潘若冰，胡麗娟，曹鴻濤，竺立強，李 俊，李 康，梁凌燕，張洪亮，高俊華，諸葛飛

(1．上海大學 材料科學與工程學院，上海 200072； 2．中國科學院寧波材料技術(shù)與工程研究所，浙江 寧波 315201)

?

基于ZnO 憶阻器的神經(jīng)突觸仿生電子器件

潘若冰1,2，胡麗娟1，曹鴻濤2，竺立強2，李 俊2，李 康2，梁凌燕2，張洪亮2，高俊華2，諸葛飛2

(1．上海大學 材料科學與工程學院，上海 200072； 2．中國科學院寧波材料技術(shù)與工程研究所，浙江 寧波 315201)

本文采用ZnO憶阻器模擬了生物神經(jīng)突觸的記憶和學習功能。ZnO突觸器件表現(xiàn)出典型的隨時間指數(shù)衰減的突觸后興奮電流(EPSC)，以及EPSC的雙脈沖增強行為。在此基礎(chǔ)上，實現(xiàn)了學習-遺忘-再學習的經(jīng)驗式學習行為，以及四種不同種類的電脈沖時刻依賴可塑性學習規(guī)則。ZnO突觸器件實現(xiàn)了超低能耗操作，單次突觸行為能耗最低為1.6pJ，表明其可以用來構(gòu)筑未來的人工神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)，最終開發(fā)出與人腦結(jié)構(gòu)類似的認知型計算機以及類人機器人。

憶阻器； 神經(jīng)突觸器件； 人工神經(jīng)網(wǎng)絡(luò)； ZnO

1 引 言

憶阻器被認為是繼電阻器、電容器、電感器之后的第四種無源電子元件，它具有電阻的量綱，其阻值隨著流經(jīng)它的電荷量而發(fā)生改變，表現(xiàn)出非線性電學特性，并且能夠在斷開電流后保持之前的阻態(tài)[1]。憶阻器是一種兩端器件，因此可以高密度集成。此外，其不同電阻態(tài)之間轉(zhuǎn)變很快，并且制備過程與現(xiàn)有的CMOS工藝兼容。由于憶阻器的這些特點，使得其在信息存儲和神經(jīng)突觸模擬方面有著獨特的優(yōu)勢[2-11]。目前，基于不同介質(zhì)材料的憶阻器，一些科研團隊實現(xiàn)了神經(jīng)突觸部分功能的模擬。憶阻器材料包括氧化物[12-13]、硫族材料[14-15]、非晶硅[16]、多孔非晶碳[17]、高分子材料等[18]。這些憶阻器件的電阻變化來源于場致金屬或非金屬離子的遷移。最近，基于純電子型ZnO憶阻器，作者團隊成功實現(xiàn)了突觸功能的模擬[19]。純電子型突觸器件不涉及材料微結(jié)構(gòu)的變化，因此器件工作有望更加穩(wěn)定。在此基礎(chǔ)上，本文進一步模擬了神經(jīng)突觸的突觸后興奮電流(excitatory post-synaptic current, EPSC)、EPSC雙脈沖增強(pair-pulse facilitation, PPF)、學習-遺忘-再學習經(jīng)驗行為，以及四種電脈沖時刻依賴可塑性(spike-timing-dependent-plasticity, STDP)學習規(guī)則，并且實現(xiàn)了ZnO突觸器件的超低能耗操作。

2 實 驗

以純度99.99 wt%的ZnO陶瓷片作為濺射靶材，鍍鉑硅片(Pt/Ti/SiO2/Si)作為襯底，采用射頻磁控濺射的方法，在室溫下制備了厚度為100nm的ZnO薄膜。磁控濺射腔體本底真空度低于2.7×10-4Pa，采用高純Ar/O2混合氣體作為濺射氣氛，兩種氣體的分壓比為Ar∶O2=8∶2，濺射氣壓為0.4 Pa，濺射功率為80W。采用電子束蒸發(fā)結(jié)合金屬掩膜版的方法，在ZnO薄膜表面依次沉積金屬Ti和Au，厚度分別為50nm和20nm，電極尺寸為200μm。其中Au作為保護層，防止頂電極Ti在空氣中被氧化。利用Keithley 4200半導(dǎo)體參數(shù)分析儀測試Au/Ti/ZnO/Pt器件的電學性能，襯底Pt接地，在Au/Ti頂電極上施加電壓，電壓正向定義為從頂電極流向底電極的電流方向。

