Advanced Materials Technologies：人工神经架构——基于电荷捕获型器件的人工突触

随着人工智能时代的到来，数据计算复杂度以及能耗的迅速增加，传统冯诺伊曼体系结构计算机遭遇空前挑战。相比传统计算机，人脑拥有高度发达的并行计算能力，在学习、记忆、视觉传感发挥着极为重要的作用。在人脑神经系统中，神经元是最基础的工作单元，而连接每个神经元的则是神经突触结构。神经突触形态、功能、工作效率的变化，即突触可塑性，与神经元间信息的传递和存储有直接联系。因此神经突触的可塑性亦被认为是人脑学习能力的重要基础，实现神经网络计算系统，构建人工突触器件为关键。

传统的金属-氧化物半导体器件已被报道用于突触功能的模拟，然而随着电路集成程度的增加，大量的电阻器以及电容器堆积，会造成能耗的大幅上升。因此多种两端结构的器件被大量研究，如相变和铁电器件。虽然这两种器件的引入将有效实现器件更高密度的集成，但相变器件较大工作电流以及铁电器件的破坏性读取都是不可忽视的短板。相较之下，阻变存储器件则是一个更适合用于突触功能模拟的新型器件，得益于其在高密度存储、快速读取以及低能耗方面的优越表现。多年来多种材料亦被研究用于阻变存储器的制备，例如金属氧化物、钙钛矿、硫族化合物等。相比于无机材料，有机高分子材料由于其低成本、环保以及生物亲和的特性，在制备人工突触器件方面有巨大的优势。

深圳大学韩素婷,周晔课题组应用溶液法合成金纳米颗粒，掺于有机聚合物聚乙烯吡咯烷酮（PVPy）中形成杂化材料，用于制备高性能的两端结构阻变存储器器件并用于神经突触可塑性的模拟。其中金纳米颗粒在高分子聚合物中作为电荷捕获位点，用于电荷的捕获与释放，可引起在电压作用下杂化材料的电阻变化。良好的电阻转变效应使得该阻变器件能顺利对突触各项功能进行模拟，如短时程可塑性中的双脉冲增强、强直后增强、短时程可塑性到长时程可塑性的转变以及学习-遗忘-再学习的类人脑行为。

研究者相信，此项研究在构建高性能人工突触以及神经网络系统中做出一定贡献。论文在线发表在Advanced Materials Technologies(DOI: 10.1002/admt.201800342)上。