基于ZnO 忆阻器的神经突触仿生电子器件

潘若冰，胡丽娟，曹鸿涛，竺立强，李 俊，李 康，梁凌燕，张洪亮，高俊华，诸葛飞

(1．上海大学 材料科学与工程学院，上海 200072； 2．中国科学院宁波材料技术与工程研究所，浙江 宁波 315201)



基于ZnO 忆阻器的神经突触仿生电子器件

潘若冰1,2，胡丽娟1，曹鸿涛2，竺立强2，李 俊2，李 康2，梁凌燕2，张洪亮2，高俊华2，诸葛飞2

(1．上海大学 材料科学与工程学院，上海 200072； 2．中国科学院宁波材料技术与工程研究所，浙江 宁波 315201)

本文采用ZnO忆阻器模拟了生物神经突触的记忆和学习功能。ZnO突触器件表现出典型的随时间指数衰减的突触后兴奋电流(EPSC)，以及EPSC的双脉冲增强行为。在此基础上，实现了学习-遗忘-再学习的经验式学习行为，以及四种不同种类的电脉冲时刻依赖可塑性学习规则。ZnO突触器件实现了超低能耗操作，单次突触行为能耗最低为1.6pJ，表明其可以用来构筑未来的人工神经网络硬件系统，最终开发出与人脑结构类似的认知型计算机以及类人机器人。

忆阻器； 神经突触器件； 人工神经网络； ZnO

1 引 言

忆阻器被认为是继电阻器、电容器、电感器之后的第四种无源电子元件，它具有电阻的量纲，其阻值随着流经它的电荷量而发生改变，表现出非线性电学特性，并且能够在断开电流后保持之前的阻态[1]。忆阻器是一种两端器件，因此可以高密度集成。此外，其不同电阻态之间转变很快，并且制备过程与现有的CMOS工艺兼容。由于忆阻器的这些特点，使得其在信息存储和神经突触模拟方面有着独特的优势[2-11]。目前，基于不同介质材料的忆阻器，一些科研团队实现了神经突触部分功能的模拟。忆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]。这些忆阻器件的电阻变化来源于场致金属或非金属离子的迁移。最近，基于纯电子型ZnO忆阻器，作者团队成功实现了突触功能的模拟[19]。纯电子型突触器件不涉及材料微结构的变化，因此器件工作有望更加稳定。在此基础上，本文进一步模拟了神经突触的突触后兴奋电流(excitatory post-synaptic current, EPSC)、EPSC双脉冲增强(pair-pulse facilitation, PPF)、学习-遗忘-再学习经验行为，以及四种电脉冲时刻依赖可塑性(spike-timing-dependent-plasticity, STDP)学习规则，并且实现了ZnO突触器件的超低能耗操作。

2 实 验

以纯度99.99 wt%的ZnO陶瓷片作为溅射靶材，镀铂硅片(Pt/Ti/SiO2/Si)作为衬底，采用射频磁控溅射的方法，在室温下制备了厚度为100nm的ZnO薄膜。磁控溅射腔体本底真空度低于2.7×10-4Pa，采用高纯Ar/O2混合气体作为溅射气氛，两种气体的分压比为Ar∶O2=8∶2，溅射气压为0.4 Pa，溅射功率为80W。采用电子束蒸发结合金属掩膜版的方法，在ZnO薄膜表面依次沉积金属Ti和Au，厚度分别为50nm和20nm，电极尺寸为200μm。其中Au作为保护层，防止顶电极Ti在空气中被氧化。利用Keithley 4200半导体参数分析仪测试Au/Ti/ZnO/Pt器件的电学性能，衬底Pt接地，在Au/Ti顶电极上施加电压，电压正向定义为从顶电极流向底电极的电流方向。

