PdNeuRAM：无需形成、多位Pd/HfO2 ReRAM，用于节能类脑计算

面向万物智联的更聪明芯片

从语音助手到自动驾驶汽车，现代设备依赖于既快速又耗能的计算机。随着我们在手机、传感器和机器人中集成更多智能，现有处理器在不耗尽电池或过热的情况下难以满足需求。这项研究探索了一种新的微型电子存储元件，它的行为有些类似于大脑突触，目标是让未来的人工智能硬件更为节能。

为何类脑计算需要新型硬件

许多现代人工智能系统采用“内存计算”的概念，在同一物理位置存储和处理信息，这减少了频繁传输数据所耗费的时间和能量。电阻式随机存取存储器（ReRAM）是这些存储单元的有力候选者，它能够在断电后保持不同的电阻状态。然而，大多数ReRAM器件需要初始的高压“形成”步骤来在材料中打通导电通路。该步骤浪费能量、应力器件且增加制造复杂性，限制了其在大规模低功耗AI芯片中的应用。

在无剧烈启动下设计微小开关

研究人员开发了一种名为PdNeuRAM的新型ReRAM单元，由超薄氧化铪层夹在钯和钛层之间构成。精细的显微结构观察显示，钯原子在界面处略微渗入氧化物，吸引氧原子并留下大量微小缺陷。与需要通过暴力电形成步骤来生成单根厚导电丝不同，这种工程化的界面天然包含密集的温和浅缺陷网络。因此，该器件能够在更低电压下切换电阻状态，且无需典型ReRAM所需的粗暴预处理。

调控多级电导

电学测试表明，这些PdNeuRAM单元可以在多个电阻级别之间平滑调节，而不是仅在“开”和“关”两态之间翻转。通过改变电脉冲的幅度与时序，团队能够在单个单元中可靠地编程出至少八个不同的电阻等级。这些等级在数万次读取操作和切换周期中保持稳定。对电流流动的分析表明，在较低强度下，器件通过分布的浅陷阱网络导电，而更强的编程脉冲会逐步加厚导电通路，拓展可用电阻范围，同时保持平滑的可控性。

从单个器件到脉冲神经网络

为验证这种新型单元在真实情境下的表现，团队对PdNeuRAM交叉阵列进行建模，并与更常见的铂基ReRAM进行比较。他们将这些阵列用作两个脉冲神经网络中的突触，用于识别事件驱动视觉数据集中的模式，包括移动手写数字和人体手势。在这些网络中，信息由短促的电脉冲承载，而非连续信号，更接近真实神经元。研究人员将网络中的每个数字权重映射到若干个多级ReRAM单元上，然后模拟在学习与识别过程中写入和读取这些权重所需的能量。

在不牺牲精度的前提下节能

基于PdNeuRAM的脉冲神经网络在准确率上与使用早期铂基器件的网络相当，在测试集上能正确识别大多数数字和手势。然而，由于其更高的本征电阻和无需形成的特性，钯基单元显著降低了能耗。在整个网络中，编程突触权重所需的能量约降低了43%，而推理时读取能量则约减少了38%。这种降低源自PdNeuRAM中温和分布的缺陷网络，避免了厚且高度导电的丝状通路，从而在写入和读取操作中限制了不必要电流。

对日常技术的意义

简而言之，这项研究展示了原子尺度的细微变化如何将一种高要求的存储元件转变为温和且可精细调控的电子突触。通过在仅数十亿分之一米厚度范围内重塑氧与金属原子的排列，团队创造出一种不再需要高能“启动”但仍提供多级稳定电阻的器件。如果实现规模化并进一步优化，这类无需形成的多级ReRAM单元有望为未来嵌入微型传感器、移动设备和边缘设备的AI硬件供电，同时比现有芯片使用更少能量。

引用: Hua, E., Spyrou, T., Ahmadi, M. et al. PdNeuRAM: forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Commun Eng 5, 97 (2026). https://doi.org/10.1038/s44172-026-00650-3

关键词: 类脑计算, ReRAM, 氧化铪, 脉冲神经网络, 低功耗人工智能硬件