作者：陳子龍，程傳同，董毅博，張 歡，張恆傑，毛旭瑞，黃北舉，謝謝。現階段計算與存儲分離的「馮·諾依曼」體系在功耗和速率方面已經不能滿足人工智慧、物聯網等新技術的發展需求，存算一體化的類腦計算方案有望解決這一問題，迅速成為研究熱點。憶阻器是一種新型微電子基礎器件，其電阻可通過外場連續調節且具有非易失性、小尺寸、低能耗、高速和CMOS兼容等優良特性，被認為是快速實現存算一體化計算最具潛力的類突觸器件。與此同時，光電子器件和神經元遵從動力學數學同構性，藉助這種同構性可用光電子器件模擬神經元行為並實現類腦計算，基於光子器件的類腦晶片正在往更高集成度、更低功耗、更高性能方向發展，其將會在類腦計算領域發揮越來越重要的作用。介紹憶阻器材料和器件方面的研究進展，具體包括石墨烯材料低溫生長，小尺寸鈣 鈦礦憶阻器件、Parylene憶阻器件、WTiOx憶阻器件以及光子集成類突觸器件及晶片等方面研究，並討論憶阻器在類腦晶片和人工智慧領域的應用前景。人腦中有約1011個神經元和約1015個突觸連接，突觸結構是神經元間發生信息傳遞的關鍵部位，是人腦認知行為的基本單元，因此研製類突觸器件對於神經形態工程而言具有重要意義。近年來，類腦神經形態器件正在成為人工智慧和神經形態領域的一個重要分支，將為今後人工智慧的發展注入新的活力。人腦能夠以超低功耗處理大量信息，這得益於人腦中神經突觸的可塑性，若能利用納米尺寸的人造器件來模擬生物突觸，人造神經網絡乃至人造大腦都將會實現。信息大爆炸時代急速增加對存儲能力的需求，開發小尺寸多值非易失存儲器可廣泛服務於軍事和民用領域，符合國家重大需求。憶阻材料和器件是實現小尺寸多值非易失存儲器的最佳方式，應當大力發展。降低能耗提高效率是信息處理晶片的最終發展方向，類腦晶片具有低功耗高效率的先天優勢，會成為未來信息處理晶片的最終選擇，具有巨大的市場前景。憶阻材料和器件是構建類腦晶片的基 礎，加大對其科技投入具有重要現實意義。納米尺寸憶阻器電阻可通過電場連續調節並保持，被認為是最有希望模擬生物突觸的信息電子器件。高性能的憶阻器需要基於特殊設計的納米憶阻材料，控制電子或者離子來改變憶阻材料的電阻。目前通過控制離子實現憶阻功能發展迅速，主要通過控制氧離子或者金屬離子在憶阻材料基體中形成導電絲，實現電阻的連續調節。開發CMOS兼容的憶阻材料，利用標準CMOS工藝加工憶阻器件是國際發展的大趨勢，這是獲得低成本類腦晶片的必經之路。目前以下幾個研究內容需要重點關注：研製連續可調多值憶阻器，構建人工神經網絡；研製量子憶阻器，構建多值非易失存儲器，提高憶阻器的穩定性；量化不同憶阻材料體系不同缺陷形成能和遷移能，以及量化憶阻器件導電通道可控性和穩定性；開發基於碳水化合物材料憶阻器件，人工神經網絡與生物神經網絡充分融合。憶阻器最常見的結構為金屬/絕緣體/金屬的堆垛結構，包括兩層電極材料和一層功能憶阻材料。器件的阻變特性與功能層材料和電極材料密切相關。雖然在阻變存儲器早期的發展階段研究人員未將電阻轉變現象與蔡少堂教授提出的憶阻器理論聯繫起來，但阻變存儲器幾十年的發展已經能夠較好地反應憶阻器材料體系及其物理機制的全貌。總結幾十年的發展，憶阻器材料可分為以下幾種。這種材料主要是過渡金屬氧化物，還有一些鑭系金屬氧化物以及IV、V、VI主族金屬氧化物[1]。在諸多氧化物中，TiOx、HfOx、AlOx、TaOx和ZrOx等材料受到廣泛關注。此外由於與傳統CMOS工藝兼容，CuOx與WOx材料也有很多報導。目前最出色的憶阻器材料仍然是二元金屬氧化物材料，並且最接近工業生產指標。自2000年在Pr0.7Ca0.3MnO3（PCMO）薄膜器件中發現電脈衝觸發可逆電阻轉變效應（EPIR效應），越來越多的鈣鈦礦類電阻轉變材料被研究，如 SrTiO3、Na0.5Bi0.5TiO3等。鈣鈦礦型氧化物具有非易失、高速和低功耗等良好性能。近來，滷化物鈣鈦礦材料在光伏領域的卓越表現使其成為「明星材料」，基於滷化物鈣鈦礦材料的低功耗高性能憶阻器不斷湧現。然而滷化物鈣鈦礦與傳統CMOS工藝不兼容，導致該類材料在阻變存儲領域較難推廣。本課題組在對CsPbBr3鈣鈦礦器件研究的過程中突破了這一難點，利用工業級的保護材料聚對二甲苯（parylene）作為犧牲層，在塗有鈣鈦礦材料的樣品表面生長這種材料並對其進行光刻，這樣既可以在鈣鈦礦材料表面製作圖形化的頂電極[2]。固態電解質材料因其晶體中的缺陷或其他結構為離子快速的遷移提供通道，因此又被稱為快離子導體。這類憶阻器的器件單元通常包括一個電化學活性電極（如 Ag、Cu、Ni等），固態點機制為中間功能層，和一個惰性電極（如Pt、Au、W等）[3]。硫系化合物半導體材料也是一種重要的憶阻材料，常見的二元硫系化合物有 Ag2S[4]、GeSe[5]等、也包括多元硫系化合物Ge2Sb2Te5、AgInSbT等。硫系化合物根據其材料成分、摻雜元素、電極材料等的不同，導致其阻變行為及內部的阻變機理不同，這引起了廣泛關注。同時，很多硫系化合物作為相變材料，分別在晶態和非晶態展現出良好的憶阻特性，這為多值存儲提供了可能性，成為這類材料的一個潛在的應用優勢。有機材料由於其柔性、透明等特點，在製備可穿戴電子器件中擁有天然優勢。有機材料類的憶阻器在近幾年發展迅速，可分為工業聚合物材料（如 PEDOT:PSS、聚苯乙烯、聚對二甲苯等）和天然生物材料（如雞蛋蛋白、蠶絲蛋白等）[6-8]。由於有機材料在可穿戴器件中擁有廣泛優勢，為了能夠製作出良好的電子器件，研究人員還需要進一步提高改材料的器件擦寫速度、數據保存時間、開關比和器件功耗等方面的參數，並且還需繼續探索和闡述其阻變機理、提高其穩定性。原則上，具有記憶功能的器件都可稱為類突觸器件。具體的，若材料的光、電、力、熱等性能在外界刺激下產生不易失變化，基於此種材料製作的器件都可稱為類突觸器件，類突觸器件可構建類腦晶片。光學器件和電學器件是應用最為廣泛的器件，本小節介紹兩種被廣泛研究的類突觸器件，分別為憶阻器和光子類突觸器件，以及類腦晶片。憶阻器件是一種新興微電子器件，它的電導狀態受外界施加電場的影響，可以在兩個或者多個狀態間切換，具有非易失性、與現有CMOS工藝兼容、可微縮性好、集成密度高、速度快、能耗低等諸多優點，是一種非常具有發展潛力的基礎器件。2008年美國惠普（HP）實驗室在TiO2器件中物理驗證了這種由加州大學伯克利分校蔡少棠教授理論提出的憶阻器概念[9]。