用于时空神经形态计算的质子镍酸盐器件网络
《Nature Nanotechnology》:Protonic nickelate device networks for spatiotemporal neuromorphic computing
【字体:
大
中
小
】
时间:2026年03月11日
来源:Nature Nanotechnology 34.9
编辑推荐:
**摘要**
生物神经回路中的计算能力源自非线性时间响应与空间分布的动态网络相互作用之间的相互作用。在硬件中复制这种复杂性一直具有挑战性,因为大多数神经形态学设备仅模拟了孤立的神经元或突触功能。在这里,我们引入了一个集成的神经形态学计算平台,在该平台中,非线性时空处理和可编程
**摘要**
生物神经回路中的计算能力源自非线性时间响应与空间分布的动态网络相互作用之间的相互作用。在硬件中复制这种复杂性一直具有挑战性,因为大多数神经形态学设备仅模拟了孤立的神经元或突触功能。在这里,我们引入了一个集成的神经形态学计算平台,在该平台中,非线性时空处理和可编程存储都在单一的钙钛矿镍酸盐材料系统中实现。通过在同一晶圆上设计对称和不对称的氢化NdNiO3结器件,我们将超快的质子介导的瞬态动态与稳定的多级电阻状态相结合。对称NdNiO3结网络展示了由质子重新分布介导的潜在空间相互作用,同时每个节点还提供了短期时间存储能力,使得运算可以在纳秒级别完成,且每个输入的能量成本约为0.2纳焦耳。当这些网络与作为可重构长期权重的不对称输出单元接口时,它们在同一材料系统中实现了特征转换和线性分类。利用这些潜在的相互作用,该平台能够实现实时模式识别,并在口语数字分类和早期癫痫检测方面达到高精度,性能优于仅依赖时间处理的架构或解耦架构。这些结果使质子镍酸盐成为一种紧凑、能效高、兼容CMOS的平台,能够集成处理和存储功能,适用于可扩展的智能硬件。
**主要观点**
神经形态学计算旨在创建模仿大脑信息处理方式的智能系统。在生物神经网络中,自组织和相互作用对于发展结构和功能至关重要,这使得系统具有适应性、容错性和鲁棒性。分布在不同脑区的神经回路通过突触网络以及时空多样的脑电波进行交流,以处理和整合复杂的认知能力所需的信息。当前的神经形态学计算硬件方法通常关注单个组件,如离散的神经元或突触设备,而非整个网络。这与生物计算系统的复杂拓扑结构形成对比,在生物系统中,结构和功能之间的相互作用对于产生计算能力至关重要。这里的“潜在”指的是由耦合节点之间的时空相互作用产生的系统级集体行为,这些行为在任何单个节点对输入的响应中并不存在。因此,当前的硬件方法可能无法完全捕捉生物神经网络的潜在集体动态,而在生物神经网络中,复杂的计算自然源自互联神经元之间的自组织时空相互作用。
**灵感来源**
受到生物神经网络循环连接性的启发,最近的研究利用了存储设备固有的非线性时间动态来实现类似水库的计算架构。然而,这些方法主要关注仅表现出时间动态的孤立设备,其特征通常是毫秒级的开关速度和相对较高的能量消耗,并且未能捕捉到网络层面的相互作用。虽然基于材料的神经形态学平台已经展示了空间耦合,但其全部功能往往依赖于外部处理器和片外组件,限制了系统级的集成。到目前为止,还没有任何单一材料系统同时具备非线性时间动态、潜在的时空行为以及这种集成所需的非易失性开关特性。这种均匀的集成减少了处理层和输出层之间的兼容性问题,从而简化了大规模集成的制造过程。
**本文工作**
在本研究中,我们在同一晶圆上实现了基于钙钛矿镍酸盐(NdNiO3)的均匀集成神经形态学计算系统。钙钛矿镍酸盐表现出多种电子现象,包括金属-绝缘体转变、电子开关和磁有序,并已被探索作为人工神经元、突触和存储电容器的构建块。然而,尚未探索在纳秒范围内实现能效高的瞬态开关以及在单一材料系统中将时空处理与非易失性输出相结合的可能性。通过在同一晶圆上设计对称和不对称的氢化NdNiO3(H-NNO)结器件,我们在一个统一的平台上实现了非线性时空处理的易失性时变动态以及输出层的非易失性可编程开关。节点间的时空相互作用源于质子介导的动态,促进了循环连接的自组织形成。我们的方法利用了超快的质子动态(约500纳秒)和H-NNO薄膜中的潜在连接性,创建了一个能效高的(每个输入0.2纳焦耳)且受大脑启发的计算系统,能够实现实时数据处理而无需对单个节点进行微调。
