首页
产品中心
技术百科
客户案例
新闻中心
关于我们

客户成果丨南方科技大学《Advanced Functional Materials》：多模态二维 CuInP₂S₆基忆阻器：构筑具备本征 Dropout 特性的脉冲神经网络

南方科技大学工学院材料科学与工程系黄博远课题组和鹏城实验室微电子前沿基础研究室李阳课题组在忆阻器及神经形态计算研究中取得最新进展，该研究成果以“Multi-Mode 2D CuInP₂S₆-Based Memristors Enabling Intrinsic Dropout Spiking Neural Networks”为题发表在Advanced Functional Materials上。

传统计算架构受内存墙和冯·诺依曼瓶颈制约，难以满足物联网与AI的需求。神经形态计算借助忆阻器模拟突触与神经元成为潜在方案，但现有实现方式严重依赖外围电路与软件算法，限制了系统紧凑性与能效。本文利用二维铁电材料CuInP₂S₆中铜离子迁移与银导电细丝的协同作用，在单个忆阻器内实现了易失性模拟、易失性数字和非易失性数字三种阻变模式。其中，易失性模拟开关用于构建LIF神经元功能，而限流控制的易失/非易失数字状态随机转换则在本征器件层面实现了dropout响应。该设计大幅简化外围电路，为硬件高效的鲁棒神经形态计算提供了新途径。

本文选用选择具有本征离子迁移行为的二维材料CuInP₂S₆作为阻变层，器件结构和光镜图如图1a-b所示，其电场下的本征铜离子迁移行为具有易失性模拟阻变的特点，如图1c所示。本文选用银作为活性电极，其在不同限流下兼具易失性数字阻变和非易失性数字阻变行为，如图1d-e所示。有趣的是，该数字阻变行为在合适限流下的易失性和非易失性是概率性可调的，可以实现神经网络的dropout功能；而易失性模拟阻变行为可以模拟LIF神经元，作为SNN硬件。因此，将具有以上阻变行为的多模式Ti/Au/CuInP₂S₆/Ag/Au忆阻器串联，就可以构建具有dropout功能的SNN硬件，减少神经网络的过拟合，如图1f所示。

图1. 用于构建具有dropout功能的脉冲神经网络（SNN）的多模CuInP₂S₆忆阻器。a) CuInP₂S₆忆阻器的结构示意图。b) 器件的光学显微图。c-e) 器件的三种阻变曲线，分别对应 (c) 易失性模拟开关、(d) 易失性数字开关、(e) 非易失性数字开关。f) 具有dropout功能的SNN示意图。

其易失性模拟阻变行为如图2a所示，通过增大扫描电压，可以增大器件的开关比，如图2b-c所示。而减少扫描速率和增加扫描次数都可以对器件电导进行调制，如图2d-e所示，这也与离子迁移行为一致。由于其电导连续可调的特点，施加电压脉冲进行刺激，发现其可以模拟LIF神经元功能，如图2f所示，有潜力作为SNN硬件。

图2. 器件的模拟阻变开关行为。a) 不同扫描电压下的易失性模拟开关I–V曲线。b) 在-1.35 V读取电压下，不同扫描电压对应的高阻态（HRS）和低阻态（LRS）。c) 开关比随扫描电压的变化关系。d) 不同电压扫描速率下的I–V曲线。e) 随着电压扫描循环次数增加，电流的演变情况。f) 对LIF神经元脉冲发放动力学的模拟。

在合适的限流（Icc）下，基于CuInP₂S₆的忆阻器同时表现出易失性和非易失性开关行为，且两种模式的出现概率随Icc可调。在0.2 mA至1.0 mA的限流下对器件循环测试30次，得到图3a–e所示的I–V曲线（蓝色：非易失性，棕色：易失性）。结果显示：低Icc时易失性事件占主导，高Icc时非易失性事件占主导，且同一Icc下两种模式共存。图3f和3g表明，SET电压几乎不随Icc变化，而RESET电压随Icc增加向更负方向移动。图3h的保留时间测试显示，平均保留时间从0.2 mA时的约252秒增加到1 mA时的712秒。图3i统计的开关概率表明，非易失性开关的概率从93%（1 mA）下降至13%（0.2 mA），证实了易失性向非易失性的转变。

图3. 易失性与非易失性阻变之间的概率转变。a-e) 在不同限流（Icc）下分别测量的30条连续I–V曲线。f) SET/RESET电压的归一化分布曲线。g) 平均SET电压和RESET电压随所施加限流的变化关系。h) 不同电流限下的保持性能。i) 非易失性和易失性开关概率随限流的变化关系。

与其他多模器件的对比分析（图4a）表明，本工作基于CuInP₂S₆的多模忆阻器在功能多样性和应用潜力上具有显著优势。具体地，利用器件的三种开关模式实现了具备dropout能力的LIF神经元（图4b）：忆阻器M1工作于概率性数字开关模式，实现dropout功能；忆阻器M2工作于易失性模拟开关模式，模拟LIF神经元行为。初始化时通过设置M1的限流控制dropout概率，工作时M1处于低阻态时输入脉冲可传递至M2，处于高阻态时则阻断信号。与以往依赖外部比较器、运放、时钟或随机数生成器实现dropout或LIF的方案（图4c）不同，本设计利用银导电细丝随机断裂这种本征非易失随机性来实现dropout。因此，构建具有dropout功能的LIF神经元所需电子元件总数从传统电路的19个锐减至仅4个（图4d），大幅降低了电路复杂度，提升了集成密度与能效。

图4. 用于dropout LIF神经元电路的多模CuInP₂S₆忆阻器。a) 多模器件功能对比。b) 本工作中的简化dropout LIF神经元电路。c) 传统dropout LIF神经元电路。d) 实现dropout LIF神经元电路所需电子元器件数量的对比。

基于CuInP₂S₆忆阻器的多模开关特性，可直接硬件实现内置dropout功能的脉冲神经网络（SNN），有效缓解过拟合。如图5a所示，构建了一个两层全连接SNN用于有限训练数据下的MNIST手写数字识别。图5b对比了LIF激活与ReLU激活，两者在100个周期后识别精度相当，表明LIF激活具有同等的学习能力。图5c展示了dropout概率p对识别性能的影响：无dropout（p=0）时出现过拟合（测试精度88.52%）；p=0.5时最佳，测试精度达89.64%，过拟合显著抑制；p>0.5则因神经元过度失活导致欠拟合。图5d显示，随着训练集增大，识别精度单调提升，在8000个训练样本时达到95.17%，体现了更强的泛化能力。

图5. 在两层全连接SNN中，dropout对有限MNIST数据集识别任务的影响。a) 两层全连接神经网络架构示意图。b) 无dropout时不同激活函数（ReLU和LIF）对识别精度的影响。c) 使用LIF激活时不同dropout概率对识别精度的影响。d) 使用LIF激活和0.5 dropout时训练集大小对识别精度的影响。