合物(PVDF-TrFE)集成的突触晶体管代表了另一条优化路径：铁电栅介质的极化状态可非易失地调控BP沟道电导，器件在低操作电压下实现了约900cm2V⁻1s⁻1的迁移率和103的开关比，且电导更新的线性度优于单纯依赖电荷陷阱的机制。然而，BP的环境稳定性依然是其大规模应用的最大障碍——未经封装的BP在空气中数小时内即发生表面氧化，性能显著退化。原子层沉积的Al₂O₃或h-BN封装层是目前较为有效的解决方案，但这无疑增加了工艺复杂度。

图6 a. BP的晶格结构与各向异性特征、光调制忆阻行为、柔性光突触响应、方向依赖的STDP行为及BP/铁电聚合物异质结器件的突触功能演示。

3.4 新兴碲基二维材料与其他新型二维材料

在TMDs、h-BN与BP之外，以碲烯(Tellurene)、硅烯(Silicene)、三角硒(t-Se)等为代表的新兴二维材料正在为神经形态计算提供差异化的解决方案。这些材料往往具备各自独特的物理属性——如碲烯的高空气稳定性与双极输运、硅烯的狄拉克费米子特性、三角硒的本征各向异性——使其在特定应用场景中具备不可替代的潜力。

碲烯是其中研究最为集中的体系。作为单质二维材料，碲烯的载流子迁移率可达约700cm2V⁻1s⁻1，开关比高达10⁶，且在空气中可稳定存在两个月以上。在全碲基忆阻器中，研究人员发现了一种电流依赖的双模切换行为——低操作电流下呈现易失性开关(类似生物突触的短时程可塑性)，高电流下则转为非易失存储(长时程可塑性)。这种同一器件中切换时间尺度的能力，源于碲导电细丝在焦耳热与电场竞争下的动态平衡：弱脉冲形成的细丝在撤去电压后自然断裂(短时程记忆)，强脉冲则形成稳定通路(长时程记忆)。通过调节脉冲间隔，器件可在短时程与长时程可塑性之间连续过渡，并演示了低通滤波功能。在光突触方向，以碲为沟道材料的背栅晶体管利用光脉冲作为突触前刺激，产生与生物兴奋性突触后电流相似的瞬态光电流响应，并在此基础上构建了储备计算系统，用于时序数据的高效处理。

硅烯是石墨烯的硅基类似物，同样具有狄拉克锥型能带结构。尽管其表面活性极高、在大气环境中难以稳定存在，但通过Al₂O₃覆盖层保护，研究者已实现室温下工作的硅烯场效应晶体管，表现出双极型的空穴-电子对称输运特性，为未来在柔性神经形态器件中的应用保留了可能性。三角硒(t-Se)则提供了一种不同的各向异性体系——其本征电导率沿不同晶向差异显著，这种方向依赖不仅影响静态输运，也直接调制突触权重的更新速率和时序滤波特性，使单器件在无额外结构设计的情况下具备方向选择性。

在材料分类的另一个维度——有机二维材料，因其固有的生物相容性和机械柔性而引起了关注。并五苯薄膜忆阻器在低电压扫描下表现出渐进的阻变行为，成功模拟了双脉冲易化和尖峰时序依赖可塑性。在此基础上构建的TIPS-并五苯光突触阵列进一步模仿了视网膜功能，从380至740nm的宽谱响应和低至400pW的电功耗，为生物集成神经形态系统提供了有机体系的可行性验证。

与前述三类材料相比，碲烯、硅烯、三角硒等新兴体系的合成与大面积集成仍处于较早期阶段。但它们所展示的各向异性调控、双模切换和生物兼容性等特征，恰恰覆盖了TMDs、h-BN和BP体系中相对薄弱的维度，为未来多功能、多模态神经形态系统的材料选择提供了更丰富的可能性。

图7 碲烯、硅烯、三角硒及有机并五苯等新兴材料在忆阻器、光突触、各向异性晶体管和柔性神经形态器件中的代表性结构与性能演示。

IV 制造工艺与器件结构

4.1 生长方法：从实验室制备到晶圆级合成的技术路径

二维材料的实用化前提之一，是具备可规模化、可重复、可调控的制备方法。当前主流的合成路线可分为三类：化学气相沉积(CVD)、分子束外延(MBE)和溶液基方法。三者在生长机理、薄膜质量、规模能力和工艺兼容性方面各有取舍，且这些取舍直接决定了器件性能的上限。