**氢化钙钛矿镍酸盐中的时空计算**
计算框架由两个不同的层组成:一个动态的时空处理层和一个静态的可编程输出层(图1a)。时空处理层利用每个节点中的非线性时间动态和节点间的循环连接性,将输入信号u(t)非线性地映射成丰富的内部状态表示x(t)。这些相互作用和个体动态有助于捕捉输入中的时间依赖性,并生成一组丰富的动态特征,使得简单的线性模型能够有效分类或预测输出。我们的处理层展现出随输入信号自发的动态潜在连接性(Wdynamic),而输出层使用静态的预训练权重(Wstatic)来线性组合内部状态x(t)并生成稳定的输出y(t)。图1b展示了集成在H-NNO薄膜上的相应硬件实现。在时空层中,每个Pd电极对应一个物理节点。当向Pd电极施加电压脉冲时,每个节点都会表现出时间衰减的记忆效应,并通过输入和H-NNO薄膜中的质子重新分布与其他节点进行潜在的空间耦合。每个Pd电极产生的输出电流被转换为电压信号,作为线性输出层的输入。在输出层中,具有可编程电阻的Pd–Au对实现了输出权重(Wout)。来自Pd–Pd处理阵列的电压信号被施加到Pd电极上,而在Au电极上收集的电流形成了计算任务的输出(y1, y2, …, ym)。
**图1:在同一晶圆上进行高效数据处理和计算的钙钛矿硬件。**
a. 计算框架的示意图,包括一个动态的时空处理层和一个静态的输出层。底部的方程描述了状态x(t)的演变和输出y(t)的计算过程,展示了时空处理层响应的动态特性以及输出中的线性映射。
b. 集成在单个NdNiO3/LaAlO3衬底上的相应硬件实现示意图。时间依赖的输入信号u(t)被转换为电压脉冲V(t),直接施加到H-NNO薄膜上的催化Pd电极上。每个电极产生的输出电流x(t)被监测为时空处理层的输出。
c. 制造出的芯片照片,包含单个器件、时空处理层和线性输出层单元。
d. 时空处理阵列的显微镜图像。刻度尺,100微米。
e. 时空处理单元的放大扫描电子显微镜图像。刻度尺,5微米。每个Pd电极之间的距离为3.5微米。
f. 输出层阵列的显微镜图像。刻度尺,250微米。
g. 单个输出层单元的放大扫描电子显微镜图像。刻度尺,5微米。
h. Pd–Pd镍酸盐器件的示意图,其中一个氢云膨胀而另一个收缩,显示了时间依赖的氢重新分布和电荷松弛。
**制造过程**
时空处理层和线性输出层都是在生长在LaAlO3(LAO)晶圆上的单个NNO薄膜上制造的(图1c和补充图1)。制造过程流程在方法和补充图2中概述。Pd–Pd时空处理阵列和Pd–Au线性输出阵列的光学和扫描电子显微镜图像分别显示在图1d–g中。在氢气中退火后,Pd作为催化电极将氢掺入镍酸盐晶格中,形成H-NNO(参考文献25,27,28,29,30,31)。相比之下,Au作为惰性电极在通道中建立氢梯度。Cu-Kα X射线衍射分析(补充图3)显示NNO峰(002)的宽化和位移,证实了与文献一致的温度效应(参考文献32)。对称的Pd–Pd器件(图1h)由两个朝相反方向移动的氢云组成,产生在重复电压脉冲下累积的瞬态电流响应,表现出短期记忆。而不对称的Pd–Au器件(图1i)在Pd电极附近有一个氢云。施加电压脉冲会导致围绕Pd电极的质子迁移,从而引起长期电阻变化。
**与现有技术的比较**
与现有的基于材料的存储计算(RC)相比,我们的H-NNO平台具有双重时间尺度的质子动态:(1)非易失性的质子运动提供了可稳定编程的长期记忆状态;(2)易失性的电容性质子动态引入了具有可调衰减的短期记忆。此外,我们的H-NNO网络在交互机制和可控性上也有所不同。虽然传统的基于材料的RC依赖于固定的最近邻耦合,但我们的系统展现出由衬底介导的全局相互作用,其中每个Pd电极都会重塑电压势场并影响所有其他节点。同时,每个节点都是电可访问的,允许进行编程和直流读出,提供了对网络连接的灵活控制,这是传统RC系统中所缺乏的,从而提供了更丰富和更灵活的时空计算框架。
