氧化钨-氧化锌忆阻器的制备及其神经突触特性

李守亮 岳文静 李阳

文章编号：1671-3559（2024）03-0362-07DOI：10.13349/j.cnki.jdxbn.20230419.001

摘要： 为了实现忆阻器在神经形态计算中的应用，采用射频磁控溅射技术，在氧化铟锡导电玻璃衬底上依次生长氧化钨、 氧化锌异质结的阻变层和银顶电极，制备氧化钨-氧化锌忆阻器，对制得忆阻器的结构、 化学组成及电学性能进行表征和测试。结果表明： 制得的忆阻器具有类似生物的神经突触特性，阻变行为由界面势垒调控机制主导作用； 制得的忆阻器交叉阵列用于分类识别的平均正确率达到86.3%，接近中央处理器网络的平均正确率87.4%，可用于神经形态计算。

关键词： 忆阻器； 神经突触； 射频磁控溅射； 神经形态计算； 分类识别； 神经网络

中图分类号： TN303

文献标志码： A

开放科学识别码（OSID码）：

Preparation of Tungsten Oxide-Zinc Oxide

Memristor and Its Neural Synaptic Property

LI Shouliang， YUE Wenjing， LI Yang

（School of Information Science and Engineering， University of Jinan， Jinan 250022， Shandong， China）

Abstract： To realize application of memristors in neuromorphic computation， resistive layers of tungsten oxide and zinc oxide heterogeneous junction as well as a silver top electrode were grown on an indium tin oxide conductive glass substrate by using radio frequency magnetron sputtering technology， and a tungsten oxide-zinc oxide memristor was prepared. Structure， chemical composition， and electrical properties of the prepared memristor were characterized and tested. The results show that the prepared memristor has neural synaptic property similar to biology， and the resistive behavior is dominated by interfacial barrier regulation mechanism. The average accuracy of the prepared memristor cross array for classification recognition is 86.3%， which is close to that of central processing unit network 87.4%， and it can be used for neuromorphic computation.

Keywords： memristor; neural synapse; radio frequency magnetron sputtering; neuromorphic computation; classification recognition; neural network

随着人工智能技术的快速发展， 大模型的训练和推理过程中计算力的需求变得更加迫切， 现有计算机系统面临愈发严峻的挑战。 传统的基于冯·诺伊曼架构的计算机具有存储单元和处理单元分离结构的限制， 因此在面对超大规模计算需求时， 逐渐暴露出内存墙和功耗墙等问题［1-3］， 这些问题使得通过堆叠计算单元和存储单元来提升计算力方式的性能损失和功耗较大。千亿级的神经元及其复杂

收稿日期： 2023-03-08          网络首发时间：2023-04-20T16：27：48

基金项目： 国家自然科学基金项目（62174068）

第一作者简介： 李守亮（1997—），男，山东临沂人。硕士研究生，研究方向为忆阻器。E-mail： wrmtls@163.com。

通信作者简介： 李阳（1987—），男，黑龙江牡丹江人。教授，博士，博士生导师，研究方向为忆阻器与柔性传感器。E-mail： ise_liy@

ujn.edu.cn。

网络首发地址： https：//kns.cnki.net/kcms/detail/37.1378.N.20230419.1757.002.html

的网络连接结构使得人脑能够高效地完成复杂的任务， 并且功耗极小［4］，因此，模拟人脑结构的神经形态计算系统提供了存算一体、 高计算效率和低功耗的新型计算模型［5-8］，成为构建下一代计算架构的重要方式。其中，神经突触是实现人脑神经形态计算最为重要的特性。为了模拟生物神经突触的特性，研究者们提出了多种器件，例如忆阻器［9］、 薄膜晶體管［10］和铁电存储器［11］。忆阻器是一种两端的无源器件，其中的两端相当于生物神经突触结构中的突触前膜和突触后膜。通过施加合适的电脉冲信号，可以实现忆阻器电导的连续变化， 这种变化与生物神经突触的表现相似［12-13］。由于忆阻器具有结构简单、 与互补金属氧化物半导体（CMOS）工艺兼容的制备工艺、 类似人脑的低功耗和优良的电学性能等优点， 在模拟生物神经突触领域被广泛研究， 并被用于实现类似生物神经突触的特性， 例如尖峰参数依赖可塑性、 短时程突触可塑性和长时程突触可塑性［14-16］。基于忆阻器构建的人脑神经形态计算系统为构建更为复杂的人脑智能系统提供了可靠的基础。

