综述：基于BaTiO?的铁电忆阻器在人工突触和神经形态计算领域的研究进展

《Materials Today Physics》：Research progress of BaTiO 3-based ferroelectric memristors for artificial synapse and neuromorphic computing

铁电忆阻器基于BaTiO3材料，通过模拟生物突触实现低功耗神经形态计算。研究重点包括薄层铁电隧道结（FTJ）和厚层铁电二极管（FD）的结构优化，其多级存储和抗疲劳特性在人工神经网络（ANN）和卷积神经网络（CNN）应用中展现出高效能计算能力。

　　

Fan Ye|Fei Liang|Jian-Wei Zhong|Guan-Ling Li|Xin-Gui Tang

中国韶关512126，广东松山理工学院的电气工程学院

摘要

由于传统的冯·诺依曼架构，计算能力被认为是人工智能（AI）时代的关键限制因素之一。使用非易失性铁电忆阻器来模拟生物突触的特性已被验证为一种可行的方法，用于模仿人类大脑执行大规模复杂计算任务的能力。各种新兴材料和设备的神经形态计算潜力引起了广泛的研究兴趣。其中，BaTiO₃（一种铁电钙钛矿）因其独特的优势和出色的性能而成为理想的候选材料。本文综述了基于BaTiO₃的铁电忆阻器的最新研究进展，包括铁电隧道结（FTJs）和铁电二极管（FDs），并讨论了相应设备突触行为的优化方案。最后，介绍了基于人工神经网络（ANNs）和卷积神经网络（CNNs）的两种神经网络架构的有效应用，为下一代基于BaTiO₃的忆阻式人工智能的发展前景指明了方向。

引言

当前，人工智能的快速发展面临着严重的计算能力瓶颈。传统的冯·诺依曼架构由于存储和计算模块的分离而存在“内存墙”问题，这导致其计算能耗和物理规模远高于人类大脑系统。[1]、[2]、[3] 通过模拟人类大脑的分布式信息处理机制，神经形态计算构建了由人工突触和神经元组成的类脑神经网络，成为克服这一瓶颈的有希望的方法。[4]、[5] 忆阻器单元能够理想地模拟生物突触的功能。它们的顶部电极（TE）和底部电极（BE）在结构上类似于神经元突触，而中间的存储层则模拟了神经递质的作用。[6]、[7]、[8] 这些特性推动了基于忆阻器的人工突触的广泛研究。然而，现有的基于忆阻器的人工突触设备仍面临高能耗、线性差以及抗疲劳能力不足等挑战。[9]、[10]

铁电材料（FE）在外加电场的作用下表现出自发极化和可切换极化，可以通过单场或多场耦合进行调制。这一特性为设计基于忆阻器的人工突触中的存储介质提供了广泛的应用前景。迄今为止，越来越多的研究表明，具有顶部电极/铁电层/底部电极结构的铁电电阻开关（RS）在仿生突触中具有显著的优势，包括FTJs和FDs。[11]、[12]、[13] 在之前的研究中，电导率的变化归因于铁电畴的动态切换过程，而电阻氧化物则引入了缺陷迁移。例如，Jia等人通过构建BTO/SmNiO₃（SNO）异质结构，证明了BaTiO₃（BTO）的铁电极化对其RS行为的主导作用。[14] Wen团队的研究基于超薄BTO/Nb掺杂SrTiO₃实现了超过10⁴的切换比。[15] 因此，一旦铁电忆阻器建立了可靠的极化参数，它就能稳定地表现出其电阻切换特性。此外，这种外部施加的电场极化方法使得这些人工铁电突触设备具有极低的能耗，消除了电流在磁性和相变存储器中产生的焦耳热等问题。[16]、[17]

目前，铁电忆阻器在人工神经网络中表现出色，因为它们具有非易失性的多级存储特性和低功耗优势。特别是在图像处理和识别、人工视觉以及触觉感知等任务中，铁电神经网络展示了出色的学习和计算能力。[18] 铁电突触通过直接在存储阵列中执行向量-矩阵乘法（VMM）来整合存储和计算，从而消除了冯·诺依曼架构的瓶颈。这无疑为需要高速、低功耗数据处理的边缘设备（如自动驾驶汽车和工业机器人）提供了非常有前景的应用方案。

在这些材料中，具有大介电常数和低介电损耗的铁电钙钛矿BaTiO₃是电子绝缘陶瓷中最广泛使用的材料之一。[19] 与其他常用的铁电材料（如BiFeO₃、SrTiO₃、PZT）相比，BaTiO₃基薄膜因其无铅特性而更加环保。其次，它们适中的居里温度（约120°C）和高残余极化强度（P_r = 20-30 μC/cm²）使得BaTiO₃基薄膜在室温下仍保持强烈的铁电性。此外，与BiFeO₃薄膜中的高氧空位密度导致显著漏电流不同，BaTiO₃基薄膜具有更好的绝缘性能。[12]、[20] 由于其自发极化特性，BaTiO₃在仿生突触和神经形态计算中得到了越来越多的研究，如图1所示。[21]、[22]、[23] 因此，本文主要讨论了基于BaTiO₃的钙钛矿铁电薄膜在铁电忆阻器中的切换效应和存储机制，并介绍了利用铁电忆阻器模拟人工突触可塑性的研究进展以及神经网络中形态计算的最新研究成果。

章节摘录

铁电忆阻器

近年来，多个研究小组展示了基于BaTiO₃铁电材料的固态电阻切换器件。[23]、[24]、[25]、[26]、[27] 目前，关于基于BaTiO₃的铁电忆阻器的研究主要集中在具有超薄铁电层的FTJs和具有厚铁电层的FDs上。作为典型的两端铁电忆阻器，FTJs和FDs沿着器件方向在低（ON）和高（OFF）电阻状态之间切换。

铁电突触

人类大脑卓越的计算效率源于由突触连接的神经元组成的神经网络。一个完整的生物突触包括一个突触前末端、一个突触后末端以及它们之间的突触间隙。当一个活跃的突触被刺激释放电信号时，它会将神经递质释放到突触间隙中。这些神经递质与突触后神经元表面的受体结合，触发突触后神经元的反应。

神经形态网络

在生物神经网络中，神经元通过突触相互连接形成神经回路，从小型功能单元到大规模网络执行特定功能。人工神经网络（ANNs）是一种机器学习技术，通过模拟这些生物机制来复制和实现人类的独特能力。[58]、[59] 受生物神经网络和计算机科学的启发，开发出了基于忆阻器的人工神经元。在神经形态计算中，这些设备

结论与展望

基于BaTiO₃的铁电钙钛矿薄膜因其独特的极化特性和多级电阻切换性能而受到越来越多的关注。与传统氧化物铁电薄膜相比，BaTiO₃不仅表现出自发极化，还能够改变A/B位元素并调整组成，以获得具有不同特性的材料，从而显著增强了材料的内在极化特性和多样性。

CRediT作者贡献声明

Xin-Gui Tang：撰写——审稿与编辑，概念化。Guan-Ling Li：可视化，监督。Jian-Wei Zhong：监督，软件，项目管理，方法论。Fei Liang：监督，软件。Fan Ye：撰写——初稿，软件，方法论，调查，概念化

利益冲突

作者声明没有利益冲突。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。