李守亮 岳文靜 李陽

文章編號(hào)：1671-3559（2024）03-0362-07DOI：10.13349/j.cnki.jdxbn.20230419.001

摘要： 為了實(shí)現(xiàn)憶阻器在神經(jīng)形態(tài)計(jì)算中的應(yīng)用，采用射頻磁控濺射技術(shù)，在氧化銦錫導(dǎo)電玻璃襯底上依次生長氧化鎢、 氧化鋅異質(zhì)結(jié)的阻變層和銀頂電極，制備氧化鎢-氧化鋅憶阻器，對(duì)制得憶阻器的結(jié)構(gòu)、 化學(xué)組成及電學(xué)性能進(jìn)行表征和測(cè)試。結(jié)果表明： 制得的憶阻器具有類似生物的神經(jīng)突觸特性，阻變行為由界面勢(shì)壘調(diào)控機(jī)制主導(dǎo)作用； 制得的憶阻器交叉陣列用于分類識(shí)別的平均正確率達(dá)到86.3%，接近中央處理器網(wǎng)絡(luò)的平均正確率87.4%，可用于神經(jīng)形態(tài)計(jì)算。

關(guān)鍵詞： 憶阻器； 神經(jīng)突觸； 射頻磁控濺射； 神經(jīng)形態(tài)計(jì)算； 分類識(shí)別； 神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN303

文獻(xiàn)標(biāo)志碼： A

開放科學(xué)識(shí)別碼（OSID碼）：

Preparation of Tungsten Oxide-Zinc Oxide

Memristor and Its Neural Synaptic Property

LI Shouliang， YUE Wenjing， LI Yang

（School of Information Science and Engineering， University of Jinan， Jinan 250022， Shandong， China）

Abstract： To realize application of memristors in neuromorphic computation， resistive layers of tungsten oxide and zinc oxide heterogeneous junction as well as a silver top electrode were grown on an indium tin oxide conductive glass substrate by using radio frequency magnetron sputtering technology， and a tungsten oxide-zinc oxide memristor was prepared. Structure， chemical composition， and electrical properties of the prepared memristor were characterized and tested. The results show that the prepared memristor has neural synaptic property similar to biology， and the resistive behavior is dominated by interfacial barrier regulation mechanism. The average accuracy of the prepared memristor cross array for classification recognition is 86.3%， which is close to that of central processing unit network 87.4%， and it can be used for neuromorphic computation.

Keywords： memristor; neural synapse; radio frequency magnetron sputtering; neuromorphic computation; classification recognition; neural network

隨著人工智能技術(shù)的快速發(fā)展， 大模型的訓(xùn)練和推理過程中計(jì)算力的需求變得更加迫切， 現(xiàn)有計(jì)算機(jī)系統(tǒng)面臨愈發(fā)嚴(yán)峻的挑戰(zhàn)。 傳統(tǒng)的基于馮·諾伊曼架構(gòu)的計(jì)算機(jī)具有存儲(chǔ)單元和處理單元分離結(jié)構(gòu)的限制， 因此在面對(duì)超大規(guī)模計(jì)算需求時(shí)， 逐漸暴露出內(nèi)存墻和功耗墻等問題［1-3］， 這些問題使得通過堆疊計(jì)算單元和存儲(chǔ)單元來提升計(jì)算力方式的性能損失和功耗較大。千億級(jí)的神經(jīng)元及其復(fù)雜

收稿日期： 2023-03-08????????? 網(wǎng)絡(luò)首發(fā)時(shí)間：2023-04-20T16：27：48

基金項(xiàng)目： 國家自然科學(xué)基金項(xiàng)目（62174068）

第一作者簡(jiǎn)介： 李守亮（1997—），男，山東臨沂人。碩士研究生，研究方向?yàn)閼涀杵?。E-mail： wrmtls@163.com。

通信作者簡(jiǎn)介： 李陽（1987—），男，黑龍江牡丹江人。教授，博士，博士生導(dǎo)師，研究方向?yàn)閼涀杵髋c柔性傳感器。E-mail： ise_liy@

ujn.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//kns.cnki.net/kcms/detail/37.1378.N.20230419.1757.002.html

