《Materials Today Chemistry》:Printing polyaniline based organic memristive devices for neuromorphic computing applications
编辑推荐:
有机电子学被认为是实现类脑功能的有效候选方案,尤其当应用需要限制功耗时。在众多技术中,忆阻器(memristors)因其非易失性特性及其在人工神经网络(artificial neural networks, ANNs)中作为突触元件的应用而受到日益广泛的关注。
有机电子学被认为是实现类脑功能的有效候选方案,尤其当应用需要限制功耗时。在众多技术中,忆阻器(memristors)因其非易失性特性及其在人工神经网络(artificial neural networks, ANNs)中作为突触元件的应用而受到日益广泛的关注。已有多种忆阻器件被提出,探索了不同的材料、工作原理和沉积方法。近期,喷墨打印忆阻器被提出以限制材料浪费、生产成本以及制造过程中掩模的需求。在此,研究人员展示了一种低能耗喷墨打印有机基忆阻器件(inkjet-printed organic based memristive device, IpOMD),该器件采用纯聚苯胺(polyaniline, PANI)通道实现。该类器件能够完美模拟突触和神经元功能,并在低电压(<1 V)无电成型(electroforming-free)工作模式下运行。这些能力源于通过调控系统内部电压分布来精细调节聚苯胺层反应速率的可能性。这些电子元件能够高效地作为784×512×10网络模拟中的突触元件,在存在周期间(cycle-to-cycle, C2C)和器件间(device-to-device, D2D)变异的情况下,实现手写数字分类准确率超过95%。这表明该类器件是神经形态系统实现的优秀候选方案,为印制神经形态电子学的实现铺平了道路。
研究背景方面,印制电子学是电子学的新兴分支,结合材料科学(尤其是油墨配方优化)与电子学终期应用,旨在利用增材技术(如丝网印刷、喷墨打印或直接书写)创建系统与器件。该技术兼容多种材料,可沉积于平面基底(玻璃、塑料、电路板)及柔性表面(织物)。尽管印制有源器件性能有限,但其在柔性机器人、生物电子学及物联网(Internet of Things, IoT)等前沿应用中具有重要影响,这些应用需要处理大量数据,必然要求克服冯·诺依曼瓶颈(von-Neumann bottleneck)。神经形态计算系统(neuromorphic computing systems, NCSs)通过模拟大脑结构和功能组织,能够实现神经元网络特有的高能效和大规模并行信息处理。在神经形态元件中,忆阻器近年来重新获得关注,其在多种计算应用中得到利用,包括自旋电子学技术及有机材料器件。目前大多数忆阻器件采用真空沉积方法、旋涂法及高度有序的自组装方法制备。喷墨打印作为一种新兴制备技术,因其增材、低材料浪费、低成本、非接触及无掩模制造能力而备受瞩目,但基于喷墨方法的有机忆阻器研究仍较为有限。
本研究中,Battistoni等研究人员采用纯聚苯胺油墨,通过喷墨打印方法实现了有机忆阻器件(inkjet-printed organic memristive devices, IpOMDs),系统研究了其材料特性、电学行为、突触与神经元功能及在神经形态计算中的应用潜力。
主要技术方法包括:喷墨打印技术用于PANI活性层沉积,并结合高精度光刻技术制备源极(source, S)和漏极(drain, D)金电极;场发射扫描电子显微镜(field emission scanning electron microscopy, FESEM)用于PANI层形貌表征;共聚焦显微拉曼光谱(confocal micro-Raman spectroscopy)用于分析PANI层的空间分布、结构特性及质子化百分比(protonation percentage, PP%)的定量评估;电学特性测试系统包括源测量单元(source measure units)及定制化LabVIEW控制程序,用于获取I-V特性、离子电流(I
