用于神经形态视觉处理的G/M/G光忆阻器

传统的人工智能（AI）机器视觉技术基于冯·诺依曼架构，使用独立的传感、计算和存储单元来处理传感终端中产生的海量视觉数据。然而，冗余数据在传感器、处理器和存储器之间的频繁传输会导致高功耗和高延迟。一种更有效的方法是将部分存储和计算任务分担给能够同时感知和处理光信号的传感器元件。

据麦姆斯咨询报道，近日，国科大杭州高等研究院、中国科学院上海技术物理研究所、中国科学院大学、中国科学院合肥智能机械研究所、江淮前沿技术协同创新中心、俄罗斯科学院微电子技术和高纯材料研究所的研究人员组成的团队在Light: Science & Applications期刊上发表了题为“Graphene/MoS2−xOx/graphene photomemristor with tunable non-volatile responsivities for neuromorphic vision processing”的论文，提出了一种基于2D石墨烯/氧化二硫化钼/石墨烯（Graphene/MoS2-xOx/Graphene，G/M/G）架构的双终端非易失性光忆阻器，实现了光响应状态的计算完整逻辑。本文提出的G/M/G光忆阻器不仅为神经形态视觉硬件提供了多功能的传感-存储-计算方法，而且实现了高密度集成。

图1 G/M/G光忆阻器及其位移和收缩磁滞电流-电压特性

人类视觉系统具有强大的视觉感知能力，且仅需消耗不到20瓦的功率。这些特性主要归功于视网膜中对视觉信息的同步感知和早期处理以及视觉皮层中的并行处理。例如，为了高效地丢弃冗余视觉数据并加速视觉皮层中的后续处理任务，人类视网膜可以通过可塑性正、负光响应提取视觉数据的关键特征。受人类视觉系统的启发，人们已开发出具有感知能力的AI机器视觉技术。

通常，在传统的视觉系统中，光学信息由基于帧的数字相机捕获，然后数字信号由机器学习算法处理。在这种情况下，海量数据（大部分是冗余的）必须从独立的传感元件传输到处理单元，这导致了高延迟和高功耗。为了解决这一问题，人们已致力于开发一种通过模拟人类视网膜某些功能的传感器内计算技术，例如，金属-半导体-金属可变灵敏度光电探测器（VSPD）、可重构2D半导体光电二极管、栅极可调谐范德华异质结构等。

上述传感器构成了一种嵌入式的可同时感知和处理图像的人工神经网络。然而，挑战仍然存在。基于金属-半导体-金属结构的VSPD具有偏置依赖的暗电流，而基于可重构2D材料的神经网络图像传感器是易失性的，需要持续的栅极电压来更新权重。为了开发具有可调谐光响应的非易失性光电探测器，需要复杂的器件设计或制造工艺，例如，使用浮栅或铁电栅电介质。因此，为了高效地处理如此海量的数据并降低功耗，有必要开发一种高密度集成的具有简单架构的非易失性光电探测器件。

耦合电子-离子忆阻系统通过记忆先前电输入的历史来调整多个电阻状态，从而模拟生物突触。忆阻器的导电率随外部偏置电压而变化，同时保持着非易失性电阻状态。此外，基于忆阻器的交叉阵列可以通过欧姆定律和基尔霍夫定律高效地执行矩阵-矢量积运算，实现节能的内存计算。

在本论文中，作者们提出了一种基于2D石墨烯/氧化二硫化钼/石墨烯架构的非易失性光忆阻器，可重构的响应度可以通过电荷和/或光子通量调制，并进一步存储在器件中。这种G/M/G非易失性光忆阻器具有简单的双终端架构，其中光激发载流子和氧相关离子耦合，导致电流-电压特性中的位移和收缩磁滞。G/M/G光忆阻器组实现了光响应状态的计算完整逻辑，同一光忆阻器可同时作为逻辑门和存储器。本文首次以非易失性光响应作为变量，而不是光、电压和记忆电阻等物理状态变量。

通过使用MoS2纳米晶体（NC）和CVD生长的石墨烯作为电极，他们制造了G/M/G光忆阻器，如图1（a）所示。MoS2纳米晶体是通过液相剥离（LPE）方法制备的。为了研究双终端G/M/G光忆阻器中的非易失性光响应性切换的机制，他们对较薄的MoS2-xOx结构进行了原位拉曼分析，以便能够表征底层石墨烯电极。此外，提出的G/M/G光忆阻器阵列通过多状态光响应实现了图像预处理和识别，为未来实现感知网络提供了可能性。

图2 G/M/G光忆阻器的光响应切换机制

图3 基于G/M/G光忆阻器的图像预处理和分类

综上所述，研究团队提出了一种简单双终端G/M/G架构的可调谐非易失性光忆阻器。该G/M/G光忆阻器可以在零外部电压下以非易失性模式存储和读取多个光响应状态。通过模拟人类视网膜的生物功能并设计特定的器件架构，这些G/M/G光忆阻器可以作为神经网络，并实现神经形态的视觉处理和由电、光刺激共同触发的完全光响应状态逻辑运算。这种新型的双终端G/M/G光忆阻器不仅为神经形态视觉硬件提供了多功能的感知-存储-计算方法，而且实现了高密度集成。

审核编辑：刘清