的網(wǎng)絡(luò)連接結(jié)構(gòu)使得人腦能夠高效地完成復(fù)雜的任務(wù)， 并且功耗極?。?］，因此，模擬人腦結(jié)構(gòu)的神經(jīng)形態(tài)計(jì)算系統(tǒng)提供了存算一體、 高計(jì)算效率和低功耗的新型計(jì)算模型［5-8］，成為構(gòu)建下一代計(jì)算架構(gòu)的重要方式。其中，神經(jīng)突觸是實(shí)現(xiàn)人腦神經(jīng)形態(tài)計(jì)算最為重要的特性。為了模擬生物神經(jīng)突觸的特性，研究者們提出了多種器件，例如憶阻器［9］、 薄膜晶體管［10］和鐵電存儲(chǔ)器［11］。憶阻器是一種兩端的無源器件，其中的兩端相當(dāng)于生物神經(jīng)突觸結(jié)構(gòu)中的突觸前膜和突觸后膜。通過施加合適的電脈沖信號(hào)，可以實(shí)現(xiàn)憶阻器電導(dǎo)的連續(xù)變化， 這種變化與生物神經(jīng)突觸的表現(xiàn)相似［12-13］。由于憶阻器具有結(jié)構(gòu)簡(jiǎn)單、 與互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）工藝兼容的制備工藝、 類似人腦的低功耗和優(yōu)良的電學(xué)性能等優(yōu)點(diǎn)， 在模擬生物神經(jīng)突觸領(lǐng)域被廣泛研究， 并被用于實(shí)現(xiàn)類似生物神經(jīng)突觸的特性， 例如尖峰參數(shù)依賴可塑性、 短時(shí)程突觸可塑性和長時(shí)程突觸可塑性［14-16］?；趹涀杵鳂?gòu)建的人腦神經(jīng)形態(tài)計(jì)算系統(tǒng)為構(gòu)建更為復(fù)雜的人腦智能系統(tǒng)提供了可靠的基礎(chǔ)。

本文中首先采用射頻磁控濺射技術(shù)制備基于氧化鎢-氧化鋅異質(zhì)結(jié)的阻變層的電子神經(jīng)突觸憶阻器； 然后通過電學(xué)測(cè)試驗(yàn)證憶阻器的神經(jīng)突觸特性， 并結(jié)合理論知識(shí)分析憶阻器的阻變機(jī)制； 最后， 結(jié)合憶阻器的長時(shí)程突觸可塑性構(gòu)建神經(jīng)網(wǎng)絡(luò)用于分類識(shí)別任務(wù)， 探索憶阻器用于神經(jīng)形態(tài)計(jì)算的可行性。

1? 實(shí)驗(yàn)

1.1? 氧化鎢-氧化鋅憶阻器的制備

1）依次使用丙酮、 乙醇和去離子水在超聲波作用下清洗商用氧化銦錫（ITO）導(dǎo)電玻璃， 清除ITO襯底表面的油污和雜質(zhì)顆粒。 然后， 使用氮?dú)獯蹈梢垣@得清潔干燥的襯底。 腔室抽真空至壓強(qiáng)為3.5×10-3 Pa， 通入體積流量為30 mL/min的氬氣保護(hù)，在工作壓強(qiáng)為1.4 Pa、 交流功率為100 W的條件下，使用氧化鋅靶材濺射25 min獲得氧化鋅薄膜。

2）腔室抽真空至壓強(qiáng)為3.5×10-3 Pa，通入體積流量分別為25、 5 mL/min的氬氣和氧氣，在工作壓強(qiáng)為1.4 Pa、 直流功率為80 W的條件下，使用金屬鎢靶材濺射15 min獲得氧化鎢薄膜。

3）在直流濺射功率為50 W、 體積流量為25 mL/min的氬氣保護(hù)下， 借助金屬掩膜板的修飾制備直徑為0.2 mm的銀圓頂電極， 完成基于氧化鎢-氧化鋅異質(zhì)結(jié)憶阻器的制備。