**非易失性开关和镍酸盐器件中的瞬态动态**
氢化镍酸盐器件中的电阻调制主要是由于在电场作用下的质子迁移。在氢退火过程中,Pd催化氢原子掺入NNO晶格的间隙中。氢原子向Ni d轨道捐赠电子,导致镍的氧化状态发生变化,从而引起相变,大幅降低电导率(参考文献25,33,34,35)。电化学阻抗光谱和传输特性(补充文本1和补充图4)证实了H-NNO中的金属-绝缘体转变。在SiO2/Si衬底上制造的NNO薄膜中也观察到了类似的质子诱导的电阻调制,表明其与硅平台兼容(补充图5)。图2a显示了只包含一个氢云的Pd–Au器件的开关特性。正向偏置在Pd电极上产生RESET(电阻增加),而负偏置产生SET(电阻减少)。Kelvin探针力显微镜(KPFM)成像表明,电阻调制是由于在电压偏置下Pd电极附近的质子重新分布所致(参考文献2)。不对称的电流-电压(I–V)响应显示出较大的SET窗口,这与H-NNO/NNO界面处的肖特基势垒形成一致(参考文献2和补充图6–8)。图2b显示了Pd–Au器件的16个不同的非易失性电阻水平。高度线性的I–V关系适用于在直线阵列中实现矩阵-向量乘法。器件电阻随施加脉冲次数的变化(图2c)表明,随着正向脉冲次数的增加,Pd–Au器件的电阻逐渐增加,这是由于氢云向NNO薄膜迁移所致;而负脉冲则将氢云移回Pd电极。不同器件之间观察到一致的脉冲更新(补充图9)。1000秒内16个电阻状态的稳定性(图2d)证实了编程状态的非易失性。通过覆盖更宽的电阻范围(约40–350 kΩ),可以实现更多状态(即36个状态;参考文献10)。代表性状态长达10,000秒的保持性(补充图11)进一步验证了它们的长期稳定性。
**结论**
我们的H-NNO平台结合了非线性时间动态、潜在的时空行为和所需的非易失性开关特性,为制造大规模集成提供了紧凑、能效高的解决方案。这些点代表实验数据,实线代表基于方程(3)的拟合曲线。源数据:全尺寸图像。
在对称的Pd–Pd器件进行直流(DC)扫描时,显示出较低的绝对电流和较小的开关窗口(图2e)。较低的绝对电流可以解释为两个氢云在H-NNO/NNO界面形成了背靠背的肖特基势垒(补充图12)。较小的开关窗口是由于电阻调制之间的竞争作用:在正负电压扫描过程中,一个氢云会膨胀,而另一个则收缩。由于氢云的收缩(电阻减小)比膨胀(电阻增大)更强烈,因此对于两种扫描极性都观察到轻微的最终电阻减小。通过KPFM测量进一步证实了氢在不对称Pd–Au和对称Pd–Pd结中的迁移(补充文本3和补充图13)。当在两个Pd电极之间施加电压时,NNO膜的局部电位由Pd电极下两个氢云之间的电阻电压分配决定。在纳秒级电压脉冲序列下,由于LAO基底的电容充电,NNO膜的局部电位逐渐增加(补充图14)。这种动态电压电位影响每个氢云所经历的局部电压,进一步改变了它们的分布。如图2f所示,瞬态电流响应在重复脉冲后累积,并在脉冲移除后由于放电而放松,表现出短期记忆行为。图2g显示了电压脉冲(5 V, 500 ns)后的电流衰减,可以用时间常数为5 μs的指数衰减来拟合。这种对观察到的瞬态行为的解释得到了电路仿真(补充文本4和补充图15)的支持,这些仿真使用了实验测量的H-NNO电阻和寄生电容值(补充图16)。
为了进一步研究时间记忆效应,施加了多个具有相同配置但时间间隔不同的脉冲(从500 ns到3.5 μs不等)(图2h)。在时间间隔较短的脉冲序列下观察到更强的累积效应。这种频率依赖行为可以分为两个步骤:脉冲施加期间的快速积分过程和脉冲移除后的缓慢指数衰减。相应的模型方程和拟合程序在补充文本5中提供。累积强度和衰减时间常数对脉冲幅度的依赖性在补充图17中总结。对Pd–Au器件和Pd–Pd器件进行了统计分析,以评估器件的均匀性和稳定的开关行为(补充文本6和补充图18–25)。包括电极间距和焊盘尺寸效应在内的几何缩放特性在补充文本7和补充图26–28中呈现,证明了Pd–Pd器件的可扩展性和可调的时空动态性。
