在經過半個多世紀的高速發展后，摩爾定律預測的晶體管尺寸縮微已接近量子物理極限，信息社會正在進入后摩爾時代。相關領域的前沿研究早已展開，超摩爾器件、感存算一體、神經形態計算等新概念紛紛涌現，各種新材料、新器件和新技術層出不窮，并在大數據、物聯網、人工智能等新興領域展現出廣闊的前景。文章重點梳理了核心后摩爾器件技術的發展脈絡，分析其面臨的挑戰，總結未來發展趨勢和應用前景，并提出相應建議。

最近幾十年信息技術的蓬勃發展，很大程度上歸功于摩爾定律的持續。自1965年以來，集成電路的晶體管密度每2年翻一番，帶來算力的指數級增長、生產效率的極大提高以及人類生活形態的根本變化。然而，遵循摩爾定律的芯片技術發展不可持續。當晶體管尺寸逼近幾個原子的尺寸時，量子隧穿、界面散射、結構串擾等效應變得更加突出，對縮微器件的性能產生由量到質的影響。此外，在傳統集成電路芯片中，數據在分離的存儲和運算功能塊之間來回傳輸，帶來大量能耗和延遲，即所謂的“存儲墻”“發熱墻”等問題。這些都需要新的材料、器件以及計算架構提供解決方案。隨著二維半導體等新興功能材料的出現，新一代器件和新計算范式逐漸涌現出來，存算一體、仿生感知、神經形態計算等技術方興未艾。摩爾定律的不可持續反而使得材料、器件、工藝以及計算形態具有更豐富的可能性。文章針對后摩爾時代核心器件技術，從邏輯、感知、記憶、神經形態4個技術方面闡述進展，分析所面臨問題和可能的解決方案，并給出未來發展方向。

01 核心后摩爾器件技術及面臨的挑戰

在微電子技術領域，摩爾定律主導的主流器件技術是以硅基為代表的微電子器件。在過去60多年的漫長時期內，全球范圍的技術創新基本上是圍繞器件物理尺寸的縮微化來進行的，其特征關鍵詞為體材料、可縮微性差、低能效、低異質集成能力等。然而，后摩爾時代的核心器件基本是以新材料體系、新器件原理所驅動的新一輪創新，特征關鍵詞為新材料、極限可縮微性、高能效、易于異質集成等。正是由于摩爾定律的終止以及新興材料的快速崛起，使得基于新器件技術的新一輪芯片革命成為全球的關注聚焦點。后摩爾器件將通過非傳統物理尺寸縮微的新技術路徑，延續摩爾定律的精神，即性能/算力提升、能耗降低以及成本降低，并將集成電路芯片技術帶向新的發展階段。

后摩爾核心器件按其功能可劃分為邏輯器件、感知器件、記憶器件等。邏輯器件是集成電路的基本組成元件，其代表是晶體管，也是構建布爾邏輯運算及進行復雜信息處理的最底層硬件；感知器件是芯片與外在世界的交互界面，能將物理世界的各種信息轉換成電子信號，其在物聯網、自動駕駛、機器人、可穿戴設備等大量新興應用場景具有舉足輕重的地位；記憶器件則承擔信息的存儲任務，在以大數據、深度學習/人工智能為代表的后摩爾時代，其重要性與日俱增。與此同時，為突破馮·諾依曼架構的瓶頸，由生物腦啟發得來的類腦計算，則需要開發人工神經元、人工突觸等新一代仿生電子器件，來進行大規模、并行式、高能效、低延遲的數據信息處理。以下將分別對這4類后摩爾核心器件的發展現狀和趨勢進行討論。

1.1 邏輯器件

為實現單顆芯片內集成更多數目的高性能、低成本晶體管，基于硅、Ⅲ-Ⅴ族化合物半導體、砷化鎵（GaAs）和氮化鎵（GaN）等材料的邏輯器件，將優化方向聚焦于器件結構，提出超薄絕緣體上硅（Ultra-Thin-Body Silicon-On-Insulator， UTB-SOI）、鰭式場效應晶體管（Fin Field-Effect Transistor， FinFET）等設計，并已發展出成熟工藝，將器件尺寸縮微邊界拓展到10 nm柵長以下。在傳統技術縮微路線（圖1）無法繼續支撐的情況下，利用新材料、新器件以及異質集成實現“延續摩爾”（More Moore）和“擴展摩爾”（More than Moore）是產業界及學術界共同關注的研究方向。

