研究团队近日开发出一种新型纳米电子器件，通过模仿人脑的工作方式，有望大幅降低人工智能硬件的能耗。该项目由剑桥大学牵头，核心成果是一种基于氧化铪的新材料器件，可作为高度稳定、低能耗的“忆阻器”使用，用来模拟大脑中神经元之间高效的连接与信号传递方式。相关研究已发表在《Science Advances》期刊。

当前大多数人工智能系统仍依赖传统的计算架构：数据需要在存储单元和处理单元之间频繁来回传输。这种“存算分离”的模式在大规模应用时会消耗大量电力，而随着 AI 在各行各业的快速普及，这一能耗问题愈发突出。

受人脑启发的神经形态计算被视为一种潜在替代方案。它尝试在同一位置完成信息的存储和处理，并以极低功耗运行。研究显示，这类系统有望将能耗降低多达 70%，同时具备更强的自适应能力，更接近人脑的学习和适应特性。

“能耗是当前人工智能硬件面临的核心难题之一。”论文第一作者、剑桥大学材料科学与冶金系的 Babak Bakhit 博士指出。

他表示，要真正解决这一问题，需要一种全新的器件：既要在极低电流下工作，又要具备优异的稳定性、可承受大量切换周期、器件间表现高度一致，并且能够在多个不同电导状态之间可靠切换。

目前大多数忆阻器依赖金属氧化物材料内部形成微小的导电丝来实现状态切换。然而，这些导电丝的形成和断裂往往具有随机性，且通常需要较高的形成电压和工作电压，这在大规模数据存储和计算系统中是一个重要限制因素。

剑桥团队采用了完全不同的思路。他们制备了一种新型基于氧化铪的薄膜结构，通过在材料中引入锶和钛，并采用两步法生长薄膜，在氧化物层的界面处形成微小的电子“门”——即 p-n 结。借助这一结构，器件可以通过调节界面处势垒高度来平滑改变电阻，而不再依赖导电丝的生成或断裂。

同时隶属于剑桥工程系的 Bakhit 表示，这种界面主导的切换机制，解决了忆阻器技术发展中的一大难题。“基于导电丝的器件往往表现出随机行为，”他说，“而我们的器件在界面处完成切换，从一个周期到下一个周期、从一只器件到另一只器件，都展现出非常出色的一致性。”

在实验中，研究人员利用这种基于氧化铪的器件，实现了比部分传统氧化物忆阻器低约一百万倍的切换电流。同时，这些忆阻器还能提供数百个彼此区分清晰且稳定的电导等级，这是实现“内存计算”（在存储单元中直接进行计算）的关键条件之一。

实验室测试结果表明，这些器件可以可靠承受数万次切换周期，并能在约一天时间内保持其编程状态不丢失。此外，它们还成功复现了生物神经系统中观测到的一些基本学习规则，例如尖峰时序依赖可塑性（STDP）：即神经元会根据信号到达时间的先后，来增强或削弱彼此之间的连接强度。

“如果希望硬件不仅能存储比特，还能像大脑一样学习和适应，这些特性就是必不可少的。”Bakhit 解释道。

不过，这项技术距离实际产业化应用仍有障碍。目前的器件制备工艺需要约 700°C 的高温，这一温度高于标准半导体制造工艺通常能够承受的范围。

“这可以说是我们当前工艺面临的主要挑战。”Bakhit 表示，“我们正在探索降低制备温度的方法，使其更接近现有工业流程的要求。”

尽管如此，他仍对这项技术的前景保持乐观。“如果我们能够成功降低工艺温度，并将这些器件集成到芯片上，那将是一个非常重要的突破。”他说。

作为一名材料物理学家，Bakhit 回顾称，这一成果是在多年反复试验和失败之后才取得的。关键转折点出现在去年年底，当时他尝试改进两步沉积工艺，仅在第一层生长完成后引入氧气。

“我前后花了将近三年时间，”他说，“期间经历了大量失败。但在十一月底，我们终于看到了第一批真正令人满意的结果。现在这项技术还处在早期阶段，不过如果能解决温度问题，它有可能带来颠覆性影响：在显著降低能耗的同时，器件性能也展现出巨大的潜力。”