在H-NNO阵列中的空间相互作用
排列成二维阵列的对称Pd–Pd器件通过NNO膜中的质子重新分布实现了空间相互作用。当对一个节点施加电脉冲时,质子重新分布改变了局部氢云的电阻,进而改变了NNO膜的全局电压电位,并影响附近的节点。图3通过监测受控相邻活动下参考器件(DC,R)的输出电流,实验性地研究了输入介导的新兴空间相互作用的特征。这些测量为大规模时空H-NNO网络仿真的空间耦合建模提供了基础。在所有实验中,DC,R由固定的电压脉冲序列(5 V幅度,500 ns宽度和500 ns间隔)驱动,而相邻器件被独立配置为接收相同的脉冲序列或保持接地状态。在接地端的DC,R处测量的电流随时间增加并饱和,其幅度取决于周围节点的活动。图3a,b研究了由于相邻器件在四个不同方向(DC,R?1, DC+1,R, DC,R+1和DC?1,R)对DC,R的平面内耦合效应。结果一致表明,当相邻器件中存在正脉冲序列时,参考器件的输出电流比相邻器件接地时要高。相邻器件的影响对物理距离的依赖性较弱(图3c,d)。值得注意的是,位于参考器件最远的器件DC,R+4,在施加正脉冲序列时产生的输出电流影响最大。这种行为归因于金属NNO基底和氢化H-NNO区域之间的巨大导电性对比(约3个数量级)(补充图4d),这使得整个NNO膜上的电压降与氢云上的电压相比可以忽略不计。因此,耦合强度由相邻器件和参考器件之间氢云的电阻比以及施加的脉冲配置决定,而不是由物理距离决定,但仍反映了镍酸盐中的基底介导的空间相互作用。
图3:四个方向上相邻器件对参考器件DC,R的耦合效应示意图。每个方向的相邻器件施加电压脉冲序列(5 V, 500 ns脉冲持续时间和500 ns时间间隔)或接地信号。同时,参考器件施加恒定的电压脉冲序列(5 V, 500 ns脉冲持续时间和500 ns时间间隔),并测量参考器件的输出电流以评估方向耦合的影响。b,当在四个方向上的相邻器件施加电压脉冲序列或接地信号时,参考器件DC,R的实验测量输出电流。c,不同距离下相邻器件对参考器件DC,R的耦合效应示意图。d,当在不同距离上的相邻器件施加电压脉冲序列或接地信号时,参考器件DC,R的实验测量输出电流。e,三个Pd–Pd器件之间的空间相互作用图,展示了三种不同的刺激配置:两个正脉冲序列、一个正脉冲序列和全部接地。该图显示了这些不同的刺激条件如何影响参考器件DC,R,展示了多个相邻器件对参考器件行为的综合效应。f,三种配置下参考器件DC,R的实验测量输出电流。所有相邻器件都接收脉冲序列的配置产生了最大的输出电流。g,COMSOL仿真显示了不同邻居配置下的电压电位分布:两个相邻器件由正脉冲驱动,一个相邻器件由正脉冲驱动,两个相邻器件都接地。结果电位分布随着每个器件的输入条件而变化,证实了基底介导的空间相互作用。
我们进一步研究了一个2×3阵列,以研究多个相邻器件的集体影响(图3e)。图3f显示,两个相邻器件中各有两个正脉冲序列的配置产生了最高的输出电流,其次是一个正脉冲序列。相反,全部接地的配置产生了最低的输出电流。这表明参考器件的输出取决于其周围节点的尖峰活动水平。这种效应是非线性的,因为阵列中氢云的变化、各个器件的非线性时间开关特性以及通过基底产生的耦合。
为了验证这些发现,进行了COMSOL仿真(方法部分)。单个Pd电极内的模拟电流分布和相应的有效电阻在补充文本8和补充图29中详细呈现和讨论。此外,图3g展示了在不同配置下的2×3器件阵列中的电压电位分布。根据各个氢云的电阻和施加的电压,NNO基底上的电位景观被重新塑造,从而调节了作用在每个氢云上的局部电场,因此耦合了它们的动态。具体来说,当对相邻器件施加两个正脉冲序列时,参考器件所经历的电压差最大,导致最高的输出电流,这与我们的测量结果一致。基于COMSOL仿真和实验观察,可以通过描述电极之间成对耦合电阻的定量公式进一步理解基底介导的空间耦合。详细推导在补充文本9中提供。