密西根大學Lu團隊[10]於2010年在憶阻器中實現了突觸可塑性仿腦功能，掀起了類突觸器件及計算研究的高潮。Yang團隊[11]研製出擴散型憶阻器，構建了全憶阻硬體神經網絡，探索了憶阻神經網絡在完成圖像識別、圖像壓縮和步態識別等任務中的應用；Waser團隊[12]深入研究了憶阻器中的電化學機制和導電通道演化過程，提出了憶阻器時序布爾邏輯的實現方法；Strukov團隊[13]則硬體構建了憶阻多層感知器網絡，探索了網絡離線學習和在線學習的能力和性能表現。清華大學研製上千憶阻器集成陣列並用於人臉識別，可發展成為人工智慧硬體系統中圖像信息識別模塊[14]。華中科技大學課題組基於鈣鈦礦材料的二階憶阻器實現了生物突觸中的三相STDP規則，可以用於更加複雜的模式識別和軌跡追蹤[15]。南京大學課題組基於離子導電介質實現類樹突多端器件[16]。中國科學院微電子研究所實現了三維集成的RRAM集成陣列[17]，有望實現三維類腦晶片。南京大學的高溫高穩定性二維材料憶阻器[18]，有望實現柔性高可靠類腦晶片。目前，國際上憶阻器件的應用方向主要有兩個，一個是存儲類應用，比如嵌入式存儲；另一個是計算類應用，比如類腦計算。在類腦計算方面，目前報導的應用演示中，最大規模的憶阻器件陣列是8kb，還遠遠不能滿足實際應用的需要。如何進一步擴大憶阻器件的集成規模是基於憶阻器件的類腦計算能夠真正走向應用的迫切需求，要解決這個問題需要在憶阻器材料、器件和集成技術上取得突破。經過近10年的研究，目前的主流憶阻器材料體系是HfO2和Ta2O5這兩類材料，這是因為它們具有良好的CMOS工藝兼容性，且報導的基於這兩種材料的器件性能優良。除此之外，鈣鈦礦類材料，如SrTiO3，雖然含有較多元素，且難以與CMOS工藝兼容，但其缺陷化學理論較為完善，經常被用來作為研究憶阻器件物理機制的模型材料。硫屬化合物材，如Ge2Sb2Te5和AgInSbTe，是常見的相變材料，在相變存儲器中有較廣的應用。綜上所述，未來憶阻器件的發展將重點圍繞應用需求展開，在這個前提下，主要從器件、電路、架構和算法4個層面逐步推進，通過它們之間的協同研究和發展解決目前憶阻器件存在的問題。憶阻器因能夠完全模擬生物突觸行為，有望模擬重建生物神經網絡並實現神經形態類腦計算，在類腦計算及其硬體化領域引起廣泛關注。現階段國際上的研究者對憶阻材料的研究主要集中在利用憶阻器替代神經網絡模型中的權重參數，實現神經網絡硬體化。目前利用憶阻器模擬生物突觸並完全類似生物大腦皮層工作還未實現，這主要是由於目前研究者還未掌握生物大腦皮層學習和識別的具體算 法。研究生物大腦運行算法，並構建響應的神經網絡模型，最終利用憶阻器將神經網絡模型硬體化，將成為未來類人智能的一個重要研究方向。由於受馮·諾依曼計算架構的限制，在計算機中計算和存儲不能同時進行，這種架構嚴重製約計算機的計算效率和能耗。人腦消耗20W的功率能夠處理1020MAC/s的數據量，計算效率約比當今超級計算機高9個數量級。受大腦高效計算和低能耗的啟發，人們開始轉向對人腦的研究。人的大腦中大約含有1011個生物神經元，它們通過1015個聯接聯成一個系統[19]。由於神經元間通過突觸相互連接，信息在突觸間進行轉換、加權處理和傳遞，而突觸又是神經元最重要、數量最多的組成部分。同時光學又因為其高速、低能耗、低串擾、可擴展性和高互連帶寬等優點，逐漸被研究者所利用。因此利用光電子器件作為類突觸器件去模擬生物突觸非常必要。另一方面，光電子器件和神經元遵從的動力學具有數學同構性，基於這種同構性，光電子器件能夠模擬神經元行為並實現類腦計算，進而構建光學類腦晶片。
目前許多電子器件已被用來實現突觸功能，例如基於電誘發的阻變器件[20-22]，金屬-絕緣體-金屬結構[23-24]以及基於納米材料的場效應電晶體結構[25-26]等。光學突觸方面，基於微型光纖[27]和碳納米管[28]實現了光學突觸和光電突觸，其具有大帶寬和無電互連損耗的優點，但同時面臨著難於集成和速度等限制。基于波導結合相變材料的結構實現光學突觸成為了一種趨勢。利用相變材料結合氮化矽波導實現的片上光學突觸[29]，這種架構能夠實現光誘發權重變化和突觸權重的可塑性。
憶阻器具有簡單的三明治結構，兩層電極加一層憶阻功能層，因此憶阻材料包括電極材料和憶阻功能材料。本課題組在電極材料方向發展了低溫生長石墨烯技術，旨在開發CMOS兼容的石墨烯材料用於憶阻器電極；在功能層材料方向開展了WTiOx薄膜材料的生長技術，目標是實現高溫定性憶阻器功能層。下面分別介紹低溫生長石墨烯技術和WTiOx薄膜生長技術。石墨烯作為第一種被發現的二維材料[30-31]，其獨特的電學、光學和機械性能吸引了廣泛的研究熱潮。石墨烯的製備方法多種多樣，包括機械剝離[30]，氧化還原[32-34],碳化矽延[35-36]和化學氣相沉積（CVD）[37-40]。其中，以金屬薄膜（銅、鎳[38,40]）為催化劑通過CVD法在金屬表面製備石墨烯是目前最為常用的石墨烯生長方法之一。該方法具有石墨烯質量高、產量大的優點。但是，金屬襯底生長的石墨烯無法直接製備電子器件，需要通過轉移工藝將石墨烯從金屬襯底表面轉移其他目標襯底（半導體或絕緣體襯底）。轉移工藝帶來的複雜和不確定性是限制石墨烯發展的瓶頸之一。因此，石墨烯直接生長的研究應運而生，成為目前石墨烯生長的研究熱門領域之一。石墨烯直接生長指的是在目標襯底表面生長得到石墨烯薄膜，無需轉移。石墨烯的直接生長又可以簡單分為3類[41]：無金屬催化直接生長[42-43]，等離子體增強直接生長[44-45]，以及金屬催化輔助的直接生長[46-49]。目前，直接生長工藝發展迅速，一些報導中石墨烯的質量已經可以比擬金屬襯底CVD催化的石墨烯質量。但是，直接生長還存在一個問題是生長溫度過高，目前報導的直接生長的石墨烯溫度普遍在1000°C以上[42-44,46-49]，絕大多數襯底都難以承受如此高的生長溫度。於是，降低石墨烯的生長溫度迫在眉睫。目前低溫直接生長石墨烯主要有以下途徑：選用易裂解碳源，如含有苯環的有機物碳源[50]。甲烷是高溫生長石墨烯最常用的碳源，但是在低溫下，甲烷難以完全裂解，導致石墨烯質量明顯下降。選用一些有機物碳源，更易裂解，因而能夠提高低溫下生長石墨烯的質量。另外有研究人員利用獨特的液態金屬來實現低溫石墨烯生長，如液態鎵，液態錫[51-52]。