最新研究成果：揭秘忆阻器内部工作机制！

近日，美国国家标准与技术研究院（NIST）的科学家们揭示出这些模仿神经细胞记忆功能的半导体元件：忆阻器的内部工作机制，这些内部工作机制长久以来都是一直是个迷。他们的研究成果将有利于忆阻器更加高效地运转，以及提出最小化漏电流的方案。

背景

如今，即使是最先进的超级计算机，其复杂程度也无法与人脑相提并论。

冯诺依曼体系结构的传统计算机中，CPU与内存相互分离，存储程序指令和数据的是内存，执行指令和处理相关数据的是CPU，数据需要在CPU和内存之间来回移动。然而，CPU运算速度增长较快，内存访问速度增长较慢，从而带来了速度不匹配的问题，即所谓的“冯·诺依曼瓶颈”和“内存墙”问题，限制了系统带宽，增加了系统的功耗。相比之下，人脑则处于全方位的互联状态，人脑中的逻辑和记忆紧密关联，其密度和多样性均是现代计算机的数十亿倍。

神经形态计算，也称为脑启发计算，摆脱了冯·诺依曼建立的计算结构，模拟大脑处理、加工信息的过程，将负责数据存储和数据处理的元件整合到同一块芯片中。神经形态芯片能效更高、性能更强，可以更快速、高效地学习数据。

（图片来源：Wei Lu）

神经形态技术将是高性能计算的下一个发展阶段，它能够大幅提升数据处理能力和机器学习能力。神经形态芯片计算能力显著提升，能耗和体积却小了很多，它或将引领计算机微型化和人工智能的下一阶段。

昨日，笔者在《最薄的存储器件：存储密度高，计算能力强！》一文中提到：“忆阻器被认为是下一代神经网络和神经形态计算里最有前景的硬件单元。”

忆阻器是一种有记忆功能的非线性电阻，它不仅可用于存储数据，还可以实现逻辑计算。科学家们对于忆阻器都显示出了浓厚的研究兴趣。笔者之前介绍的众多与忆阻器相关的创新技术案例，都很好地证明了这一点。

创新

今天，笔者为大家介绍的还是有关忆阻器的创新研究进展。近日，美国国家标准与技术研究院（NIST）的科学家们揭示出这些模仿神经细胞记忆功能的半导体元件忆阻器的内部工作机制，这些内部工作机制长久以来都是一直是个迷。

（图片来源：NIST）

NIST 和加州大学圣巴巴拉分校的 Brian Hoskins 和 NIST 的科学家 Nikolai Zhitenev、Andrei Kolmakov、Jabez McClelland 等人，以及他们来自马里兰大学帕克分校的纳米中心和罗马尼亚布加勒斯特微技术研究所的同事们，将研究成果发表于最近的《自然通信》（Nature Communications）杂志。

技术

一个神经细胞与另外一个神经细胞发送信号的能力，取决于细胞之间在不远的过去进行通信的频率，而忆阻器的电阻则取决于最近流过它的电流量。甚至在关闭电源的情况下，忆阻器仍能保持记忆。

尽管科学家们对于忆阻器显示出了浓厚的兴趣，但是他们仍然缺乏对于忆阻器工作机制的详细理解，还没有开发出研究忆阻器的标准工具集

近日，NIST的科学家们开发出这样一套工具集，并使用它更加深入地探索忆阻器的工作机制。

（图片来源：参考资料【2】）

为了探索忆阻器的电气功能，团队将处于不同位置紧密聚焦的电子束对准了二氧化钛忆阻器。电子束撞击出器件的一些电子，从而形成一幅超高锐度的图像。电子束也催生出在器件内部流动的四个不同的电流。团队判断出电流与忆阻器中材料之间的多个界面相关，忆阻器是由绝缘体分隔开的两层金属（导电）层组成。

（图片来源：参考资料【2】）

Hoskins 表示：“我们准确地知道每个电流是从哪里来的，因为我们控制了催生这些电流的电子束的位置。”

在这些器件的图像中，团队发现了几个暗斑（导电性强的区域），这些区域就是正常操作中电流从忆阻器中泄露出去的地方。这些泄露路径位于忆阻器核心的外部。在核心处，忆阻器在高低电阻之间切换，这一点在电子器件中很有作用。这项发现表明，减少忆阻器的尺寸可以最小化或者甚至消除某些不需要的电流路径。尽管，研究人员之前猜测可能就是这样，但是他们对于器件尺寸需要减少多少，缺乏实验指导。

因为泄露路径非常微小，距离只有100到300纳米。Hoskins 表示：“除非你能够在那个级别上减少忆阻器的尺寸，否则你将无法开始看到一些大幅改善。”

价值

让他们吃惊的是，团队也发现，与忆阻器中电阻切换相关的电流一点都不是来自于活性开关材料，而是上方的金属层。Hoskins 表示：“忆阻器研究的最重要的一课就是，你不能仅仅关注电阻开关，开关点本身，你必需关注它周围的所有东西。团队的研究产生出更强的直觉力，将有利于忆阻器的设计。”

他们的研究成果将有利于忆阻器更加高效地运转，以及提出最小化漏电流的方案。

关键字

忆阻器、存储技术、半导体

参考资料

【1】https://www.nist.gov/news-events/news/2018/01/thanks-memory-nist-takes-deep-look-memristors