用于忆阻平台的随机Ni@PVP纳米线网络的制备

《Polymers》:Fabrication of Stochastic Ni@PVP Nanowire Networks for Memristive Platforms Catarina Lemos, Catarina Dias, Rui S. Costa and Jo?o Ventura

【字体: 大 中 小 】 时间:2026年03月25日 来源:Polymers 5.8

编辑推荐:

  单个忆阻纳米线网络因其固有的非线性、高维性、衰减记忆以及与物理储层计算(physical reservoir computing)相关的挥发性开关动力学,成为节能神经形态计算(neuromorphic computing)的有前景途径。以往研究主要集中在氧化物

  
单个忆阻纳米线网络因其固有的非线性、高维性、衰减记忆以及与物理储层计算(physical reservoir computing)相关的挥发性开关动力学,成为节能神经形态计算(neuromorphic computing)的有前景途径。以往研究主要集中在氧化物或银基网络系统,但这些方法在工作电压、成本、稳定性和可扩展性之间存在权衡。本研究提出了一种概念验证演示,即随机聚乙烯吡咯烷酮(PVP)涂覆的镍纳米线网络作为低成本且可扩展的忆阻平台,表现出低电压电阻开关(1–2 V)。电学表征揭示了主要为挥发性电阻开关与非挥发性行为相结合,与纳米线结处的丝状传导机制(filamentary conduction mechanism)一致。开关动力学由聚合物涂层厚度控制,其中中等PVP浓度(Ni@PVP = 1:25)表现出最佳性能,电阻比约为200,保持时间超过1小时,以及超过45次循环的可重复耐久性。这些结果确立了Ni@PVP纳米线网络作为神经形态硬件应用和物理储层计算(physical reservoir computing)有前景的忆阻平台,具有衰减记忆和非线性动力学等相关特性。
**论文解读:随机Ni@PVP纳米线网络的忆阻性能及其在神经形态计算中的应用前景**

**研究背景与意义**

神经形态计算作为一种突破传统冯·诺依曼架构瓶颈的范式,通过模拟生物神经网络的结构与功能,有望实现高并行、低功耗的计算。其中,储层计算(reservoir computing, RC)利用固定非线性动力系统将输入映射到高维空间,仅训练线性读出层,大幅降低了训练成本。忆阻器件因其可扩展性、低功耗和简单结构,成为人工突触的理想候选。自组装纳米线(nanowire, NW)网络因与生物神经网络在形态和拓扑上的高度相似性,展现出小世界连接性、非线性、高维性、衰减记忆等特性,尤其适合物理储层计算。然而,现有的氧化物基(如Ni/NiO、Cu/CuO)纳米线网络虽然电阻比高,但需要较高的SET电压(>5 V)且依赖有序结构;银基网络虽能实现低电压开关,但成本高、长期稳定性差且可扩展性受限。镍具有储量丰富、化学稳定性好、可兼容可扩展化学合成等优点,但其在完全随机纳米线网络中的忆阻性能尚待探索。本研究旨在以聚乙烯吡咯烷酮(PVP)包覆镍纳米线(Ni@PVP)为核心,构建低成本、可扩展的随机忆阻平台,并评估其开关特性与器件稳定性。

**研究内容与主要结论**

研究人员通过磁辅助化学还原法合成镍纳米线,并二次涂覆不同浓度的PVP,制成Ni@PVP纳米线网络,通过结构表征(扫描电镜SEM、X射线衍射XRD、拉曼光谱)和电学测试(直流I-V扫描、保持特性、耐久性)系统研究了聚合物涂层浓度对电阻开关行为的影响。结果表明,中等浓度PVP(Ni@PVP = 1:25)的网络实现了低电压(1–2 V)开关、电阻比约200、1小时稳定保持和超过45次循环的耐久性,性能接近银基器件,远优于氧化物基器件。该研究首次在完全随机的Ni@PVP纳米线网络中验证了低电压忆阻行为,为神经形态硬件提供了经济可行的候选平台。论文发表在《Polymers》。

**关键技术方法**

本研究采用的主要技术方法包括:(1)磁辅助简单化学还原法在多元醇介质中合成镍纳米线(Ni NWs);(2)通过机械搅拌将Ni NWs重新分散于不同浓度的PVP乙醇溶液中,进行二次涂覆以获得不同Ni:PVP重量比(1:10、1:25、1:50)的Ni@PVP NWs;(3)通过离子束沉积制备Al(150 nm)/W(75 nm)薄膜电极,经光刻定义100 μm间隙的电极对;(4)采用滴铸法将Ni@PVP NWs沉积于电极间隙形成随机网络;(5)利用场发射扫描电镜(FEI Quanta 400 FEG ESEM)表征形貌,X射线衍射(SmartLab Rigaku)分析晶体结构,拉曼光谱(Renishaw inVia Qontor)鉴定聚合物涂层;(6)使用Keithley 2410源表在室温下进行电学表征,包括循环电压扫描、保持(1小时读脉冲)及耐久性(重复脉冲开关)测试。