3 結(jié)果與討論

通常人們認為突觸是大腦學習記憶的最小單元，而突觸學習記憶的重要方式就是依賴其自身的可塑性?？伤苄允侵竿挥|接收外界刺激后，可以調(diào)整自身形態(tài)的能力[20]。突觸可塑性按照記憶時間長短，可分為短程和長程可塑性。如圖1所示，Au/Ti/ZnO/Pt結(jié)構(gòu)的I-V曲線通過原點，并且具有明顯的回滯行為，表現(xiàn)出典型的憶阻器特性?；赯nO憶阻器，首先模擬了突觸短程可塑性，即EPSC。EPSC是指脈沖刺激后，電流隨時間指數(shù)衰減的行為。如圖2(a)所示，施加幅值為0.2V，寬度10ms的脈沖刺激(Vpul)后，通過持續(xù)施加0.1V 的讀電壓脈沖(Vr)，獲得器件電流隨時間的變化關(guān)系。該過程可以用指數(shù)函數(shù)I(t)=I0+Aexp(-t/τ)很好擬合，因此可以用來模擬突觸EPSC行為，其中I(t)、I0分別是t時刻和穩(wěn)定狀態(tài)的電流，A為指前因子，τ為電流衰減的弛豫時間，表征EPSC衰減速率[18]。由圖2(a)可知，EPSC的峰值電流為～0.8nA，計算得到的單次脈沖行為功耗為<1.6pJ。刺激脈沖幅值(0.2V)與文獻報道中的生物突觸動電位100mV相近[20]，ZnO突觸器件通過施加較低的刺激電壓實現(xiàn)了超低功耗操作。此外，研究了脈沖寬度和幅值變化對EPSC的影響。如圖2(b)所示，隨著脈沖寬度從10ms增加到1000ms，EPSC峰值電流從0.8nA增加到1.1nA，增長幅度為37.5%。當脈沖幅值從0.2V增加到1V時，EPSC峰值電流從0.8nA增加到8nA，增長幅度為900%。因此與脈沖寬度相比，脈沖幅值對EPSC的影響更為顯著。

圖1 Au/Ti/ZnO/Pt器件的I-V特性曲線，插圖為半對數(shù)坐標曲線Fig.1 I-V curves of Au/Ti/ZnO/Pt devices. The inset shows the curves in semilogarithmic scale

雙脈沖增強(PPF)也是短程可塑性的一種形式，并且被認為是生物信息編碼的重要方式。PPF是指突觸前膜施加兩個脈沖刺激，第二個刺激所引起的突觸權(quán)重較前一個有所增強的現(xiàn)象[21]。突觸權(quán)重是指突觸前后節(jié)點之間的連接強度，在人工突觸仿生器件里，我們將脈沖刺激引發(fā)的電流或電導(dǎo)看作突觸權(quán)重。如圖3(a)所示，施加兩個幅值為0.2V，寬度為50ms的刺激脈沖(Vpul)，間隔時間Δt=150ms，讀電壓為0.1V(Vr)，后一個脈沖引發(fā)的EPSC峰值電流略高于前一個脈沖，即A2>A1(A1、A2分別表示兩個脈沖刺激引發(fā)的電流增長幅值)。如果增長的幅度用PPF指數(shù)Index=A2/A1×100%表示，則圖3(a)中，Index為1.23%。圖3(b)～(d)為不同幅值的脈沖刺激下，PPF的Index值隨Δt的變化規(guī)律。很明顯，脈沖幅值越大，Δt越小，則Index越大。