這種液態金屬催化不僅能夠實現碳源的低溫裂解，同時液態金屬表面沒有晶界，更加平整，也有利於提高石墨烯質量。此外，還有通過鈦催化實現接近常溫的石墨烯生長[53]。等離子體增強技術也被用來實現石墨烯的低溫生長[44,54]，由於加了離子體，能夠實現甲烷的低溫裂解，從而在低溫下實現石墨烯的生長，該方法是最適合大批量的石墨烯低溫生長的技術之一。我們課題組通過等離子體增強技術在600°C實現石墨烯在銅鎳合金表面的低溫生長，同時，結合我們此前發表的原位腐蝕工藝[55]，能夠實現在絕緣襯底表面免轉移得到圖形化的石墨烯薄膜。等離子體增強技術目前仍存在一些問題。由於溫度降低，同時等離子體反應比較劇烈，因此得到的石墨烯的質量普遍較差，另外石墨烯的層數難以控制。我們發現要提高石墨烯的質量和均勻性主要有以下兩點：首先，要選用有更高催化性的金屬；其次，要提高低溫下碳原子在金屬表面的擴散速度。如圖1[54]所示，選用銅鎳合金薄膜作為催化金，通過磁控濺射沉積不同厚度的銅和鎳薄膜，退火後得到不同組分的銅鎳合金薄膜。可以看到，隨著銅鎳合金中鎳組分的升高，石墨烯的拉曼光譜的D峰逐漸降低，D峰代表石墨烯的谷間缺陷引起的共振散射[56]，D峰越高表示石墨烯的缺陷越多。圖1.不同鎳銅比下，銅鎳合金生長石墨烯在300nm二氧化矽襯底表面的拉曼光譜與對應的光學顯微鏡圖片鎳比銅有著更好的催化性[57]，因此，隨著鎳組分的升高，石墨烯的缺陷逐漸減少，質量逐漸升高。同時，我們也發現隨著鎳組分的升高，石墨烯的顏色變得更深且更加不均勻。不同層數的石墨烯在300nm二氧化矽上會顯現出不同的對比度[58]，因此，顏色變深代表石墨烯的層數逐漸增多，顏色不均勻代表石墨烯的層數分布的不均勻。我們發現造成這種現象的原因主要是碳原子在銅表面的擴散速度高，而在鎳表面的擴散速度低。對於鎳組分低的樣品，碳原子的表面擴散速度快，因而可以在極短的時間內就生長成連續的石墨烯薄膜，當石墨烯長滿金屬表面後，金屬被石墨烯包裹，隔絕了與甲烷的接觸，金屬的催化作用消失，生長速度被極大地放緩。雖然等離子體的存在使甲烷仍在不斷裂解，但是失去了金屬的催化作用，石墨烯的生長速度變得極為緩慢。對於鎳組分高的樣品，碳原子在其表面擴散速度慢，因而碳原子會在石墨烯的成核點處堆積。相比於鎳組分低的樣品，石墨烯長滿需要更長的時間，在這個過程中，金屬的催化作用一直存在，同時由於鎳組分的提高，合金的催化性也會提高，因此石墨烯的生長速度會更快，更長的催化時間和更快的生長速度，導致石墨烯的厚度很厚，且不均勻。舉一個形象的比喻來說，就是把一杯水倒在一個平面上，水會在平面上很快地流動形成一層均勻的水膜，但是當把一杯沙子倒在平面上的時候，沙子則會在平面上堆積，如圖2[54]所示，碳原子在銅表面的擴散就相當於「把水倒在平面上」，而碳原子在鎳表面的擴散就相當於「把沙子倒在平面上」。因而，如果要提高石墨烯的質量需要選用高催化性金屬，針對銅鎳合金來說，需要提高銅鎳合金中的鎳組分。若要提高石墨烯的均勻性，需要選用碳原子在其表面擴散速度快的金屬，針對銅鎳合金來說，需要減小銅鎳合金中的鎳組分。因此兩者是矛盾的，在實驗中發現，選用鎳比銅1:2的組分會得到一個相對較好的結果。此外，等離子體增強技術本身也對石墨烯的質量影響巨大。如圖3（a）所示，有等離子體和沒有等離子體的生長結果中，石墨烯的D峰相差巨大。這是因為沒有等離子體輔助，甲烷也能裂解，但是不能完全裂解，會產生CH3、CH2這樣的中間產物，導致石墨烯質量降低。通過對等離子體生長功率的優化，能夠一定程度地提高石墨烯質量。如圖3（b）所示，在不同等離子體功率下，50W生長出的石墨烯的D峰最小，質量最高。需要說明的是，50W的功率並不是一個絕對的條件。如圖3（b）和（c）是生長腔室和生長過程中的圖像，等離子體電極在加熱器下方。通過調節等離子體電極與加熱器的距離，可以調節生長時在樣品表面周圍的等離子體強度。因此，50W的功率只對應於當前等離子體電極和加熱器距離下的最佳功率[54]。在本文中，只列舉的銅鎳合金低溫下催化生長的石墨烯時，銅和鎳組分選取的理由，即既要兼顧催化性，又要兼顧碳原子的表面擴散速度。金屬種類多種多樣，通過對各種金屬的研究，或許能找到比銅鎳合金更好的合金選擇。WTiOx作為憶阻器開關層，可以通過WTi靶材經過在不同氬氧比例的氣體氛圍下反應濺射製備薄膜，磁控濺射反應設備及反應腔室內部如圖4所示。我們所製作的鎢基憶阻器的功能層材料是在功率300W、時間220s、Ar2通量20sccm的條件下通入不同濃度的氧氣，實驗發現通入的氧氣越多，薄膜厚度越薄，如圖5所示。之後通過控制時間的長短，可以控制不同氧氣通量下的薄膜厚度。製作出的WTiOx薄膜在純N2氛圍下退火30min，提高薄膜結晶度。基於鎢氧化物的憶阻器顯示出許多優勢，包括逐漸改變電阻狀態和記憶和學習功能。然而，較多先前的報告側重於研究突觸學習規則，而不是專注於分析導致外部學習規則的內部機制。在此，討論堆疊的Au/WTiOx/Au和Ti/WTiOx/Au器件，其中通過外部誘導的氧離子的局部遷移實現電阻開關的功能。結果表明，Au/WTiOx/Au器件的連續可調多級電阻是由於高氧空位濃度下勢壘寬度和高度的變化；而Ti/WTiOx/Au器件由於導電絲在低濃度氧空位中的連接和斷裂而表現出器件的高和低電阻狀態。通過控制離子遷移的物理機制構建和多態的突觸發展 ，可以深入理解基於氧化物的憶阻器在神經形態計算中的應用。圖6為測試結果。在已有的研究中，基於滷化物-鈣鈦礦的電學器件的電流-電壓（I-V）性能中經常發現不良的滯後現象。點缺陷，如間隙、空位、反位及其遷移被認為是鈣鈦礦材料電學遲滯的原因。憶阻器是基於缺陷工作的器件，因此，滷化物鈣鈦礦材料在憶阻器領域具有很廣泛的應用前景。近年來，研究者開展了許多令人興奮的研究，實現了具有優良性能的滷化物-鈣鈦礦基憶阻器件。然而，這些滷化物鈣鈦礦憶阻器的器件尺寸通常為數十微米，主要通過藉助硬掩膜版製作。在本工作中，使用CMOS兼容的光刻工藝，製作了一個具有2μm頂電極的CsPbBr3基憶阻器，器件的三維結構示意圖如圖7所示。可以看到憶阻器包含底部電極、CsPbBr3膜和頂部電極的交叉結構。在CsPbBr3薄膜表面引入Parylene薄膜作為保護層，既可用於製作小尺寸頂電極，又可提高器件在空氣中的穩定性。圖7.利用光刻工藝製作CsPbBr3憶阻器的三維結構示意圖圖8展示了利用光刻工藝製作的CsPbBr3憶阻器的光學顯微照片。