1.2? 氧化鎢-氧化鋅憶阻器的測(cè)試表征

使用掃描電子顯微鏡（SEM， Regulus-8100型）對(duì)氧化鎢-氧化鋅憶阻器微觀形貌進(jìn)行表征， 得到器件的結(jié)構(gòu)信息。 使用X射線光電子能譜分析儀（XPS， AXISSUPRA型）對(duì)氧化鎢、 氧化鋅薄膜的化學(xué)組成進(jìn)行分析。 XPS能譜通過Shirley方法標(biāo)注并消除背景，使用高斯函數(shù)擬合獲取元素軌道分峰結(jié)果。使用半導(dǎo)體分析儀（Keithley 2602B型、 B1500型）和探針臺(tái)測(cè)試器件的電學(xué)性能， 通過施加不同的電信號(hào)測(cè)試器件的神經(jīng)突觸特性。

2? 結(jié)果與討論

2.1? 氧化鎢-氧化鋅憶阻器的結(jié)構(gòu)與表征

圖1所示為氧化鎢-氧化鋅憶阻器的結(jié)構(gòu)、 微觀形貌及氧化鎢、 氧化鋅薄膜的X射線光電子能譜（XPS）分析結(jié)果。 由圖1（a）可以看出， 該憶阻器采用垂直的三明治結(jié)構(gòu)， 由銀圓頂電極、 氧化鎢和氧化鋅異質(zhì)結(jié)的阻變層、 ITO導(dǎo)電玻璃的底電極組成。 從圖1（b）中可以看出，氧化鎢、 氧化鋅薄膜厚度均勻，厚度約為150 nm。從鎢（W）元素的XPS能譜圖圖1（c）中可以看出，W4f軌道的能譜可以反卷積出2個(gè)峰，分別為W4f7/2（結(jié)合能為35.6 eV）和W4f5/2（結(jié)合能為37.7 eV）光電子峰，表明成功制備出氧化鎢薄膜［17］。 從鋅（Zn）元素的XPS能譜圖［圖1（d）］中可以看出，Zn2p軌道的能譜的反卷積包括Zn2p3/2（結(jié)合能為1 021.3 eV）和Zn2p1/2（結(jié)合能為1 044.4 eV）2個(gè)光電子峰［18］，表明形成了Zn—O鍵，制備出純的氧化鋅薄膜。

2.2? 氧化鎢-氧化鋅憶阻器的電學(xué)性能

底電極ITO接地，電壓施加在銀頂電極上，通過施加不同類型的電壓信號(hào)（掃描電壓、 脈沖信號(hào)等）研究器件的電學(xué)性能，用以評(píng)估并模擬類似生物神經(jīng)突觸的特性和功能。

2.2.1? 伏安特性曲線

在銀頂電極施加連續(xù)10次正向（從0 V到1 V到0 V）或負(fù)向（從0 V到-1 V到0 V）掃描電壓（電壓步進(jìn)為0.025 V，單點(diǎn)掃描時(shí)間為40 ms）探索器件的電學(xué)性能，初步驗(yàn)證器件模擬生物神經(jīng)突觸特性的潛在可行性，結(jié)果見圖2。由圖2（a）可知，

在施加連續(xù)正向掃描電壓的過程中，憶阻器的響應(yīng)電流逐漸增大，對(duì)應(yīng)于器件的電導(dǎo)逐漸增大。由圖2（b）可知，在施加連續(xù)負(fù)向掃描電壓的過程中，憶阻器的響應(yīng)電流逐漸減小，對(duì)應(yīng)于器件的電導(dǎo)逐漸

減小。不同于傳統(tǒng)的數(shù)字型憶阻器， 該憶阻器電導(dǎo)的漸進(jìn)式變化過程與生物神經(jīng)突觸在生物信號(hào)刺激下的漸進(jìn)式權(quán)重促進(jìn)和抑制過程相似， 具有基本的突觸特性， 為進(jìn)一步探索憶阻器更為復(fù)雜的突觸特性并將