對于EPSC和PPF，撤去脈沖刺激后電流會在幾秒內(nèi)衰減回初始狀態(tài)，這種短程可塑性類似于生物突觸傳遞電信號后，膜內(nèi)外電位在短時間內(nèi)恢復(fù)到靜息狀態(tài)。此外，通過連續(xù)施加多個脈沖刺激，可以實現(xiàn)突觸器件的長程可塑性，如圖4所示。連續(xù)的脈沖刺激可看作是人工神經(jīng)突觸的訓(xùn)練過程，訓(xùn)練后的突觸權(quán)重值被看作是100%的記憶量，這類似于人腦的學習過程(見圖4(a))。由圖4(b)可見，撤去脈沖刺激后，器件的突觸權(quán)重逐漸降低，即記憶量隨時間而衰減，這

圖2 (a) ZnO突觸仿生器件的EPSC行為，左方插圖為器件結(jié)構(gòu)示意圖，右方插圖為衰減過程的指數(shù)擬合，上方插圖為刺激脈沖及讀脈沖示意圖；(b)EPSC峰值電流隨著脈沖寬度的變化及相應(yīng)擬合，插圖為峰值電流隨脈沖幅值的變化趨勢及擬合曲線Fig.2 (a) EPSC of ZnO synaptic devices. The left inset shows the schematic device configuration. The right inset shows the exponential fitting results for EPSC. The upper inset schematically shows a stimulating pulse and a train of read pulses. (b) Pulse duration dependence of EPSC peak current amplitude and the corresponding fitting results. The inset shows the pulse amplitude dependence of EPSC peak current and the corresponding fitting results

圖3 (a) ZnO突觸器件的PPF行為，插圖為刺激脈沖及讀脈沖示意圖，刺激脈沖幅值為0.2V，寬度50ms，前后脈沖間隔150ms，讀脈沖幅值0.1V；(b)(c)(d) 刺激脈沖幅值分別為0.2、0.5以及1V時，PPF的Index值隨脈沖間隔時間Δt的變化規(guī)律Fig.3 (a) PPF behavior of ZnO synaptic devices. The inset schematically shows a pair of stimulating pulses and a train of read pulse (b), (c), and (d) Δt dependence of the PPF index at the stimulating pulse amplitude of 0.2, 0.5 and 1V, respectively

個變化曲線類似于人腦的遺忘過程。經(jīng)過600秒后，記憶量的衰減變得非常緩慢，最終保持在初始記憶量的30%，表現(xiàn)出長程可塑性。當再次施加脈沖時，只需要較少的脈沖數(shù)，突觸就可以到達之前100%記憶量，類似于人腦的再學習過程。這種學習-遺忘-再學習的過程可被用于未來人工神經(jīng)網(wǎng)絡(luò)的學習和識別功能。

對于突觸，除短程和長程增強外，權(quán)重的長程抑制也是其重要的可塑性之一，而電脈沖時刻依賴可塑性(STDP)則較合理地解釋了突觸長程增強或抑制的直接或間接誘因。STDP是指突觸權(quán)重隨著突觸前和突觸后神經(jīng)元電脈沖發(fā)生時刻的先后順序不同而發(fā)生長程增強或抑制。STDP被認為是不同可塑性理論模型的核心，不同的STDP規(guī)則對應(yīng)不同的信息處理和存儲過程，因此依賴不同的神經(jīng)電路，多種STDP學習規(guī)則的實現(xiàn)是理論研究轉(zhuǎn)向硬件設(shè)計的重要步驟[20,22]。如圖5所示，通過施加不同形狀的突觸前和突觸后脈沖，獲得了四種不同的STDP學習規(guī)則。前后脈沖時間間隔Δt=tpre-tpost，其中tpre和tpost分別表示突觸前脈沖和突觸后脈沖的施加時刻，即Δt<0表明突觸前脈沖先于突觸后脈沖，Δt>0表明突觸前脈沖晚于突觸后脈沖。突觸權(quán)重變化量Δw=(G2-G1)/G1×100%(G1/G2分別為器件施加脈沖前/后的電導(dǎo))。圖5給出了ZnO突觸器件對四種不同的STDP學習規(guī)則的模擬。這就意味著單一器件通過不同的訓(xùn)練可以實現(xiàn)多種不同的學習規(guī)則，這有利于滿足未來對可編譯功能的需求。同時，STDP規(guī)則的實現(xiàn)是ZnO突觸器件實現(xiàn)自主學習和認知功能的重要基礎(chǔ)。