可以看到下電極和上電極，表明Parylene和CsPbBr3的透光特性。CsPbB3薄膜和Parylene 薄膜的厚度分別為300nm和100nm。製作的CsPbBr3憶阻器的尺寸為 2μm×2μm，比以前的報告的憶阻器小兩個數量級。用本文開發的方法，藉助世界先進的半導體材料光刻技術公司ASML生產的半導體光刻系統，可以獲得尺寸為10nm×10nm的納米電阻，有潛力製作用於類腦計算的高密度的憶阻器陣列。圖8.利用光刻工藝製作CsPbBr3憶阻器表面光學顯微圖圖9顯示了在憶阻器頂部電極（Au/Ti）上施加直流掃描電壓（0→-4→0→3→0 V）所測量的I-V特性，測試時，底部電極（Au/Ti）接地。當施加的電壓從0V 掃至-4V時，置位過程發生在-3.9V，其中電阻狀態從高電阻狀態（關閉狀態）變為低電阻狀態（打開狀態）。當外加電壓從0V到3V變化時，CsPbBr3層的電阻在2.5V（復位過程）時從接通狀態變為斷開狀態。圖9的插圖顯示對數I-V曲線，可以發現所製作的憶阻器的開/關比約為105，遠高於先前報導的滷化物憶阻器。在置位過程中，由於從下電極到上電極施加電場，可能形成溴空位導電絲。當向上電極施加正電壓時，從上到下形成電場，導電絲斷裂。捏滯回線是憶阻器器件的核心特性，可以用來表明憶阻器的核心性能。在進一步研究中，我們可以研究CsPbBr3憶阻器的內在物理機理和特性，還可以研究更多憶阻器的其他特性。相信使用本工作報導的方法製作的憶阻器，可以發現許多有趣的現象，因為器件的尺寸非常小，可以將探索鈣鈦礦材料的固有特性。基於有機材料的柔性憶阻器在可穿戴電子領域具有良好的前景，引起廣泛關注。然而，由於有機憶阻材料的穩定性差，以前報導的柔性憶阻器的穩定性並不理想。為了解決這個問題，採用聚對二甲苯作為高穩定的有機憶阻材料。作為商業有機物質，聚對二甲苯具有生物相容性和多功能性的良好優勢。開展有機憶阻材料的研究，首次使用Ag/Parylene/Au憶阻器單元測出了回滯曲線，並判斷其由於Ag導電絲的連接和斷裂導致的阻變，該器件具有出色的憶阻性能，如圖10所示。這種基於有機材料的憶阻器件對於柔性可穿戴存儲器件的開發具有重要意義。此外，基於聚對二甲苯的憶阻器具有成本效益，並且可以在任何基板上操作，例如傳統的CMOS晶片和柔性基板。這項工作不僅展示了一種新穎靈活的憶阻器，而且為可穿戴人工智慧系統開闢了道路。基於前述所介紹的用光電子器件模擬生物突觸，所採用的方案是氮化矽波導加相變材料的方式，相變材料和波導之間通過消逝場耦合相互作用。激發階段，激發光信號或電信號與相變材料相互作用，使得相變材料產生相變。相變材料在激發信號的作用下產生相變，之後作用於信號光，由於相變前後相變材料的消光係數和折射率均會發生變化，因此相變材料與信號光的相互作用也會發生變化，進而影響信號光在波導中的傳輸特性。首先，選取GST材料作為相變材料，摸索了相變材料GST的相變特性。以石英片為襯底，通過濺射方法製備GST材料，濺射功率為50W，濺射厚度為20 nm，為防止GST氧化，後續濺射了20nm厚的ITO作為保護層。接著，將濺射有GST和ITO的石英片依次經過熱板加熱，加熱條件依次為100℃、200℃、250℃、300℃加熱並保持4min，之後隨熱板自然冷卻。對加熱後的樣品進行了拉曼測試，拉曼測試譜如圖11所示。由圖可看出，未處理的樣品和100℃處理的樣品拉曼譜類似，說明相變材料在100℃加熱後未發生相變，200℃和250℃處理後的樣品與100℃的樣品拉曼譜明顯不同，說明相變材料在100℃和200℃之間發生了相變。300℃與250℃處理後的樣品相比拉曼譜又存在差異，說明在250℃和300℃之間相變材料又發生了相變。實驗數據與理論研究一致。沉積態的GST薄膜初始是非晶態，經過熱處理後，薄膜開始結晶。隨溫度的升高，薄膜的結晶度也不斷增加。GST薄膜先由非晶態轉變為立方FCC結構，再轉變為六方HEX結構[59]。因此非晶態轉變為立方FCC結構的溫度處在100℃和200℃之間，立方FCC結構轉變為六方HEX結構的溫度處在250℃和300℃之間。與此同時，對熱處理樣品進行了透射和反射測試，獲取透射率和反射率測試譜如圖12和圖13所示。由圖12可知，未處理和100℃處理的樣品透射率基本處於相同量級，說明樣品均處於無定形狀態，GS材料未發生相變。200℃、250℃和300℃透射率相比100℃處於較低值，說明在100℃和200℃之間GST材料發生了相變，而300℃和250℃下樣品的透射譜同樣存在差異，說明GST材料在 300℃時同樣發生了相變。同理，從圖13的反射譜也可看出相同的GST材料相變過程。伴隨著人工智慧、雲計算和物聯網等新技術的快速發展，對高性能計算晶片的需求越來越強烈。為了突破傳統「馮·諾依曼」計算架構在數據處理速度和晶片能效比等方面的瓶頸，避免數據的反覆搬運「，存算一體化」類腦計算技術成為當前的研究熱點之一。實現「存算一體化」的關鍵是開發出高性能的「存算一體化」器件，並能將器件陣列化形成類腦晶片。傳統基於電荷的存儲器件技術難以實現存儲與計算融合的功能，近年來憶阻器受到了廣泛關注，因其具有高集成密度、快速讀寫、低功耗和完美兼容CMOS工藝等優良特性。然而「，存算一體化」這一特殊應用對憶阻器的器件特性提出了更高的要求，現有器件在線性度、耐久性和離散性等關鍵器件特性上仍不理想，因此需要探索提高器件性能的方法，增加可用於計算的有效比特數，提高不同阻態調控的精度，縮短電導調控需要的脈衝時間，抑制電導漂移效應，減小器件漲落與波動。同時，針對「存算一體化」晶片中高密度數據存儲和低功耗數據處理對器件小型化的需求，需要研究納米尺寸下新型存儲器的設計與性能優化，為未來研製高性能智能「存算一體化」類腦晶片提供良好的器件基礎。綜上可知，憶阻器的發展對人工智慧的高質量發展具有深層次的推動作用。由氮化矽波導加相變材料的方式模擬生物突觸，實現對信號的加權和延時，在此基礎上結合探測器和調製器等光電子器件依次實現對加權信號的求和積分以及非線性過程，從而真正地實現單個人工神經元，實現生物神經元的閾值激發和不應期抑制等行為模擬[60]。在單個人工神經元的基礎上，通過一定的神經網絡的拓撲結構，即單隱層前饋網絡結構，構建小型的神經網絡，實現對微分方程的求解等功能[61]。在此基礎上，利用更大規模人工神經元的集成，更複雜的拓撲結構，構建光子類腦晶片，實現對數字和圖像的識別[62]，潛在的光子類腦晶片可應用於神經形態計算、模式識別、思維推理、認知科學和集群分析等人工智慧應用。