負(fù)向電壓掃描伏安特性曲線

其應(yīng)用于神經(jīng)形態(tài)計(jì)算提供了可靠的基礎(chǔ)。

2.2.2? 突觸可塑性

神經(jīng)突觸由突觸前膜、 突觸間隙和突觸后膜構(gòu)成。 突觸連接的強(qiáng)度與施加于突觸前、 后膜的脈沖的強(qiáng)度、 頻率和持續(xù)時(shí)間密切相關(guān)， 被稱為尖峰參數(shù)依賴可塑性［19-20］。 通過對(duì)氧化鎢-氧化鋅憶阻器施加不同參數(shù)（脈沖幅度、 脈沖寬度和脈沖時(shí)間間隔）的調(diào)制脈沖信號(hào)來研究器件的尖峰參數(shù)特性。 首先， 固定脈沖寬度和脈沖時(shí)間間隔（40、 10 ms）， 對(duì)器件施加不同幅度（0.6、 0.8、 1.0 V）的連續(xù)20個(gè)脈沖，結(jié)果見圖3（a）； 其次， 固定脈沖幅度和脈沖時(shí)間間隔（1 V， 30 ms）， 向器件施加不同脈沖寬度（20、 30、 40 ms）的連續(xù)20個(gè)脈沖，結(jié)果見圖3（b）； 最后， 固定脈沖幅度和脈沖寬度（1 V， 30 ms）， 向器件施加不同脈沖時(shí)間間隔（20、 40、 60 ms）的連續(xù)20個(gè)脈沖， 結(jié)果見圖3（c）。 由圖可知， 更大的脈沖幅度和脈沖寬度以及更小的脈沖間隔對(duì)應(yīng)更大的電導(dǎo)的變化率， 表明氧化鎢-氧化鋅憶阻器具有與生物神經(jīng)突觸相似的尖峰參數(shù)依賴可塑性， 為器件權(quán)重的調(diào)控提供了多樣的調(diào)制方式。

雙脈沖促進(jìn)（PPF）和雙脈沖抑制（PPD）是一種短時(shí)程突觸可塑性， 也被稱為短期記憶， 是指在神經(jīng)元突觸傳遞過程中， 前一次脈沖對(duì)后續(xù)脈沖的傳遞產(chǎn)生PPF和PPD的效應(yīng)。 PPF和PPD可以通過公式P=［（I2-I1）/I1］×100%量化其促進(jìn)或抑制程度， 其中P為PPF或PPD系數(shù)， I1、 I2分別為第1、 2次脈沖刺激后的電流［21-22］。 氧化鎢-氧化鋅憶阻器的短時(shí)程突觸可塑性實(shí)驗(yàn)結(jié)果如圖4所示。由圖4（a）可以看出， 調(diào)整脈沖信號(hào)的時(shí)間間隔t， 施加2個(gè)正電壓短脈沖（脈沖幅度為1 V， 脈沖寬度為50 ms）， 器件存在I2>I1的促進(jìn)效應(yīng)，隨著間隔時(shí)間

的增大第2個(gè)脈沖受第1個(gè)脈沖的影響逐漸衰減。 將原始數(shù)據(jù)通過指數(shù)衰減方程P（t）=C1exp（-t/τ1）+C2exp（-t/τ2）進(jìn)行擬合， 其中P（t）為PPF或PPD系數(shù)隨時(shí)間間隔t的變化， C1、 C2為初始促進(jìn)程度， τ1、 τ2為衰減系數(shù)， 用以描述初始脈沖對(duì)第2個(gè)脈沖影響的衰減程度。 數(shù)據(jù)的擬合結(jié)果中τ1、 τ2分別為123、 1 274 ms。 由圖4（b）可以看出， 施加2個(gè)負(fù)電壓脈沖（脈沖幅度為-1 V，脈沖寬度為50 ms）， 器件存在I2