4 結(jié) 論

基于Au/Ti/ZnO/Pt結(jié)構(gòu)的純電子型憶阻器件，模擬了生物神經(jīng)突觸的短程和長程可塑性，包括EPSC、PPF、學習-遺忘-再學習經(jīng)驗式行為，以及四種不同的STDP學習規(guī)則，并且實現(xiàn)了突觸器件的超低功耗操作，最低能耗為1.6pJ。研究表明ZnO基純電子型突觸器件可以用來構(gòu)筑未來的人工神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)。

圖5 ZnO突觸器件對四種不同的STDP學習規(guī)則的模擬，(a)不對稱的STDP規(guī)則，在Δt<0時表現(xiàn)出突觸增強特性;(b)不對稱的STDP規(guī)則，在Δt>0時表現(xiàn)出突觸增強；(c)對稱的STDP規(guī)則，對所有Δt都表現(xiàn)出增強；(d)對稱的STDP規(guī)則，對所有Δt都表現(xiàn)出抑制。其中插圖為突觸前后脈沖的形狀示意圖，這里定義施加在頂電極(Au/Ti)上的刺激為突觸前脈沖，施加在底電極(Pt)上的刺激為突觸后脈沖Fig.5 Simulation of four different STDP learning rules by ZnO synaptic devices. (a) Asymmetric STDP with potentiation at negative Δt; (b) Asymmetric STDP with potentiation at positive Δt; (c) Symmetic STDP with potentiation at all Δt; (d) Symmetic STDP with depression at all Δt. The insets schematically show the shape of pre-synaptic and post-synaptic pulses. Herein, the pulses applied to the top electrode (Au/Ti) and bottom electrode (Pt) represent pre-synaptic and post-synaptic pulses, respectively

[1] L. O. Chua. Memoritor-The missing circuit element [J]. IEEE Trans. Circuit Theory, 1971, 18(5): 507～519.

[2] F. Pan, S. Gao, C. Chen, et al. Recent progress in resistive random access memories: Materials, switching mechanisms, and performance [J]. Mat. Sci. Eng. R, 2014, 83: 1～59.

[3] 伏兵,諸葛飛,劉志敏,等. 氬等離子體處理對ZnO薄膜阻變效應(yīng)的影響 [J]. 材料科學與工程學報, 2014, 32(6): 922～925.

[4] 郭鵬, 徐偉. 有機電雙穩(wěn)材料與器件的研究進展 [J]. 材料科學與工程學報, 2005, 23(6): 910～914.

[5] Q. Liu, J. Sun, H. B. Lv, et al. Real-time observation on dynamic growth/dissolution of conductive filaments in oxide-electrolyte-based ReRAM [J]. Adv. Mater., 2012, 2(14): 1844～1849.

[6] Z. G. Ji, Q. N. Mao, W. Q. Ke. Effects of oxygen partial pressure on resistive switching characteristics of ZnO thin films by DC reactive magnetron sputtering [J]. Solid State Commun., 2010, 150(39～40): 1919～1922.

[7] F. Zhuge, K. Li, B. Fu, et al. Mechanism for resistive switching in chalcogenide-based electrochemical metallization memory cells [J]. AIP Adv., 2015, 5(5): 057125.

[8] H. Chen, F. Zhuge, B. Fu, et al. Forming-free resistive switching in a nanoporous nitrogen-doped carbon thin film with ready-made metal nanofilaments [J]. Carbon, 2014,76: 459～463.

[9] S. S. Peng, F. Zhuge, et al. Mechanism for resistive switching in an oxide-based electrochemical metallization memory [J]. Appl. Phys. Lett., 2012, 100(7): 072101.

[10] F. Zhuge, S. S. Peng, C. L. He, et al. Improvement of resistive switching in Cu/ZnO/Pt sandwiches by weakening the randomicity of the formation/rupture of Cu filaments [J]. Nanotechnology, 2011, 22(27): 275204.

[11] F. Zhuge, W. Dai, C. L. He, et al. Nonvolatile resistive switching memory based on amorphous carbon [J]. Appl. Phys. Lett., 2010, 96(16): 163505.

