综述：基于忆阻器的传感器内计算技术在类脑计算和边缘智能中的研究综述

《Nano Energy》：A Review on Memristor-Based In-Sensor Computing for Neuromorphic and Edge Intelligence

　　哈马德·加赞法尔（Hammad Ghazanfar）| 穆罕默德·拉比尔（Muhammad Rabeel）| 金弘均（Honggyun Kim）| 海德尔·阿巴斯（Haider Abbas）| M. 阿尼斯-乌尔-雷赫曼（M. Anis-ur-Rehman）| 苏比亚·尼萨尔（Sobia Nisar）| 穆罕默德·肖艾布·塔希尔（Muhammad Shoaib Tahir）| 穆罕默德·瓦吉德·祖尔菲卡尔（Muhammad Wajid Zulfiqar）| 拉纳·法里亚德·阿里（Rana Faryad Ali）| 古拉姆·达斯特吉尔（Ghulam Dastgeer）| 金德克（Deok-kee Kim）
韩国首尔世宗大学半导体系统工程与智能无人机融合工程系，邮编05006

**摘要**
将传感、存储和计算集成到单一物理单元中已成为一种突破冯·诺依曼架构瓶颈的变革性方法。在这篇综述中，我们全面探讨了快速发展中的传感器内神经形态计算领域，重点关注基于忆阻器的系统，这些系统集成了刺激检测、非易失性存储和突触学习功能。我们详细介绍了从金属氧化物和二维半导体到混合钙钛矿等各种材料的工作原理，这些材料能够在保持可编程状态的同时实现光学、机械和化学输入的多模态传感。我们研究了多种设备结构，包括两端堆叠结构、忆阻晶体管和柔性交叉阵列，评估了它们在协同定位传感与存储、减少延迟以及实现生物学上可行的学习方面的能力。我们还批判性地评估了最近展示的神经形态特性，如短期可塑性（STP）、长期增强（LTP）、时序依赖性可塑性（STDP）和联想学习，这些特性均由现实世界的物理刺激触发，并进一步强调了从智能假体到自主视觉、环境监测等应用场景，同时指出了实际应用中面临的关键挑战，包括稳定性、可扩展性和与CMOS系统的集成问题。通过在硬件层面弥合感知与认知之间的差距，基于忆阻器的传感器内神经形态系统为下一代节能、自适应和智能化电子设备提供了有力的平台。

**引言**
在单一物理平台上整合传感、存储和计算标志着现代电子技术的重大变革，有望克服传统冯·诺依曼架构的固有局限性。随着边缘人工智能（AI）应用的普及，从自主系统和机器人技术到智能可穿戴设备，对能够实现超低功耗、低延迟和上下文感知数据处理的系统的需求呈指数级增长。传统的机器视觉系统受到数据采集、传输、存储和处理顺序操作的约束，导致由于频繁的数据在物理分离模块之间传输而产生显著的能耗和延迟瓶颈[1],[2],[3]。相比之下，生物视觉系统提供了一个优雅的解决方案——高度并行且节能的信息处理方式，其中信号感知、存储和处理发生在同一个解剖结构（视网膜和大脑）中[4]。受此启发，神经形态计算的概念逐渐兴起，旨在模仿生物神经网络的计算能力和适应性。基于忆阻器的神经架构，包括受吸引子控制的霍普菲尔德网络和多层同步驱动的神经系统，已经展示了电阻性设备如何在硬件层面实现联想记忆、加密功能和复杂的动态学习行为[5],[6]。最近，传感器内计算的概念，特别是传感器内神经形态计算，作为一种将感知、存储和学习直接整合到传感器本身的策略应运而生，这使得数据能够在捕获点进行处理和编码，有效消除了数据转换的需求，显著降低了功耗和延迟[7]。图1展示了这一框架的概念性概述，说明了如何将人类感官路径的生物学灵感转化为集成传感、存储和学习的忆阻硬件。该图突出了从光学、压力和气体响应式突触设备中的架构设计和关键实验结果，以及诸如AI视网膜和可穿戴电子皮肤等新兴应用。基于忆阻器的传感器内计算的应用范围涵盖了更广泛的功能领域。为了对这些新兴应用进行系统分类，表1总结了在安全光学视觉系统、可重构环境感知、触觉和气体记忆融合平台、多模态可穿戴神经形态系统以及硬件级识别架构方面的代表性演示。这种分类强调了不同物理刺激如何直接编码为适应性导电状态，从而在统一的感知-存储框架内实现特定领域的边缘智能。这一新兴范式的核心是具有非易失性记忆保持和适应性导电调节能力的忆阻和光电突触设备，这些设备类似于生物突触[8],[9]。最近在钙钛矿异质结构、二维材料和铁电系统方面的进展进一步扩展了构建多功能神经形态传感阵列的材料平台，提升了线性、能效和存储稳定性[4],[8]。

