面向高能效神经形态计算的氧化铪基铁电忆容器阵列

近日，课题组与北京大学、复旦大学、拉夫堡大学合作，在能源与纳米技术领域国际权威期刊Nano Energy期刊发表了题为Hafnium oxide-based nonvolatile ferroelectric memcapacitor array for high energy-efficiency neuromorphic computing的研究论文。该工作提出了一种基于功函数工程的氧化铪基铁电忆容器，实现了7.8 fF/μm2的存储窗口、超过109次循环的耐用性以及10年以上的保留特性。器件在静态功耗接近为零的同时，将动态推理能耗降低至仅31 fJ/inference，并在进一步构建的16×16铁电忆容器Crossbar交叉阵列中展现出高度线性的乘法累加能力，最终在MNIST数据集上的图像识别任务中实现了96.68%的准确率，为超低功耗智能边缘终端的神经形态计算提供了全新的解决方案。传统冯诺依曼架构采用分离式拓扑设计，处理单元与存储单元的物理隔离显著加剧了数据密集型任务中的传输功耗与“内存墙”瓶颈。神经形态计算通过模仿人脑神经元与突触的结构与功能，借助忆阻器、相变存储器、自旋电子器件等新兴纳米材料，实现了高效的大规模并行处理能力。其中，基于电阻切换的人工突触具备多级电导状态，并可通过突触网络调制信号幅度，从而满足神经形态系统对极高可扩展性、超高集成密度以及快速切换速度的需求。然而，该类器件仍普遍面临静态功耗高、潜行电流显著、阵列电压降及器件间差异性大的问题，严重限制了其在超低功耗场景中的实际应用（图1）。

图1. 基于忆阻器和忆容器的存内计算方案对比分析

相比之下，忆容器（memcapacitor）依赖瞬态电流与电荷积分机制，天然具有近乎零待机功耗，并能从根本上避免潜行电流，因此成为近年来神经形态计算的重要候选器件。近年来，尽管出现了一些基于电荷俘获或RC串联结构的忆容器原型，但受限于高工作电压（4–10 V）、有限耐久性（<105次循环）或机制不纯等问题，难以满足低功耗应用需求。氧化铪（HfO2）基铁电薄膜凭借卓越的CMOS工艺兼容性、可缩放性及高循环耐久性，为开发高性能忆容器提供了理想材料基础。

图2. 基于功函数工程的铪基铁电忆容器电学性能分析

铁电忆容器的典型C-V曲线（图2），器件的电容值随着扫描电压的变化而发生显著变化，这主要源于铁电层提供的额外极化电荷。基于新型MoOx电极的功函数工程设计，器件在正向扫描和负向扫描表现出明显的不对称性，并在0 V偏压下呈现出两种可区分的电容状态，即高电容态（HCS）和低电容态（LCS），分别对应铁电畴的不同极化状态（包括体极化和畴壁极化）。高、低电容之间的差值即为电容记忆窗口，在这项工作中可以达到接近7.8 fF/μm2。较大的电容记忆窗口不仅提升了多比特存储能力与计算精度，也增强了系统对噪声和器件变化的鲁棒性。器件同时展现出稳定的中间态行为，为多比特电容权重的精细更新提供了可能；优异的保持特性和循环耐久性则为实现高可靠性的铁电忆容行为奠定了基础。

图3. 基于铪基铁电忆容器交叉阵列实现矩阵向量乘法

在上述铁电忆容器件的基础上，研究团队进一步集成了16×16的Crossbar交叉阵列（图3）。由于器件的高低电容状态由铁电极化方向决定，因此阵列能够在极低电压下完成非破坏性读取。通过测试不同写入和读取电压下的瞬态电流与积分电荷，阵列整体表现出良好的线性度。阵列中，TiN底部电极施加WL输入电压，而MoOx顶部电极则充当输出电荷BL；输入电压与电容权重的点积被编码为各忆容单元的电荷，列方向上多个单元的积分电荷再通过位线累加即可实现乘法累加（MAC）操作。基于该阵列实现的MAC运算可达到31 fJ/inference的超低推理能耗，对应整体能效高达323 TOPS/W。

图4. 基于铁电忆容器的人工神经网络及其图像识别演示

为进一步验证其在神经形态计算中的系统级能力，研究团队基于Pytorch构建了基于铁电忆容器的人工神经网络（ANN），并在MNIST数据集上开展推理测试（图4）。在该网络中，突触权重由铁电忆容器的电容值进行编码；施加均匀输入电压后，不同电容值决定各节点的积分电荷大小（Qij = Cij·V），位线方向上对积分电荷求和可得到Q = ΣQij，实现突触输出。网络采用脉冲方式对多比特电容权重进行更新，并考虑了器件线性度、对称性和动态范围等非理想物理因素。最终，该网络实现了96.68%的识别准确率，与理想模型98.07%的精度高度接近。

综上所述，该研究构建并演示了一种高能效非易失性铁电忆容器神经形态计算系统。相较于传统基于忆阻器的方案，该平台几乎不产生静态功耗，动态能耗极低，且无需选择器或晶体管即可避免潜行电流问题，从而提升了集成密度并简化外围电路设计。研究成果表明，铁电忆容器在超低功耗神经形态计算及智能边缘终端的应用中具有显著优势和广阔前景。