本文中首先采用射频磁控溅射技术制备基于氧化钨-氧化锌异质结的阻变层的电子神经突触忆阻器； 然后通过电学测试验证忆阻器的神经突触特性， 并结合理论知识分析忆阻器的阻变机制； 最后， 结合忆阻器的长时程突触可塑性构建神经网络用于分类识别任务， 探索忆阻器用于神经形态计算的可行性。

1  实验

1.1  氧化钨-氧化锌忆阻器的制备

1）依次使用丙酮、 乙醇和去离子水在超声波作用下清洗商用氧化铟锡（ITO）导电玻璃， 清除ITO衬底表面的油污和杂质颗粒。 然后， 使用氮气吹干以获得清洁干燥的衬底。 腔室抽真空至压强为3.5×10-3 Pa， 通入体积流量为30 mL/min的氩气保护，在工作压强为1.4 Pa、 交流功率为100 W的条件下，使用氧化锌靶材溅射25 min获得氧化锌薄膜。

2）腔室抽真空至压强为3.5×10-3 Pa，通入体积流量分别为25、 5 mL/min的氩气和氧气，在工作压强为1.4 Pa、 直流功率为80 W的条件下，使用金属钨靶材溅射15 min获得氧化钨薄膜。

3）在直流溅射功率为50 W、 体积流量为25 mL/min的氩气保护下， 借助金属掩膜板的修饰制备直径为0.2 mm的银圆顶电极， 完成基于氧化钨-氧化锌异质结忆阻器的制备。

1.2  氧化钨-氧化锌忆阻器的测试表征

使用扫描电子显微镜（SEM， Regulus-8100型）对氧化钨-氧化鋅忆阻器微观形貌进行表征， 得到器件的结构信息。 使用X射线光电子能谱分析仪（XPS， AXISSUPRA型）对氧化钨、 氧化锌薄膜的化学组成进行分析。 XPS能谱通过Shirley方法标注并消除背景，使用高斯函数拟合获取元素轨道分峰结果。使用半导体分析仪（Keithley 2602B型、 B1500型）和探针台测试器件的电学性能， 通过施加不同的电信号测试器件的神经突触特性。

2  结果与讨论

2.1  氧化钨-氧化锌忆阻器的结构与表征

图1所示为氧化钨-氧化锌忆阻器的结构、 微观形貌及氧化钨、 氧化锌薄膜的X射线光电子能谱（XPS）分析结果。 由图1（a）可以看出， 该忆阻器采用垂直的三明治结构， 由银圆顶电极、 氧化钨和氧化锌异质结的阻变层、 ITO导电玻璃的底电极组成。 从图1（b）中可以看出，氧化钨、 氧化锌薄膜厚度均匀，厚度约为150 nm。从钨（W）元素的XPS能谱图图1（c）中可以看出，W4f轨道的能谱可以反卷积出2个峰，分别为W4f7/2（结合能为35.6 eV）和W4f5/2（结合能为37.7 eV）光电子峰，表明成功制备出氧化钨薄膜［17］。 从锌（Zn）元素的XPS能谱图［图1（d）］中可以看出，Zn2p轨道的能谱的反卷积包括Zn2p3/2（结合能为1 021.3 eV）和Zn2p1/2（结合能为1 044.4 eV）2个光电子峰［18］，表明形成了Zn—O键，制备出纯的氧化锌薄膜。

2.2  氧化钨-氧化锌忆阻器的电学性能

底电极ITO接地，电压施加在银顶电极上，通过施加不同类型的电压信号（扫描电压、 脉冲信号等）研究器件的电学性能，用以评估并模拟类似生物神经突触的特性和功能。

2.2.1  伏安特性曲线

在银顶电极施加连续10次正向（从0 V到1 V到0 V）或负向（从0 V到-1 V到0 V）扫描电压（电压步进为0.025 V，单点扫描时间为40 ms）探索器件的电学性能，初步验证器件模拟生物神经突触特性的潜在可行性，结果见图2。由图2（a）可知，