边缘AI应用的爆炸性增长对计算系统提出了严格要求，尤其是在需要快速、自主决策且延迟和能耗最低的场景中。智能可穿戴设备、自动驾驶车辆、实时健康诊断和环境监测系统现在依赖于连续的感知和局部数据处理。这些设备通常在严格的功耗和带宽限制下运行，由于安全、延迟或连接问题，将数据卸载到云服务器变得不可行。因此，迫切需要新型硬件范式，以实现设备级的智能处理，同时具有极低的能耗、最小的数据传输量和实时信号处理能力[4],[24]。然而，基于冯·诺依曼模型的传统计算架构在应用于这些边缘AI环境时存在根本性局限。存储器和处理器之间的架构分离导致了持续的数据传输，从而产生了高延迟、显著的能耗和有限的吞吐量。随着传感器数据率和AI模型规模的指数级增长，这种数据传输瓶颈问题变得越来越严重。例如，高分辨率图像传感器每秒可以生成数吉字节的数据，这些数据必须先被序列化并传输到远程存储设备才能进行任何计算。这种低效率使得基于冯·诺依曼的系统不适合实时边缘AI操作，尤其是在涉及多模态传感器融合或边缘适应性学习的场景中[7],[25]。相比之下，人类大脑等生物系统为下一代计算架构提供了有吸引力的模板。例如，人类视觉系统在视网膜和随后的皮层层中集成了光检测、预处理、记忆保持和信号分类，实现了高度并行和节能的处理。视网膜中的光感受器能够在将信息传输到大脑之前对其进行了压缩和编码，从而减少了冗余数据传输并节省了能量。此外，生物突触将学习和记忆功能结合在一起，实现了容错且自适应的本地化处理[9],[26]。

这种生物学启发促进了神经形态计算系统的开发，旨在在硬件层面复制神经网络的结构和功能特性。然而，要实现真正受大脑启发的功能，关键在于将传感、存储和计算层次结构融合到一个统一的架构中，这一概念体现在传感器内计算，特别是传感器内神经形态计算中。在这种范式中，传感元件不仅仅是被动的数据转换器，而是在数据捕获点积极参与数据保持和处理。这种架构转变有潜力大幅减少延迟、能耗和电路复杂性，通过消除多余的模拟到数字转换、减少互连开销，并实现事件驱动的处理路径[26],[27],[28]。对于视觉来说，关键的使能组件是忆阻设备和光电突触，它们本质上支持非易失性记忆保持和可调导电性。这些设备表现出非线性、依赖于历史的行为，模仿了生物突触中的权重调制。近年来，忆阻材料和器件工程的进步显著提高了神经形态硬件的可控性和可扩展性。例如，掺镓的Ge2Sb2Te5相变突触展示了具有改进的对称性和长期稳定性的双向可控SET/RESET动态，实现了用于神经网络训练的高精度权重调制。类似地，具有准二维纤维限制的核壳纳米线忆阻器减少了随机纤维的形成，提高了均匀性和阵列级的可靠性。在架构层面，集成忆阻阵列的远程智能感知系统展示了分布式硬件级的多目标识别[29],[30],[31]。这些研究共同代表了材料优化、纤维工程和神经形态计算系统集成方面的重大里程碑。然而，它们的主要关注点仍然是以存储为中心的计算、权重精度和阵列可扩展性，其中外部电脉冲是主要的编程刺激。相比之下，传感器内神经形态计算引入了一种根本不同的范式，其中外部物理刺激（如光、气体、压力）直接参与设备状态演变。刺激驱动的忆阻系统不是单独优化突触记忆，而是在同一物理过程中嵌入了感知、记忆形成和自适应学习。这种刺激耦合的状态演变将传感器内架构与传统的神经形态硬件区分开来，使其成为本质上融合了感知和记忆的平台，而不是与独立传感器耦合的电编程存储阵列。此外，某些忆阻平台能够直接检测外部刺激（如光子、压力或化学物质）并相应地调节其导电性，从而将感知事件本身转化为记忆写入和学习过程。例如，钙钛矿、二维（2D）半导体、铁电氧化物和硫属化合物等材料在实现低切换能量、高耐久性和优异可扩展性的多功能突触设备方面表现出巨大潜力[32],[33],[34]。

