Nature Communications | 电子科技大学刘富才教授团队，基于铁电-离子相的新型存储器最新设计制备！

神经重用可以推动生物体在学习过程中跨任务地泛化知识。然而，现有设备主要关注架构而非网络功能，缺乏神经重用的模拟能力。在此，电子科技大学刘富才教授团队展示了一种基于铁电离子CuInP₂S₆的合理设计设备，能够实现神经重用功能，依赖于铁电-离子相的动态分配。该设备支持挥发性和非挥发性模式之间的动态刷新和协同工作，从而支持整个神经重用过程。值得注意的是，铁电极化在经历刷新过程后仍能保持一致性，为多个任务间共享功能提供了基础。通过实现神经重用，神经形态硬件的分类准确率提高了17%，同时能耗降低了40%；在多任务场景下，训练速度加快了2200%，泛化能力提高了21%。作者的结果为基于铁电-离子组合的可刷新硬件平台的构建提供了有前景的方向，有望支持更高效的算法和架构。该工作发表在Nature Communications上。

图文导读

实验首次设计并构建了基于铁电-离子相的可刷新存储器，该设备采用了CuInP₂S₆材料，成功实现了神经重用功能。通过铁电极化和离子迁移的动态分配，设备能够在挥发性和非挥发性模式之间进行协同工作，支持整个神经重用过程。

实验通过动态分配铁电-离子相实现了神经重用功能，使得设备能够在不同任务之间共享原始神经电路的功能，避免重新开始任务。该设计确保了铁电极化的稳定性，即使在经过刷新过程后，仍能保持一致性，为多个任务间的功能共享提供了基础。

实验验证了该设备在神经形态硬件中的应用效果，结果表明，分类准确率提高了17%，能耗降低了40%；在多任务场景下，训练速度提高了2200%，泛化能力提升了21%。这些结果表明，基于该设备的神经重用机制能够显著提升硬件在不同任务中的性能和效率。

图1 | NUSCs中SSSE物理起源的示意图。

图2 | vdW铁电忆阻器器件结构和CuInP₂S₆。

图3 | 设备的刷新能力。

图4 | 通过迁移学习实现基于真实设备的神经重用仿真。

图5 | 跨多个下游任务的神经重用的两种方案之间的比较。

结论展望

本研究展示了通过铁电极化与离子迁移之间的可变配置，将神经重用集成到基于忆阻器的神经网络中。这意味着不再需要基于忆阻器特性的应用场景划分。相反，这些特性可以被集成到一个渐进且更强大的框架中，而这一点在大多数已有的重配置策略中是缺失的。

此外，通过精确调节CIPS中的有序-无序相，该设备不仅能够解锁由不同忆阻器机制驱动的双重工作模式，还确保了铁电极化在经历反复的离子迁移和松弛循环后仍然保持一致性。利用该实际设备的刷新能力，进一步的仿真结果表明，集成神经重用可以提升基于忆阻器的神经网络的训练效率和泛化能力，无论是与随机初始化模型相比，还是在特定的多任务场景中。这项工作为在基于忆阻器的神经网络平台中实现神经重用打开了可能性，从而为硬件注入了更强大的内在动力。

文章链接：

https://doi.org/10.1038/s41467-024-55701-0

来源：低维材料前沿，爱科会易仅用于学术交流。