圖1晶體管縮微化：從平面到三維

得益于獨特層狀結構、原子級平整度和無表面懸掛鍵界面，二維層狀材料在“延續摩爾”和“擴展摩爾”2個方向擁有廣闊前景。借助二維半導體能實現具有原子級超薄溝道的晶體管，在亞納米厚度下，載流子遷移率仍可保持較高水平，使其在5 nm節點以下具有潛力和優勢。但二維材料的引入也帶來新的挑戰，一個核心問題是費米釘扎效應帶來的負面影響使肖特基接觸電阻增大、電子注入效率降低。學術界提出退火、邊緣接觸、摻雜、界面插層和轉移電極等多種方法以減弱該效應。二維材料中存在著具有“準金屬”特性的一類材料，如石墨烯、二硒化鉑等，利用這類材料與二維半導體接觸，不會產生費米釘扎效應，可大幅降低接觸電阻。另一個核心問題是散射對溝道載流子遷移率的影響，雜質散射和聲子散射要求具有光滑無懸掛鍵界面和高介電常數的柵介質材料，HfO2、Al2O3和hBN都無法滿足，對新型材料的探索因而極具價值。此外，互補金屬氧化物半導體（Complementary Metal-Oxide- Semiconductor， CMOS）晶體管作為集成電路基本單元，需要2種不同極性半導體溝道材料，這在硅基工藝中可通過離子注入實現，而離子注入會破壞二維半導體的晶格結構、大大降低載流子遷移率，因此二維半導體溝道晶體管的極性調控主要通過金屬功函數、表面化學修飾、靜電調控和改變二維材料厚度等方法來實現。二維材料由于其原子級厚度和層間范德華弱力作用，在垂直方向的物理堆疊上具有很大的設計空間，例如將不同極性的二維半導體堆疊并通過同一個柵極控制，可形成互補場效應晶體管（Complementary Field-Effect Transistor， CFET）。近期報道的相關科研成果昭示了二維材料晶體管集成化的堅實腳步。

新材料的引入也為邏輯器件帶來新機理和新概念。石墨烯由于自身零帶隙而存在無法關斷的問題，其超快載流子的優勢不能為邏輯器件所用。因此依據新機理實現石墨烯邏輯晶體管成為一個重要課題。至今已有研究嘗試如基于零帶隙的石墨烯量子反射開關晶體管等。此外，為實現超低功耗邏輯晶體管，作為核心參數的亞閾值擺幅對于器件能耗至關重要，亞閾值擺幅減小可以有效降低靜態功耗、動態功耗和切換功耗，優化整體系統能效。傳統晶體管基于熱電子發射的工作機理，使得亞閾值擺幅被限制不低于60 mV/dec。為了突破這一玻爾茲曼物理限制，研究者依賴多種二維材料，展示了隧穿晶體管、冷源晶體管、負電容晶體管和阻變晶體管等新型結構。其中，隧穿晶體管借助帶間隧穿，載流子從P型材料的導帶隧穿到N型材料的價帶，實現玻爾茲曼熱拖尾濾波，從而改變基于熱電子激發的輸運機理；負電容晶體管是在柵介質中引入鐵電材料，基于其在外加電場下極性反轉的特性，借助翻轉區間內出現的負電容特性實現電壓放大；冷源晶體管借助狄拉克材料態密度隨能量分布線性降低的特性，實現超陡亞閾值擺幅；阻變晶體管依賴于離子動力學實現超陡阻變特性，基于串聯分壓關系將亞閾值擺幅縮小至近零。依賴于新機理的低功耗器件存在廣泛的探索空間，并期待更多創意突破。