長時(shí)程突觸可塑性是指經(jīng)過重復(fù)的脈沖信號(hào)刺激后， 突觸連接的強(qiáng)度出現(xiàn)相對(duì)持久性變化， 從而形成長期的記憶效應(yīng)。 相比于短期記憶可塑性， 長期記憶可塑性具有更強(qiáng)的連接強(qiáng)度和更長的記憶時(shí)間［23-24］。 在實(shí)驗(yàn)中， 對(duì)氧化鎢-氧化鋅憶阻器施加連續(xù)200個(gè)正向和負(fù)向電壓脈沖（脈沖寬度50 ms， 脈沖間隔10 ms， 脈沖幅度0.5 V）， 驗(yàn)證器件的長時(shí)程突觸可塑性，結(jié)果如圖5所示。從圖5（a）中可以看出，在連續(xù)正電壓脈沖的促進(jìn)過程中，器件的

電導(dǎo)逐漸增大并趨向于飽和， 表示突觸的長時(shí)程促進(jìn)。從圖5（b）中可以看出： 在連續(xù)負(fù)電壓脈沖的抑制過程中， 器件的電導(dǎo)逐漸減小并趨向于飽和， 表示突觸的長時(shí)程抑制； 進(jìn)行10次重復(fù)實(shí)驗(yàn)， 驗(yàn)證了器件長時(shí)程促進(jìn)和長時(shí)程抑制具有較好的可重復(fù)性。 從圖5（c）中可以看出， 通過對(duì)器件施加不同電壓（0.5、 0.7、 1.0、 1.2 V）的200個(gè)連續(xù)正向脈沖后， 使用0.1 V的讀電壓獲取電導(dǎo)值的衰減情況， 結(jié)果表明，器件在不同的電壓脈沖參數(shù)下具有明顯的區(qū)分度， 且超過10 s后電導(dǎo)仍然具有較大的記憶量。 綜上，該憶阻器具有長時(shí)程突觸可塑性， 可以模擬人類大腦中的學(xué)習(xí)和記憶過程， 為實(shí)現(xiàn)神經(jīng)形態(tài)計(jì)算提供了基礎(chǔ)。

對(duì)氧化鎢-氧化鋅憶阻器的電壓U-電流I曲線進(jìn)行擬合，分析器件的載流子傳輸機(jī)制和阻變機(jī)制，如圖6所示。從圖6（a）中可以看出，該憶阻器具有明顯的整流特性，且電流呈現(xiàn)漸進(jìn)式變化，因此認(rèn)為該憶阻器的阻變機(jī)制為界面勢(shì)壘效應(yīng)，而非傳統(tǒng)的導(dǎo)電細(xì)絲的整體效應(yīng)［25-26］。由圖6（b）可見，對(duì)正向掃描過程的高電壓區(qū)進(jìn)行擬合，發(fā)現(xiàn)曲線具有U1/2和ln I的線性關(guān)系，表明器件具有肖特基發(fā)射一樣的載流子輸運(yùn)機(jī)制。為了分析器件的界面勢(shì)壘，根據(jù)公式f（ln I， 0）=ln（AA*T2）-qB/（kT），其中， f為截距，A為電極的傳導(dǎo)面積，A*為有效查森系

數(shù)，T為熱力學(xué)溫度，k為玻爾茲曼常數(shù)，q為電荷量， B為肖特基勢(shì)壘， 對(duì)連續(xù)的正向掃描曲線進(jìn)行擬合，從擬合曲線的截距f提取勢(shì)壘。從圖6（c）中可以看出，隨著掃描次數(shù)的增加，擬合曲線的截距逐漸增大，表明憶阻器的界面勢(shì)壘降低，電導(dǎo)增大，因此可以認(rèn)為該憶阻器具有界面勢(shì)壘主導(dǎo)的阻變機(jī)制。可以從氧空位和氧離子的角度來對(duì)阻變機(jī)制進(jìn)行更加直觀的描述。在氧化鎢薄膜、 氧化鋅薄膜制備的過程中，薄膜具有豐富的氧空位和氧離子，在電壓正向掃描過程中，界面處的氧空位和氧離子向電極端擴(kuò)散，導(dǎo)致界面處勢(shì)壘的減小，憶阻器電導(dǎo)增大；而在電壓負(fù)向掃描過程中，氧空位和氧離子向界面處移動(dòng)，導(dǎo)致界面處勢(shì)壘的增大，憶阻器電導(dǎo)減小。由于受到熱力學(xué)作用，移動(dòng)到電極兩端的氧空位和氧離子會(huì)自發(fā)的向界面處擴(kuò)散，因此憶阻器表現(xiàn)出電導(dǎo)權(quán)重的遺忘過程。