GS)、电导变化及脉冲响应等数据;基于PyTorch库的神经网络模拟平台用于784×512×10全连接双层网络的MNIST手写数字分类任务,网络权重通过实验获得的增强曲线(potentiation curves)引入,并考虑C2C和D2D变异进行精细调谐(fine-tuning)优化。
研究结果显示:
"喷墨打印聚苯胺"部分:研究人员通过标准光刻法制备不同长度(L = 10, 50, 100, 200 μm)和宽度(W = 250, 500, 2000 μm)的S/D金电极对,其上覆盖五层喷墨打印PANI层。FESEM图像揭示沉积方法形成纳米级PANI颗粒聚集体,均匀分布于所有样品通道中。拉曼光谱映射确证PANI信号仅位于打印区域,且各沉积区域颜色均一,表明喷墨打印成功产生规则且限域的PANI活性通道。通过1320 cm
?1和1230 cm
?1峰强度比值计算,各区域PP%值分布于90-93%范围,表明PANI链具有显著且高度可重复的质子化水平。
"喷墨打印OMDs特性"部分:IpOMDs在施加三角波电压扫描时呈现典型I-V迟滞回线,与采用其他方法制备的OMDs相当。离子电流I
GS曲线呈现两对正负峰,表明PANI具有良好的电化学活性。迟滞行为的存在不依赖于几何长宽比W/L,但最大电导G
max与W/L呈线性依赖关系。脉冲刺激实验表明,IpOMDs能够根据电压脉冲幅度和时间 dwell(Δt)存储信息,模拟短期记忆(short-term memory, STM)和长期记忆(long-term memory, LTM)效应。时间常数τ与通道长度L呈线性依赖,但与宽度W无显著相关性,这与PANI层内动态电压分布模型一致。长期效应切换能量随器件面积缩放,最小约2 nJ。耐久性测试显示电流读数存在渐进振荡,归因于液体电解质的蒸发。
"突触与神经元特性"部分:IpOMDs成功模拟了活动依赖性突触可塑性,包括长时程增强(long-term potentiation, LTP)和长时程抑制(long-term depression, LTD),且该调制能力独立于几何因素。通过三电极配置,IpOMDs实现了时间整合(temporal integration)和空间整合(spatial integration):单一输入的高频脉冲产生渐进电导增强,模拟神经元的时间整合;不同输入(S-D电路与G-S电路)的信号组合可被集成,且输出可通过电压幅度调制,重现生物神经界面峰图型(spike)的时空整合能力。
"IpOMDs分类能力"部分:单一IpOMD器件能够明确分类2×1黑白图像,且可通过扩展电压幅度范围实现灰度图像的精细区分。分类参数(I
post-I
pre)与内部电压分布参数(V
SD/2 - V
GS)呈良好线性关系,表明电压分布是理解和开发器件分类能力的关键参数。
"基于IpOMDs的人工神经网络"部分:研究人员采用784×512×10全连接双层网络架构进行MNIST手写数字分类。在离芯片(off-chip)训练场景中,浮动点软件突触权重被等量映射至最近的实验测得忆阻突触权重,每个权重由两个电导差值表示。初始模拟仅考虑C2C变异时,L = 10, 100, 200 μm器件分类准确率均>90%(L = 50 μm器件因性能不佳被排除)。同时考虑C2C和D2D变异后,分类准确率显著下降,尤其随机性最高的L = 10 μm器件。通过10轮精细调谐(权重差异阈值ε = 0.1),所有器件准确率均恢复至96%以上。L = 100 μm器件因变异与阻态窗口的最优平衡,获得最佳分类准确率(精细调谐前95.5±0.8%,后97.7±0.2%)。
讨论与结论部分,该研究丰富了喷墨打印法制备有机忆阻器件的技术现状。纯PANI活性通道避免了聚合物功能化合成路线,形成了聚苯胺颗粒聚集体的均匀分布,具有显著且窄分布的质子化水平。研究系统阐明了活性通道几何参数对器件性能的影响:迟滞回线变化、最大内部电导(与W/L完美线性依赖)以及时间响应(强烈依赖于通道长度)。研究证实IpOMDs可复现活动依赖性突触特性,包括LTP/LTD及神经元时空整合能力。在神经网络层面,784×512×10网络即使纳入C2C和D2D变异,仍能以>95%准确率分类MNIST手写数字,验证了IpOMDs作为神经形态计算突触元件的可行性。结合固态电解质替代液体电解质的可能性,研究结论指出IpOMDs是实现印制神经形态电子学的优秀候选方案,为该领域发展奠定了重要基础。