二維材料具有層間范德華弱力耦合、不受晶格常數匹配要求所限制的特性，因此不同的二維材料可經由垂直堆垛實現多樣化功能設計。例如通過單層石墨烯、六方氮化硼和二硫化鉬的異質堆垛結構，可使單一器件既能具備晶體管的邏輯功能，同時也具有存儲和整流的特性。多功能器件可大幅減少所需晶體管數量及對物理尺寸微縮的工藝需求。通過模糊功能區域劃分的“存算一體”，可大幅提升巨量數據計算的效率，突破傳統馮·諾依曼架構中的“存儲墻”問題。此外，不同于傳統的硅基半導體器件，二維材料為電子器件提供2個平整表面來施加電場、實現溝道調控。利用其中一個柵極進行半導體極性調控，可使半導體溝道呈現不同極性，形成PN結或單極性半導體來實現可編程的邏輯功能器件。通過映射兩個柵極電壓輸入控制源漏電流的過程到邏輯門電路中，基本邏輯門“與”“或”“或非”“與非”“同或”等可由單一雙柵晶體管實現，大大提升集成密度。

1.2 感知器件

在后摩爾時代，微納電子技術將逐漸實現從最初的計算集成芯片向感知集成芯片、認知集成芯片的智能化躍進。核心感知器件將成為未來集成系統的極為重要的部分，在自主駕駛、機器人、智能系統等新興應用場景具有舉足輕重的地位。視覺是人類最重要的感知器官，人眼可感受到的光是波長為380~760 nm的電磁波。可見光僅占電磁波譜的很小一部分，承載的信息有限。超視覺技術利用非可見光電磁波譜來提取更為有價值的信息，與人工智能結合，對人類無法感知的信息做檢測及重建，從而催生出跨領域新技術，在工業生產、醫療健康、無人駕駛等領域將產生深遠影響。新材料的探究將進一步推進超視覺技術的發展，其中二維材料具有豐富的種類、獨特的層狀結構以及優異的性質，可極大地拓展人類感知能力。二維材料電導率對外部光學刺激具有敏感響應，使其能夠感知極弱光學信息，有望實現超越人類視覺極限的高性能寬光譜傳感器。例如，Wan等提出了一種用于高速紫外檢測的石墨烯增強型硅基光電探測器，實現了較高的響應度和較快的響應速度（圖2）。美國加利福尼亞大學研究團隊報道了一種基于帶隙可調的SexTe1-x薄膜制備的高性能短波紅外光電探測器陣列。通過使用由Au/Al2O3組成的光學腔襯底，增強近紅外吸收帶隙邊緣，截止波長達到1.7 μm。

圖2石墨烯/硅異質結紫外探測器

硅基CMOS技術在過去幾十年一直占據主導地位，將二維材料與硅基CMOS集成具有重要意義。Liu等通過整合電荷耦合器件（Charge Coupled Device， CCD）和CMOS架構優勢，將硅與單層石墨烯、體相石墨烯膜等集成為電荷注入型光電器件，實現了深耗盡勢阱中電荷的隨機無損讀出，避免了傳統CCD器件中的順序電荷轉移，解決了超寬光譜室溫探測的科學難題并突破硅基紅外探測極限（圖3）。Goossens等首次提出將石墨烯與CMOS的單片集成方案，作為數碼相機的感光單元，對可見光和短波紅外光均具有高靈敏度。該器件中110000個光電導石墨烯通道均單獨集成（圖4）。