現階段的人工智慧大多是基於軟體實現的，其較高的功耗需求成為智能終端化發展道路上的障礙。下面以實現人臉識別為例展示基於類腦晶片的人工智慧晶片在功耗和速率方面的優勢。基於軟體的人臉識別的流程是：首先將所有目標人臉圖像數據化存儲在存儲器中，同時存儲其對應的身份信息；進行人臉圖像識別時，將圖像信息數據化後和存儲器中所存儲的所有圖像信息進行對比，找到匹配度最高的圖像；輸出圖像信息對應的身份信息。由此可知，每次進行圖像識別時，擬識別圖像要和所有存儲圖像數據進行對比，隨著存儲圖像數據的增加，功耗的增加和速率的下降是無法忽視的。未來基於類腦晶片的人臉圖像識別，其識別流程如下：首先將人臉圖像數據化後輸入到類腦晶片中，通過修改類腦晶片中類突觸器件的參數 ，使在輸入不同圖像數據時，輸出埠有不同的輸出值，將不同輸出值和輸入圖像的身份信息對應並存儲，實現對類腦晶片的訓練；在識別圖像時，將圖形數據化後輸入到類腦晶片中，類腦晶片直接輸出圖像對應的身份信息。由此可知，只要類腦晶片訓練完成，其能夠在及低功耗下快速給出擬識別圖像的身份信息，不需要循環對比計算。綜上，基於憶阻器等類突觸器件的類腦晶片能夠促進人工智慧系統硬體化、終端化的早日實現。陳子龍，程傳同，董毅博，等. 憶阻器類腦晶片與人工智慧[J]. 微納電子與智能製造, 2019, 1(4): 58-70.CHEN Zilong, CHENG Chuantong , DONG Yibo, et al. Brain-like chips and artificial intelligence based on memristors[J]. Micro/nano Electronics and Intelligent Manufacturing, 2019, 1(4): 58-70.《微納電子與智能製造》刊號：CN10-1594/TN[1] WONG HSP, LEE HY, YU S, et al. Metal-oxide RRAM [J]. Proceedings of the IEEE, 2012, 100(6): 1951-1970. [2] CHENG C, ZHU C, HUANG B, et al. Processing halide perovskite materials with semiconductor technology[J]. Advanced Materials Technologies, 2019, 4(7): 1800729. [3] HIROSE Y, HIROSE H. Polarity- dependent memory switching and behavior of Ag dendrite in Ag- photodoped smorphous As2S3 films[J]. Journal of Physics D, 1976, 47: 2767-2772. [4] TERABE K, HASEGAWA T, NAKAYAMA T, et al. Quantized conductance atomic switch[J]. Nature, 2005, 433(7021): 47-50. [5] KOZICKI M N, Park M, MITKOVA. Nanoscale memory elements based on Solid- State electrolytes[J]. IEEE Transactions on Nanotechnology, 2005, 4(3): 331-338. [6] HENISCH HK, SMITH W R. Switching in polystyrene films[J]. Applied Physics Letters, 1974, 24: 589-591. [7] SEGUI Y, AI B, CARCHANO H. Switching in polystyrene films: transition from on to off state[J]. Journal of Applied Physics, 2008, 47(1): 140-143. [8] VERBAKEL F, MESKERS SCJ, JANSSEN R. Electronic memory effects in a Sexithiophene-Poly(ethylene oxide) block copolymer doped with NaCl. combined diode and resistive switching behavior[J]. Chemistry of Materials, 2006, 18(11): 2707-2712. [9] STRUKOV D B, SNIDER G S, Stewart D R, et. al. The missing memristor found[J]. Nature，2008，453: 80-83. [10] CHANG T, JO SH, KIM KH, et al. Synaptic behaviors and modeling of a metal oxide memristive device[J]. Applied Physics A, 2010, 102(4): 857-863. [11] WANG Z, JOSHI S , SAVEL』EV, SERGEY, et al. Fully memristive neural networks for pattern classification with unsupervised learning[J]. Nature Electronics, 2018, 1(2): 137-145. [12] SIEMON A, MENZEL S, WASER R, et al. A complementary resistive switch- based crossbar array adder[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2015, 5(1): 64-74. [13] MERRIKH B