CVD是目前最广泛使用的二维材料生长方法。其基本原理是将固态或气态前驱体在载气输运下进入高温反应区，在衬底表面发生化学反应并成核生长。以h-BN为例，氨硼烷或硼吖嗪在Cu(111)衬底上高温分解可获得大面积单晶薄膜。TMDs的生长则常采用金属氧化物(如MoO₃、WO₃)与硫族元素(S、Se)蒸气在500-1000°C下反应，通过气-固-固(VSS)或气-液-固(VLS)机制实现原子级厚度的可控沉积。CVD的优势在于可扩展性——研究者已在1cm2面积上实现连续双层MoS₂薄膜，且通过选择具有原子台阶取向的衬底(如c面蓝宝石)，可诱导晶粒沿同一方向排列，进而实现无缝拼接的大面积单晶化生长。近年来，低温CVD(<400°C)的突破使二维材料生长与CMOS后道工艺兼容成为可能，这一进展对神经形态器件与硅基读出电路的集成至关重要。

MBE在超高真空(10⁻⁸-10⁻12 Torr)下运行，以极慢的沉积速率(<3000nm/h)实现原子级精度的外延生长。实时反射高能电子衍射监控确保了层厚和晶体质量的精准控制。MBE的优势在于纯度高、缺陷少、界面陡峭，尤其适用于需要多层异质结构精确堆叠的器件。例如，研究者通过MBE在2英寸SiO₂/Si衬底上沉积了多晶HfSe₂薄膜，并以此构建了忆阻器交叉阵列用于硬件卷积图像处理。然而，MBE的低通量和高设备成本使其在大规模生产中不具备经济优势。

溶液基方法则是CVD和MBE之外的另一条低成本的路线。液相剥离通过机械或化学方式将块体材料分散在溶剂中获得单层或数层纳米片，再通过液-液界面自组装形成连续薄膜。水热法和溶剂热法在密封高压容器中实现前驱体的化学反应，可在宏观量级上制备TMDs或金属氧化物纳米材料。这些方法的优势在于设备简单、可低温操作、易于掺杂和功能化，但薄膜的结晶度、厚度均匀性和批次一致性通常低于气相法，且有机溶剂的使用增加了环境负担。

三种方法各有适用场景：CVD在面积与质量之间取得了较好的平衡，是当前二维神经形态器件研究中最主流的选择；MBE适用于对界面质量要求极高的异质结构研究；溶液法则在低成本、柔性衬底和快速材料筛选方面具有独特价值。目前尚不存在单一方法同时满足高均匀性、低缺陷、大面积、CMOS兼容和低成本的全部要求，实际选择取决于目标材料体系和应用场景的具体需求。 

图8 CVD、VLS机制、MBE及液相剥离法制备不同二维材料(h-BN、TMDs、HfSe₂)的工艺示意图与对应薄膜表征结果。

4.2 器件架构：从两端忆阻器到三端忆晶体管与垂直异质结

将二维材料转化为可用的神经形态硬件，需要适宜的器件架构将其物理效应转化为可调、可读、可重复的电导状态。当前主流的架构方案可分为三类：两端的忆阻器、三端的忆晶体管以及垂直堆叠的范德华异质结。三类架构在集成密度、调控精度和功能复杂度上各有权衡。

两端忆阻器的基本结构为“电极-开关层-电极”的垂直三明治或平面交叉点结构。其工作机制通常分为三种类型：电化学金属化忆阻器(ECM)依赖活性电极金属离子在电场下迁移形成或断裂导电细丝；价态变化忆阻器(VCM)基于开关层中氧空位等本征缺陷的重新分布；相变忆阻器(PCM)则利用材料在晶态与非晶态之间的电阻差异。二维材料在这三类机制中均可发挥作用——以MoS₂为例，硫空位为金属离子提供了迁移通道，通过控制晶界位置可将置位电压降低约16倍，这表明缺陷工程而非单纯的材料选择对器件性能具有决定性影响。在阵列层面，二维忆阻器可组成交叉阵列实现向量-矩阵乘法，其中每个交叉点的电导代表一个权重，输入电压与电导的乘积通过电流求和直接获得乘加结果——这是神经网络推理的核心运算。

