摘要
关键词
- 神经形态计算 (Neuromorphic computing)
- 有机电子材料 (Organic electronic materials)
- 电化学掺杂 (Electrochemical doping)
- 电荷捕获 (Charge trapping), 人工突触 (Artificial synapse), 低能耗 (Low-energy consumption), 嵌入式学习 (Embedded learning)
研究背景
神经形态计算旨在模拟人脑的高效能计算特点，尤其在模式识别和机器学习领域展现出强大潜力。然而，传统硅基电子技术难以实现与生物神经网络等效的高并行性和低能耗特点。有机电子材料由于其柔性、易加工性及生物相容性，提供了新型神经形态计算设备的可能性。本综述旨在探讨这些材料在神经形态计算中的应用前景，分析其独特优势和面临的关键挑战。
关键点
- 神经形态计算的基本概念与背景。
- 有机电子材料的特性及其在神经形态设备中的潜力。
- 电化学掺杂和电荷捕获等导电调控机制。
- 低能耗和多状态导电调控的实现方法、嵌入式学习和生物接口的可能性，以及当前面临的技术瓶颈和未来研究方向。
重要进展
- 电化学掺杂技术：利用电解质调控导电性，实现人工突触功能，展示了快速切换和多状态存储的潜力。
- 电荷捕获机制：通过金属纳米颗粒捕获电荷，实现对导电通道的精确调控，并展示出长时间的状态保留能力。
- 多态存储：有机材料通过优化设计，成功实现多达256种可区分导电状态，为硬件神经网络提供更高的精度。
- 能耗优化：新型有机-无机混合器件实现了低至10飞焦耳的单次突触操作能耗，接近生物神经网络水平。
- 设备集成与柔性应用：成功构建三维柔性神经形态阵列，实现大规模设备集成和生物界面应用。
(a) 基于局部导电细丝（或其他导电路径）形成和/或偏置依赖界面修改的两端口有机存储器。底部图显示了细丝形成器件的电流–电压曲线。TE 表示顶电极，BE 表示底电极。
(b) 基于反应电偶对的两端口开关。施加电位后，反应电偶对在固体电解质和聚合物中同时发生，导致电导的改变。
(c) 有机电化学氧化还原开关。栅极施加电位驱动离子从电解质进入聚合物，从而改变其氧化还原状态和导电性。G 表示栅极，S 表示源极，D 表示漏极。
(d) 基于电荷捕获的开关。在步骤1（编程）中，高电位将电荷移动到薄膜中的纳米粒子上。在步骤2（运行）中，较低的栅极电位用于打开通道。薄膜中的电荷量决定了开启电位。
(a) 连续栅极逐渐改变电导，去除栅极电位后电导恢复至初始状态。
(b) 脉冲序列。与(a)类似的短脉冲逐渐改变电导。停止脉冲后，电导恢复至初始状态。
(c) 含聚合物电极栅极的脉冲序列以及读写操作的解耦。由于读写操作的解耦，在脉冲结束后，获得的电导状态得以保留。图下方显示了相应电化学器件的示意图。
(a) 基于电化学晶体管的器件通过缓慢的动力学保持导电状态。
(b–d) 基于反应电偶对的器件通过两端口配置(b)、栅控的三端口配置(c)或含有导电聚合物栅极的器件(d)进行反应电偶对调节，从而确保电中性并增强状态保持能力。
(e–g) 与电荷状态相关的能量示意图。
(e) 在电化学晶体管中，偏置会改变聚合物薄膜的电化学电位（虚线红线）。由于自放电的低能量屏障，状态稳定性较差。
(f) 对于基于两端口反应电偶对的机制（如(b)所示），写入和后续读取操作类似于传统的电化学晶体管，但当不施加电压时，状态保持性得到增强。
(g) 界面反应可能引入局部自放电。在三端口栅控电化学器件(c和d)中，读取操作与写入操作解耦（类似于(f)），从而通过较大的能量屏障（g）防止自放电。然而，如果缺乏例如通过电解质的电极分离，则不希望的界面反应（虚线橙色线）会降低局部自放电的屏障。
(a) 基于柔性有机电子器件的植入结构贴合在兰花花瓣表面（比例尺，5 mm）。插图：包含256个电极的NeuroGrid的光学显微图（比例尺，100 μm）。PEDOT:PSS覆盖的电极尺寸为10 μm × 10 μm。
(b) 全局栅极对有机神经形态器件阵列的影响。
(c) 三维柔性突触阵列。
(d) 有机忆阻器件阵列上的神经元分布。
(e) 人造柔性传入神经连接至蟑螂的生物神经。PDMS表示聚二甲基硅氧烷。
结论与展望
有机电子材料在神经形态计算领域展示了巨大潜力，特别是在低能耗、高可调性和生物医学应用方面。然而，设备的稳定性、状态保留时间及大规模集成性仍需进一步改进。未来的研究应专注于材料的精细化设计及与传统硅基技术的兼容性，以推动神经形态计算技术的实际应用。
论文直达
Organic Electronics for Neuromorphic Computing
Nat. Electron., 2018, 1, 386–397
点击以下链接阅读原文：