河北大学闫小兵教授团队InfoMat：反铁电AgNbO3构建的神经形态感知系统

点击蓝字

关注我们

受生物神经系统的启发，我们正在利用电子元件构建类脑的神经形态感知系统，以模拟生物体编码和处理信息的方式，这被认为是实现下一代人机交互技术的有效途径。忆阻器因其工作原理与生物神经的工作过程相似，在类脑神经仿生领域占据了重要地位。这些基于忆阻器的系统有潜力简化复杂的算法编码，突破传统计算架构的性能限制，进而增强系统的集成度。然而，忆阻器技术仍面临重大挑战，尤其是细丝型忆阻器中难以控制的随机性问题，以及Mott绝缘体所需的高驱动电流导致系统功耗增加，这些问题限制了忆阻器在大规模神经形态计算系统中的应用。

反铁电（AFE）材料是一种特殊的极性材料，由相邻的相反偶极子堆叠在一起，相互补偿，在外部电场下导致宏观尺度上的残余极化为零。反铁电材料可以通过施加电场调节其固有的极化/去极化过程影响材料内部的电子状态，实现其电阻状态的转变。利用其挥发性特性，能够模拟生物神经元的自我恢复，消除了对外部周边复位电路的需求。这些材料具有更宽的带隙（意味着更低的漏电流）且转变过程是体效应（意味着更好的器件稳定性）。因此，探索反铁电材料在忆阻器中的应用可能是全面提升其性能的关键。

河北大学闫小兵团队选择无铅AgNbO₃（ANO）反铁电材料，通过利用脉冲激光沉积技术，在单晶SrTiO₃（STO）衬底上外延生长了Pt/SRO/ANO/SRO/STO结构忆阻器，该忆阻器表现出良好的双滞回特性且具有>10³大的开关比、8.99 nW超低开关功率和>10⁵高稳定性。利用LIF神经元电路模型，建立反铁电ANO忆阻器的固有极化/去极化过程与整合/泄漏神经元功能的动态关系，证明了AFE神经元具有可调节的发射频率。AFE神经元与温度、光传感器结合，能够将光和温度信号编码为脉冲，展现出模仿生物视觉和温度感知的能力。通过模拟，感知神经元进一步集成到三层脉冲神经网络的输入神经元中，实现了基于MNIST的光学图像分类95.34%的准确率和热成像分类95.76%的准确率。这些结果表明，AFEAN是构建高效率SNN系统的有前途的候选者，并可能促进基于反铁电材料的神经形态机器的工业落地。该工作以题为“Neural morphology perception system based on antiferroelectric AgNbO₃ neurons” 在InfoMat上在线发表（DOI: 10.1002/inf2.12637）。

我们摘取了文章里的几部分重点给大家做个介绍：

1. 采用微结构表征技术发现AgNbO₃材料能够很好的在SRO及STO衬底上外延，这种外延可以有效提升薄膜的可预测性和均一性，有效降低器件间的弥散性。

图1 A. ANO晶体结构转变示意图。B. 忆阻器器件结构示意图。C. 在SRO/STO基底上生长的ANO薄膜的XRD衍射图。D. ANO薄膜在不同扫描范围内的AFM图。E. SRO/ANO/SRO/STO异质结构的横截面TEM图。F. 界面的高分辨率TEM图像。G. 界面处原子周期排列结构。H. ANO/SRO/STO异质结构的SAED（选区电子衍射）图像。I. 器件中Ag元素的EDS（能量色散谱）图像。J. 器件中Nb元素的EDS图像。

2. ANO材料具有很好的反铁电，该反铁电特性能够被电场调控，制备的忆阻器能够在8 uA的限流下稳定工作，这有利于降低类脑系统的功耗。

图2  A. 不同电场作用下ANO薄膜的反铁电滞回线。B和C.  P-V（极化-电压）回线的频率和温度特性。D. 在8 μA 限制电流下ANO阈值器件的典型I-V（电流-电压）曲线。E. 电场下ANO反铁电极化调制。F. 反铁电ANO器件在100次重复循环中双向高电阻和低电阻状态的分布。G. V_{th_pos}、V_{hold_pos}、V_{th_neg}和V_{hold_neg}的统计。H. 基于电脉冲测试器件的耐久特性。

3. 利用ANO反铁电忆阻器搭建了LIF神经元电路模型，实现了神经元整合与发射的生物行为，构建类脑神经系统提供了良好的前期基础。

图3  A. 生物神经元的结构和传导模型。B. 生物神经元胞体细胞膜附近的离子通道及膜电位。C. 使用AFE ANO阈值器件构建的人工神经元电路。D. AFEAN在幅度分别为3V、4V和5V的输入脉冲下的尖峰输出行为。E. AFEAN在不同输入电阻下的尖峰响应。F. AFEAN在不同充电循环中的尖峰响应。

