🔬 materials science

Engineering Synaptic Dynamics in Ag-Modified TaO $_x$ Memristive Devices

本文证明了通过 Ag 与氧空位机制之间的相互作用，对 TaO $_x$ 忆阻器进行 Ag 改性可以实现对突触抑制动态（从渐进式到突发式）的电学可编程控制，从而优化在 MNIST 和 Fashion-MNIST 数据集上的神经形态学习性能。

原作者： R. Leal Martir, W. Quiñonez, A. J. T. van der Ree, M. H. Aguirre, G. Palasantzas, M. J. Sánchez, D. Rubi

发布于 2026-09-30

📖 1 分钟阅读☕ 轻松阅读

原作者： R. Leal Martir, W. Quiñonez, A. J. T. van der Ree, M. H. Aguirre, G. Palasantzas, M. J. Sánchez, D. Rubi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

当今的计算机建立在一种将存储与思考分离的基础之上。信息存储在一个地方，而在另一个地方进行处理，这迫使数据不断地来回传输。这种分离造成了瓶颈，减慢了计算速度并浪费了能量。为了克服这一问题，科学家们正在开发一种模仿人类大脑的新型硬件，在其中，存储与处理发生在同一处。这些人工大脑的关键组件是突触，即神经元之间的连接点。在生物大脑中，这些连接会随着时间的推移而增强或减弱，这就是我们学习的过程，被称为可塑性。对于人工硬件要实现有效的学习，它需要能够复制这种平滑且可预测地调整其连接的能力。然而，大多数旨在充当人工突触的电子设备都具有固定的“个性”；一旦制造完成，它们改变强度的方式就是注定的，无论它们试图解决什么样的任务。

一个研究小组发现了一种利用特定类型的氧化钽电子开关来打破这一限制的方法，氧化钽是这些设备中常用的一种材料。通过在设备中加入微小的银颗粒，他们发现只需调节传输电流的信号强度，就能改变开关的行为。在标准设备中，连接强度的变化很快就会停止，就像一个跳到开启状态后就保持开启的灯开关。而在这种经过银改性的设备中，研究人员发现，只需通过调节电压旋钮，就可以在三种截然不同的行为之间进行选择。他们可以让连接在许多个步骤中缓慢减弱，也可以让连接在短短几个瞬间内发生剧变，或者让其变化过程在很长一段时间内展开。这意味着单个物理设备可以被编程为表现出不同类型的学习者，使其内部动态适应于所解决问题的需求。

研究人员通过将一层氧化钽薄膜沉积在硅芯片上，然后在上面放置一层银纳米颗粒，最后用金属电极密封，从而制造出这些设备。当他们在没有银的情况下测试这些设备时，它们的表现就像典型的电子开关：它们会以一种可预测的单向模式改变其电阻（即对电流流动的阻碍）。然而，一旦引入银，行为就发生了彻底的变化。设备开始表现出高度的对称响应，这意味着无论电流向前还是向后流动，其反应都是相似的。更重要的是，当研究人员施加一系列电脉冲来减弱连接时，结果完全取决于脉冲的大小。

在较低的脉冲强度下，设备逐渐减弱，大约需要五十个脉冲才能达到最终状态。当研究人员稍微增加脉冲强度时，设备反应得异常迅速，仅需四到五个脉冲就会失去大部分强度。但当他们进一步提高电压时，行为又发生了反转。设备并没有变得更快，而是变慢了，将变化分散到了一百多个脉冲之中。这种非线性响应是最令人惊讶的发现。通常情况下，加大对系统的压力会让其反应更快。在这里，加大压力反而让其反应更慢，而恰到好处的压力则让其反应最快。研究人员证实，这并非单个损坏设备的偶然现象，而是在多个样本中都发现的一致特征，表明该材料的运作方式发生了根本性的转变。