圖3石墨烯/硅基電荷注入型光電器件

圖4石墨烯/硅基圖像傳感器

近10年來，受生物啟發的機器視覺發展迅速，利用深度神經網絡（Deep Neural Networks， DNN）等機器學習方法使人工視覺系統不僅可獲取圖像，還能從中獲取人腦可以解析的有價值信息，被廣泛應用于人臉識別、目標檢測、機器人等智能任務。然而，受限于傳統馮·諾依曼架構，圖像傳感器會引入大量的數據冗余，硬件之間的數據搬運導致信息延遲，并產生高功耗，傳輸高分辨率圖像通常需要占用大量帶寬。如果傳感器能在處理圖像時識別其內容，則可在不依賴云連接的情況下做出初步決定。即使必須將某些信息發送云端進行處理，也減少很多不必要冗余，從而節省時間和計算量。機器視覺借鑒人腦處理信息的方式，以期采用更少硬件與更高能效構建感存算一體化的非馮·諾依曼架構體系。美國萊斯大學研究團隊提出一種名為RedEye的卷積圖像傳感器，通過實現部分卷積神經網絡計算來減少數據冗余度。韓國科學技術院（KAIST）研究團隊通過在圖像傳感器硬件端加入數據預處理來降低功耗，從而實現長時在線的人臉識別可穿戴設備。近年來，學術界在將計算融入傳感器本身、實現“感算一體”方面取得了一些進展。香港理工大學研究團隊利用光控阻變式隨機存取存儲器（Optoelectronic Resistive Random Access Memory， ORRAM）器件的存儲特性，在傳感器上直接對圖像進行對比度提高和背景噪聲去除等預處理。Mennel等引入“亞像素”的概念（圖5），利用基爾霍夫電流定律在探測器陣列上進行神經網絡乘積累加運算（Multiply Accumulate， MAC）并實現了全連接神經網絡的第一層映射。使用引入缺陷態的MoS2晶體管，借助其隨時間變化的激活和抑制特性，可實現不同光強下的動態視覺適應性二維半導體材料具有可調諧的電學和光學特性且可異構集成，在實現智能視覺傳感器方面具有優勢。美國華盛頓大學研究團隊通過對黑磷光電晶體管柵極電介質層中存儲的電荷進行電學和光學控制，調整電導率和響應度，從而實現傳感器內卷積神經網絡。華中科技大學和南京大學的團隊利用PdSe2和MoTe2二維異質結的柵控和光響應等特性，在器件層面實現了寬光譜圖像的卷積操作。

圖5人工神經網絡光電二極管陣列

自從1990年美國加州理工學院Mead教授首次提出神經形態（Neuromorphic）的概念（即利用大規模集成電路來模擬生物神經系統），神經形態視覺傳感器也逐漸得到發展。目前報道的神經形態視覺傳感器主要分為2類：①模擬人眼形貌制備仿生傳感器，如仿生眼（圖6）；②基于事件驅動脈沖神經網絡的傳感系統，如清華大學提出的Tianji Ⅱ 芯片。用二維材料搭建感存算系統仍面臨著許多挑戰：①實現低成本、高質量、大面積的材料生長；②制備范德華異質結構轉移工藝；③新材料器件與硅基電路的連接匹配。

圖6球形仿生眼三維結構

1.3 記憶器件

憶阻器的出現給集成電路芯片的信息存儲和信息處理技術帶來相當大的創新發展空間。1971年美國加利福尼亞大學伯克利分校蔡紹棠教授基于對稱性考慮提出了關聯電荷（q）和磁通量（φ）（不同于電阻關聯電壓V-電流I，電感關聯電流I-磁通量φ，電容關聯電壓V-電荷q）的第4種基本電路元件——憶阻器的存在：dφ=M（q）dq，其中M表示憶阻值，與電阻具有共同的物理量綱。M值依賴于曾經流經該器件的電荷總量，是一種具有電荷記憶功能的非線性電阻。理想的M值僅由q（φ）決定。1976年蔡紹棠提出廣義憶阻器的概念，對憶阻器的內涵又進行了拓展，M由系統內部狀態變量x、輸入電流I以及時間t決定，不像電荷控制型理想憶阻器僅由電荷q決定。由于憶阻器純粹從數學上推導得到，相當長一段時間并未引起重視。2008年惠普實驗室（HP Labs）首次在實驗上演示基于TiOx的憶阻器，從而激發起研究界的廣泛興趣。圖7為Web of Science近10年與憶阻器相關的文獻數量統計，可見其迅猛發展態勢。

圖7 2012—2021年與憶阻器相關的文獻數量（a）和不同學科主題中帶有憶阻器關鍵詞的文獻數量（b）（來源：Web of Science）

目前憶阻器大多為基于類似電容的結構：絕緣體或半導體材料被兩端電極包夾。在電極上施加偏壓可引發器件阻值的2個狀態：低阻態（Low Resistance State， LRS）和高阻態（High Resistance State， HRS）。施加相反方向電場時，電阻值可回到之前狀態。理想狀態下這種高—低阻態切換可重復很多次。在初始階段通常需要施加一個較大電壓（或電流）的“電形成”（Electroforming）步驟使得器件初次形成導電通道，類似神經突觸細胞達到一定閾值后釋放神經遞質，形成神經通路，輸出信號；而未形成神經通路時則不輸出信號（圖8（a））。