在实际的电子实现中，传感器内神经形态计算代表了一种以设备为中心的架构范式，其中外部物理刺激直接控制内部状态变量的演变，从而在一个功能元素内实现同时进行的感知、记忆编码和适应性导电调节。与传统级联的传感器-存储处理器框架不同，这些系统通过依赖于历史的状态动态来运行，其中导电性由电偏置和物理刺激输入之间的相互作用连续塑造[35],[36],[37],[38]。因此，信息获取和状态保持是本质上耦合的过程，而不是时间上分离的操作。这类系统的运作原理依赖于主动的传感设备，尤其是那些本质上具有模拟可编程性和非易失性或半易失性可塑性的忆阻和光电元件。当暴露于外部刺激（如光照射、机械压力、温度变化或化学吸附）时，这些设备会经历受控的电阻或导电性状态调制，从而将感知信息直接嵌入其内部物理配置中[39],[40]。这种机制允许感知信号本身参与设备状态的编程，有效地将转换和记忆形成结合成一个统一的物理过程。与需要信号量化、缓冲和串行计算的数字处理方案不同[27],[41]，这里的计算通过设备物理特性控制的连续导电性更新来本地展开。从形式上讲，传感器内神经形态系统的行为可以在状态变量框架内描述，其中设备的导电性Gof取决于内部状态参数w，其时间演变由施加的电场和外部刺激S共同决定。在这种表示中，刺激不仅仅是待处理的输入，而是成为状态演变方程中的一个活跃项，动态调节离子分布、界面电荷极化或铁电领域配置[28],[42],[43],[44],[45],[46]。这种耦合在感知和记忆形成之间建立了直接的物理联系，使得适应性响应特性取决于刺激历史、强度和时间相关性。忆阻设备作为实现这一概念的基础构建块，因为它们本质上具有受先前激发控制的导电性调节能力，这与神经突触的塑性非常相似。可以通过工程设计两端和多端配置来实现对光学、机械或化学刺激的选择性响应，同时保持模拟或多级电阻状态以用于信息存储[9],[47],[48]。已经探索了包括卤化物钙钛矿、二维过渡金属硫属化合物（TMDs）、铁电氧化物和有机-无机混合系统在内的多种材料，以优化线性、存储稳定性、切换能量和环境鲁棒性[49],[50]。特别是，最近的光子忆阻器和多功能光电突触的演示展示了如何在设备阵列中直接编码和保留视觉信息，有效地将传感转换和突触加权集成在一个紧凑的硬件平台中[32],[36],[51]。

