二维材料，最新Nature！

二维材料与神经突触的结合，有望实现高效的人工智能处理！

大脑为计算机工程师提供了充足的灵感，但这种“神经形态”设备可能会因功耗巨大、耐用性有限和可变性较大而处于劣势。与此同时，与优化这些设备相关的挑战之一是确定要模拟哪些大脑特征。

基于此，美国西北大学MarkC.Hersam教授、波士顿学院Qiong Ma与麻省理工学院PabloJarillo-Herrero教授从人脑中汲取灵感，开发出一种能够进行更高层次思维的新型突触晶体管。该设备是基于不对称双层石墨烯/六方氮化硼莫尔异质结构的低功率（20pW）莫尔突触晶体管来实现的，可以像人脑一样同时处理和存储信息。在新的实验中，研究人员证明晶体管超越了简单的机器学习任务来对数据进行分类，并且能够执行关联学习。尽管之前的研究已经利用类似的策略来开发类脑计算设备，但这些晶体管无法在低温之外运行。相比之下，新设备在室温下很稳定。它还可以快速运行，消耗很少的能量，即使断电也能保留存储的信息，这使其成为实际应用的理想选择。相关研究成果以题为“Moiré synaptic transistor with room-temperature neuromorphic functionality”发表在最新一期《Nature》上。Xiaodong Yan与Zhiren Zheng为本文第一作者。

【突触晶体管的新转折】

本工作关键创新核心在于，当单原子厚度的材料堆叠在一起，然后相对于彼此扭曲时，就会出现电子的不寻常行为。所讨论的材料是双层石墨烯，它包含两个堆叠的碳原子层，并被两层介电材料六方氮化硼（hBN）夹在一起。这两种材料都具有六方晶体结构，但它们的原子之间的间距略有不同。重叠的六边形图案创建了相长和相消干涉区域，从而形成了称为莫尔晶格的更大规模的图案。

莫尔图案改变了电子在双层石墨烯中的分布方式：它将它们周期性地定位在整个晶格中。石墨烯顶层的电子更容易受到这种周期性调制的影响，因为该层的晶体结构与其上方的六方氮化硼的晶体结构对齐，这本质上使电子无法移动。相比之下，底部石墨烯层下方的六方氮化硼旋转后与石墨烯不对齐，导致较弱的电子调制。因此，该层中的电子是可移动的，并且它们有助于电流流动。

这种层与层之间的不对称性使得晶体管的功能就像一种棘轮，控制移动电子的流动并调节设备的电导，这类似于突触强度。棘轮由结构上方和下方的两个“门”控制，调节石墨烯系统中的电子数量。当电压脉冲施加到顶栅时，电压的初始上升将固定电子添加到顶部石墨烯层。当该层中的电子能级被填充时，移动电子被添加到底部石墨烯层。随后电压的降低会从顶部石墨烯层去除电子，但底层的移动电子仍然存在。通过这种方式，电压脉冲以一种让人想起突触连接加强的方式改变电导。

图 1. 通过电子控制的棘轮机制，在 MST 中实现非易失性电荷注入

本文的莫尔装置与现有突触晶体管的不同之处在于它可以轻松调节，这一特性与生物神经网络中观察到的突触行为有相似之处。这使得该晶体管非常适合先进的人工智能（AI）应用，特别是那些涉及“内存计算”设计的应用，这些设计将处理电路直接集成到内存阵列中，以最大限度地提高能源效率。它还可以允许在位于网络边缘的设备上处理信息，而不是在集中式数据中心，从而增强数据的安全性和隐私性。

图2. MST 的突触反应和应用

图 3. MST 的双门响应

【捕捉大脑的功能】

本文解决了神经科学和计算交叉领域的一个长期挑战：确定极其复杂的大脑的哪些生物物理特征对于实现功能性神经形态计算是必要的，哪些可以被忽略。作者成功地模拟了大脑的一个特别难以实现的特征——突触可塑性，它描述了神经元控制其突触连接强度的能力。

现有的突触晶体管可以以模仿神经网络的网格状架构连接在一起。但动态重新编程大多数这些设备仍然不可靠或昂贵，而大脑的突触可以随着时间的推移可靠且稳健地适应。此外，即使突触可塑性的生物机制可以在人工系统中实现，仍不清楚如何利用这些机制来实现可以像生物系统一样学习的算法。

本文的莫尔突触晶体管通过提供一种强大的方法来调整其电导（突触强度的代表），从而带来了类脑突触学习所需的灵活性和控制。该装置的不对称电荷转移机制让人想起长期增强和长期抑制的过程，其中脉冲电刺激具有增强突触的作用（或者在抑制的情况下削弱突触）。电荷载体的棘轮作用可以被认为类似于长期增强和长期抑制期间突触处蛋白质复合物（称为AMPA受体）的富集。

受到生物突触中观察到的行为的启发，作者表明他们的设备可以用于以比以前使用人工突触设备实现的更“类似大脑”的方式训练神经形态电路。尽管莫尔突触晶体管中的两个门可以以简单的方式直接微调突触强度（或电导），但在生物学中，突触学习的控制更加微妙。作者认识到，这种更精细控制的各个方面也可以在他们的设备中实现。他们能够调整顶部和底部栅极电压，使他们的莫尔突触晶体管表现出特定于输入的适应，这种现象允许神经元响应平均输入来控制其突触学习率。当眼睛被剥夺（例如，没有足够的照明）时，就会使用这种机制来帮助大脑在遇到类似的模式时回忆起存储的模式。

图 4. 基于 MST 的联想学习的特定输入适应

【总结】

尽管本文的晶体管是一次重要的飞跃，但也并非没有局限性。例如，堆叠超薄材料需要复杂的制造工艺，这使得将该技术推广到广泛的工业应用具有挑战性。积极的一面是，目前已经有方法可以生长大面积的双层石墨烯和氢化硼，其尺寸可达硅工业中通常使用的200或300 mm。这为一项雄心勃勃而又适时的工作奠定了基础：大面积摩尔材料的全自动机器人组装。

如果实现的话，这将该设备更容易制造，并解锁其他莫尔材料创新，例如量子传感器、非易失性计算机存储器和能量存储设备。它还将使我们更接近将莫尔突触晶体管集成到更大、更复杂的神经网络中——这是实现这些设备在现实应用中的全部潜力的关键一步。

来源：高分子科学前沿

声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！