Precursor Ratio-Controlled Chloride Vacancies in Lead-Free KCuCl3-x Memristors for Forming-Free Gradual Resistive Switching and Neuromorphic Learning

想象一台并非通过开关式的硬性“开”与“关”来思考，而是通过模仿人类大脑中那种流动的、具有适应性的连接来进行思考的计算机。这就是神经形态计算（neuromorphic computing）所承诺的前景——这一领域致力于构建能够像生物神经元一样学习和处理信息的电子系统。在这项努力的核心，是被称为忆阻器（memristors）的微小器件，它们能够记住过去的电学状态，并通过改变电阻率来模拟大脑中突触的增强或减弱。为了让这些器件高效工作，它们需要能够平滑且精确地调节电导率，而不是仅仅在两个固定水平之间跳变。为了实现这一点，科学家们通常依赖于材料原子结构中微小的缺失部分，即空位（vacancies）。这些缺失的点位允许离子在电场作用下移动和重新排列，从而创造出使器件实现状态切换的路径。然而，寻找这些缺失部分的适量程度是一场微妙的平衡：太少，器件无法高效切换；太多，行为则会变得混乱且不可靠。

来自印度理工学院卡格尔分校（IIT Kharigpur）和拉贾·纳伦德拉尔·汗女子学院（Raja Narendralal Khan Women's College）的研究团队开发出了一种控制特定材料中这些缺失部分的新方法，而这种材料是环境友好的。他们没有使用常见的有毒铅材料，而是使用了一种由钾、铜和氯组成的无铅化合物。通过仔细调整制造该材料薄膜时的配方，他们能够高精度地调节缺失氯原子的数量。这种控制使他们能够创造出一种无需经过严苛初始“训练”电压即可平滑切换电阻的器件，而这正是类似技术中常见的一个障碍。其结果是，这种忆媒体不仅切换可靠，而且学习效果显著，在计算机模拟中识别手写数字和时尚单品的准确率极高。

研究人员首先通过以不同的比例混合氯化钾和氯化铜，创造了五种不同版本的材料，其范围从完美的平衡到钾含量显著减少的情况不等。随着起始原料比例的变化，所得薄膜的内部结构也呈现出可预测的变化。利用强大的 X 射线分析技术，他们观察到晶格（即原子的重复模式）在一个方向上略微膨胀，而在其他方向上则收缩。更重要的是，他们发现缺失的氯原子并非随机散布，而是优先形成在体相晶体结构中氯原子结合较弱的特定末端氯位点。这种原子的定向移除创造了一个受控的环境，使得铜原子可以改变其电荷状态，从携带磁性特征的状态转变为不携带磁性的状态。这种转变证实了缺失的氯原子正在积极改变材料的电子景观，从而使电流更容易流动。

随着缺失氯原子数量的增加，材料的导电能力发生了非常特定的变化。含有适量缺失原子的薄膜在响应电脉冲方面表现出了显著的改进。在缺失原子较少的早期版本中，器件需要较高的初始电压才能开始工作（这一过程被称为“电形成型”），且其切换过程较为突变。相比之下，经过精心调控缺失原子浓度的版本无需初始的高压冲击即可开启，且电阻的变化是渐进的。这种渐进的变化对于模拟大脑至关重要，因为大脑中的突触是通过微小、连续的步骤而非突然的跳跃来增强或减弱的。研究人员发现，拥有最佳缺失原子数量的器件可以在不发生故障的情况下完成超过 10,000 次的状态切换，并保持高电阻态与低电阻态之间的清晰区别。

这些器件真正的考验在于研究人员将其用于模拟一个简单的脑网络。他们将表现最好的器件的实际电学行为输入到一个旨在识别图像的计算机模型中。当被要求识别标准数据集中的手写数字时，该系统达到了近 99% 的准确率。当测试一组显示不同类型服装的更复杂图像时，准确率仍保持在 91% 以上。这些结果明显优于那些缺失原子过多或过少的器件。而缺失原子过多的器件虽然切换速度更快，但存在电导饱和快和线性度降低的问题，导致学习过程变得混乱且准确度下降。这证明了在缺陷浓度中存在一个“甜点区”（sweet spot），即材料在此浓度下学习效果最为出色。

研究还揭示了为什么这种平衡如此重要。当缺失原子的浓度过高时，电流路径变得过于庞大且无序，导致对切换过程的控制力丧失。器件会发生饱和，这意味着它会过快地达到最高或最低电阻值，从而没有足够的空间进行学习所需的细微调整。相反，当浓度过低时，离子的移动速度过慢，需要更多的能量和时间来进行切换。研究人员找到的最佳版本提供了恰到好处的移动缺陷，既能实现快速、节能的切换，又能保持足够的有序性，以确保变化的精确性和可重复性。这项工作建立了材料原子级排列与执行复杂任务（如学习）能力之间的明确联系，为设计未来既强大又环境友好的电子系统提供了蓝图。