为了理解内部发生了什么，团队观察了设备的微观结构。他们发现，银颗粒并没有形成一条实心的导线或连续的金属路径（这是此类设备工作的常见方式）。相反，银似乎与氧空位（即氧化物晶体结构中允许电流流动的微小缺失点）发生了相互作用。研究人员提出，银表现得像一种移动缓慢的内部状态，影响着氧空位移动的速度。当电信号较弱时，银的影响很小，氧空位自行缓慢移动。当信号恰到好处时，银保持静默，允许氧空位迅速涌动并产生快速变化。当信号非常强时，银变得活跃并阻碍了进程，从而减慢了氧空位的移动，并将变化过程拉长。这种快速移动的氧空位与较慢移动的银之间的相互作用，创造了这三种截然不同的行为。

这项发现的真正价值是通过观察这些不同的行为如何影响计算机的学习能力来进行测试的。研究人员模拟了一个简单的人工大脑，并教它识别手写数字和衣物图像。他们使用在实验室中观察到的三种不同的抑制模式作为大脑连接应如何变化的规则。结果非常明确。当大脑使用缓慢、渐进的变化时，学习效果最好，能正确识别约88%的手写数字。中间那种渐进正弦模式的效果也很好，准确率达到了约85%。然而，当大脑使用突发、快速变化的模式时，其性能崩溃到了约50%，这与随机猜测的表现无异。此外，快速变化的模式产生了不一致的结果，大脑在每次训练时的表现各不相同。

这次实验表明，变化的速率和形状与最终结果同样重要。一个变化过快的连接会跳过必要的中间步骤，使得大脑难以精细化其知识。一个变化缓慢的连接则允许平稳、持续的调整，从而带来更好的学习效果。这项研究表明，通过工程化设计设备内部的材料，科学家可以将学习的动态特性转化为一种可编程的特性。人工突触不再受限于单一、固定的学习方式，而是可以根据任务需求被调节为渐进式、突发式或分布式。这为神经形态计算增添了新的灵活性，表明未来人工智能硬件的发展不仅在于使设备更小或更快，更在于使其更具适应性。

技术摘要：工程化银（Ag）改性 TaOx 忆阻器器件中的突触动力学

问题陈述
在神经形态硬件的开发中，一个关键挑战在于不仅要设计突触权值更新的大小，还要设计其动力学。虽然在优化忆阻器器件的线性度、耐久性和状态数方面已取得了显著进展，但大多数基于氧化物的忆阻器突触一旦其物理架构确立，就会表现出固定的电导增强（potentiation）和抑制（depression）特性。尽管脉冲参数（幅度、宽度、次数）可以控制电导变化的量，但突变响应的函数性演化（例如，它是渐进式的、突发的还是 Sigmoid 型的）通常是由器件材料和结构预先决定的。这与生物学习形成了对比，在生物学习中，适应动力学会随阶段而变化，同时也限制了硬件行为匹配不同学习任务或数据集特定统计需求的能力。

研究方法
本研究调查了经银纳米颗粒（AgNPs）改性的 $\text{TaO}_x$ 忆阻器器件。

制备： 通过脉冲激光沉积（PLD）在 $\text{Si/Pt}$ 基底上沉积了 50 nm 的 $\text{TaO}_x$ 薄膜。AgNPs（平均尺寸 $9 \pm 2\text{ nm}$ ，表面覆盖率 6%）通过等离子体溅射在顶层 $\text{Pt}$ 电极制备前以非原位方式沉积在薄膜上。未添加 AgNPs 的器件在同一薄膜上制备作为对照组。
表征： 使用扫描透射电子显微镜（STEM-HAADF）和能量色散 X 射线光谱（EDS）进行结构分析，以确定氧化物化学计量比和 Ag 分布。
电学测试： 采用基于脉冲的协议对器件进行表征。通过施加编程脉冲并随后施加非干扰读取脉冲（ $100\text{ mV}$ ）来重建迟滞开关回路（HSLs），以测量剩余电阻（ $R_{REM}$ ）。通过施加一系列相同的电压脉冲并监测电导演化来测试突触的电导增强和抑制。
建模： 开发了一个极简的耦合态模型来解释实验观察结果。该模型将与空穴相关的开关变量（ $x_N$ ）与较慢的、与 Ag 相关的内部状态变量（ $a_N$ ）耦合在一起。
仿真： 使用基于忆阻器的单隐藏层多层感知器（MLP）在 MNIST 和 Fashion-MNIST 数据集上进行训练，以评估所观察到的动力学的函数性影响。将重现三种实验观察到的机制的合成抑制轨迹纳入突触更新规则中。

