二维（2D）器件具有低功耗、高静电可控性、高尺寸微缩性、灵活异质集成等优点，被认为是构建人工突触的理想硬件单元之一。然而，受限于2D突触器件在权重训练过程中的非理想参数，如权重更新线性度/对称性、循环操作稳定性、及器件差异性等，其用于人工神经网络（ANN）以实现高精度训练和推理任务仍然具有很大的挑战性。另一方面，当前2D突触器件的探索主要集中在单个器件作为概念性展示，与半导体工业相兼容的二维突触阵列的制备仍然很少被研究。
针对上述问题，复旦大学芯片与系统前沿技术研究院周鹏教授、向都青年研究员，以及新加坡国立大学化学与物理系陈伟教授团队设计并实现了基于富含硅元素氮化硅衬底（sr-SiNx）的二维突触器件阵列；利用sr-SiNx的高电荷捕获效率，实现了二维晶体管的非易失性电荷存储及多种突触可塑性模拟。在将突触阵列应用于权值训练时，权值电导在增强和抑制操作中展现出高线性和高对称性的连续可逆调节。此外，阵列中的单个突触器件循环工作的离散性低至1.5%，阵列器件间性能的差异性低至5.3%。在二维突触阵列的实验数据基础上，进一步构建多层人工神经网络用于MNIST手写体的学习和识别，仿真结果表明识别精度高达91%，接近软件模拟的理想精度94%。基于半导体工业兼容的sr-SiNx电介质层所制备的二维突触阵列，不仅展现出高可靠性和均一性，而且极大地简化了阵列制备流程，有望实现高集成度、高性能的人工神经网络硬件系统。
上述成果于2021年4月份发表在Nano Letters期刊上（DOI:https://pubs.acs.org/doi/10.1021/acs.nanolett.1c00492），复旦大学芯片与系统前沿技术研究院青年研究员向都和新加坡国立大学化学系博士后刘陶为该工作的共同第一作者，复旦大学微电子学院周鹏教授、向都青年研究员、及新加坡国立大学化学与物理系陈伟教授为通讯作者。上述工作得到了复旦大学科研启动经费、国家自然科学基金、新加坡教育部基金、新加坡A*STAR科学工程研究委员会的相关项目资助。
图. 基于电介质工程的二维突触器件阵列用于人工神经网络仿真。
全文链接：https://pubs.acs.org/doi/10.1021/acs.nanolett.1c00492
