前言

在人脑中，记忆和信息处理是在相同的活动物质框架中进行的。信息的学习和记忆在一千亿个神经元之间的复杂突触连接网络中同时并行发生。这与标准的冯·诺依曼机器有着根本的不同，标准的冯·诺依曼机器将信息的存储和处理分成独立的单元。拆分之间额外的总线连接限制了解决复杂问题的能力，这需要大量的能源和材料消耗。神经形态架构旨在超越冯·诺依曼计算机，在同一功能单元内同时进行信息的学习和记忆，并可用于执行强大的大脑启发的算法，如硬件层面的深度学习或记忆计算。人工突触和人工神经是神经形态结构的功能构件，尽管它们各自发挥着根本不同的作用。忆阻器交叉杆网络模拟突触可塑性，可以通过构建用于训练和模式识别的电路作为人工突触。或者，基于自旋电子学的概念被用来提供记忆存储需求和大脑的节律活动。最近，报道了突触晶体管，它类似于突触的功能，使用忆阻通道或介电材料。尽管突触是众所周知的存储记忆和传递神经元信号的元件，但大量实验表明，神经元对学习和记忆也至关重要。

研究内容

德累斯顿工业大学的科学家报道了一种神经晶体管，它将学习和记忆功能动态地融合在一个元件中，因此可以充当人工神经元。该器件基于自上而下加工的硅纳米线场效应晶体管，由金属离子掺杂的溶胶-凝胶衍生的硅酸盐介电膜覆盖，具有多个输入栅极和输出纳米线沟道。神经晶体管对连续的时间脉冲输入电压具有特征性的非线性西格玛输出响应，这是构建用于时间信号处理的基于复杂神经网络的计算机器所需的神经元计算过程的关键。实验和模拟数据说明了神经晶体管的非线性动态(时变)信息处理和塑性能力，它服从单层前馈神经网络模型。这些神经晶体管是使用传统的互补金属氧化物半导体(CMOS)工艺在200毫米绝缘体上硅晶片上制造的。该技术的互补金属氧化物半导体兼容性意味着它有可能扩展到几乎任意复杂的神经计算架构。

实验方法

为了模拟传统晶体管中神经元的内在可塑性，他们开发了一种新的溶胶-凝胶衍生介电层。该层是金属离子掺杂的硅酸盐膜，其覆盖中心栅电极和硅网络，构成面内结构。此外，多个栅电极(Gi)形成在溶胶-凝胶层的顶部，以实现各种输入信号的权重，这模拟了多个神经元输入。溶胶-凝胶衍生膜旨在通过金属阳离子(Cu2+和Ni2+)和氯离子模拟神经元膜25中离子通道的局部或整体离子运动，金属阳离子和氯离子被松散地捕获并在聚合物硅酸盐结构中保持移动。

硅纳米线神经晶体管的结构和电学特性。

神经晶体管的内在可塑性。

单个神经晶体管及其网络中依赖于历史的动态记忆和学习。

结论

科学家们报道了具有溶胶-凝胶衍生的离子掺杂硅酸盐薄膜的硅基神经晶体管。该薄膜在突触前栅极输入的调制下充当晶体管的伪栅极，其模拟了神经元膜整合的动力学。因此，神经晶体管中的介电工程(如溶胶-凝胶的可控离子掺杂)可以补充和增强下一代神经形态计算器件的忆阻材料的功能。我们构建了一个单一的神经元设备架构及其电路模型，多个突触后输入作为栅极输入，多个轴突端子作为晶体管输出，模拟了真正神经元的信息处理(基于形态和层次特征)。设备模拟说明了神经晶体管非线性信号过程的动态学习能力。学习功能是由对一个σ函数系数的反馈给出的:即超塑性。实验结果强调了依赖于神经晶体管内在可塑性的非线性信息处理能力。通过利用当前设备的输出动态控制，神经晶体管可以被设计成在特定的时间范围内更快或更慢地产生和达到尖峰阈值，并控制尖峰的速率，这是神经元计算的主要算法。将神经晶体管与传统的硅基互补金属氧化物半导体系统互连时，它们在最先进的数字互补金属氧化物半导体工作范围(0–5V)内工作。神经晶体管的设计可以通过在纳米线附近制造多个微观局部栅极来进一步升级，以使输入-输出结构更加紧凑，从而该器件可以允许大量输入数据处理。

Baek, E., Das, N.R., Cannistraci, C.V. et al. Intrinsic plasticity of silicon nanowire neurotransistors for dynamic memory and learning functions. Nat Electron 3, 398–408 (2020). https://doi.org/10.1038/s41928-020-0412-1。