在施加连续正向扫描电压的过程中，忆阻器的响应电流逐渐增大，对应于器件的电导逐渐增大。由图2（b）可知，在施加连续负向扫描电压的过程中，忆阻器的响应电流逐渐减小，对应于器件的电导逐渐

减小。不同于传统的数字型忆阻器， 该忆阻器电导的渐进式变化过程与生物神经突触在生物信号刺激下的渐进式权重促进和抑制过程相似， 具有基本的突触特性， 为进一步探索忆阻器更为复杂的突触特性并将

负向电压扫描伏安特性曲线

其应用于神经形态计算提供了可靠的基础。

2.2.2  突触可塑性

神经突触由突触前膜、 突触间隙和突触后膜构成。 突触连接的强度与施加于突触前、 后膜的脉冲的强度、 频率和持续时间密切相关， 被称为尖峰参数依赖可塑性［19-20］。 通过对氧化钨-氧化锌忆阻器施加不同参数（脉冲幅度、 脉冲宽度和脉冲时间间隔）的调制脉冲信号来研究器件的尖峰参数特性。 首先， 固定脉冲宽度和脉冲时间间隔（40、 10 ms）， 对器件施加不同幅度（0.6、 0.8、 1.0 V）的连续20个脉冲，结果见图3（a）； 其次， 固定脉冲幅度和脉冲时间间隔（1 V， 30 ms）， 向器件施加不同脉冲宽度（20、 30、 40 ms）的连续20个脉冲，结果见图3（b）； 最后， 固定脉冲幅度和脉冲宽度（1 V， 30 ms）， 向器件施加不同脉冲时间间隔（20、 40、 60 ms）的连续20个脉冲， 结果见图3（c）。 由图可知， 更大的脉冲幅度和脉冲宽度以及更小的脉冲间隔对应更大的电导的变化率， 表明氧化钨-氧化锌忆阻器具有与生物神经突触相似的尖峰参数依赖可塑性， 为器件权重的调控提供了多样的调制方式。

双脉冲促进（PPF）和双脉冲抑制（PPD）是一种短时程突触可塑性， 也被称为短期记忆， 是指在神经元突触传递过程中， 前一次脉冲对后续脉冲的传递产生PPF和PPD的效应。 PPF和PPD可以通过公式P=［（I2-I1）/I1］×100%量化其促进或抑制程度， 其中P为PPF或PPD系数， I1、 I2分别为第1、 2次脉冲刺激后的电流［21-22］。 氧化钨-氧化锌忆阻器的短时程突触可塑性实验结果如图4所示。由图4（a）可以看出， 调整脉冲信号的时间间隔t， 施加2个正电压短脉冲（脉冲幅度为1 V， 脉冲宽度为50 ms）， 器件存在I2>I1的促进效应，随着间隔时间

的增大第2个脉冲受第1个脉冲的影响逐渐衰减。 将原始数据通过指数衰减方程P（t）=C1exp（-t/τ1）+C2exp（-t/τ2）进行拟合， 其中P（t）为PPF或PPD系数随时间间隔t的变化， C1、 C2为初始促进程度， τ1、 τ2为衰减系数， 用以描述初始脉冲对第2个脉冲影响的衰减程度。 数据的拟合结果中τ1、 τ2分别为123、 1 274 ms。 由图4（b）可以看出， 施加2个负电压脉冲（脉冲幅度为-1 V，脉冲宽度为50 ms）， 器件存在I2

长时程突触可塑性是指经过重复的脉冲信号刺激后， 突触连接的强度出现相对持久性变化， 从而形成长期的记忆效应。 相比于短期记忆可塑性， 长期记忆可塑性具有更强的连接强度和更长的记忆时间［23-24］。 在实验中， 对氧化钨-氧化锌忆阻器施加连续200个正向和负向电压脉冲（脉冲宽度50 ms， 脉冲间隔10 ms， 脉冲幅度0.5 V）， 验证器件的长时程突触可塑性，结果如图5所示。从图5（a）中可以看出，在连续正电压脉冲的促进过程中，器件的

