英国剑桥大学研究团队开发出一种新型纳米电子器件，通过模拟人脑神经元的连接方式，有望大幅降低人工智能（AI）硬件的能耗。研究显示，这种基于氧化铪材料的新型忆阻器可实现极低工作电流和高度稳定的多状态切换，为发展低功耗类脑计算硬件提供了新路径。相关成果发表于最新一期《科学进展》杂志。
当前AI系统大多基于冯·诺依曼架构，需要在存储单元与计算单元之间不断来回传输数据，从而消耗大量电力。而随着AI的迅速普及，全球对算力和能源的需求也在急剧上升。
受大脑启发的“类脑计算”提供了一种替代方案。这种计算在同一位置实现数据的存储与处理，可显著减少数据搬运带来的能量损耗，理论上可将能耗降低约70%。同时，这类系统还具有更强的适应性，就像人脑能够不断学习和调整一样。
要解决AI能耗问题，需要具备极低工作电流、优异稳定性、在多次开关循环和不同器件间保持高度一致性，并能够在多种状态间切换能力的器件。目前，大多数忆阻器依赖在金属氧化物材料内部形成微小导电细丝来实现功能。但这些导电细丝的行为往往难以预测，而且通常需要较高的成形电压和工作电压，这限制了它们在大规模数据存储和计算系统中的应用。
此次，团队开发出一种全新的铪基薄膜，其状态切换机制完全不同。通过掺入锶和钛，并采用两步生长工艺，氧化物层之间形成微小的p-n结界面结构，使器件能够通过调节界面处的能量势垒高度，实现电阻的连续可调变化，而不是依赖导电细丝的生成或断裂。
实验结果表明，该器件的开关电流仅为部分传统氧化物忆阻器的百万分之一，同时可实现数百个稳定可区分的电导状态，这是实现模拟“存内计算”的关键条件之一。此外，该器件可承受数万次稳定开关循环，并可将信息状态保持约一天时间。
研究还发现，该器件能够模拟生物神经系统中一些基本学习规则，譬如神经元连接强度会随信号到达时间发生变化，这也是实现类脑学习能力的重要基础。
不过，该器件目前的制备温度约为700℃，高于现有标准半导体制造工艺的温度要求。未来若能降低制备温度并实现芯片集成，这类器件有望成为新一代低功耗AI硬件的重要基础技术。