三端忆晶体管在两端忆阻器的基础上增加了栅极端，可以独立于读写路径对沟道电导进行调控。以MoS₂忆晶体管为例，栅压可使单个电阻态的调控范围跨越四个数量级，开关比超过100，阻态保持时间超过24小时。多端器件进一步扩展了功能边界——六端MoS₂晶体管可同时接收来自多个输入端子的信号，实现异突触整合。SnO₂忆晶体管通过液态金属打印法制备，栅压调制可将手写数字识别精度从约85%提升至92.25%，直观展示了栅控对计算任务精度的增益。与两端器件相比，三端架构的额外控制维度使其在训练阶段具有更高灵活性，但每个单元占用更大面积，不利于极限密度集成。

垂直范德华异质结则将不同二维材料层层堆叠，利用界面处的能带对齐效应实现单一材料难以获得的开关行为。WS₂/MoS₂异质结的能带结构如同“升降门”——栅压调控界面势垒高度，从而控制载流子能否通过，避免了传统忆阻器中导电细丝形成对开关层的直接损伤。PdSeOₓ/PdSe₂异质结则利用界面点缺陷作为扩散通道，实现稳定的垂直阻变，并已构建成交叉阵列用于卷积图像处理。更为复杂的h-BN/WSe₂/h-BN三明治结构可在同一器件中实现p型与n型模式切换，亚阈值摆幅低至64mV/dec，开关比接近10⁸，并支持NOR、NAND、AND等八种逻辑运算的直接硬件实现。这种多功能性说明垂直异质结不仅仅是堆叠不同材料，而是通过界面设计创造全新的功能自由度。三类架构不存在绝对的优劣，而是服务于不同的系统需求：两端忆阻器适合高密度存储阵列和推理加速；三端忆晶体管在训练阶段的可控性更有优势；垂直异质结则为实现多功能集成提供了平台。

图9 两端忆阻器的开关机制与典型材料(MoS₂、h-BN)性能、三端忆晶体管的结构与栅控特性、以及垂直范德华异质结在能带调控和多逻辑运算中的演示。

4.3 制造挑战：变异性、规模化与集成瓶颈

二维材料在实验室层面的功能演示已日趋成熟，但从单个器件走向大规模集成系统，仍面临一系列制造层面的根本性障碍。这些挑战大致可归为三类：性能变异性、尺寸可缩放性和工艺兼容性，三者相互关联，共同制约着二维神经形态硬件的实用化进程。

性能变异性是最直接的障碍。由于二维材料的原子级厚度，任何微观结构的不均匀性——晶界、缺陷密度波动、层数变化、界面污染——都会显著影响器件电学行为。在h-BN忆阻器中，循环间和器件间的开关电压波动可高达数十毫伏量级，这种变异性在交叉阵列中会累积为权重更新误差，直接降低训练精度。更为棘手的是，变异性并非仅源于材料本身——金属-二维材料界面的肖特基势垒高度随接触区域原子构型的变化而浮动，即使同批次制备的器件也可能表现出显著差异。

可缩放性涉及两个层面：面积缩放与尺寸缩放。在面积维度，当前CVD生长的二维薄膜在毫米级范围内尚能保持相对均匀，但扩展至晶圆级时，成核密度、晶粒取向和层数控制的非均匀性显著放大。在尺寸维度，当器件特征尺寸缩至亚微米甚至纳米级时，边缘态和量子限域效应开始主导输运行为，使得基于宏观薄膜表征建立的设计规则在小尺寸器件中失效。小尺寸下导电细丝的形成也更加随机，加剧了循环间的波动。

工艺兼容性则涉及二维材料与传统半导体制造流程的对接。当前主流的CMOS生产线以200mm或300mm晶圆为基础，涉及光刻、刻蚀、沉积、退火等多步高温或高能工艺。多数二维材料难以在不退化的情况下承受这些工艺条件——例如，黑磷在300°C以上即发生显著氧化，TMDs在等离子体环境中易引入非受控缺陷。后道兼容的低温集成方案虽然正在发展，但仍未成熟。此外，大规模交叉阵列中的寄生效应——互连电阻压降、泄漏电流、热积累——在二维材料体系中往往比硅基更为突出，因为二维薄膜的高电阻率使长距离信号传输效率受限。这些问题的叠加意味着，即便单个器件的性能演示再出色，若无从制造端开始的系统性设计，向实际系统的跨越仍难以实现。

