超导低频脑递质康复治疗()
定制大脑
君生突触万千环
敢把神经化断关
离子云游三纳米
葛琛得造类人间
0. 编按
将自然科学中的物理、化学、材料科学囊括于一身的所谓物质科学,大概最核心的观念是:结构决定性能!因此,物质科学的核心内涵就是“结构-性能关系”,以制造出为人类所用的好材料。众所周知,在学习和揣摩“结构-性能关系”的时光长河中,一方面,科学人通过知识的发现、构建和积累来揭示这种关系;另一方面,科学人也能放下架子和自尊心,主动去向大自然学习,其结果就是所谓仿生学的诞生与发展。
2014年第143期 Scientific American 曾经刊登了一篇文章(Scientific American No. 143, 2014; )。文章由陈柏宇、刘冠麟先生编译,提点了仿生学的主要知识点:
(1) 以生物结构为目标,通过研究生物材料独特的性能,反推其结构根源,然后仿造这一结构;
(2) 学习生物材料丰富的结构特征,包括自组装、多级结构、对外响应与服役效果;
(3) 最后从仿生学知识中总结出生物体的“结构-性能关系”,为物质科学所用。
图1.仿生学的梦想与现实。(左)仿生一只昆虫之路还很长,虽然目前有个大概的样子。(右)用于特定用途的机械手!
(左) http://tupian.baike.com/
(右) http://www.zzss.org/news/21416.html
生物经过长时间进化,形成的结构对特定存活环境的适应性可能已达到登峰造极的程度,这是科学人虚心学习之的主要动力,不服不行。科学人鹦鹉学舌,尝试各种途径去学习与模仿生物结构的设计、选材、制备、结构优化和功能优化。如图1所示为两个实例,照亮梦想与现实。这是其一。
生物结构演化的结果并非就一定是完美结构。从一般性而言,每一种生物材料结构都有其缺点。这一方面是因为生物环境相对温和,另一方面则源于演化只是为了适应特定需求。因此,对生物材料的模仿,可能存在着“度”与“特殊性”的问题。这是其二。
虽然早在数百年前,西方学者就记录了生物结构-功能的细节,但科学人也就是在过去几十年大规模想象甚至制造出若干仿生材料,包括科幻电影《不可能的任务》和《蜘蛛人》中大量采用生物材料的想象与夸张。诚然,仿生学大规模成功的实例并不多,但每一样实例都充满神奇和幻觉,令科学人既兴奋亦沮丧!兴奋乃因为人类终于可以造出生物材料之一二,沮丧则源于人类认识到自己的本事不过尔尔。
这不,科学人愈挫愈勇、愈战愈强的努力,甚至让仿生学深入到量子功能材料领域。由此,诞生了诸如人工智能和大脑材料这样的新的前沿方向,令人肃然起敬。
这里即展示其中一角冰山,本文中,中科院物理所金奎娟研究员、杨国桢院士团队的葛琛老师以其特定的视角,去阐明该团队如何仿生人脑结构单元——神经突触,企图学习人脑的信息处理与计算能力。很显然,这是一个充满激情和希望、却更是充满荆棘与挑战的方向。祝好运!
1. 仿生人脑之梦
在这生活着很多疯狂人物的地球,仿生人脑也不是什么新鲜的想法。1950年代,那个孤僻而内敛的艾伦·图灵,对,就是那个被誉为计算机科学与人工智能之父的英国数学学者,发布过一篇论文:《计算机器与智能》(Computing Machinery and Intelligence)。文中提出了一个令人深思的问题:“机器会思考吗?”
