李宗晓, 胡令祥, 王敬蕊, 诸葛飞

无机材料学报 2024, 39 (4): 345-358. DOI:10.15541/jim20230405

摘要（733）

HTML （24）

PDF（pc）（3104KB）（643）

目前, 人工智能在人类社会发挥着越来越重要的作用, 以深度学习为代表的人工智能算法对硬件算力的要求也越来越高。然而随着摩尔定律逼近极限, 传统冯·诺依曼计算架构越来越难以满足硬件算力提升的迫切需求。受人脑启发的新型神经形态计算采用数据处理与存储一体架构, 有望为开发低能耗、高算力的新型人工智能技术提供重要的硬件基础。人工神经元和人工突触作为神经形态计算系统的核心组成部分, 是当前研究的前沿和热点。本文聚焦氧化物人工神经元, 从神经元数学模型出发, 重点介绍了基于氧化物电子器件的霍奇金-赫胥黎神经元、泄漏-累积-发射神经元和振荡神经元的最新研究进展, 系统分析了器件结构、工作机制对神经元功能模拟的影响规律。进一步, 根据不同尖峰发射动态行为, 阐述了基于氧化物神经元硬件的脉冲神经网络和振荡神经网络的研究进展。最后, 讨论了氧化物神经元在器件、阵列、神经网络等层面面临的挑战, 并展望了其在神经形态计算等领域的发展前景。

鉴于软件神经元和CMOS神经元的能效问题, 研究人员一直尝试采用新型人工神经元来构建高性能SNN硬件。2018年Wang等[116]通过集成Pt/Ag/ SiO_x:Ag/Ag/Pt结构TS忆阻器神经元和Pd/HfO_x/Ta结构人工突触, 实现了全忆阻型SNN硬件, 其中突触阵列为8×3交叉阵列结构, 每一列集成一个具有ReLU型激活函数的人工神经元(图7(a)), 系统演示了四个字母的模式分类功能。每一列突触充当卷积滤波器, 而神经元用于整合每一列的突触权重。输入子图像的特征可以通过其对应的神经元尖峰发射行为来表示。经无监督学习后, SNN可以将四个字母的图像分为三组(图7(b))。这项工作为全忆阻型SNN网络的实现奠定了重要基础。类似地, Duan等[117]基于TaO_x突触和NbO_x神经元构建了一种4×4突触阵列的SNN。NbO_x神经元除实现传统阈值驱动的时空尖峰整合外, 同时完成了包括异或函数在内的非线性函数和不同突触输入间的乘法增益调制。

Li等[118]报道了一种基于多树突人工神经元的SNN硬件。Pt/TaO_x/AlO_δ/Al结构忆阻器用于模拟神经元的树突, 而NbO_x基TS忆阻器则模拟胞体。两者相连构建了多树突神经元。该神经元可过滤低电压信号, 并对高电压输入信号进行积分。多树突神经元与TiN/HfO_x/TaO_x/TiN突触阵列集成后形成单层SNN硬件。利用反向传播算法, 该网络实现了数字识别功能。树突器件不仅过滤了输入图像中的背景噪声, 还可凸显图像关键信号, 从而提高了识别精度。此外, 侧向抑制是生物神经网络中一种重要的特性, 模拟该功能可以有效降低神经网络整体能耗。Zhang等[119]利用SiO₂基TS忆阻器和CMOS电路搭建了具有侧向抑制功能的LIF神经元。当一个神经元发射尖峰后, CMOS电路可向相邻神经元输出抑制信号。研究人员进而搭建了一种实现赢者通吃的SNN硬件(图7(c))。当神经元N1被激活时, 通过侧向抑制阵列向其他神经元施加抑制信号, 从而抑制其发射尖峰。研究人员基于该SNN硬件实现了数字识别。

2022年Fu等[120]构建了V/VO_x/HfWO_x/Pt结构忆阻器。通过调控施加电压幅值, 该器件可实现非易失(R-mode)和易失性(S-mode)阻变特性, 进而实现人工突触和神经元功能。为避免突触器件和神经元器件直接相连时的相互影响, 研究人员在突触和神经元间添加了放大模块, 进而构建了全忆阻SNN(图7(d))。放大模块不仅能稳定突触器件的分压, 使神经元的输入电流保持不变, 而且还能放大低幅值输入电压。如图7(e)所示, 随着突触电阻降低, 神经元输出频率也降低。