3? 神經(jīng)形態(tài)計(jì)算可行性分析

基于氧化鎢-氧化鋅憶阻器的長時(shí)程神經(jīng)突觸可塑性，包括長時(shí)程促進(jìn)（LTP）和長時(shí)程抑制（LTD），搭建用于模擬神經(jīng)網(wǎng)絡(luò)分類功能的憶阻器交叉陣列如圖7（a）所示。實(shí)驗(yàn)中訓(xùn)練3層深度神經(jīng)網(wǎng)絡(luò)（DNN）用于圖像分類識(shí)別任務(wù)。DNN包含784個(gè)輸入神經(jīng)元，50個(gè)隱藏層神經(jīng)元和10個(gè)輸出層神經(jīng)元。網(wǎng)絡(luò)選取Fashion-MNIST數(shù)據(jù)集作為分類識(shí)別任務(wù)的數(shù)據(jù)集，其中60 000張圖片作為訓(xùn)練集，10 000張圖片作為測(cè)試集。采用電壓脈沖更新憶阻器網(wǎng)絡(luò)的電導(dǎo)權(quán)重，將中央處理器網(wǎng)絡(luò)的權(quán)重映射為憶阻器交叉陣列網(wǎng)絡(luò)的歸一化電導(dǎo)權(quán)重［27-30］。在權(quán)重映射過程中，將中央處理器網(wǎng)絡(luò)權(quán)重進(jìn)行4 bit量化，將量化后的4 bit映射為歸一化的憶阻器的16個(gè)電導(dǎo)狀態(tài)，并基于基爾霍夫定理和矩陣運(yùn)算的形式等效原理，搭建的交叉陣列可實(shí)現(xiàn)矩陣運(yùn)算的一步操作式快速運(yùn)算。由于神經(jīng)形態(tài)計(jì)算具有存算一體的特性，因此可以實(shí)現(xiàn)分類識(shí)別任務(wù)的快速計(jì)算。平均正確率迭代曲線如圖7（b）所示。由圖可知，在網(wǎng)絡(luò)的訓(xùn)練過程中，隨著迭代次數(shù)的增加，憶阻器網(wǎng)絡(luò)的平均正確率逐步趨于穩(wěn)定，最終達(dá)到86.3%，與中央處理器網(wǎng)絡(luò)的87.4%十分接近。憶阻器網(wǎng)絡(luò)的平均正確率低于中央處理器網(wǎng)絡(luò)的原因主要是： 1）對(duì)中央處理器網(wǎng)絡(luò)權(quán)重進(jìn)行4 bit量化映射帶來的量化誤差； 2）憶阻器的熱噪聲誤差； 3）模數(shù)轉(zhuǎn)化器讀取計(jì)算結(jié)果的測(cè)量誤差。同時(shí)， 為了驗(yàn)證憶阻器網(wǎng)絡(luò)對(duì)物品的分類性能，實(shí)驗(yàn)

用于分類識(shí)別的模擬結(jié)果

得到分類識(shí)別混淆矩陣如圖7（c）所示。由圖可以看出，憶阻器網(wǎng)絡(luò)對(duì)除第7類物品外，都能達(dá)到大于75%的正確率。憶阻器網(wǎng)絡(luò)對(duì)第7類物品的較低的識(shí)別正確率歸因于DNN并不能很好地提取第7類物品的特征，即使是中央處理器網(wǎng)絡(luò)也不能實(shí)現(xiàn)較高的識(shí)別正確率。綜上所述，氧化鎢-氧化鋅憶阻器能夠有效地應(yīng)用于神經(jīng)形態(tài)計(jì)算，為未來研制專用化、模塊化和小型化的神經(jīng)網(wǎng)絡(luò)芯片提供了一種思路。