这个问题开启了人类对人工智能(也就是仿造人脑)的探索。时至今日,人工智能已成为全世界关注的科学前沿。喧嚣尘上的AlphaGo、无人驾驶、人脸识别等算是初级产品,却已使得与人工智能相关的新鲜事物渗透入我们的生活中、改变着我们的生活方式和生活品质。所有这些新鲜事,所依赖的核心灵魂都是电子计算机。现在的计算机系统,主要是基于计算和存储分离的冯·诺依曼架构,其中的中央处理器必须频繁地从存储单元读取数据,然后再进行计算。这个数据读取过程花费了大量时间和功耗,导致功耗巨大以及散热困难等一系列问题。
粗略估计一下,个人计算机的功耗大概是200~ 300 W,一台GPU服务器的功耗至少是2000 W,著名的AlphaGo 系统功耗达到10 MW。相比而言,人脑的功耗只有20 W,堪称地球上最为高效的计算系统,如果人脑真的是一个计算机的话。
很显然,人脑仿生,即通过模仿人脑工作方式来构建新型计算架构,是实现高性能计算极具潜力的方案[1]。这是科学人追求的外部驱动力。
从内在角度看,人脑是人类神经系统最重要的组成部分。记忆、遗忘、学习和决策等等功能,都在大脑的神经网络中进行。所以,仿生人脑就从仿生神经网络开始,显得很自然和合理。不过,神经未必是一个很物理的东西,至少比物理人经常引以自豪的半导体、集成电路等微电子产品还是要复杂许多。神经学研究表明:神经网络是由数量惊人的神经元(约1011个)通过突触(约1015个)联结而成。神经网络、神经元、突触由顶至底,形成了神经系统多层级体系。图2(左)中由上至下对应了这三种层级结构。神经元由体细胞、轴突、树突组成,其中树突用于接收输入信号、轴突用来发送输出信号、而突触是一个突触前神经元的轴突末梢和另一个突触后神经元的树突的连接点。神经元表面分隔膜上的小孔为突触信息传递的离子通道。这一通道在外界刺激下,通过细胞信号形成Ca2+、K+等离子的浓度差,借助囊泡完成其在前后突触的传递,诱发神经元中的电活动,进而实现信息记忆和处理。
图2.人脑与类脑芯片的对照图 [1]。神经网络、神经元和突触,由顶至底,构成了人脑多层级体系(左)。人工神经网络、人工神经元和人工突触,由顶至底,组成了类脑系统(右)。比较看来,人脑好像还没有类脑那么规则有度,但这种规则有度的丧失也许正是人脑功能难以被完美复制的关键所在,谁知道呢!
假定这一人脑工作机制是真的,基于这一机制的启发,并关注前文标识的那些关键名词,我们就能够粗浅理解所谓的类脑芯片是什么。类脑芯片,就是用神经形态器件去模拟人脑中的神经元、突触等基本功能,再进一步将这些神经形态器件联结成人工神经网络,以实现人工“大脑”的复杂功能。这些尝试和结果,即便是走过穷山恶水、甘苦日月,却还是为人工智能应用打下了一些硬件基础。
如果细致一些分析讨论,如图2 (右)所示:类脑芯片的结构可分为三个层级。位于最高层级的人工神经网络系统,通常由具有高集成度的crossbar 结构构成。中间层级,构成人工神经网络的基本单元是神经形态器件(人工神经元和突触)。在低层级,通过外场控制功能材料层来模拟生物突触的离子通道。
这里,我们看到,“功能材料”这一材料科学与凝聚态物理的专用名词,竟然如此大摇大摆地登堂入室,与人脑这等神奇的智能中枢联系起来。物理人说,为了达到这个目标,选用的功能材料之物理性质,应该在外场调控下能够发生可控的多状态改变。所有从事功能氧化物材料的物理人马上明白,具有此类特性的功能材料如沧海桑田,无处不是。
好吧,我们似乎走在康庄大道上。一方面,这让我们坚信,人脑也不过如此;另一方面,这也让我们坚信,那些非易失、能耗低的高性能人工突触器件将是类脑芯片研究的基础和关键。
图3.生物突触间的离子迁移是信息传递的关键(左)。通过注入/脱出功能离子工作的电解质突触晶体管与生物突触相似(右) [2]。
2. 电解质晶体管
那么,怎么才能做出所谓的高性能人工突触器件呢?