电导逐渐增大并趋向于饱和， 表示突触的长时程促进。从图5（b）中可以看出： 在连续负电压脉冲的抑制过程中， 器件的电导逐渐减小并趋向于饱和， 表示突触的長时程抑制； 进行10次重复实验， 验证了器件长时程促进和长时程抑制具有较好的可重复性。 从图5（c）中可以看出， 通过对器件施加不同电压（0.5、 0.7、 1.0、 1.2 V）的200个连续正向脉冲后， 使用0.1 V的读电压获取电导值的衰减情况， 结果表明，器件在不同的电压脉冲参数下具有明显的区分度， 且超过10 s后电导仍然具有较大的记忆量。 综上，该忆阻器具有长时程突触可塑性， 可以模拟人类大脑中的学习和记忆过程， 为实现神经形态计算提供了基础。

对氧化钨-氧化锌忆阻器的电压U-电流I曲线进行拟合，分析器件的载流子传输机制和阻变机制，如图6所示。从图6（a）中可以看出，该忆阻器具有明显的整流特性，且电流呈现渐进式变化，因此认为该忆阻器的阻变机制为界面势垒效应，而非传统的导电细丝的整体效应［25-26］。由图6（b）可见，对正向扫描过程的高电压区进行拟合，发现曲线具有U1/2和ln I的线性关系，表明器件具有肖特基发射一样的载流子输运机制。为了分析器件的界面势垒，根据公式f（ln I， 0）=ln（AA*T2）-qB/（kT），其中， f为截距，A为电极的传导面积，A*为有效查森系

数，T为热力学温度，k为玻尔兹曼常数，q为电荷量， B为肖特基势垒， 对连续的正向扫描曲线进行拟合，从拟合曲线的截距f提取势垒。从图6（c）中可以看出，随着扫描次数的增加，拟合曲线的截距逐渐增大，表明忆阻器的界面势垒降低，电导增大，因此可以认为该忆阻器具有界面势垒主导的阻变机制。可以从氧空位和氧离子的角度来对阻变机制进行更加直观的描述。在氧化钨薄膜、 氧化锌薄膜制备的过程中，薄膜具有丰富的氧空位和氧离子，在电压正向扫描过程中，界面处的氧空位和氧离子向电极端扩散，导致界面处势垒的减小，忆阻器电导增大；而在电压负向扫描过程中，氧空位和氧离子向界面处移动，导致界面处势垒的增大，忆阻器电导减小。由于受到热力学作用，移动到电极两端的氧空位和氧离子会自发的向界面处扩散，因此忆阻器表现出电导权重的遗忘过程。

3  神经形态计算可行性分析

基于氧化钨-氧化锌忆阻器的长时程神经突触可塑性，包括长时程促进（LTP）和长时程抑制（LTD），搭建用于模拟神经网络分类功能的忆阻器交叉阵列如图7（a）所示。实验中训练3层深度神经网络（DNN）用于图像分类识别任务。DNN包含784个输入神经元，50个隐藏层神经元和10个输出层神经元。网络选取Fashion-MNIST数据集作为分类识别任务的数据集，其中60 000张图片作为训练集，10 000张图片作为测试集。采用电压脉冲更新忆阻器网络的电导权重，将中央处理器网络的权重映射为忆阻器交叉阵列网络的归一化电导权重［27-30］。在权重映射过程中，将中央处理器网络权重进行4 bit量化，将量化后的4 bit映射为归一化的忆阻器的16个电导状态，并基于基尔霍夫定理和矩阵运算的形式等效原理，搭建的交叉阵列可实现矩阵运算的一步操作式快速运算。由于神经形态计算具有存算一体的特性，因此可以实现分类识别任务的快速计算。平均正确率迭代曲线如图7（b）所示。由图可知，在网络的训练过程中，随着迭代次数的增加，忆阻器网络的平均正确率逐步趋于稳定，最终达到86.3%，与中央处理器网络的87.4%十分接近。忆阻器网络的平均正确率低于中央处理器网络的原因主要是： 1）对中央处理器网络权重进行4 bit量化映射带来的量化误差； 2）忆阻器的热噪声误差； 3）模数转化器读取计算结果的测量误差。同时， 为了验证忆阻器网络对物品的分类性能，实验