时空计算的硬件实现
为了完成模式识别任务的完整硬件实现,我们连接了时空处理层和线性输出层阵列(图4)。对称的Pd–Pd时空处理阵列执行非线性特征变换,而不对称的Pd–Au阵列对输出层执行线性加权和操作。Au焊盘整合了来自周围Pd焊盘的电流(补充文本10和补充图30)。四个输入模式U、C、S和D被表示为5×5的二进制矩阵(图4a),并将其转换成电压脉冲序列。图4b显示了S模式的一个示例,其中黑色元素对应500 ns脉冲宽度和5 V幅度的电压脉冲,白色元素代表接地。这些脉冲序列随后被应用于时空处理阵列中的Pd焊盘(图4c)。焊盘6接地并作为参考电极,而其他焊盘接收编码的输入。时空Pd–Pd层和线性Pd–Au输出层之间的信号传输是在芯片外部实现的。首先读取焊盘5和焊盘6的输出电流,并将其转换为电压(Vout1和Vout2),然后将其作为输入应用于线性输出阵列。施加相反极性的电压,以在硬件中实现负权重,从而实现模式的准确线性映射。
图4:使用全钙钛矿镍酸盐神经网络结构的模式分类实验结果。a,用于此实验的模式(U、C、S和D)。b,对应于S模式的转换后的电压脉冲序列示例。c,全NNO基网络的时空处理层和输出层阵列连接的示意图。d,带有U、C、S和D模式的焊盘5和焊盘6的实时监测电流响应。e,由焊盘5和焊盘6的输出电流按比例转换后的线性输出层电压。f,Pd–Pd时空处理阵列的实验测量权重分布。g,具有四列的输出层阵列中的实验测量电流。
图4d显示了每个模式的焊盘5(I1)和焊盘6(I2)的实时监测电流响应。U和D模式具有相似的时间演变,但电流幅度不同。对于C模式,最后一个时间步骤的脉冲阻止了电流完全衰减,导致残余电流较高。对于S模式,每个时间步骤都施加了连续的脉冲,产生连续的电流积累。模式之间的不同电压分布(图4e)表明时空处理层编码了模式特定的特征。图4f显示了Pd–Au输出阵列的训练权重分布。将这些权重应用于时空输出,产生了每种模式在不同输出列上的不同电流响应(图4g),证明了成功的分类。这些结果表明,时空处理与线性加权和操作的结合实现了有效的模式识别。我们进一步通过直接连接时空层和线性输出层来检验片上集成的可行性。如图31所示,同时探测允许在监测线性输出层的电流响应的同时向时空层施加电压脉冲。测量的输出(补充图32)遵循500 ns脉动下的电流趋势。这证实了即使在有额外的负载和寄生电容的情况下,信号也可以可靠地在层间传输。
我们进一步设计并进行了大规模神经网络仿真,用于语音识别和神经信号分类任务(图5)。图5a显示了使用AudioMNIST数据集的口语数字识别任务流程。音频信号被编码为电压脉冲序列,由Pd–Pd时空处理层处理,然后使用Pd–Au线性输出层进行分类。图5b比较了仅在时间处理和时空处理下Pd–Pd阵列中氢云厚度变化的演变。在仅时间处理的情况下,氢云厚度根据单个节点的非线性时间衰变而演变。相比之下,在时空处理下,每个氢云的厚度还通过质子耦合受到来自相邻通道的脉冲的额外调制,促进了信息在节点之间的传播。详细的数据库描述、预处理步骤和实现参数在补充文本11中提供。图5:用于口语数字识别和癫痫检测的钙钛矿镍酸盐网络。a,口语数字识别任务的处理流程。该流程借鉴了人类耳蜗的结构,使用Lyon耳模型将音频信号转换为具有64个频带的模拟信号,然后通过阈值处理将这些模拟信号转换为二进制电压脉冲序列,输入到时空处理层。在每个时间步骤中,每当检测到脉冲时,就会施加一个宽度为500纳秒、电压为5伏的脉冲。经过预处理层处理的脉冲序列被传递到线性输出层,以将输入数字进行分类。b,128个Pd电极产生的氢云厚度的演变。结果比较了每两个电极仅具有时间特性(仅时间特性)与所有128个电极都表现出空间相互作用(时间和空间特性)的情况。