经过多年辗转反侧,现在已经明了,最简单的器件应该首推电解质晶体管。它的几何结构大概与晶体管三端器件类似,工作原理则立足于利用电解质栅极层的功能离子(H+、Li+、Na+、O2-等)在外场下迁移,来调控沟道电导。这里,电导的变化是功能实现的基本指标,虽然我们未必能很确定生物神经是不是就唯一地依赖通道电导的变化。尽管如此,可以看到,与基于阻变存储器(RRAM)、相变存储器(PCRAM)、磁存储器(MRAM)、铁电存储器 (FeRAM)等类型的类晶体管器件相比,电解质晶体管的工作方式与生物突触最为相似(如图4所示),是突触仿生器件研究的天然选择[2, 3]。
从结构上看,电解质晶体管的栅极对应突触前膜、沟道对应突触后膜、沟道电导对应着突触权重。在外加电场作用下,功能离子界面上的迁移可对应于生物突触动作电位增强响应释放神经递质的过程。在突触功能模拟方面,电解质栅极晶体管有独特的优势:可以同时接受和读取外界信号,能够从多个栅极一起获取信号,从而实现动态时空效应的测量。这些特点是两端器件不能全部达到的,主要原因在于此类三端器件中信号写入和读取是分开的、理论上能够实现超低能耗和高度集成化。
图4.电解质调控WO3输运行为机制示意图:当门电压小于水的分解电位时,离子液体调控主要是静电场效应起作用,撤掉门电压WO3沟道电导立刻恢复。当门电压大于水的分解电位时,离子液体调控主要是电化学效应起作用,伴随着H+插入WO3薄膜中A位空隙,撤掉门电压WO3沟道电导仍然能够保持 [10]。
事实上,由过渡金属元素构成的功能氧化物,其物理化学性质多种多样,展现出从绝缘到超导等丰富的电子态,包含铁电性、磁性、催化活性等丰厚功能,极具张力。长期以来,材料科学都将过渡金属氧化物作为一大类主要研究对象,而物理人一直希望能够通过场效应调节这类材料在多种相之间可控转换。自从人工智能材料和神经网络模拟之风兴起,功能氧化物材料走向人工智能和类脑研究领域,已是大势所趋。
但是,传统的栅极介质可以实现的载流子浓度调控幅度,比功能氧化物电子相变所需调控幅度低两个数量级,因此传统栅极的作用很难在此类问题上得到彰显。此时,调控能力更强的电解质正好可在这一课题上大显身手。经过多年探索,物理人逐渐认识到,电解质调控功能氧化物,并不仅仅靠电双层掺杂的高浓度电荷,往往还伴随着电化学效应带来的离子交换。这种离子交换过程,对调节功能氧化物、特别是关联电子氧化物电学及磁学性质非常有效,能够用来设计许多新原理功能器件[4]。这方面,东京大学Iwasa 教授课题组[5]和IBM 研究中心Parkin博士课题组[6],分别通过电解质调控实现了VO2 薄膜的可逆相变。只是他们提出了截然不同的机制解释,前者认为是电双层诱导的高浓度载流子引起相变,而后者认为是电解质/氧化物界面强电场诱发 O2-迁移导致。这两位神仙打架,从一个侧面又反映了电解质调控功能氧化物薄膜的复杂性。
当然,不管物理机理究竟如何,物性调控效果非常明显却是事实。清华大学于浦课题组,通过独立控制O2- 离子和H+ 离子在氧化物中的嵌入和脱嵌,实现了SrCoO3- δ、SrCoO2.5、HSrCoO2.5三相之间的转变,为功能氧化物多态相的电场控制开辟了新道路[7]。随后,普渡大学Ramanathan 课题组,利用水溶液电解质与钙钛矿结构镍酸盐SmNiO3薄膜界面进行H+ 离子交换,能够实现电导变化达4 个量级以上的可逆相变,据说可应用于深海等恶劣环境下的微弱电信号探测[8]。
2015 年,笔者通过电解质调控,实现了La1-xSrxMnO3 (LSMO)薄膜4 个量级以上的金属-绝缘体转变,揭示了电解质中水与氧化物薄膜界面离子交换的重要性[9]。
总之,电解质调控功能氧化物薄膜所展现出的多状态、非易失性电导等奇异性质,促使物理人将其应用于神经突触器件的探索。
图5. WO3突触晶体管短程和长程的“CAS”图形化记忆过程:在突触阵列里连续输入“C”、“A”、“S”三个字母。写“C”、“S”用的低电压代表短时记忆,写“A”用的高电压代表长程记忆[10]。
3. 突触晶体管
最近两年,笔者所在团队倒是一直致力于功能氧化物薄膜电解质突触晶体管的研究[10 - 13]。这一进程留给我们很多经验和教训,也给我们单调的帝都生活增添了精彩,因此值得在此回味一二。
首先,对电解质晶体管工作机制的清晰理解至关重要。