3 结果与讨论

通常人们认为突触是大脑学习记忆的最小单元，而突触学习记忆的重要方式就是依赖其自身的可塑性。可塑性是指突触接收外界刺激后，可以调整自身形态的能力[20]。突触可塑性按照记忆时间长短，可分为短程和长程可塑性。如图1所示，Au/Ti/ZnO/Pt结构的I-V曲线通过原点，并且具有明显的回滞行为，表现出典型的忆阻器特性。基于ZnO忆阻器，首先模拟了突触短程可塑性，即EPSC。EPSC是指脉冲刺激后，电流随时间指数衰减的行为。如图2(a)所示，施加幅值为0.2V，宽度10ms的脉冲刺激(Vpul)后，通过持续施加0.1V 的读电压脉冲(Vr)，获得器件电流随时间的变化关系。该过程可以用指数函数I(t)=I0+Aexp(-t/τ)很好拟合，因此可以用来模拟突触EPSC行为，其中I(t)、I0分别是t时刻和稳定状态的电流，A为指前因子，τ为电流衰减的弛豫时间，表征EPSC衰减速率[18]。由图2(a)可知，EPSC的峰值电流为～0.8nA，计算得到的单次脉冲行为功耗为<1.6pJ。刺激脉冲幅值(0.2V)与文献报道中的生物突触动电位100mV相近[20]，ZnO突触器件通过施加较低的刺激电压实现了超低功耗操作。此外，研究了脉冲宽度和幅值变化对EPSC的影响。如图2(b)所示，随着脉冲宽度从10ms增加到1000ms，EPSC峰值电流从0.8nA增加到1.1nA，增长幅度为37.5%。当脉冲幅值从0.2V增加到1V时，EPSC峰值电流从0.8nA增加到8nA，增长幅度为900%。因此与脉冲宽度相比，脉冲幅值对EPSC的影响更为显著。

图1 Au/Ti/ZnO/Pt器件的I-V特性曲线，插图为半对数坐标曲线Fig.1 I-V curves of Au/Ti/ZnO/Pt devices. The inset shows the curves in semilogarithmic scale

双脉冲增强(PPF)也是短程可塑性的一种形式，并且被认为是生物信息编码的重要方式。PPF是指突触前膜施加两个脉冲刺激，第二个刺激所引起的突触权重较前一个有所增强的现象[21]。突触权重是指突触前后节点之间的连接强度，在人工突触仿生器件里，我们将脉冲刺激引发的电流或电导看作突触权重。如图3(a)所示，施加两个幅值为0.2V，宽度为50ms的刺激脉冲(Vpul)，间隔时间Δt=150ms，读电压为0.1V(Vr)，后一个脉冲引发的EPSC峰值电流略高于前一个脉冲，即A2>A1(A1、A2分别表示两个脉冲刺激引发的电流增长幅值)。如果增长的幅度用PPF指数Index=A2/A1×100%表示，则图3(a)中，Index为1.23%。图3(b)～(d)为不同幅值的脉冲刺激下，PPF的Index值随Δt的变化规律。很明显，脉冲幅值越大，Δt越小，则Index越大。

对于EPSC和PPF，撤去脉冲刺激后电流会在几秒内衰减回初始状态，这种短程可塑性类似于生物突触传递电信号后，膜内外电位在短时间内恢复到静息状态。此外，通过连续施加多个脉冲刺激，可以实现突触器件的长程可塑性，如图4所示。连续的脉冲刺激可看作是人工神经突触的训练过程，训练后的突触权重值被看作是100%的记忆量，这类似于人脑的学习过程(见图4(a))。由图4(b)可见，撤去脉冲刺激后，器件的突触权重逐渐降低，即记忆量随时间而衰减，这

图2 (a) ZnO突触仿生器件的EPSC行为，左方插图为器件结构示意图，右方插图为衰减过程的指数拟合，上方插图为刺激脉冲及读脉冲示意图；(b)EPSC峰值电流随着脉冲宽度的变化及相应拟合，插图为峰值电流随脉冲幅值的变化趋势及拟合曲线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