4? 結(jié)語

本文中制備的氧化鎢-氧化鋅憶阻器是一種具有良好突觸特性的憶阻器。器件模擬實(shí)現(xiàn)了尖峰參數(shù)依賴可塑性、短時(shí)程突觸可塑性和長時(shí)程突觸可塑性。通過電流-電壓掃描曲線擬合驗(yàn)證了該憶阻器的界面勢(shì)壘調(diào)控的阻變機(jī)制。結(jié)合器件的長時(shí)程突觸可塑性搭建憶阻器交叉陣列模擬神經(jīng)網(wǎng)絡(luò)在Fashion-MNIST數(shù)據(jù)集上進(jìn)行分類識(shí)別，平均正確率達(dá)到86.3%，與中央處理器網(wǎng)絡(luò)性能接近。綜上所述，氧化鎢-氧化鋅憶阻器是一種具有類似生物的神經(jīng)突觸可塑性的憶阻器，為未來憶阻器構(gòu)建存算一體的神經(jīng)網(wǎng)絡(luò)提供了新的思路。

參考文獻(xiàn)：

［1］? MUTHUSWAMY B， CHUA L O. Simplest chaotic circuit［J］. International Journal of Bifurcation and Chaos， 2010， 20（5）： 1567.

［2］? MIGLIATO MAREGA G， ZHAO Y F， AVSAR A， et al. Logic-in-memory based on an atomically thin semiconductor［J］. Nature， 2020， 587（7832）： 72.

［3］? YANG J Q， WANG R P， REN Y， et al. Neuromorphic engineering： from biological to spike-based hardware nervous systems［J］. Advanced Materials， 2020， 32（52）： 2003610.

［4］? CITRI A， MALENKA R C. Synaptic plasticity： multiple forms， functions， and mechanisms［J］. Neuropsychopharmacology， 2008， 33（1）： 18.

［5］? XIAO W， SHAN L B， ZHANG H T， et al. High photosensitivity light-controlled planar ZnO artificial synapse for neuromorphic computing［J］. Nanoscale， 2021， 13（4）： 2502.

［6］? LAN S Q， WANG X Y， YU R J， et al. Organic synaptic transistors based on a hybrid trapping layer for neuromorphic computing［J］. IEEE Electron Device Letters， 2022， 43（8）： 1255.

［7］? SUN K X， CHEN J S， YAN X B. The future of memristors： materials engineering and neural networks［J］. Advanced Functional Materials， 2021， 31（8）： 2006773.

［8］? HASINA D， MANDAL A， BASU N， et al. Realization of short-and long-term memories at nanoscale and their temporal evolution in two-terminal memristive synapses［J］. Applied Surface Science， 2023， 2023（611）： 155563.

［9］? CAO G M， MENG P， CHEN J G， et al. 2D material based synaptic devices for neuromorphic computing［J］. Advanced Functional Materials， 2021， 31（4）： 2005443.

［10］? ZHOU Y H， LI J， YANG Y H， et al. Artificial synapse emulated through fully aqueous solution-processed low-voltage In2O3 thin-film transistor with Gd2O3 solid electrolyte［J］. ACS Applied Materials & interfaces， 2019， 12（1）： 980.

［11］? WANG H L， ZHAO Q， NI Z J， et al. A ferroelectric/electrochemical modulated organic synapse for ultraflexible， artificial visual-perception system［J］. Advanced Materials， 2018， 30（46）： 1803961.

［12］? HUH W， LEE D， LEE C H. Memristors based on 2D materials as an artificial synapse for neuromorphic electronics［J］. Advanced Materials， 2020， 32（51）： 2002092.