选用WO3外延薄膜来进行相关器件的物理机制探索是很有价值的,原因如下:WO3可以看成是A位缺失的钙钛矿ABO3 结构,其中存在大量可容纳外来离子的空间。WO3还是5d0半导体材料,伴随着外来离子插入,其物理性质可能发生清晰变化。通过对离子液体调控WO3薄膜物理机制的长时间探索,我们能够得到一系列有价值的结果,如图4给出的示意图所示:
(1) 当门电压小于水的分解电位时,离子液体调控主要是静电场效应起作用。撤掉门电压,WO3沟道电导立刻恢复。由此可以模拟突触的短程记忆过程。
(2) 当门电压大于水的分解电位时,离子液体调控主要是电化学效应起作用。此时,伴随着H+在WO3 薄膜中A位空隙的插入,撤掉门电压后,WO3沟道电导仍然能够保持。这对应着突触的长程记忆过程。
基于以上原理,可以对突触晶体管的短程可塑性、长程可塑性、脉冲时间依赖的可塑性等重要指标进行系统研究。系统的结果现实:电解质氧化物突触晶体管可同时模拟短程(低电压写入的“C”和“S”快速消失)和长程(高电压写入的“A”长时保持)行为(图5)。这一观测,应该对基于电解质栅极的低能耗突触仿生器件设计与性能改善有参考意义。看君有意,可参考发表于 Adv. Mater. 30 1801548 (2018)的相关论文[10]。
其次,寻找到好的突触晶体管材料是难题、亦是核心。
事实上,WO3突触晶体管的开关比(~ 10 @ 2 V)不高。要突破这一难题,还需要探索更好的材料体系。笔者曾经利用典型的量子材料VO2进行相关的人工突触器件设计,稍有一些体会与心得。
量子材料二氧化钒(VO2)在近室温下具备可逆的绝缘-金属相变,为设计高开关比突触器件提供了很好的选择。我们曾经尝试利用激光分子束外延技术制备高质量VO2外延薄膜,刻画了电解质调控H+离子注入/脱出过程中VO2 晶体结构和电子结构的演变过程,实现了电导的非易失改变(~ 102@ 2 V) (图 6)。通过调控H+注入浓度,可以模拟生物突触的重要功能,如突触可塑性和尖峰时间可塑性等。利用神经网络模拟器,还可以构建基于VO2晶体管的人工神经网络,让其学习了六万张MNIST标准手写数字图片,抽取其中一万张图片进行识别,图片识别率达到91 % (图 7)。
我们的尝试,至少证明了功能氧化物器件构成的神经网络可以进行“学习”和“识别”!从这个意义上,量子材料为新型高性能神经突触器件研究提供了新选择,具有广阔的前景。看君有意,可参考发表于 Nano Energy 67, 104268 (2020)的相关论文[11]。
图6. HxVO2突触晶体管基本性质。器件结构示意图(a);不同栅压下沟道电导随时间变化曲线(b);转移特性曲线(c);交替正负电压下的器件循环性(d) [11]。
图7.基于VO2突触晶体管的人工神经网络对标准图库的识别模拟。三层神经网络示意图(a);人工神经网络的电路示意图(b);对UCI图库(c)和MNIST标准手写数字库(d)的识别率[11]。
当然,我们展示了电解质调控中H+注入/脱出调控的典型实例,但结果并非是没有问题的。H+注入/脱出调控的突触晶体管亦有自身的缺点,即保持特性比较差,大约在分钟-小时量级。这一缺点当然需要克服,也成为我们追求具有长时间保持特性的人工神经突触器件的驱动力。
4. 拓扑相转换 SrFeO2.5薄膜
针对H+离子注入的问题,很容易注意到,功能氧化物中的O2-离子具有非常好的稳定性,或许控制O2-离子是设计优异保持特性类脑器件的潜力方案。不过,与H+不同,这里需要使用一类特殊的功能氧化物材料,其中的O2-空位处要易于容纳外来离子,同时在外场控制下还可以失去O2-离子。拓扑相转换材料正是思想这一功能的不二选择,看君若感兴趣,可以点击《让拓扑相变存储数据》一文,究其因果。
基于以上思路,笔者利用离子液体调控O2-离子的插入和析出,在SrFeO2.5外延薄膜中通过电场实现了钙铁石相与钙钛矿相的拓扑转换。一方面,相转换过程中,伴随着晶体结构、电导态及光学吸收特性的巨大变化。另一方面,相变后的结构、性能可以长久保持一年以上,未有变化。另外,在离子液体/氧化物界面强电场作用下,通过向SrFeO2.5薄膜沟道插入和析出O2-离子,还可以实现多个稳定电导态的可逆变化。
令人惊喜的是,该突触晶体管电导非常低(~ 5 nS),为低功耗大规模神经网络构建提供了很好的基础。进一步,我们还实现了人工突触器件的重要功能,即包括突触权重增强和减弱、突触的短长时记忆可塑性以及前后突触的时间可塑性(图 8)。更进一步,基于拓扑相转换材料的器件同样实现了对标准手写数字库的高精度识别(93%),处于同类器件领先水平。关于这些进展,看君有意,可参考发表于Adv. Mater. 31, 1900379 (2019) 的相关论文[12]。