用于分类识别的模拟结果

得到分类识别混淆矩阵如图7（c）所示。由图可以看出，忆阻器网络对除第7类物品外，都能达到大于75%的正确率。忆阻器网络对第7类物品的较低的识别正确率归因于DNN并不能很好地提取第7类物品的特征，即使是中央处理器网络也不能实现较高的识别正确率。综上所述，氧化钨-氧化锌忆阻器能够有效地应用于神经形态计算，为未来研制专用化、模块化和小型化的神经网络芯片提供了一种思路。

4  结语

本文中制备的氧化钨-氧化锌忆阻器是一种具有良好突触特性的忆阻器。器件模拟实现了尖峰参数依赖可塑性、短时程突触可塑性和长时程突触可塑性。通过电流-电压扫描曲线拟合验证了该忆阻器的界面势垒调控的阻变机制。结合器件的长时程突触可塑性搭建忆阻器交叉阵列模拟神经网络在Fashion-MNIST数据集上进行分类识别，平均正确率达到86.3%，与中央处理器网络性能接近。综上所述，氧化钨-氧化锌忆阻器是一种具有类似生物的神经突触可塑性的忆阻器，为未来忆阻器构建存算一体的神经网络提供了新的思路。

參考文献：

［1］  MUTHUSWAMY B， CHUA L O. Simplest chaotic circuit［J］. International Journal of Bifurcation and Chaos， 2010， 20（5）： 1567.

［2］  MIGLIATO MAREGA G， ZHAO Y F， AVSAR A， et al. Logic-in-memory based on an atomically thin semiconductor［J］. Nature， 2020， 587（7832）： 72.

［3］  YANG J Q， WANG R P， REN Y， et al. Neuromorphic engineering： from biological to spike-based hardware nervous systems［J］. Advanced Materials， 2020， 32（52）： 2003610.

［4］  CITRI A， MALENKA R C. Synaptic plasticity： multiple forms， functions， and mechanisms［J］. Neuropsychopharmacology， 2008， 33（1）： 18.

［5］  XIAO W， SHAN L B， ZHANG H T， et al. High photosensitivity light-controlled planar ZnO artificial synapse for neuromorphic computing［J］. Nanoscale， 2021， 13（4）： 2502.

［6］  LAN S Q， WANG X Y， YU R J， et al. Organic synaptic transistors based on a hybrid trapping layer for neuromorphic computing［J］. IEEE Electron Device Letters， 2022， 43（8）： 1255.

［7］  SUN K X， CHEN J S， YAN X B. The future of memristors： materials engineering and neural networks［J］. Advanced Functional Materials， 2021， 31（8）： 2006773.

［8］  HASINA D， MANDAL A， BASU N， et al. Realization of short-and long-term memories at nanoscale and their temporal evolution in two-terminal memristive synapses［J］. Applied Surface Science， 2023， 2023（611）： 155563.

［9］  CAO G M， MENG P， CHEN J G， et al. 2D material based synaptic devices for neuromorphic computing［J］. Advanced Functional Materials， 2021， 31（4）： 2005443.

［10］  ZHOU Y H， LI J， YANG Y H， et al. Artificial synapse emulated through fully aqueous solution-processed low-voltage In2O3 thin-film transistor with Gd2O3 solid electrolyte［J］. ACS Applied Materials & interfaces， 2019， 12（1）： 980.

［11］  WANG H L， ZHAO Q， NI Z J， et al. A ferroelectric/electrochemical modulated organic synapse for ultraflexible， artificial visual-perception system［J］. Advanced Materials， 2018， 30（46）： 1803961.

［12］  HUH W， LEE D， LEE C H. Memristors based on 2D materials as an artificial synapse for neuromorphic electronics［J］. Advanced Materials， 2020， 32（51）： 2002092.