F, PREZIOSO M, CHAKRABARTI B, et al. Implementation of multilayer perceptron network with highly uniform passive memristive crossbar circuits [J]. Nature Communications, 2018, 9(1): 2331. [14] YAO P, WU H, GAO B, et al. Face classification using electronic synapses[J]. Nature Communications, 2017 (8): 15199. [15] YANG R, HUANG H M, HONG Q H, et al. Synaptic suppression Triplet- STDP learning rule realized in Second- Order memristors[J]. Advanced Functional Materials, 2017, 28(5): 1704455. [16] WAN C J, ZHU L Q, ZHOU J M, et al. Inorganic proton conducting electrolyte coupled oxide- based dendritic transistors for synaptic electronics[J]. Nanoscale, 2014, 6 (9): 4491-4497. [17] XU X, LUO Q, GONG T, et al. Fully CMOS compatible 3D vertical RRAM with self- aligned self- selective cell enabling sub-5nm scaling[C]// IEEE Symposium on VL Technology. IEEE, 2016. [18] WANG M, CAI S, PAN C, et al. Robust memristors based on layered two- dimensional materials[J]. Nature Electronics, 2018, 1: 130-136. [19] NAHMIAS M A, SHASTRI B J, TAIT A N, et al. A leaky integrate-and- fire laser neuron for ultrafast cognitive computing[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2013, 19(5): 1800212. [20] WRIGHT C D, LIU Y, KOHARY K I, et al. Arithmetic and biologically inspired computing using phase-change materials[J]. Advanced Materials, 2011, 23 (30): 3408- 3413. [21] KUZUM D, JEYASINGH R G D, LEE B, et al. Nanoelectronic programmable synapses based on phase change materials for brain- inspired computing[J]. Nano Letters, 2012, 12(5): 2179-2186. [22] TUMA T, PANTAZI A, GALLO M L, et al. Stochasticphase-change neurons[J]. Nature Nanotechnology, 2016, 11: 693-699. [23] WONG HS P, LEE HY, YU S, et al. Metal-oxide RRAM [J]. Proceedings of the IEEE, 2012, 100(6): 1951-1970. [24] JO S H, CHANG T, EBONG I, et al. Nanoscale memristor device as synapse in neuromorphic systems[J]. Nano Letters, 2010, 10(4): 1297-1301. [25] ALIBART F, PLEUTIN S, BICHLER O, et al. A memristive nanoparticle/organic hybrid synapstor for neuroinspired computing[J]. Advanced Functional Materials, 2012, 22(3): 609-616. [26] CHEN CL, KIM K, TRUONG Q, et al. A spiking neuron circuit based on a carbon nanotube transistor[J]. Nanotechnology, 2012, 23(27): 275202. [27] GHOLIPOUR B, BASTOCK P, CRAIG C, et al. Amorphous metal- sulphide microfibers enable photonic synapses for brain- like computing[J]. Advanced Optional Materials, 2015, 3(5): 635-641. [28] AGNUS G, ZHAO W, DERYCKE V, et al. Two-terminal carbon nanotube programmable devices for adaptive architectures[J]. Advanced Optional Materials, 2010, 22 (6): 702-706. [29] CHENG Z, RIOS C, PERNICE W H P, et al. On- chip photonic