在架构层面，设备阵列通常以交叉阵列或类似三端晶体管的配置实现，通过根据空间和时间输入模式局部调节导电性状态来实现像素级的适应[52],[53]。这样的布置本质上支持并行信号处理和分布式学习，每个节点同时充当传感器和自适应权重元素。由混合2D/3D异质结构构成的光响应忆阻器展示了超低的切换能量（< pJ）、亚毫秒级的响应时间和导电性调制属性，这对于可扩展的神经形态视觉系统和自主平台至关重要[54],[55]。这些设备阵列的集成促进了硬件层面的实时推理和多模态信号融合，减少了对外部计算的依赖[49],[56]。除了结构集成之外，传感器内神经形态系统的另一个定义特征是它们的局部可塑性机制。设备状态会根据刺激的幅度、持续时间和重复频率动态演变，从而实现无需外部监督电路的情境依赖性适应。这种功能源于纳米级异质结构中的微观过程，如氧空位迁移、界面电荷陷阱和极化以及铁电畴切换[57],[58],[59],[60],[61]。通过调整缺陷分布和界面能量，忆阻平台可以被设计成能够再现非线性和不对称的导电性变化，这些变化模拟了STDP（short-term depression）、赫布学习（Hebbian learning）以及其他对在线学习和自适应推理至关重要的生物学启发式学习规则[62],[63],[64],[65]。通过材料工程、设备物理学和可扩展阵列设计的结合，传感器内神经形态计算建立一个统一的硬件框架，在该框架中，感知、记忆和自适应学习在同一物理基底上共同演化。这种紧密集成不仅提高了计算密度和响应速度，还实现了能够与动态环境实时交互的紧凑型、情境感知的电子系统。感知、记忆和计算在一个统一硬件框架内的融合标志着神经形态电子学的一个范式转变。传统的传感器系统通过分层架构运行，其中信号检测、数字化、存储和计算在不同的物理单元中进行，这导致了延迟、能源效率低下和数据瓶颈，限制了边缘智能的发展。随着人工智能（AI）和物联网（IoT）向更加去中心化、低功耗和情境感知的方向发展，需要在数据采集点直接处理和学习的智能传感器节点的需求变得日益重要。在这方面，忆阻器作为一类强大的设备出现，它们可以将感知检测与非易失性存储和突触可塑性结合起来，实现传感器内神经形态计算。本综述提供了一个全面而综合的框架，用于理解忆阻系统如何在单一材料或设备结构内支持多模态感知、记忆保留和神经形态计算。我们系统地分类并分析了基于光、气体和压力等物理刺激的传感器内记忆架构，并强调了支持其感知-记忆融合的机制，例如离子迁移、陷阱状态调制和界面极化。本综述的一个关键贡献是其统一的方法，它桥接了材料化学、设备物理学和系统级神经形态行为。通过将特定刺激的材料响应与非易失性电阻切换以及STDP（短期抑制）、长时程增强（LTP）和成对脉冲促进（PPF）等突触特性联系起来，我们展示了环境刺激如何被转化为自适应导电状态。本综述的及时性源于最近对多模态忆阻器研究的激增，这些研究可以在实时处理光子、化学和机械输入，以实现边缘学习、自主识别和内存中的接口。虽然之前的综述分别讨论了神经形态计算或忆阻器记忆，但最近的研究报告了先进的材料工程策略、可控的纤维架构和用于神经形态计算的硬件级感知系统[29],[30],[31]。然而，仍然缺乏一个全面的角度来批判性地研究外部物理刺激如何直接控制忆阻器状态演变并实现内在的感知-记忆融合。本综述通过在一个统一的刺激驱动框架内系统地整合这些进展而脱颖而出，强调了感知、记忆保留和自适应学习在同一物理设备内的共同演化。与之前强调设备优化或阵列级神经形态加速的工作不同，本综述独特地将光学、机械和化学领域的刺激驱动忆阻平台系统化，提供了一个跨模态的视角，将材料物理学、设备操作和边缘智能应用统一在一个概念框架中。通过关注感知输入本身如何直接控制忆阻器状态演变，而不是仅仅依赖于外部电编程脉冲，这项工作突出了从以记忆为中心的神经形态硬件向内在感知-记忆融合架构的根本转变。通过这样做的，本综述填补了一个关键的知识空白，将忆阻神经形态系统从电编程的记忆阵列重新定义为受生物学启发的、刺激驱动的传感器内智能。本综述面向跨学科的读者群体，包括开发可调氧化物的材料科学家、设计灵活和可3D堆叠的传感器-存储器结构的设备工程师，以及探索基于事件的神经形态范式的AI研究人员。展望未来，我们预计多模态忆阻系统与交叉阵列、可重构电路和传感器融合模块的集成将催生新一代智能机器。从自适应机器人和神经假肢到自主环境监测和神经形态视觉系统的应用都将受益于这种融合。为了进一步强调本综述的重要性和时效性，我们对2010年至2025年间发表的关于基于忆阻器的传感器的研究文章进行了统计分析。如图2所示，关于基于忆阻器的气体、触觉/压力和光传感器的出版物数量显著增加，特别是在2021-2025年间。重要的是，每种模式的相对贡献也在同时增加，这表明未来的发展方向将需要在单个忆阻器设备中实现多模态感知能力。与大量的传统传感器文献相比，基于忆阻器的传感器仍然只占很小的一部分；然而，它们在2021-2025年间贡献了三分之二的研究表明它们在神经形态和智能感知应用中的重要性日益凸显。通过将忆阻系统重新定义为积极的感觉-认知元素，而不是被动的可编程存储单元，本综述为传感器内神经形态计算建立了统一的概念基础，并强调了从电编程突触向刺激控制的智能感知硬件的转变。