需要特别指出,拓扑相转换突触晶体管优异的保持特性,同样可应用于非易失存储和计算上。我们演示了其数字记忆与擦除功能,通过双栅极结构可以实现非易失性与、或逻辑功能(图 9)。看君有意,可参考发表于Adv. Funct. Mater. 29, 1902702 (2019) 的相关论文[13]。
图8. SrFeOx突触晶体管突触可塑性测试。不同脉冲电压下沟道电流的响应(a);不同脉宽下沟道电流的响应(b) [12];正负交替栅压脉冲可以反复调制沟道电导(c);突触晶体管长程增强和减弱可塑性(d);非对称(e)和对称(f)脉冲时间依赖的可塑性。
图9.基于拓扑相转换材料电解质晶体管的非易失逻辑操作。我们使用两个侧栅极控制沟道电导变化[13]。
行文至此,我们已经通过几例典型实例,展示了多类“电解质突触晶体管”及其主体功能。虽然这些原型器件在操作速度、器件集成等方面仍需优化,也可能还面临scaling up技术上的各种挑战与困难,但电解质突触晶体管的如下独特优势已经得到认可:(1)工作方式与生物突触颇为相似,能够在类脑仿生方面大显身手。(2)晶体管的线性度表现不错,这对于神经形态计算准确率提高大有裨益。(3)晶体管读写分离。理论上能耗水平非常低。
总之,笔者相信,假以时日,电解质突触晶体管走向下一阶段应用研发,已是可期之势。
5.铁电突触器件
依笔者的观点,还需要指出,电解质晶体管尽管有这样那样的优点和吸引人之处,但离子运动(质子H+、氧空位VO等)毕竟是一种惯性犹在、速率难高的过程,所以电解质在需要超快响应的行为中,显得有些笨拙和青涩。电子或声子的运动就要好得多,不仅仅在于其轻灵活络,更在于其量子波动的特征明显,可以实现coherent、phase matching和tunneling。因此,物理人总是希望能够用纯电效应和相联系的量子过程来控制材料。并且,离子的引入还会带来扩散等其它毛病。
沿着这一思路,很容易想到:在电场下进行翻转的铁电畴,能否在神经突触器件方面一试身手呢?
当然,这方面过去多年有很多工作发表,包括我们自己的努力。基于BaTiO3外延超薄膜,我们尝试制备了铁电隧穿结。通过与 SrTiO3体系的对比实验,我们阐明了长久以来关于铁电隧穿结中铁电极化和离子移动作用的争议,在此基础上设计的器件展现了大的开关比值 [14]。南京大学吴迪团队最近在Advanced Materials上的铁电隧穿结综述文章,总结了近十年来该领域所有重要工作的开关比,显示我们得到的开关比性能最佳 [15]。
铁电极化只有两个状态,如何控制铁电畴实现非易失性的多状态存储是需要解决的关键科学问题。我们在上述铁电隧穿结工作基础上,从时间尺度细致研究了铁电畴翻转动力学,进而能够精细地调控铁电畴逐渐翻转实现上百个中间非易失状态,该铁电突触器件展现出超低的能耗、多状态、优异耐久性、超高线性度和对称性,如图 10所示。此外,利用铁电氧化物薄膜的电容效应和畴翻转行为,可分别实现短程和长程可塑性。基于铁电畴翻转的电子突触器件构成的人工神经网络对标准图库 MNIST识别率可达到 96.4 %。这是目前两端器件的最高水平,展现出铁电氧化物材料在神经形态器件应用上的潜力。看君有意,可参考发表于 Adv. Mater. 1905764 (2019)的相关论文[16]。
图10.基于铁电畴逐渐翻转的两端突触器件。压电力显微镜表明铁电超薄膜具有良好铁电性(上左);施加不同脉冲宽度的电压可以在铁电隧穿结中实现非易失性多态存储(上右);铁电隧穿结的长程增强和减弱可塑性具有超高线性度和对称性(下) [16]。
6.总结与展望
毫无疑问,功能氧化物丰富的物理性质为实现神经突触器件提供了多样选择。笔者从材料界面调控和突触器件物理的角度展开描述的若干研究工作,给出了我们的心得体会:电解质突触晶体管是优良的器件仿生结构,而基于铁电功能的类突触器件之综合性能优异。这些器件制备及其物理都值得深入研究。