图3 (a) ZnO突触器件的PPF行为，插图为刺激脉冲及读脉冲示意图，刺激脉冲幅值为0.2V，宽度50ms，前后脉冲间隔150ms，读脉冲幅值0.1V；(b)(c)(d) 刺激脉冲幅值分别为0.2、0.5以及1V时，PPF的Index值随脉冲间隔时间Δt的变化规律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

个变化曲线类似于人脑的遗忘过程。经过600秒后，记忆量的衰减变得非常缓慢，最终保持在初始记忆量的30%，表现出长程可塑性。当再次施加脉冲时，只需要较少的脉冲数，突触就可以到达之前100%记忆量，类似于人脑的再学习过程。这种学习-遗忘-再学习的过程可被用于未来人工神经网络的学习和识别功能。

对于突触，除短程和长程增强外，权重的长程抑制也是其重要的可塑性之一，而电脉冲时刻依赖可塑性(STDP)则较合理地解释了突触长程增强或抑制的直接或间接诱因。STDP是指突触权重随着突触前和突触后神经元电脉冲发生时刻的先后顺序不同而发生长程增强或抑制。STDP被认为是不同可塑性理论模型的核心，不同的STDP规则对应不同的信息处理和存储过程，因此依赖不同的神经电路，多种STDP学习规则的实现是理论研究转向硬件设计的重要步骤[20,22]。如图5所示，通过施加不同形状的突触前和突触后脉冲，获得了四种不同的STDP学习规则。前后脉冲时间间隔Δt=tpre-tpost，其中tpre和tpost分别表示突触前脉冲和突触后脉冲的施加时刻，即Δt<0表明突触前脉冲先于突触后脉冲，Δt>0表明突触前脉冲晚于突触后脉冲。突触权重变化量Δw=(G2-G1)/G1×100%(G1/G2分别为器件施加脉冲前/后的电导)。图5给出了ZnO突触器件对四种不同的STDP学习规则的模拟。这就意味着单一器件通过不同的训练可以实现多种不同的学习规则，这有利于满足未来对可编译功能的需求。同时，STDP规则的实现是ZnO突触器件实现自主学习和认知功能的重要基础。

4 结 论

基于Au/Ti/ZnO/Pt结构的纯电子型忆阻器件，模拟了生物神经突触的短程和长程可塑性，包括EPSC、PPF、学习-遗忘-再学习经验式行为，以及四种不同的STDP学习规则，并且实现了突触器件的超低功耗操作，最低能耗为1.6pJ。研究表明ZnO基纯电子型突触器件可以用来构筑未来的人工神经网络硬件系统。

图5 ZnO突触器件对四种不同的STDP学习规则的模拟，(a)不对称的STDP规则，在Δt<0时表现出突触增强特性;(b)不对称的STDP规则，在Δt>0时表现出突触增强；(c)对称的STDP规则，对所有Δt都表现出增强；(d)对称的STDP规则，对所有Δt都表现出抑制。其中插图为突触前后脉冲的形状示意图，这里定义施加在顶电极(Au/Ti)上的刺激为突触前脉冲，施加在底电极(Pt)上的刺激为突触后脉冲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,诸葛飞,刘志敏,等. 氩等离子体处理对ZnO薄膜阻变效应的影响 [J]. 材料科学与工程学报, 2014, 32(6): 922～925.

[4] 郭鹏, 徐伟. 有机电双稳材料与器件的研究进展 [J]. 材料科学与工程学报, 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

国家自然科学基金资助项目(51272261和61474127)

潘若冰(1990-)，女，硕士研究生，研究方向：低维半导体材料与器件。

诸葛飞，男，研究员，博士生导师，主要从事低维半导体材料与器件研究，E-mail: zhugefei@nimte.ac.cn。

TB43

A

10.14136/j.cnki.issn 1673-2812.2017.02.013