c,语音识别的准确性与在无预处理、仅时间特性和时空特性情况下采样的脉冲序列次数(1次、2次、4次)的关系。结果表明,通过质子镍酸盐网络的时空处理可以提高数字识别的准确性。d,早期癫痫检测的处理流程。根据国际10-20系统在头皮上放置23个电极记录的EEG信号。显示的信号包括正常脑活动和癫痫发作的片段。应用阈值将连续信号转换为脉冲序列,并由线性输出层分类为癫痫或正常状态。e,图中展示了持续10秒的代表性癫痫事件,展示了3个通道的情况。早期检测的时间点分别标记为1秒、2秒和3秒。f,癫痫检测结果显示,经过质子镍酸盐网络的时空处理后,癫痫的早期检测准确性显著提高。
使用生成的电流特征作为线性输出层数组的输入进行线性回归,我们分类了口语数字并评估了准确性。图5c比较了三种情况下的分类准确性:无处理层、仅时间处理和时空处理。随着采样次数的增加,所有三种情况下的准确性都有所提高,因为网络获得了更多信息。时空处理实现了最高的准确性(95.3%),优于仅时间处理和无处理的基线。我们通过研究时空处理后的输入样本之间的成对距离来考察准确性的提高(补充图33)。与仅时间处理和无处理的情况相比,时空处理显示出更高的成对距离,验证了数字类别之间的更强分离(补充文本12)。我们评估了我们的方法与其他计算平台的能效(补充文本13和补充表1)。报告的能耗仅考虑了H-NNO层内的设备自身操作,不包括外围读出或前端电路。与基于离子运动的RC硬件(毫秒时间尺度)相比,我们的质子系统在500纳秒时间尺度下实现了显著的节能。
为了进一步展示我们质子神经形态硬件的广泛适用性和优势,我们评估了用于癫痫检测的脑电图(EEG)信号的神经信号处理。我们使用了PhysioNet提供的CHB-MIT Scalp EEG数据库(版本1.0.0),其中包含根据国际10-20系统放置的23个电极以256赫兹的频率采样的EEG记录。图5d展示了一位患者的代表性EEG记录,其中包含癫痫和正常事件。EEG信号使用固定阈值二值化为脉冲序列,并由时空层处理,然后由线性输出层分类为癫痫或正常状态。图5e展示了一位患者的代表性标准化癫痫事件,相应的非癫痫信号片段在补充图34中展示。阈值优化在补充图35中显示。在所有阈值设置中,时空处理层始终优于仅时间处理和无处理的基线。为了评估早期癫痫检测的性能,这对及时干预至关重要,我们进一步将输入限制在EEG信号的前1秒、2秒和3秒内。即使输入有限,时空处理也能实现最高的癫痫检测准确性,达到85%,而无处理为58%,仅时间处理为67%(图5f)。
我们通过在单个晶片上集成对称的Pd–Pd结作为时空处理层以及非对称的Pd–Au结作为可编程输出层,展示了钙钛矿镍酸盐中的神经形态计算平台。氢云之间的空间耦合实现了非线性特征转换和编码,而短期记忆动态捕捉了输入信号中的时间相关性。利用这些动态,该平台实现了新兴的时空交互和高效的实时时间信号分类。我们实现了大规模的口语数字识别和早期癫痫检测任务,以证明钙钛矿镍酸盐在能效高的实时时间数据处理方面的优势。除了这些演示之外,H-NNO网络中的新兴时空动态也可能对更广泛的应用具有相关性,包括音频信号处理、视频特征编码以及生物医学系统中的生物信号监测和分析。此外,镍酸盐与其他材料系统的异质集成也可能为时空神经形态计算开辟有前景的方向。例如,表现出金属-绝缘体转变和热耦合的强相关氧化物可能作为时空处理层,而具有亚纳秒开关动态和超低能耗的铁电材料可能提供高效的输出层。因此,钙钛矿镍酸盐为下一代神经形态系统提供了一个多功能平台,弥合了生物计算原理和硬件实现之间的差距。
**方法**
- **NdNiO3阵列制备**