synapse[J]. Science Advances, 2017, 3(9): e1700160. [30] NOVOSELOV K S. Electric field effect in atomically thin carbon films[J]. Science, 2004, 306(5696): 666-669. [31] GEIM A K, NOVOSELOV K S. The rise of graphene [J]. Nature Materials, 2007, 6(3): 183-191. [32] KIM F, HUANG J, COTE L J. Langmuir- Blodgett assembly of graphite oxide single layers[J]. Journal of the American Chemical Society, 2009, 131(3): 1043-1049. [33] GREEN A A, HERSAM M C. Solution phase production of graphene with controlled thickness via density differentiation[J]. Nano Letters, 2009, 9(12): 4031-4036. [34] GAO W, ALEMANYl L B, CI L, et al. New insights into the structure and reduction of graphite oxide[J]. Nature Chemistry, 2009, 1(5): 403-408. [35] BERGER, C. Electronic confinement and coherence in patterned epitaxial graphene[J]. Science, 2006, 312 (5777): 1191-1196. [36] KEDZIERSKI J, HSU P L, HEALEY P, et al. Epitaxial graphene transistors on SiC substrates[J]. IEEE Transactions on Electron Devices, 2008, 55(8): 2078-2085. [37] KIM K S, ZHAO Y, JANG H, et al. Large-scale pattern growth of graphene films for stretchable transparent electrodes[J]. Nature, 2009, 457(7230): 706-710. [38] LI X, CAI W, AN J, et al. Large-Area synthesis of HighQuality and uniform graphene films on copper foils[J]. Science, 2009, 324(5932): 1312-1314. [39] ZHAN, Z Y, SUN J, LIU L H, et al. Pore-free bubbling delamination of chemical vapor deposited graphene from copper foils[J]. Journal of Materials Chemistry C, 2015, 3(33): 8634–8641. [40] LI X, CAI W, COLOMBO L, et al. Evolution of graphene growth on Ni and Cu by carbon isotope labeling [J]. NANO LETTERS, 2009, 9(12): 4268-4272. [41] WANG H, YU G. Direct CVD graphene growth on semiconductors and dielectrics for Transfer-Free device fabrication[J]. Advanced Materials, 2016, 28(25): 4956-4975. [42] SUN J, COLE M T, LINDVALL N, et al. Noncatalytic chemical vapor deposition of graphene on high-temperature substrates for transparent electrodes[J]. Applied Physics Letters, 2012, 100(2): 022102. [43] BI H, SUN S, HUANG F, et al. Direct growth of fewlayer graphene films on SiO2 substrates and their photovoltaic applications[J]. Journal of Materials Chemistry, 2012, 22(2): 411-416. [44] KATO T, HATAKEYAMA R. Direct growth of DopingDensity- Controlled hexagonal graphene on SiO2, substrate by Rapid- Heating plasma CVD[J]. ACS Nano, 2012, 6(10): 8508-8515. [45] WEI D, LU Y, HAN C, et al. Critical crystal growth of graphene on dielectric substrates at low temperature for electronic devices[J]. Angewandte Chemie International Edition, 2013, 52(52): 14121-14126. [46] DONG Y, XIE Y, XU C, et al. Transfer-free, lithographyfree, and micrometer- precision