近年来，人工智能（AI）和物联网发展迅速，推动了语音识别、自动驾驶汽车图像分类以及ChatGPT等大型语言模型等领域的进步。深度学习是人工智能的一个关键要素，它需要并行处理大量数据，而传统计算机在这方面的效率仍然很低。神经形态或类脑计算系统由人工神经元和突触组成，具有低功耗和高效的数据处理能力。

图片来源：东国大学

最有前途的神经形态计算半导体技术之一是电阻式随机存取存储器（RRAM），这是一种忆阻器件。忆阻器件具有“记住”过去电气状态的独特能力。在RRAM中，这种记忆效应源于其金属-绝缘体-金属结构的绝缘层中导电细丝（CF）的形成和溶解。金属氧化物绝缘体在此过程中起着至关重要的作用。

然而，尽管氧化钛基RRAM具有多种优势，但它们也存在器件间差异，这是由CF形成过程中的过冲电流引起的。这可能会导致故障或意外擦除内存。目前缓解过冲电流的方法需要增加晶体管或外部电流顺应（CC）设置，这增加了复杂性。

据外媒报道，韩国东国大学（Dongguk University）电子电气工程系Sungjun Kim教授领导的研究团队取得突破，开发出一种自顺应（SC）忆阻器设备，解决了这些问题。相关研究发表在期刊《ACS Nano》上。

Kim教授表示：“在这项研究中，我们在高密度双端忆阻器上实现了SC，并在32 x 32忆阻器阵列上实现了矢量矩阵乘法（VMM），这是AI半导体计算的核心。”

这种创新的忆阻器器件在绝缘层顶部有一层氧化铝/氧化钛（AlOx/TiOy）层。该层充当内部电阻，通过控制切换过程中形成的CF厚度来防止过冲电流，从而实现SC。研究人员将TiOy层微调至10纳米，提高了器件的性能。

通过一系列实验，研究人员展示了该器件在没有外部CC的情况下的一致切换特性以及低功耗的可靠多级操作。他们还研究了该器件的长期增强（LTP）和长期抑制（LTD）特性，这些特性代表了神经形态计算系统中神经元之间突触连接的强度。

利用这些特性，他们基于该设备模拟了神经网络，对来自著名MNIST数据库的图像进行分类。结果显示，在线学习准确率为92.36%。此外，利用该设备的SC多级模式的离线学习神经网络实现了96.89%的准确率。

最终，研究人员使用32 x 32纵横阵列的忆阻器构建了一个神经网络，以演示基于脉冲神经网络（SNN）的VMM操作。SNN模仿大脑的计算过程，以低功耗而闻名。基于纵横阵列的神经网络在MNIST数据集上实现了94.6%的分类准确率，与模拟结果相比准确率仅下降了1.2%，这表明其具有卓越的能力。

Kim教授表示：“由于速度、效率和可扩展性，忆阻器阵列将成为下一代计算架构中的关键。除了神经形态计算之外，它们还有广泛的潜在应用，包括非易失性存储器、物联网、机器学习和加密技术。此外，专门用于AI操作的神经处理单元需要为VMM操作量身定制的内存芯片，例如本研究中开发的高产量忆阻器阵列。”

总之，这种创新设备为高性能、节能的神经形态计算系统的开发开辟了道路，解锁了先进的新型AI应用。