图10 二维材料神经形态器件在循环间/器件间变异性、晶圆级交叉阵列集成、互连方案及CMOS兼容集成方面的主要挑战与最新进展。

V 基于机器学习的神经形态器件优化

5.1 训练与推理：监督、无监督与强化学习在二维材料神经形态系统中的实现

机器学习算法在二维材料神经形态硬件上的部署方式，决定了系统究竟是对已有模型进行推理加速，还是具备真正的在线自适应能力。当前的研究覆盖了监督、无监督和强化学习三种范式，每种范式对器件的电导更新特性提出了不同的要求。在有监督学习框架下，二维材料器件的多级电导态可直接对应神经网络中的权重值。基于MoS₂忆阻器构建的深度神经网络在MNIST手写数字识别任务中达到了98.55%的识别精度，与软件基线99.41%已相当接近。精度差距的来源主要在于器件电导更新的非线性和不对称性——这些在器件层面被视为非理想的特性，在网络训练中以权重误差的形式累积。将电导更新的非线性特征纳入训练算法进行预补偿，是缩小软硬件精度差距的有效路径。无监督学习则更多地依赖于STDP等生物启发的局部学习规则。基于石墨烯忆阻器构建的脉冲神经网络，利用STDP规则结合横向抑制机制，使输出神经元之间形成竞争性学习——同一输入刺激下，响应最强的神经元强化其对应的权重模式，其他神经元则被抑制。该网络在MNIST数据集上达到了约80%的聚类准确率，核心机制在于器件电导态的多级可调性使权重的精细调节成为可能。强化学习方面，二维铁电α-In₂Se₃三端器件通过栅压和源漏脉冲的协同作用实现了马尔可夫决策过程的硬件映射。在一个迷宫寻物任务中，栅极调制模式和协同工作模式分别实现了68%和82%的成功率，后者的优势在于读操作与写操作的分离使权重更新更稳定。三种范式的共同结论是：器件的非理想性并非单纯需要消除的缺陷，而是训练算法需要适配的约束条件——这种硬件-算法的双向适配，才是神经形态系统从概念走向实用的核心方法。

图11 二维材料神经形态器件在监督学习(CNN-MNIST精度对比)、无监督学习(STDP驱动的字符识别与混淆矩阵分析)及强化学习(迷宫任务中两种工作模式的奖励收敛曲线与成功率比较)中的典型实现。

5.2 自适应与低功耗架构：面向边缘场景的能效优化

边缘设备和可穿戴应用对能耗有着极为严格的限制，这要求神经形态系统在保持计算能力的同时将功耗压缩至极限。二维材料在此方面具备天然优势——原子级厚度带来的低泄漏电流和可调的电子态密度，使器件能够在极低电压下稳定工作。基于双层石墨烯的人工突触晶体管阵列展示了超低功耗的潜力。器件在约50aJ/μm2的开关能量密度下实现长时程增强，读取功耗仅2.5至5μW。然而，非线性电导更新在实际任务中产生了复杂影响——在UCI人体活动识别数据集上，非线性特性导致训练速度慢于理想器件，但在Fashion-MNIST任务中反而超越理想权重，说明非线性本身并非缺陷，而是与任务特性相关的算法适配问题。在系统层面，32×32的MoS₂浮栅晶体管阵列展示了存内计算在信号处理中的优势。低通、高通和直通三种滤波核可直接编码为阵列中各器件的电导值，输入信号在单个周期内完成与三种核的并行卷积运算。这种将权重固定在器件中而非从外部读取的设计，使信号处理的延时与能耗都大幅降低，对于需要连续数据流处理的边缘传感节点尤为重要。

