Nat. Commun.: 基于铁电隧道结的高性能类脑突触原型器件

以神经网络为代表的类脑人工智能技术在计算机视觉、自然语言处理、自动驾驶等方面有重要应用。但目前运行神经网络计算的硬件系统依然基于传统硅基运算器与存储器，由于冯·诺伊曼瓶颈的原理限制，其能效远低于人脑。研发具有神经形态模拟功能的类脑器件，如神经网络硬件系统的核心器件——具有存算一体功能的电子突触，是进一步推进人工智能发展的重要途径之一。为执行复杂的人工智能任务，电子突触器件需要满足诸多苛刻要求，如：连续可调的非易失电导态数目（用于模拟脑突触的连续可调性）大于100，非线性度小于1（好的线性度有助于精准调控电导），开关比大于100，翻转耐久大于109次，周期随机性小于3%。然而，已报道的类脑突触器件无法全面满足上述指标要求。

研究人员提出了多种构建类脑突触器件的原理方案。其中，基于铁电非易失电极化和量子隧穿效应的铁电隧道结，因为有潜力构建成为高性能类脑突触器件而备受关注。铁电隧道结的电导调控基于铁电畴的连续翻转所调控的隧穿势垒，在原理上具有稳定性高、功耗低、速度快等诸多优势。因此，基于铁电隧道结，设计并构筑高性能类脑突触原型器件，使其具有高精度、线性调节的非易失电导态，未来应用于神经网络计算硬件系统的构建，有重要意义。

基于上述背景，中国科学技术大学李晓光教授团队通过对铁电畴形态和翻转动力学的设计，在铁电量子隧道结中实现了亚纳秒电脉冲下电导态可非易失连续调控的类脑突触器件，可用于构建人工神经网络类脑计算系统，该成果以“High-precision and linear weight updates by subnanosecond pulses in ferroelectric tunnel junction for neuro-inspired computing”为题发表在Nature Communications上。

研究人员制备了高质量Ag/PbZr0.52Ti0.48O3(PZT~1.2 nm，(111)取向)/Nb:SrTiO3铁电隧道结（如图1a）。通过设计PZT的超薄厚度和(111)取向，在铁电势垒层中实现了更丰富的铁电多畴亚稳态（如图1b, c），在外加电场下，铁电畴的翻转动力学行为更加连续，因而器件的电导调节更加连续、平缓，更有利于多态的实现。该器件综合性能优异，主要表现在：

图1：铁电隧道结类脑突触器件及其铁电多畴结构。a. 铁电隧道结类脑突触器件结构示意图。b. 铁电隧道结不同铁电畴区的原子分辨像。c. 不同厚度PZT薄膜中多畴结构的面外、面内PFM相位。

1）亚纳秒超快操作速度、飞焦级低能耗，媲美人脑突触的能效表现。

通过能带设计、降低铁电层厚度、选择处于准同型相界处具有较低矫顽场的PZT作为铁电势垒层，有效地降低了器件的操作电压，仅需 < 5 V的电压就能在630 ps的操作速度下实现可分辨的阻态翻转（如图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，如图2b）。此外，器件具有良好的可分辨多态（4比特）保持特性（如图2c）。通过对直径为50 nm的铁电隧道结的性能表征，发现其操作能耗低至5.3 fJ/bit。基于上述性能推算，该铁电隧道结构建的神经网络计算系统有可能实现媲美人脑的优秀能效(人脑单次突触活动的能耗约为1 ~100 fJ)，且响应速度比人脑突触快6个量级(人脑突触响应速度约为亚毫秒)。

2）高精度、线性的电导调控和高耐久性，满足类脑突触器件的核心性能指标要求。

在10 ns的脉宽下（与DRAM操作速度相当），实现了8比特（256个）连续可调的非易失电导状态，且非线性度低(<1)，开关比大(~100)，周期随机性小(~2.06%)（如图2d）；甚至在亚纳秒（630 ps）的操作速度下，器件仍然可以调节出150个连续的电导态（如图2e）。此外，器件表现出>109次的翻转耐受性（如图2f）。器件具有优良的突触塑性调节功能和良好的翻转耐受性，满足了类脑突触器件的核心性能指标要求。

图2：铁电隧道结类脑突触器件的性能表征。a. 630 ps脉宽的脉冲电压下，类脑突触器件的电阻在不同阻态之间的往复翻转。b. 不同脉宽的电脉冲下类脑突触器件电阻的连续调控。c. 类脑突触器件的16个可分辨阻态的保持特性。d, e. 10 ns 和 630 ps 脉宽的电脉冲下隧道结类脑突触器件的长时程增强和抑制模拟。f. 类脑突触器件的翻转耐受性。

3）基于器件电导调控性能，仿真构建的神经网络具有高图像识别率。

基于该铁电隧道结的实验性能，仿真构建的卷积神经网络（如图3a）类脑计算系统可在线学习并识别Fashion-MNIST数据库的时尚产品图片，准确率达~94.7%，非常接近于基于浮点的神经网络软件计算结果~95.6%（如图3b）；此外，仿真构建的人工神经网络还体现出良好的抗噪声能力，即使在识别图片中引入椒盐或高斯噪声(噪声水平达0.5)，其识别时尚产品图片的准确率仍然可达~85%（如图3c, d, e）。

图3：基于器件性能，仿真构建神经网络。a. 仿真构建的ResNet-18卷积神经网络结构示意图。b. 识别Fashion-MNIST数据库中时尚产品图片的准确率随训练次数的变化。c, d. 识别加入不同水平的椒盐噪声和高斯噪声的Fashion-MNIST时尚产品图片的准确率随训练次数的变化。e. 识别Fashion-MNIST时尚产品图片的准确率随加入椒盐噪声和高斯噪声的水平的变化。

上述基于铁电隧道结设计的类脑突触原型器件具有超快、低能耗、高耐久特性，特别是具有稳定、线性、准连续的电导态调控优势，满足了类脑突触器件的高要求，展现了铁电隧道结在构建未来高性能类脑人工智能计算硬件系统方面的重要潜力。中国科学技术大学物理系博士生罗振、王梓鉴、管泽雨为文章的共同第一作者，中国科学技术大学李晓光教授、殷月伟教授为文章的通讯作者。

该项研究得到了国家自然科学基金、科技部国家重点研发计划、中国科学技术大学“双一流”人才团队平台项目的资助。

论文链接：

https://www.nature.com/articles/s41467-022-28303-x