圖8神經信號通路示意圖（a）及4種阻變現象：導電細絲機制（b）、相變機制（c）、鐵電機制（d）、自旋機制（e）

阻變器件的結構和機制大致分為2種類型：一種是導電細絲類型，另一種是界面類型。目前主流結構是基于導電細絲類型的阻變器件，導電細絲阻變切換與金屬或者氧空位導電細絲形成有關（圖8（b））。

基于金屬導電細絲主導的存儲稱為電化學存儲（Electrochemical Memory， ECM），而由氧空位導電細絲主導的存儲稱為價態變化存儲（Valence Change Memory， VCM）。在金屬電極之間通過電化學氧化—還原可使金屬遷移沉積（如ECM）或者氧空位變化成為氧負離子（如VCM）使導電通路形成或破裂。導電細絲在電極間形成時為低阻態，斷裂時為高阻態。界面類型主導的阻變切換一般與功能層/電極界面的物理或化學現象相關。部分材料如GexSbyTez可在電場下發生非晶態與晶態之間的相變，引起阻值變化（圖8（c））。另外，界面類型的阻變器件還包括基于鐵電材料的存儲器，高低阻態切換發生在整個電極區域（圖8（d））。在鐵電隧穿結中，施加電壓下鐵電極性翻轉使得功能層和電極能帶排布發生非對稱性變化，功能層與電極之間的界面勢壘隨鐵電方向不同提升或降低，量子隧穿電荷被界面勢壘所調控，產生高低阻態。而在基于自旋電子的阻變器件中（圖8（e）），固定層和自由層兩者磁矩取向一致時為LRS，取向相反時為HRS。此外，還有界面陷阱態的電荷伏獲和脫離導致高低阻態的阻變機制等。

學術界和產業界針對憶阻器的探索與實用化做出了很多努力，圖9為憶阻器發展的重要里程碑。研究聚焦于提高器件性能和解決規模集成的挑戰，包括提高工作速度、提高開關比、提高耐久性和數據保持時間以及減小器件的隨機差異。在架構方面，交叉陣列（Crossbar Array）（圖10）結構簡單，可大規模集成多層陣列，具有可擴展性，是大規模集成憶阻器的較佳結構，但漏電流和接線電阻是最需要解決的問題。目前解決思路包括設計非線性器件、在存儲單元中增加選擇器、通過系統層面補償讀取電流差異等。

圖9憶阻器發展的重要里程碑

圖10用于憶阻器的交叉陣列架構

由于其能模擬神經突觸的可塑性和神經元的積累—發射等行為，憶阻器天然地具有仿生元件的特征。最簡單的人工神經網絡是一系列神經元由權重突觸連接。每個突觸以各自的權重將信號從前神經元傳輸到后神經元，進一步地，可以有多個隱藏層。交叉陣列形成的神經網絡中，每一個節點相當于一個突觸，憶阻器的電導起到權重作用，脈沖電壓相當于前突觸輸入的信號，輸出的電流相當于后突觸的信號。這種天然的存算一體架構消除了數據從存儲到計算的搬運，有助于打破“馮·諾依曼瓶頸”，提升系統效率和降低功耗；并且可直接實現向量—矩陣乘法運算，具有很強的并行計算能力。仿生神經網絡對數據保持時間和器件耐久性的要求也可以降低。目前，基于脈沖的尖峰神經網絡（Spiking Neural Networks， SNN）已經發展起來。由于和生物神經系統的高度相似性，在SNN中使用尖峰脈沖被認為是實現低能耗計算的關鍵，基于憶阻器有可能發展出全新的“尖峰電子學”，實現高效率、低功耗的數據傳輸和處理。憶阻器的未來研究有以下3個方向。

1）基于材料工程的高性能憶阻器

二維材料具有原子級厚度，可保證載流子擴散短距離，使快速且低功耗的阻變切換成為可能。研究表明采用基于二維材料的憶阻器所制備的神經突觸功耗可達到飛焦/每脈沖的量級。原子級厚度也提供了器件縮微的良好機會。Hus等展示了原子級厚度MoS2單個缺陷尺度上的阻變現象，并稱之為Atomristor。基于層間范德華力的堆垛可將不同功能層集成到同一結構體系中，并構建高密集交叉陣列（圖10）。二維材料的高比表面積和平面結構也有利于缺陷工程和導電細絲調控，形成空間位置確定的導電通道，減小器件性能的隨機性和差異性。由于其超薄厚度和優良的力學特性，基于二維材料的憶阻器在柔性可穿戴設備領域也有發展空間。