当然,基于功能氧化物突触器件的类脑智能研究还处于起步阶段,未来面临着许多机遇和挑战。短期看,高性能的突触阵列可以用来加速需要大量矩阵运算的深度学习神经网络、降低系统功耗。目前,通过人工突触阵列和深度学习算法,能够使功能氧化物薄膜具备“学习”能力。在此基础上,可以进行“识别”等简单的人工智能任务。长远看,现在的研究尚处于初级水平,还需要从器件、架构、算法等方面全方位进行革新,才能打造出基于人工神经元和突触的功能氧化物“大脑” (图 11),搭配先进的算法使其能产生“意识”等高级的类脑智能。
或许,若干年后,科幻电影《终结者》中展示的超级机器人终将成为现实。到那个时候,人类生活的方方面面将面临改变与调整。这种改变与调整,是人类用双手逼迫自己实现自我异化与自我革命的进程,颇有一些“我不入地狱谁入地狱”豪迈,给人类全方位地改变自己的未来做出注解。
图11. 基于新型神经形态器件(人工神经元和神经突触) 的类脑芯片,未来机器人的“思考”能力就靠它了。图片取自[17]。
参考文献:
[1] J. S. Tang, F. Yuan, X. K. Shen, Z. R. Wang, M. Y. Rao, Y. Y. He, Y. H. Sun, X. Y. Li, W. B. Zhang, Y. J. Li, B. Gao, H. Qian, G. Q. Bi, S. Song, J. J. Yang, H. Q. Wu, Bridging Biological and Artificial Neural Networks with Emerging Neuromorphic Devices: Fundamentals, Progress, and Challenges. Adv. Mater. 31, 1902761 (2019).
[2] W. Xu, S. -Y. Min, H. Hwang, T. -W. Lee, Organic core-sheath nanowire artificial synapses with femtojoule energy consumption. Sci. Adv. 2, e1501326 (2016).
[3] S. L. Dai, Y. W. Zhao, Y. Wang, J. Y. Zhang, L. Fang, S. Jin, Y. L. Shao, J. Huang, Recent Advances in Transistor‐Based Artificial Synapses. Adv. Funct. Mater. 29, 1903700 (2019).
[4] C. Leighton, Electrolyte-based ionic control of functional oxides. Nat. Mater. 18, 13 (2019).
[5] M. Nakano, K. Shibuya, D. Okuyama, T. Hatano, S. Ono, M. Kawasaki, Y. Iwasa, Y. Tokura, Collective bulk carrier delocalization driven by electrostatic surface charge accumulation. Nature 487, 459 (2012).
[6] J. Jeong, N. Aetukuri, T. Graf, T. D. Schladt, M. G. Samant, S. S. P. Parkin, Suppression of metal-insulator transition in VO2by electric field-induced oxygen vacancy formation. Science 339, 1402 (2013).
[7] N. Lu, P. Zhang, Q. Zhang, R. Qiao, Q. He, H.-B. Li, Y. Wang, J. Guo, D. Zhang, Z. Duan, Z. L. Li, M. Wang, S. Z. Yang, M. Z. Yan, E. Arenholz, S. Y. Zhou, W. L. Yang, L. Gu, C. W. Nan, J. Wu, Y. Tokura, P. Yu, Electric-field control of tri-state phase transformation with a selective dual-ion switch. Nature 546, 124 (2017).
