以神经网络为代表的类脑人工智能技术正深刻影响人类社会。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，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——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，神经网络硬件系统对电子突触器件提出了诸多苛刻要求，如：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。

研究人员制备了高质量Ag/PbZr0.52Ti0.48O3(PZT ~1.2 nm，(111)取向)/Nb:SrTiO3铁电隧道结。通过PZT超薄厚度和(111)取向的设计，获得了更小的铁电畴和更连续的翻转动力学行为，更丰富的铁电多畴亚稳态利于类脑突触器件中多态的可控调节。该器件综合性能优异，主要表现在：

1）8比特线性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，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)，翻转耐久高(>109次)，周期随机性小(~2.06%)；甚至在亚纳秒的操作速度下，器件仍然可以调节出150个连续的电导态，表现出优良的突触塑性调节功能。

2）基于器件性能，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~95%；即使在图片中引入椒盐或高斯噪声(噪声水平达0.5)，其识别图片的准确率仍然可达~85%。

3）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。通过能带设计并选择处于准同型相界具有较低矫顽场的超薄PZT作为铁电势垒层，降低了器件操作电压，提高了器件操作速度至300 ps（可以匹配目前CPU的操作速度）；而且，通过对直径为50 nm的铁电隧道结的表征，其操作能耗降低到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相当于人脑的优秀能效(人脑神经元突触单次脉冲能耗约10飞焦)，且响应速度比人脑突触快6个量级(人脑突触响应速度约亚毫秒)。

上述结果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。

图例说明：铁电隧道结类脑突触器件和仿真卷积神经网络。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.不同脉宽的电脉冲下隧道结电阻的连续调控。d.隧道结类脑突触器件的翻转耐受性。e, f. 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。g, h.基于隧道结类脑突触器件实验性能，仿真构建的卷积神经网络在线训练识别带椒盐噪声和高斯噪声的Fashion-MNIST时尚产品图片的结果。

我校物理学院李晓光教授和殷月伟教授为论文通讯作者。博士生罗振、王梓鉴、管泽雨为论文共同第一作者。

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。

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

关键词： 科学探索 中国科大在基于铁电隧道结的类脑突触原型器件研