[12] T. Chang, S. H. Jo, W. Lu. Short-term memory to long-term memory transition in a nanoscale memristor [J]. ACS Nano, 2011, 5(9): 7669～7676.

[13] Z. Q. Wang, H. Y. Xu, X. H. Li, et al. Synaptic learning and memory functions achieved using oxygen ion migration/diffusion in an amorphous InGaZnO memristor [J]. Adv. Funct. Mater., 2012, 22(13): 2759～2765.

[14] T. Ohno, T. Hasegawa, T. Tsuruoka, et al. Short-term plasticity and long-term potentiation mimicked in single inorganic synapses [J]. Nat. Mater., 2011, 10(8): 591～595.

[15] Y. Li, Y. P. Zhong, J. J. Zhang, et al. Activity-dependent synaptic plasticity of a chalcogenide electronic synapse for neuromorphic systems [J]. Sci. Rep., 2014, 4: 4906.

[16] S. H. Jo, T. Chang, I. Ebong, et al. Nanoscale memristor device as synapse in neuromorphic system [J]. Nano Lett., 2010, 10(4): 1297～1301.

[17] F. Zhuge, J. Li， H. Chen, et al. Single-crystalline metal filament-based resistive switching in a nitrogen-doped carbon film containing conical nanopores [J]. Appl. Phys. Lett., 2015, 106(8): 083104.

[18] L. S. Zhao, Z. Fei, C. Chao, et al. Synaptic plasticity and learning behaviours mimicked through Ag interface movement in an Ag/conducting polymer/ Ta memristive system [J]. J. Mater. Chem. C, 2013, 1(34): 5292～5298.

[19] R. B. Pan, J. Li, F. Zhuge, et al. Synaptic devices based on purely electronic memristors [J]. Appl. Phys. Lett., 2016, 108(1): 013504.

[20] G. Q. Bi, M. M. Poo. Synaptic modifications in cultured hippocampal neurons: Dependence on spike timing, synaptic strength, and postsynaptic cell type [J]. J. Neurosci., 1998, 18(24): 10464～10472.

[21] L. Q. Zhu, C. J. Wan, L. Q. Guo, et al. Artificial synapse network on inorganic proton conductor for neuromorphic systems [J]. Nat. Commun., 2014, 5: 3158.

[22] D. Kuzum, R. G. D. Jeyasingh, B. Lee, H. S. P. Wong. Nanoelectronic programmable synapses based on phase change materials for brain-inspired computing [J]. Nano Lett., 2012, 12(5): 2179～2186.

Synaptic Devices Based on ZnO Memristors

PAN Ruobing1,2， HU Lijuan1， CAO Hongtao2， ZHU Liqiang2， LI Jun2， LI Kang2，LIANG Lingyan2， ZHANG Hongliang2， GAO Junhua2， ZHUGE Fei2

(1.Institute of Materials Science, School of Materials Science and Engineering, Shanghai University, Shanghai 200072, China; 2.Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences, Ningbo 315201, China)

ZnO memristive devices have been employed to emulate synaptic memory and learning functions. ZnO synaptic devices show a typical excitatory post-synaptic current (EPSC), i.e. exponentially decreasing with time, and pair-pulse facilitation behavior of EPSC. Furthermore, the learning-forgetting-relearning empirical behavior and four types of spike-timing-dependent-plasticity learning rules have been implemented. Ultra-low energy consumption operation has been realized in ZnO synaptic devices showing a minimum energy consumption of 1.6pJ for a single synaptic behavior. The results indicate that ZnO synaptic devices can be potentially used to construct the future artificial neural networks in hardware and ultimately develop cognitive computers operating like human brains and humanoid robots.

memristors； synaptic devices； artificial neural networks； ZnO

1673-2812(2017)02-0232-05

2016-01-11；

2016-03-07

國家自然科學基金資助項目(51272261和61474127)

潘若冰(1990-)，女，碩士研究生，研究方向：低維半導(dǎo)體材料與器件。

諸葛飛，男，研究員，博士生導(dǎo)師，主要從事低維半導(dǎo)體材料與器件研究，E-mail: zhugefei@nimte.ac.cn。

TB43

A

10.14136/j.cnki.issn 1673-2812.2017.02.013