[8] Z. Zhang, D. Schwanz, B. Narayanan, M. Kotiuga, J. A. Dura, M. Cherukara, H. Zhou, J. W. Freeland, J. R. Li, R.Sutarto, F. Z. He, C. Z. Wu, J. X. Zhu, Y. F. Sun, K. Ramadoss, S. [9] S.Nonnenmann, N. F. Yu, R. Comin, K. M. Rabe, S. Sankaranarayanan, S. Ramanathan, Perovskite nickelates as electric-field sensors in salt water. Nature 553, 68 (2018).
[10] C. Ge, K. J. Jin, L. Gu, L. C. Peng, Y. S.Hu, H. Z. Guo, H. F. Shi, J. K. Li, J. O. Wang, X. X. Guo, C. Wang, M. He, H. B. Lu, G. Z. Yang, Metal–Insulator Transition Induced by Oxygen Vacancies from Electrochemical Reaction in Ionic Liquid-Gated Manganite Films, Adv. Mater. Interfaces 2, 1500407 (2015).
[11] J. T. Yang, C. Ge, J. Y. Du, H. Y. Huang, M. He, C. Wang, H. B. Lu, G. Z. Yang, K. J. Jin, Artificial Synapses Emulated by an Electrolyte-Gated Tungsten-Oxide Transistor. Adv. Mater. 30, 1801548 (2018).
[12] C. Ge, G. Li, Q. L. Zhou, J. Y. Du, E. J. Guo, M. He, C. Wang, G. Z. Yang, K. J. Jin, Gating-induced reversible HxVO2 phase transformations for neuromorphic computing. Nano Energy 67, 104268 (2020).
[13] C. Ge, C. X. Liu, Q. L. Zhou, Q. H. Zhang, J. Y. Du, J. K. Li, C. Wang, L. Gu, G. Z. Yang, K. J. Jin, A ferrite synaptic transistor with topotactic transformation. Adv. Mater. 31, 1900379 (2019).
[15] H. Y. Huang, C. Ge, Q. H. Zhang, C. X.Liu, J. Y. Du, J. K. Li, C. Wang, L. Gu, G. Z. Yang, K. J. Jin, Electrolyte-gated synaptic transistor with oxygen ions. Adv. Funct. Mater. 29, 1902702 (2019).
[16] J. K. Li, N. Li,C. Ge, H. Y. Huang, Y. W. Sun, P. Gao, M. He, C. Wang, G. Z. Yang, and K. J. Jin, Giant electroresistance in ferroionic tunnel junctions, iScience 16, 368 (2019).
[17] Z. Wen and D. Wu, Ferroelectric tunnel junctions: Modulations on the potential barrier, Adv. Mater. 1904123 (2019).
[18] J. K. Li, C. Ge,J. Y. Du, C. Wang, G. Z. Yang, and K. J. Jin, Reproducible ultrathin ferroelectric domain switching for high-performance neuromorphic computing, Adv. Mater. 1905764 (2019).
[19] https://www.iyiou.com/p/87345.html
备注:
(1) 笔者供职于中科院物理研究所,任副研究员、博士生导师。一直围绕极化场(铁电和电解质)调控功能氧化物界面的基本科学问题,探索实现高性能的电子信息器件。通过电解质极化场控制H和O离子在界面迁移实现高性能的突触晶体管,对电解质突触晶体管器件的优化设计和性能改善具有重要的参考意义;制备了目前开关比最大的铁电隧穿结,进一步通过铁电畴逐渐翻转实现了高性能铁电氧化物突触器件。在包括 iScience (Cell子刊)、Adv. Mater.、Adv. Funct. Mater.、PRB 等期刊上发表 SCI 论文 60 余篇,引用 1000 余次。承担国家重点研发计划(课题负责人)、国家自然科学基金、中科院青促会等多个项目。
(2) 题头小诗乃Ising所撰,表达对从事类脑仿制的人们的敬意。
(3) 封面图片取自:https://miro.medium.com/max/3840/
(4) 本文引用的若干论文链接:
https://onlinelibrary.wiley.com/doi/10.1002/admi.201500407
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201801548
https://www.sciencedirect.com/science/article/pii/S2211285519309759
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201900379
https://onlinelibrary.wiley.com/doi/full/10.1002/adfm.201902702
https://www.sciencedirect.com/science/article/pii/S2589004219301804
https://onlinelibrary.wiley.com/doi/full/10.1002/adma.201905764
来源:量子材料QuantumMaterials
编辑:Kun