使用射频(RF)溅射技术在室温下将NdNiO3薄膜(50纳米)沉积在2英寸LaAlO3(LAO)(100)单晶晶片(1毫米厚度)上。沉积过程使用了分别为75瓦直流和125瓦射频功率的Ni和Nd靶材的共溅射。沉积在5毫托压力下进行,由氩/氧气体混合物维持,流量分别为40标准立方厘米每分钟和10标准立方厘米每分钟。沉积后,晶片在550摄氏度下在25标准立方厘米每分钟的氧气气流中退火24小时以增强结晶度。随后使用双层剥离工艺(LOR5B和AZ1512)在NNO/LAO衬底上定义Pd电极图案。然后通过溅射沉积Pd电极(50纳米)。接着使用相同的双层剥离工艺制备并沉积Ti/Au(10纳米/100纳米)电极。在Au沉积步骤中,还在每个Pd电极上沉积了一个较小的Au垫,以改善设备测量期间的电接触。在Au和Pd金属沉积后,样品被放置在管式炉中,在氢/氩(5%/95%)气氛中以35标准立方厘米每分钟的流量下退火20分钟。这一过程导致Pd电极下方的NdNiO3(H-NNO)薄膜发生了氢化,形成了设备阵列中使用的质子调节的镍酸盐结。
- **原子力显微镜(AFM)和钾探针力显微镜(KPFM)实验**
我们使用NT-MDT Solver Next AFM原子力显微镜仪器进行了AFM和KPFM实验。仪器由单晶硅制成的HA_NC探针组成,探针的曲率小于10纳米,弹簧常数为2.8纳牛/米。交流调制和频率值分别为0.5伏特和131千赫兹。在两步扫描过程中,使用AFM的敲击模式记录样品的地形。下一步,记录并空间映射探针(探针回撤Δz=10纳米,其中z表示AFM探针与样品表面之间的垂直距离)与样品之间的接触电位差(VCPD)。
- **电化学阻抗谱**
使用Gamry Reference 3000电位计对设备进行了电化学阻抗谱研究。由于我们的H-NNO设备是具有两个电极的固态设备,我们将其中一个电极连接到电位计的工作电极,另一个电极连接到电位计的参比电极和对电极。测量在10赫兹到1兆赫的频率范围内进行。施加的直流电压幅值为1.5伏特,并施加了100毫伏的扰动交流信号。
- **NdNiO3阵列的电学测量**
使用Keithley 4200-SCS半导体分析仪在FormFactor Summit探针站对NdNiO3阵列进行了电学表征。使用4225-PMU模块生成从500纳秒到10微秒的電脉冲。为了在电压脉冲应用期间进行实时、高精度的电流测量,使用了4225-RPM远程放大器。为了监测电压脉冲后的松弛过程,施加了恒定的0.1伏特电压偏置,并以100纳秒的时间间隔实时测量电流。所有电脉冲都施加到Pd电极上,而Au电极保持在接地状态。通过拟合线性低电压范围内的电流-电压曲线(-0.1至+0.1伏特)提取了设备电阻。所有测量都在室温下的空气中进行。
- **Pd–Au和Pd–Pd器件的等效电路建模**
使用Cadence软件对基于Pd–Au和Pd–Pd器件的电路进行了仿真。为了模拟Pd电极下方的氢云移动,开发了一个Verilog-A紧凑模型,将氢迁移视为电阻式开关存储器设备,其电阻状态通过施加的电压(正RESET,负SET)来调节。为了捕捉大电压扫描期间的非线性I-V行为,引入了电压驱动的电阻演变机制,并加入了缩放因子来调整电阻动态。对于每个器件只有一个氢云的Pd–Au器件,模型使用单个电阻式开关存储元件来反映单向氢迁移。相比之下,Pd–Pd器件使用两个极性相反的元件串联连接,以表示氢云的同时扩展和收缩。该模型结合了电容效应,被整合到SPICE电路仿真框架中,基于实验脉冲测量数据对Pd–Au和Pd–Pd器件进行了等效电路分析。
- **2×3 Pd–Pd阵列中空间相互作用的COMSOL仿真**
使用COMSOL AC/DC求解器模块对2×3 Pd–Pd阵列中的电势空间分布进行了仿真。整个阵列被简化为一个二维表面,Pd电极被建模为导电金属区域。NNO和H-NNO的电阻率分别设置为2.5×10^-6欧姆和8.85欧姆。模拟的几何形状基于实验尺寸,每个Pd垫的尺寸为120微米,相邻Pd垫之间的距离为10微米。假设每个Pd电极下方的氢云均匀分布,并延伸超出电极每侧3.5微米,从而产生总共17微米的氢云长度。通过对每个Pd电极施加不同的电压配置,使用二维模型计算了镍酸盐薄膜表面的电势分布。
- **大规模Pd–Pd时空处理层建模**