2）超低功耗憶阻器

高能效憶阻器是大規模集成的前提條件，其關鍵性能指標在于降低編程所需的電流和電壓、提高器件耐久性、降低漏電流，以及克服器件—器件和循環—循環的統計差異性，在這些方面仍然需要進行深入研究。對于神經網絡的訓練，關鍵在于編程和矩陣運算精確性，目前在基于節點相干性的神經網絡加速器方面的研究已取得重要進展。

3）可擴展的憶阻器硬件系統

要實現實用化，器件需要規模化集成。技術路徑有以下幾條。①增加憶阻器網絡中的節點數量，這方面需要提升器件的制備工藝集成度。②使用三維架構，交叉陣列在這方面提供一個很好的架構，可以通過多層堆疊方式，增加運算維數；具有可堆垛性的二維材料和交叉結構的完美結合是很有潛力的方向。③器件多功能化，使單一器件能實現不同功能，如數據存儲、運算操作、動態重構等。④與CMOS技術的融合集成，利用CMOS極高的集成度，在其上實現大規模的集成憶阻器要求高密度的局部互聯，這在近期的實驗進展中已被證明是可行的。

如前所述，憶阻器在仿生器件方面的應用也是一個值得深入研究和發掘的方向。最近的研究成果顯示基于尖峰脈沖的學習方式和生物中的感知現象具有驚人的相似性。目前，仿生器件大多是基于后處理的方式來實現仿生功能的呈現，而未來主要研究方向是通過全硬件或主要通過硬件來模仿人腦的豐富功能。總之，憶阻器在超越馮·諾依曼架構的后摩爾計算系統中已經展現出巨大潛力。未來將會在新的功能材料和阻變機制的發現、超低功耗、高可拓展性、高穩定性、高耐久性等方面不斷推進，或許能帶來新一輪的產業化革命。

1.4 神經形態器件

近10年來，中央處理器（CPU）、圖形處理器（GPU）、張量處理器（TPU）等處理器在數據處理能力方面有大幅提升，推動各種人工智能應用的發展。但摩爾定律趨于終結及傳統馮·諾依曼架構的瓶頸，使得芯片算力和能耗面臨重大挑戰，實現計算范式創新成為當務之急。神經形態類腦計算芯片將為后摩爾時代芯片通用算力和能效的繼續提升提供強大的硬件基礎。人腦在許多方面都優于馮·諾依曼計算機，例如能效和容錯能力。在生物神經系統中，神經元作為最基本的計算單元，能有效整合信息并以低功耗運行，而連接神經元的突觸則是重要的學習組件，突觸可塑性代表學習和記憶的重要特征。因此，構建高度仿生的人工神經元（圖11）和突觸是實現大規模神經形態硬件和網絡的核心問題。由于CMOS晶體管不具有內在的生物相似性，基于CMOS的神經形態計算體系需要大量的硬件來模擬突觸或神經元。以美國國際商業機器公司（IBM）研發的TrueNorth為例，該芯片集成了54億個晶體管來模仿100萬個神經元和2.56億個非可塑性突觸，而可塑性突觸的模擬則需要消耗更多的晶體管，這極大地增加了硬件成本且不利于實現低功耗。通過新材料和新器件去構建人工神經元和突觸是未來的重點研究方向。