patterning of CVD graphene on SiO2 toward all- carbon electronics[J]. Applied Materials, 2018, 6(2): 026802. [47] PENG Z, YAN Z, SUN Z, et al. Direct growth of bilayer graphene on SiO2, substrates by carbon diffusion through nickel[J]. ACS Nano, 2011, 5(10): 8241-8247. [48] YAN Z, PENG Z, SUN Z, et al. Growth of bilayer graphene on insulating substrates[J]. ACS Nano, 2011, 5 (10): 8187-8192. [49] SU C, LU A, WU C Y, et al. Direct formation of wafer scale graphene thin layers on insulating substrates by chemical vapor deposition[J]. Nano Letters, 2011, 11(9): 3612-3616. [50] LI Z, WU P, WANG C, et al. Low-temperature growth of graphene by chemical vapor deposition using solidand liquid carbon sources[J]. ACS NANO, 2011, 5(4): 3385-3390. [51] FUJITA J I, HIYAMA T, HIRUKAWA A, et al. Near room temperature chemical vapor deposition of graphene with diluted methane and molten gallium catalyst [J]. Scientific Reports, 2017, 7(1): 12371. [52] VISHWAKARMA R, ROSMI M S, TAKAHASHI K, et al. Transfer free graphene growth on SiO2 substrate at 250°C[J]. Scientific Reports, 2017, 7: 43756. [53] PARK B J, CHOI J S, EOM J H, et al. Defect-free graphene synthesized directly at 150°C, chemical vapor deposition with no transfer[J]. ACS Nano, 2018, 12(2): 2008–2016. [54] DONG Y. Study on Key Factors of Metal-assisted Low Temperature Direct Growth of Graphene[J]. In submission. [55] DONG Y, XIE Y, XU C, et al. Transfer-free, lithographyfree and fast growth of patterned CVD graphene directly on insulators by using sacrificial metal catalyst[J]. Nanotechnology, 2018, 29(36): 365301. [56] MARTINS F E, MOUTINHO M, STAVALE F, et al. Evolution of the Raman spectra from single-, few-, and many-layer graphene with increasing disorder[J]. Physical Review B, 2010, 82(12): 125429. [57] WANG X, YUAN Q, LI J, et al. The transition metal surface dependent methane decomposition in graphene chemical vapor deposition growth[J]. Nanoscale, 2017, 9 (32): 11584-11589. [58] BLAKE P, HIL E W, CASTRO NETO A H, et al. Making graphene visible[J]. Applied Physics Letters, 2007, 91(6): 63124. [59] MARTIJN H R, LANKHORST, KETELAARS, et al. Low- cost and nanoscale non- volatile memory concept for future silicon chips[J]. Nature Materials, 2005, 4(4): 347-52. [60] FOK M P, DEMING H, NAHMIAS M, RAFIDI N, et al. Signal feature recognition based on lightwave neuromorphic signal processing[J]. Optics Letters, 2011, 36 (1): 19-21. [61] TAIT A, ZHOU Y, WU A X, et al. Demonstration of a silicon photonic neural network[C]// Summer Topicals Meeting Series, 2016. [62] SHEN Y C, HARRIS N C, SKIRLO S, et al. Deep learning with coherent nanophotonic circuits[J]. Nature Photonics, 2017, 11: 441-446.