为了大规模神经网络模拟口语数字识别任务,使用Python实现了一个128节点的Pd–Pd时空处理阵列。每个Pd节点随机初始化了一个氢云厚度(x),范围在2微米到2.5微米之间,其电导(G)根据补充文本5中提供的方程基于x计算。时空状态在每个时间步骤(500纳秒)通过三个关键过程更新:电压电势演变、氢云演变和电流读出。NNO薄膜上的电压电势受到电容充电和放电效应的影响,这取决于在给定时间步骤接受电压脉冲的Pd节点数量。这一过程引入了非线性时间特性和节点之间的空间相互作用。同时,每个节点的氢云厚度根据局部电场动态更新,该电场由Pd节点和NNO薄膜之间的电压差以及电流云厚度决定。电容行为和氢迁移的综合效应导致了最终的电流积累和松弛行为,定义了时空处理层的短期记忆和空间交互特性。最后,通过在一半的节点上施加0.1伏特的读取电压来捕获系统的时空响应,输出电流It。每个口语数字信号的时空处理层输出大小为(1, 128×Nsample),其中Nsample表示每个信号采样的次数。
- **大规模Pd–Au输出层训练**
使用Python实现了单层线性回归模型作为口语数字分类的输出层。训练得到的权重值被直接线性映射到Pd–Au输出层阵列的导电状态,以便进行硬件实现。整个时空处理层的输出结果X的大小为(Ntrain, 128 × Nsample),其中Ntrain表示训练样本的总数,Nsample表示每个信号的采样次数。目标矩阵Y的大小为(Ntrain, 10),每一行都是对应数字标签的独热编码表示。为了评估时空处理层的性能,我们使用了五折交叉验证方法。数据集被划分为训练集(Xtrain, Ytrain)和测试集(Xtest, Ytest),比例分别为80%和20%。这个过程重复五次,确保每个子集都作为一次测试集,其余四个子集用于训练。
对于线性回归,输入和输出之间的关系通过大小为(128 × Nsample, 10)的权重W以及大小为(1, 10)的偏置向量b来建模。预测的类概率?的大小为(Ntrain, 10),其计算公式为$$\hat{Y} = XW + {\textbf{b}}.$$ (1)最终的类标签?的大小为(Ntrain, 1),通过argmax运算确定:$$\,\hat{y} = \arg \mathop{\max }\limits_{i\,\in 1,2,3,4\ldots .10}\hat{{Y}_{i}}.$$ (2)通过最小化均方误差(MSE)损失来获得最优权重W和偏置b,损失函数定义为$$L = \frac{1}{{N}_{\mathrm{train}}}\times \,\mathop{\sum }\limits_{i=1}^{{N}_{\mathrm{train}}}{||{Y}_{i}-{\hat{Y}}_{i}||}^{2},$$ (3)其中Ntrain表示训练样本的数量。
癫痫检测使用了CHB-MIT头皮脑电图数据库(版本1.0.0),该数据库可以从PhysioNet获取。37,38,39中提供了该数据库的数据,包括根据国际10-20电极系统放置的23个电极记录的256 Hz脑电图(EEG)信号。我们的训练数据集包含了5名患者的EEG数据,每位患者贡献了20个癫痫发作和20个非癫痫发作的10秒EEG片段(总共200个信号片段)。为了便于比较,补充图17中展示了来自通道13到15的标准化癫痫发作信号和正常信号片段。整个网络设置与用于口语数字识别的设置保持一致,不同之处在于垫片阵列的大小减小了(从128减少到46),以适应较少的EEG输入通道数(口语数字数据集中有64个通道,而此处只有23个)。不同阈值设置下的分类准确度在补充图18中进行了展示,其中10秒的EEG片段在10个均匀间隔的时间点进行了采样(即每个时间点的采样间隔为1秒)。观察到存在一个能够最大化分类准确度的最优阈值设置:如果阈值设置得太低,癫痫发作信号和非癫痫发作信号都可能产生过多的激活,引入噪声并降低准确度;相反,如果阈值设置得太高,则会过滤掉区分两个类别的有用信息,也会降低性能。