［13］? TANG K， WANG Y， GONG C H， et al. Electronic and photoelectronic memristors based on 2D materials［J］. Advanced Electronic Materials， 2022， 8（4）： 2101099.

［14］? WANG Z Q， XU H Y， LI X H， et al. Synaptic learning and memory functions achieved using oxygen ion migration/diffusion in an amorphous InGaZnO memristor［J］. Advanced Functional Materials， 2012， 22（13）： 2760.

［15］? ZHANG X M， LIU S， ZHAO X L. Emulating short-term and long-term plasticity of bio-synapse based on Cu/α-Si/Pt memristor［J］. IEEE Electron Device Letters， 2017， 38（9）： 1208.

［16］? WANG T Y， MENG J L， CHEN L. Flexible 3D memristor array for binary storage and multi-states neuromorphic computing applications［J］. InfoMat， 2021， 3（2）： 212.

［17］? CHOI W， GI S G， LEE D， et al. WOx-based synapse device with excellent conductance uniformity for hardware neural networks［J］. IEEE Transactions on Nanotechnology， 2020， 2020（19）： 597.

［18］? CLAROS M， SETKA M， JIMENEZ Y P， et al. AACVD synthesis and characterization of iron and copper oxides modified ZnO structured films［J］. Nanomaterials， 2020， 10（3）： 471.

［19］? YAN X B， ZHAO J H， LIU S， et al. Memristor with Ag-cluster-doped TiO2 films as artificial synapse for neuroinspired computing［J］. Advanced Functional Materials， 2018， 28（1）： 1705320.

［20］? WANG W X， GAO S， LI Y， et al. Artificial optoelectronic synapses based on TiNxO2-x/MoS2 heterojunction for neuromorphic computing and visual system［J］. Advanced Functional Materials， 2021， 31（34）： 2101201.

［21］? ZHOUL，YANGSW，DINGGQ，etal.Tunable synaptic behavior realized in C3N composite based memristor［J］. Nano Energy， 2019， 2019（58）： 299.

［22］? WANG Y Q， WANG W X， ZHANG C W， et al. A digital-analog integratedmemristorbasedonaZnONPs/CuONWsheterostructurefor neuromorphic computing［J］. ACS Applied Electronic Materials， 2022， 4（7）： 3525.

［23］? PEI Y F， ZHOU Z Y， CHEN A P， et al. A carbon-based memristor design for associative learning activities and neuromorphic computing［J］. Nanoscale， 2020， 12（25）： 13531.

［24］? ZHOU J M， LIU N， ZHU L Q， et al. Energy-efficient artificial synapses based on flexible IGZO electric-double-layer transistors［J］. IEEE Electron Device Letters， 2015， 36（2）： 198.

［25］? GUL F， EFEOGLU H. Bipolar resistive switching and conduction mechanism of an Al/ZnO/Al-based memristor［J］. Superlattices and Microstructures， 2017， 2017（101）： 178.

［26］? LIU Y H， WANG Y S， WANG C X， et al. Improvement on synaptic properties of WOx-based memristor by doping Ti into WOx［J］. Journal of Physics D： Applied Physics， 2021， 54（45）： 455107.

［27］? YAO P， WU H Q， GAO B， et al. Fully hardware-implemented memristor convolutional neural network［J］. Nature， 2020， 577（7792）： 643.

［28］? FENG X W， LI S F， WONG S L， et al. Self-selective multi-terminal memtransistor crossbar array for in-memory computing［J］. ACS Nano， 2021， 15（1）： 1764.

［29］? LI S F， PAM M E， LI Y S， et al. Wafer-scale 2D hafnium diselenide based memristor crossbar array for energy-efficient neural network hardware［J］. Advanced Materials， 2022， 34（25）： 2103376.

［30］? CHENG S Q， ZHONG L， YIN J X， et al. Controllable digital and analog resistive switching behavior of 2D layered WSe2 nanosheets for neuromorphic computing［J］. Nanoscale， 2023， 15（10）： 4805.

（責(zé)任編輯：劉? 飚）