主要结果

结构与电学基准： 参考 $\text{TaO}_x$ 器件（不含 Ag）表现出常规的双极阻变特性，具有逆时针（CCW）迟滞回路和快速饱和的电导更新。 $\text{TaO}_x$ 薄膜由更氧化的顶层（ $\sim\text{TaO}_2$ ）和更还原的底层（ $\sim\text{TaO}_{1.2}$ ）组成。
Ag 改性器件行为： AgNPs 的引入从根本上改变了开关动力学：
- 迟滞现象： 器件显示出高度对称的“带腿桌子”（TWL）型迟滞回路，侧向“翅膀”表明存在亚稳态中间电阻态。
- 非单调抑制： 与参考器件不同，Ag 改性器件表现出对编程脉冲幅度强烈的非单调依赖关系。通过仅改变脉冲幅度，同一个器件可以被驱动进入三种不同的机制：
  - 低幅度（ $1.3\text{ V}$ ）： 在约 50 个脉冲内表现出渐进的、类 Sigmoid 的抑制。
  - 中等幅度（ $1.5\text{ V}$ ）： 电导更新集中在前 4–5 个脉冲内，表现为突发式。
  - 高幅度（ $1.6\text{–}1.7\text{ V}$ ）： 电导演化广泛分布，超过 100 个脉冲且不发生饱和。
- 对称性： 这些行为在正负电压极性下均可重现，表明存在共同的底层机制。
建模： 极简耦合态模型成功重现了“渐进–突发–渐进”的交叉过程。该模型假设两个单独的单调场激活过程在相互竞争：一个是空穴介导的过程，另一个是较慢的与 Ag 相关的过程。在中等电压下，空穴过程占主导地位，导致突发式开关。在高电压下，Ag 相关状态的激活抑制了有效的空穴重组速率，从而导致宽泛的、分布式的响应。
神经形态性能：
- MNIST： 渐进（缓慢演化）机制实现了最高的准确率（ $\approx 88\%$ ），其次是 Sigmoid 机制（ $\approx 85\%$ ）。突发机制的准确率较低（ $\approx 50\%$ ），且具有较高的运行间差异（run-to-run variability）。
- Fashion-MNIST： 渐进机制保持了稳定的学习性能（ $\approx 72\%$ ），而摘要结果中未对突发机制进行该数据集的测试，但暗示其由于更新过于粗糙而不理想。

意义与主张
作者声称，通过耦合 Ag 相关动力学与氧空穴动力学，可以将突触抑制从一种固定的器件特性转变为一种电可编程属性。

可调性： 本工作证明，仅通过调整编程脉冲幅度，单个物理忆阻器突触即可实现功能上截然不同的学习机制（渐进、突发、分布式），而无需修改其物理架构。
机制： 结果表明，Ag 的引入修改了局部的缺陷景观和空穴再分布的动力学，而非仅仅形成简单的金属丝。迟滞回路中的“翅，翼”以及非单调动力学归因于 Ag 相关构型与空穴介导开关之间的相互作用。
功能影响： 本研究建立了突触更新的“时间结构”与学习性能之间的直接联系。它强调，电导变化的“轨迹”与可达状态的数量同样重要。具体而言，突发式更新（集中在少数脉冲内）通过提供粗糙的权重增量并增加对噪声的敏感性，从而降低了学习效果；而分布式更新则允许更精细的权重微调并提高准确率。
更广泛的影响： 这项工作为扩展氧化物忆码器突触的功能能力提供了一条途径，使其超越传统的电导优化，实现硬件适应性，以匹配特定学习任务的具体需求。

类似论文