4. 通过连接传感器，搭建了视觉和温度感知的神经形态感知系统，实现了对外部光和热信号的编码。

图4  A. 基于脉冲的AFE神经系统光学和温度感知的示意图。B. 光敏传感器在明暗条件下切换时的电阻变化。C. 不同光照条件下光敏传感器的I-V曲线。D. 光敏传感器与光强度之间的非线性关系。E. 在相同的脉冲电压序列下，不同温度下的不同电压输出。F和G. 在不同光强度和温度环境下AFE神经系统中电容的充电水平。F. 视觉感知系统尖峰输出频率的拟合。H-K. 用于视觉和温度感知的AFE神经系统的尖峰输出响应。

5. 神经形态感知系统能够实现对基于MNIST数据集的光和温度图像分类，测试集的准确率可以达到95.34%和95.76%。

图5 A)  A. 不同类型图像（光学成像、热成像）在感知神经元下将物理信号编码为电脉冲，并将它们输入神经网络进行分类的过程。光学图像（热成像）中每个像素的值被视为光（温度）强度。784个人工脉冲视觉（温度感知）神经元将光学图像（热成像）中的像素信息编码为电脉冲信号，并将它们输入到三层脉冲神经网络（SNN）中，最终通过计算输出层神经元的放电率来获得分类结果。B. SNN神经网络模拟的流程图。在计算（黄色箭头）过程中，图像首先被编码为感觉神经元峰值的脉冲，然后发送到线性层进行加权和整合，通过反铁电神经元计算输出层峰值的损失。在误差反向传播阶段，调用sigmoid型函数来计算梯度（红色箭头）。黄色框中的计算模块是根据实验数据模拟的，绿色框中的计算模块是由软件模拟的。C. 光学图像分类测试准确率随训练周期的变化。经过50个训练周期后，测试集的准确率可以达到95.34%。D. 输入不同光学图像时输出层神经元的平均峰值数量。E. d图输出结果的可视化。F. 显示经过50个训练周期后光学图像测试数据集的混淆矩阵分类结果，表明其可以很好地进行分类。G. f图输出结果的可视化。H. 热成像分类测试准确率随训练周期的变化。h经过50个训练周期后，测试集的准确率可以达到95.76%。I. 输入不同的热图像时输出层神经元的平均峰值数量。J. i图输出结果的可视化。K. 显示经过50个训练周期后热图像测试数据集的混淆矩阵分类结果。

Neural morphology perception system based on antiferroelectric AgNbO₃ neurons

Jianhui Zhao, Jiacheng Wang, Jiameng Sun, Yiduo Shao, Yibo Fan, Yifei Pei, Zhenyu Zhou, Linxia Wang, Zhongrong Wang, Yong Sun, Shukai Zheng, Jianxin Guo, Lei Zhao*, Xiaobing Yan*

DOI: 10.1002/inf2.12637

Citation: InfoMat, 2024, e12637

点击左下角【阅读原文】查看文章

《信息材料（英文）》（InfoMat）是由电子科技大学和Wiley出版集团共同主办的国产金色OA学术期刊，聚焦信息技术与材料、物理、能源、生物传感以及人工智能等新兴交叉领域前沿研究，创刊主编为李言荣院士。《信息材料(英文)》(/nfoMat)是由电子科技大学和Wiley出版集团共同主办的国产金色OA学术期刊，聚焦信息技术与材料、物理、能源、生物传感以及人工智能等新兴交叉领域前沿研究，创刊主编为李言荣院士。

● 国产金色OA英文期刊

● 影响因子22.7；CiteScore37.7

● 中国科技期刊卓越行动计划高起点新刊

● 中国科技期刊卓越行动计划二期项目英文梯队期刊

● 中科院分区材料科学1区期刊

● 收录于DOAJ、SCIE、Scopus、CSCD、CAS、INSPEC等数据库

● 2022、2023年连续入选中国最具国际影响力学术期刊（Top5%）

● 2021、2022、2023年连续三年获评已进入世界期刊TOP5%

● 发表原创性研究论文、综述、前瞻性论文

期刊主页：http://www.wileyonlinelibrary.com/journal/infomat

投稿链接：https://mc.manuscriptcentral.com/infomat

编辑部邮箱：editorial@info-mat.org

扫描期刊二维码，查看InfoMat主页

猜你喜欢

球分享

Wiley旗下材料科学类期刊官方微信平台

推送材料科研资讯｜访谈材料大咖新秀

分享撰稿投稿经验｜关注最新招聘信息

点击“分享”，给我们一点鼓励吧~