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。

记者11月27日从国防科技大学获悉，该校电子科学学院教授徐晖课题组与复旦大学芯片与系统前沿技术研究院教授刘琦课题组合作，首次实现了一种与CMOS工艺完全兼容的氧化铪基反铁电神经元，具有积分发射、侧向抑制等神经元基本特性以及超低能耗、超高稳定性和耐久性等性能优势。研究团队基于所设计的神经元构建了双层神经网络，验证了该神经元的自主学习能力，为实现高能效、大规模神经计算芯片提供了新的物理基础。

11月17日，该成果以“基于反铁电晶体管的紧凑型神经元”为题在线发表于《自然-通讯》（Nature Communications）上，国防科技大学电子科学学院讲师曹荣荣、复旦大学芯片与系统前沿技术研究院副研究员张续猛、国防科技大学副教授刘森为共同第一作者，国防科技大学副教授李清江和复旦大学教授刘琦为共同通讯作者。

研究团队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。团队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，避免了大尺寸电容的使用，有利于提高神经形态计算系统集成度。

同时，研究人员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。

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，手写体识别率高达96.8%，对促进新原理器件在图像、语音等智能化处理场景的应用具有重要意义。

该研究得到了审稿人的充分肯定：“研究成果将有助于器件科研工作者了解类脑计算电路领域。该工作所提出的反铁电晶体管模拟LIF神经元十分有潜力，将有利于类脑计算领域的发展。”

该研究得到了国家自然科学基金委、科技部、中国科学院、中国博士后科学基金会等相关项目的资助。

相关论文信息：

https://www.nature.com/articles/s41467-022-34774-9