［13］  TANG K， WANG Y， GONG C H， et al. Electronic and photoelectronic memristors based on 2D materials［J］. Advanced Electronic Materials， 2022， 8（4）： 2101099.

［14］  WANG Z Q， XU H Y， LI X H， et al. Synaptic learning and memory functions achieved using oxygen ion migration/diffusion in an amorphous InGaZnO memristor［J］. Advanced Functional Materials， 2012， 22（13）： 2760.

［15］  ZHANG X M， LIU S， ZHAO X L. Emulating short-term and long-term plasticity of bio-synapse based on Cu/α-Si/Pt memristor［J］. IEEE Electron Device Letters， 2017， 38（9）： 1208.

［16］  WANG T Y， MENG J L， CHEN L. Flexible 3D memristor array for binary storage and multi-states neuromorphic computing applications［J］. InfoMat， 2021， 3（2）： 212.

［17］  CHOI W， GI S G， LEE D， et al. WOx-based synapse device with excellent conductance uniformity for hardware neural networks［J］. IEEE Transactions on Nanotechnology， 2020， 2020（19）： 597.

［18］  CLAROS M， SETKA M， JIMENEZ Y P， et al. AACVD synthesis and characterization of iron and copper oxides modified ZnO structured films［J］. Nanomaterials， 2020， 10（3）： 471.

［19］  YAN X B， ZHAO J H， LIU S， et al. Memristor with Ag-cluster-doped TiO2 films as artificial synapse for neuroinspired computing［J］. Advanced Functional Materials， 2018， 28（1）： 1705320.

［20］  WANG W X， GAO S， LI Y， et al. Artificial optoelectronic synapses based on TiNxO2-x/MoS2 heterojunction for neuromorphic computing and visual system［J］. Advanced Functional Materials， 2021， 31（34）： 2101201.

［21］  ZHOUL，YANGSW，DINGGQ，etal.Tunable synaptic behavior realized in C3N composite based memristor［J］. Nano Energy， 2019， 2019（58）： 299.

［22］  WANG Y Q， WANG W X， ZHANG C W， et al. A digital-analog integratedmemristorbasedonaZnONPs/CuONWsheterostructurefor neuromorphic computing［J］. ACS Applied Electronic Materials， 2022， 4（7）： 3525.

［23］  PEI Y F， ZHOU Z Y， CHEN A P， et al. A carbon-based memristor design for associative learning activities and neuromorphic computing［J］. Nanoscale， 2020， 12（25）： 13531.

［24］  ZHOU J M， LIU N， ZHU L Q， et al. Energy-efficient artificial synapses based on flexible IGZO electric-double-layer transistors［J］. IEEE Electron Device Letters， 2015， 36（2）： 198.

［25］  GUL F， EFEOGLU H. Bipolar resistive switching and conduction mechanism of an Al/ZnO/Al-based memristor［J］. Superlattices and Microstructures， 2017， 2017（101）： 178.

［26］  LIU Y H， WANG Y S， WANG C X， et al. Improvement on synaptic properties of WOx-based memristor by doping Ti into WOx［J］. Journal of Physics D： Applied Physics， 2021， 54（45）： 455107.

［27］  YAO P， WU H Q， GAO B， et al. Fully hardware-implemented memristor convolutional neural network［J］. Nature， 2020， 577（7792）： 643.

［28］  FENG X W， LI S F， WONG S L， et al. Self-selective multi-terminal memtransistor crossbar array for in-memory computing［J］. ACS Nano， 2021， 15（1）： 1764.

［29］  LI S F， PAM M E， LI Y S， et al. Wafer-scale 2D hafnium diselenide based memristor crossbar array for energy-efficient neural network hardware［J］. Advanced Materials， 2022， 34（25）： 2103376.

［30］  CHENG S Q， ZHONG L， YIN J X， et al. Controllable digital and analog resistive switching behavior of 2D layered WSe2 nanosheets for neuromorphic computing［J］. Nanoscale， 2023， 15（10）： 4805.

（責任编辑：刘  飚）