人类社会正由信息化向智能化发展，借鉴人脑结构与信息处理方式的神经形态计算系统，成为当下研究热点。人工神经元是构建该神经形态计算系统的关键单元。然而基于传统CMOS技术的神经元电路在复杂度和集成密度方面存在挑战，亟需开发新的物理介质降低神经元电路的硬件开销。
近日，复旦大学芯片与系统前沿技术研究院刘琦教授课题组与国防科技大学徐晖教授课题组合作，基于锆掺杂氧化铪实现了高稳定性的超低能耗紧凑型神经元。锆掺杂氧化铪作为一种新型的铁电材料，功耗低，稳定性高，与CMOS工艺完全兼容，提高其中锆的掺杂比例可以实现易失的反铁电性。所构建的反铁电晶体管利用反铁电的极化控制沟道的开启，实现了神经元的积分特性，避免了大电容的使用，有利于提高神经形态计算系统集成度；利用反铁电的去极化实现了神经元的自恢复特性，避免了复位电路的使用，有效简化了神经元电路。基于一个反铁电晶体管就可以实现神经元的积分发射基本功能的模拟，大幅降低了神经元的硬件成本，其积分过程受外界刺激强度调节，刺激强度越强，神经元发射越稳定，适用于高精度计算任务。同时，反铁电神经元还表现出超低功耗（37fJ）、高稳定性、高耐久性（1012次）等优势。为了验证该神经元的自主学习能力，研究人员进一步构建了784×400×10双层神经网络，手写体识别率达到96.8%，为实现高能效大规模神经计算系统提供了新的物理基础。
相关成果以“Compact artificial neuron based on anti-ferroelectric transistor”为题于11月17日在线发表在学术期刊《Nature Communications》（DOI: 10.1038/s41467-022-34774-9）上。国防科技大学电子科学学院曹荣荣博士、复旦大学芯片与系统前沿技术研究院张续猛青年副研究员以及国防科技大学刘森副教授为该文章共同第一作者，国防科技大学李清江教授、复旦大学刘琦教授为本文的共同通讯作者。该工作得到了国家基金委、科技部、中科院等相关项目的资助。
全文链接：https://www.nature.com/articles/s41467-022-34774-9
a. 生物神经元结构图
b. 生物神经元积分发射动态过程
c. 反铁电基本特性
d. 反铁电晶体管Id-Vg曲线
e. 反铁电晶体管模拟神经元积分发射特性