图12 双层石墨烯突触晶体管阵列的超低功耗操作与非线性权重更新对不同任务训练的影响，以及MoS₂浮栅晶体管阵列实现存内并行滤波信号处理。

5.3 案例研究：从器件特性到系统级功能验证

多个近期研究展示了二维材料器件在系统级任务中的端到端功能验证，揭示了从材料特性到算法性能之间的复杂映射关系。基于MoS₂沟道的2T1D铁电场效应晶体管阵列演示了原位学习的完整流程。每个单元由两个选择晶体管与一个共享铁电电容构成，分别负责训练与推理操作。在二维空间二分类任务中，该架构在17个训练周期后达到100%精度，权重直方图显示训练前后分布的显著迁移。值得注意的是，训练与推理共享同一存储节点但使用不同通路的设计，解决了权重更新过程中的读干扰问题。h-BN忆阻器阵列被用于多变量线性回归任务——基于50家初创公司的市场与研发投入数据预测利润。器件阵列中的每个忆阻器电导对应一个回归系数，输入以电压形式施加，输出电流直接给出预测值。经过400次迭代训练后，均方误差显著下降，权重变化曲线显示早期的大幅波动随训练收敛而趋于稳定，展示了模拟电导器件执行参数优化任务的实际可行性。MoS₂各向异性突触晶体管则利用电子束辐照诱导的方向依赖可塑性，在图像识别任务中展示了快速学习与高精度之间的权衡——其中一个方向在早期训练中快速收敛但最终精度较低，另一方向收敛较慢但终精度更高。在彩色数字识别任务中引入背景噪声后，这种权衡关系反转，说明不同应用场景对器件特性的需求并非固定，而应根据具体任务特性进行匹配设计。

图13 基于MoS₂铁电晶体管阵列的原位学习分类任务、h-BN忆阻器阵列的线性回归参数优化过程、以及MoS₂各向异性晶体管在图像识别任务中不同方向的学习性能差异对比。

VIII 总结和前景展望

神经形态计算与二维材料的交汇，为后摩尔时代的高效能计算开辟了一条全新的探索路径。本综述通过对过渡金属二硫属化物、六方氮化硼、黑磷及碲烯等材料体系的系统梳理，揭示了这些原子级厚度材料在突破传统计算架构能效瓶颈方面的巨大潜力。二维材料之所以能在此领域占据重要地位，根源在于它们能够为存内计算提供天然的结构基础——栅压可调的电阻转变、快速的开关响应及多级电导态的精准调控，使得人工突触的硬件实现具备了可操作的物理载体。在忆阻器、忆晶体管及范德华异质结等多元器件架构中，研究者已成功模拟了尖峰时序依赖可塑性、双脉冲易化和长时程增强等核心突触行为，展示了二维材料从单器件功能验证走向系统集成的可能性。

然而，从实验室的概念验证到真正的商业化部署，仍面临一系列亟待突破的关键瓶颈。在材料层面，晶圆级均匀生长、大面积薄膜的一致性以及环境稳定性问题尚未完全解决，尤其对于黑磷等空气敏感材料而言，可靠的封装与钝化策略仍不可或缺；在器件层面，循环间与器件间的性能波动、非线性电导更新以及有限的开关耐久性，直接影响着大规模阵列的精度与可靠性；在集成层面，如何与现有CMOS工艺线实现后端兼容，降低外围电路的面积与功耗开销，仍是工程化道路上无法回避的现实问题。值得关注的是，这些挑战并非各自孤立——缺陷工程不仅能够改善材料质量，还同时影响离子迁移路径与开关均匀性；界面钝化既能增强环境稳定性，又可优化载流子传输效率——这提示着，系统级的协同设计思路可能比孤立的优化策略更为有效。

展望未来，二维材料神经形态计算的发展将取决于三个方向的协同推进：其一是基础材料研究的持续深入，尤其是在大面积高质量薄膜的合成方法、缺陷的可控工程以及异质结构的能带设计方面；其二是器件架构与制备工艺的迭代优化，旨在实现更线性的电导更新、更低的能耗以及更好的环境稳定性；其三是算法与硬件的深度融合——机器学习任务的需求应当成为材料与器件设计的顶层牵引，而非事后适配。此外，量子效应的引入也可能为这一领域打开新的维度：二维材料中可观的量子隧穿、自旋-轨道耦合及谷电子学特性，为构建超越经典极限的量子-经典混合神经形态架构提供了潜在可能。可以预见，随着材料科学、器件物理与计算机科学之间的壁垒逐步消融，二维材料驱动的神经形态计算有望从实验室走向更广阔的应用界面——在边缘人工智能、脑机接口、自适应传感与量子信息处理等领域，发挥其不可替代的作用。

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、性能及其在能源、催化、环境、传感、人工智能、电磁波吸收与屏蔽、健康监测、生物医药等领域的应用研究及高水平综述。期刊已被SCI、EI、PubMed、SCOPUS等数据库收录，2025 JCR IF=38.5，学科排名Q1区前1.5%。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。

期刊网址: https://springer.com/40820

投稿网址：https://mc03.manuscriptcentral.com/nmlett

E-mail: editorial_office@nmlett.org

Tel: 86-21-34207624

如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 上海大学等国际合作重磅综述：二维材料赋能神经形态计算——从原子级器件到低功耗自适应系统