**研究结果**

**3.1 结构表征**:通过SEM确认了Ni NWs的平均直径209 ± 26 nm、长度23 ± 14 μm(范围5–85 μm)。二次涂覆后,Ni@PVP1:10表面出现尖刺状突起,背散射电子像显示为三角结构,证明PVP的成功包覆。XRD图谱显示金属镍的面心立方(FCC)衍射峰((111)、(200)、(220)),高浓度PVP(1:50)样品在20°处出现非晶PVP宽峰。拉曼光谱中PVP特征峰(如2928 cm-1的CH2不对称伸缩、1600 cm-1的C=O伸缩)强度随聚合物含量增加而增强,表明PVP涂层厚度可控。

**3.2 电学表征**:单次涂覆的Ni@PVPSC表现出欧姆线性行为(无开关),而二次涂覆的Ni@PVP1:25和Ni@PVP1:50呈现非挥发性与挥发性电阻开关共存。以Ni@PVP1:25为例,非挥发性开关中,器件从高阻态(HRS, ROFF ≈ 1.4×103 Ω)在+1.5 V时SET至低阻态(LRS, RON ≈ 674 Ω),反转偏压至?1.1 V时RESET回HRS;挥发性开关中,在~1.2 V时SET至LRS(230 Ω),但电压归零时自发松弛回HRS(5.2×103 Ω)。不同PVP浓度对比显示,Ni@PVP1:10电流低一个数量级且仅挥发性响应,Ni@PVP1:50具有挥发性与非挥发性共存但电阻比低。保持测试中,Ni@PVP1:25电阻比约200且最稳定,Ni@PVP1:10和Ni@PVP1:50分别约为25和8.5。耐久性方面,Ni@PVP1:25和Ni@PVP1:50可稳定开关超过40次循环,而Ni@PVP1:10波动大。I-V曲线对数坐标分析表明,导电机制为欧姆传导(低偏压)→空间电荷限制电流(SCLC,陷阱填充)→金属导电(LRS);挥发性开关的预SET区域还观察到肖特基发射(Schottky emission),表明局部焦耳热促进热电子发射和离子扩散。综合机制为:在电压下,镍阳极溶解为Ni2+并迁移通过PVP形成导电丝(SET);电压降低时,不稳定丝自发溶解(挥发性),而稳定丝需反向偏压断裂(非挥发性)。中间涂层厚度(1:25)最有利于稳定丝的形成。

**总结讨论与结论**

研究证实,聚合物涂层厚度是调控金属纳米线网络忆阻行为的关键参数。过薄的涂层(1:10)导致不稳定、低电阻比的挥发性开关,过厚的涂层(1:50)阻碍离子迁移、降低开关性能,而中等厚度(1:25)实现了最佳综合性能。Ni@PVP网络的开关电压(1–2 V)显著优于传统Ni/NiO氧化物基器件(4–5 V),与Ag基平台相当,且成本更低、可扩展性更好。虽然耐久性(>45次循环)低于某些氧化物体系,但挥发性开关主导的行为恰好契合储层计算所需的衰减记忆属性。综合网络的非线性和高维动力学,Ni@PVP纳米线网络为神经形态硬件提供了实用且经济的候选平台。

**研究结论**:本文对随机忆阻Ni@PVP纳米线网络进行了系统研究,作为贵金属和氧化物基忆阻平台的经济高效且可扩展的替代方案。化学稳定且丰富的镍核与可控聚合物涂层之间的协同作用,使自组装纳米线网络能在低电压下工作,同时保持有竞争力的电学性能。PVP涂层在调控离子扩散和丝形成中起关键作用,中等Ni@PVP比例(1:25)达到最优性能。相比之下,不充分的涂层(1:10)导致不稳定、主要为挥发性开关且电阻比低,而过量涂层(1:50)阻碍离子迁移并降低开关性能。这些结果确立了聚合物厚度作为调节金属纳米线网络忆阻行为的关键设计参数。Ni@PVP纳米线网络在1–2 V下工作,相比传统Ni/NiO基器件(4–5 V)有显著改进,与最先进的Ag基平台相当,电阻比约为200,保持时间超过1小时,耐久性超过45次脉冲。开关机制与纳米线结处的电化学金属化一致,其中挥发性与非挥发性响应的共存反映了网络架构的随机变异性。值得注意的是,主要的挥发性开关提供了固有的衰减记忆行为,这与随机网络拓扑产生的非线性和高维动力学一起,使Ni@PVP纳米线网络成为神经形态硬件应用中有前景的实用平台。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号