我校在柔性类脑计算器件研究领域取得重要研究进展

近日，我校材料科学与工程学院肖永光教授与机械工程与力学学院燕少安教授合作，在柔性类脑计算器件研究领域取得重要研究进展。研究成果以《用于神经形态计算的柔性掺锆氧化铪铁电忆容式突触器件》(Flexible Zr-doped hafnium oxide ferroelectric memcapacitive synaptic devices for neuromorphic computing)为题发表在复合材料领域顶级期刊《Advanced Composites and Hybrid Materials》，该刊位列中科院一区，Top期刊，影响因子23.2，复合材料领域排名第一。我校硕士研究生张玉洁为论文第一作者，燕少安教授、肖永光教授、机械工程与力学学院朱颖方博士为共同通讯作者。

传统冯·诺依曼架构硬件在处理复杂数据时面临高功耗与存储计算分离的瓶颈，近年来人工神经网络(ANN)的兴起推动了类脑计算器件的发展。铁电忆容器通过电容原理存储数据，与忆阻器相比具有抗读取干扰和零静态功耗等优势，使其在ANN应用中极具吸引力。

鉴于此，研究团队在云母基底上制备了锆掺杂氧化铪(HZO)全柔性铁电忆容突触器件，在平坦或者弯曲状态下均可实现50 pF以上的忆容窗口。通过脉冲次数调制技术，实现了8种(3 bit)稳定电容值的调控，忆容器的长时程增强/长时程抑制(LTP/LTD)实现了低达0.03的不对称指数(α_p=0.079，α_d=0.109)。此外，进一步对循环调制过程中铪基铁电忆容器的电容态进行统计分析，构建了脉冲次数与电容分布几率的数学模型。利用该模型作用于多层感知机神经网络的损失函数，在手写数字识(MNIST数据集)任务中神经网络识别准确率为97.63 %，单器件在训练过程中最大能耗为1.96 nJ、在推理过程中最大能耗为4.03 pJ。该工作为柔性神经形态芯片设计提供了新范式。

图1 柔性忆容器器件结构与表征

图2 柔性忆容器器件在弯曲状态下的铁电性能

图3 柔性忆容器器件的忆容特性

图4 柔性忆容器器件的神经形态计算应用

上述成果为神经形态计算提供了高性能、低功耗的硬件解决方案。在神经形态计算应用中，该忆容器突触成功模拟生物突触的长时程增强(LTP)和抑制(LTD)行为，并实现3 bit可编程电容态，为人工神经网络权重存储提供基础。该研究不仅推动了柔性铁电材料在神经形态计算中的应用，也为未来可穿戴智能设备、仿生感知系统等低功耗边缘计算场景提供了新的硬件设计思路。

文章链接：https://doi.org/10.1007/s42114-025-01364-4