【仪表网 研发快讯】人脑由千亿级神经元和突触构成，是自然界最高效的计算平台，具备卓越的学习、记忆与并行处理能力，同时功耗极低。受此启发，类脑计算(Neuromorphic Computing)成为突破传统冯·诺依曼架构瓶颈的关键方向。其中，阻变器件(Resistive Switching Devices)因其结构简单、可微缩性强、能耗低等优势，被视为实现人工突触功能的理想候选器件。而复杂氧化物材料由于其丰富的亚稳态和强关联电子特性，在外加电场下可展现出多样化的阻变行为，为模拟生物神经元的脉冲特性以及突触的可塑性、适应性等非线性动力学特性提供了独特平台。
 

　　图1. 面向类脑计算的复杂氧化物芯片发展路线示意图。a) 复杂氧化物阻变机制的示意图，展示了氧空位迁移、界面势垒调制以及金属绝缘体转变物理过程；b) 复杂氧化物器件典型阻变行为的示意图，包括电压-电流响应于脉冲响应；c) 基于阻变器件构建的代表性交叉阵列电路结构；d) 复杂氧化物在类脑硬件架构中的方案示意，体现从单器件到阵列、从功能单元到系统级的演进路径；e) 类脑计算可高效实现的典型任务示例，如模式识别、时序学习、低功耗边缘智能等。
 

　　近日，金属材料强度全国重点实验室研究团队在《先进材料》(Advanced Materials)在线发表了题为《阻变氧化物：机制、性能及其在人工智能中的器件-算法协同设计》(Resistive Switching Oxides: Mechanism, Performance, and Device-algorithm Co-design for Artificial Intelligence)的综述论文。从“材料机制-器件性能-算法协同”三位一体的视角出发，系统梳理了基于复杂氧化物的阻变器件在类脑计算领域的最新进展，阐述了导电细丝迁移、界面效应、金属-绝缘体转变等阻变电学特性的多尺度微观起以及动力学特征；对当前各类复杂氧化物阻变器件的关键指标(如开关比、耐久性、保持性、能耗等)进行了横向对比，明确了性能优化路径；展示了单器件层面模拟生物神经功能的能力，更进一步探讨了器件集成下的任务驱动算法协同设计策略，为实际应用提供指导；文章最后客观分析了当前复杂氧化物阻变器件在一致性、稳定性、大规模集成等方面的挑战，并对未来神经形态芯片在材料、器件以及算法方向的发展提出了展望。
 

　　西安交通大学材料学院博士生乔煦容，刘子煜，孙嘉辉为共同第一作者，硕士生晏曦、贾欣、刘显伟、焦婧恺参与了论文的写作。西安交通大学材料学院倪妍、张祯教授为论文共同通讯作者。该论文在西安交通大学材料学院孙军院士和丁向东教授共同指导下完成，论文依托金属材料强度全国重点实验室，同时得到了国家自然科学基金(62475211)(52071258)，中央高?；究蒲幸滴穹炎ㄏ钭式?xzd012022022)(xtr072024009)、以及小米青年学者项目的支持。