圖11人工神經元的構成

神經元通過刺激閾下求和來發放脈沖，最基本的特性就是泄漏積分發放（Leaky Integrate-and-Fire， LIF）。目前關于人工神經元的研究聚焦在模擬LIF特性，憶阻器由于其導電細絲生長與神經元膜電位積分具有天然相似性，成為人工神經元的首選。新加坡科技設計大學的團隊于2018年提出基于Ag/FeOx/Pt憶阻器來模擬基本的LIF特性，由于器件具有易失性，因此不需要額外的復位電路和電容、電阻即可模擬神經元的自恢復過程；2019年，該團隊進一步提出基于二維材料的易失性憶阻器來實現人工神經元，二維材料光滑的界面可形成平面和更加可控的導電細絲，且不受材料厚度的限制。2020年，北京大學研究團隊通過使用非易失性憶阻器和電容、電阻的簡單串聯構建神經元電路，并基于其可拓展性構建簡單的硬件人工神經網絡陣列，豐富了人工神經元的功能，例如精確重合事件檢測和感受多重映射。此外，還演示了人工神經元用于緊湊邏輯運算的能力。一些新材料也被應用于這個領域。2019年，北京大學研究團隊提出使用離子膠作為頂柵介質的MoS2雙柵晶體管，利用離子在電場作用下的遷移和對MoS2溝道的摻雜作用，實現可控的神經元LIF特性。2021年，新加坡科技設計大學研究團隊提出反鐵電場效應晶體管神經元，這種神經元表現出低功耗、高均勻性和高穩定性等優點。

人工突觸亦是構建神經網絡不可或缺的元素，其功能在于通過調整突觸權重來模擬生物體內相應行為，例如突觸后電流（Postsynaptic Current， PSC）， 配對脈沖促進 （Paired-Pulse Facilitation， PPF）和尖峰時間依賴可塑性（Spike-Timing-Dependent Plasticity， STDP）等。目前人工突觸的研究路線包括：①對新材料體系、新物理機理和新器件結構的研究，實現單點器件性能突破；②借鑒模仿生物本身，使突觸進一步功能化以進行復雜的學習任務；③面向大規模陣列集成，與人工神經元結合實現神經網絡。

目前可用于人工突觸的材料體系和器件結構種類繁多，包括二維材料、相變材料、離子膠材料以及基于這些材料的晶體管、憶阻器以及閾值開關器件等。圖12總結了目前人工突觸器件的工作機理分類。韓國成均館大學研究團隊于2018首次提出利用O2等離子轟擊過的六方氮化硼（h-BN）作為載流子捕獲位點，實現了接近線性的權重更新，同時提供大量穩定電導狀態的人工光電突觸器件。這種線性權重更新的突觸可應用于人工神經網絡，更快且更準確地實現模式識別。美國密歇根大學研究團隊于2019年提出通過用電場控制MoS2中注入Li+的局部遷移以控制MoS2的2H-1T‘的可逆相變，實現優異憶阻行為的人工突觸。二維材料本身具有高度各向異性的離子傳輸特性，有利于控制離子傳輸行為。研究者通過多端輸入調控，進一步實現了生物突觸中觀察到的突觸競爭/合作效應，豐富了人工突觸的功能。此外，利用溶膠—凝膠膜作為柵電極的CMOS晶體管也可模擬神經元膜的內在可塑性。

圖12人工突觸器件的工作機理分類

除了簡單地模擬生物突觸的基本功能，拓展單個器件使其功能復雜化對于未來陣列微縮、功耗降低也顯得尤為重要。生物網絡中樹突信息的整合可反映來自不同感覺神經元的動作電位輸入之間的時空關系，在多輸入刺激的單點人工突觸中實現樹突信息整合是實現硬件人工神經網絡的基礎。南開大學研究團隊利用金屬碳化物納米片制備一種雙輸入人工突觸，實現了樹突整合。該團隊還用上述器件實現了簡單邏輯運算，即在同一器件中同時實現模擬（突觸）/數字（邏輯）運算，這種多功能人工突觸器件對陣列微縮化具有重要意義。

大規模神經網絡是打破摩爾定律失效僵局的主要途徑之一。清華大學研究團隊于2020年通過實驗演示了一個基于憶阻器的將突觸、樹突和胞體完全集成的完整神經網絡。其功耗遠低于傳統集成電路芯片，可精確執行數字識別任務。奧地利維也納科技大學研究團隊于2020年通過實驗證實了利用二維半導體光電二極管陣列來構建一個可同時感應和處理光學圖像的人工神經網絡。該團隊用分裂柵分別調控WSe2溝道的光響應度，并將其作為突觸權重，實現了圖像分類和識別編碼。

目前人工突觸、神經元和硬件網絡的開發都已取得顯著進展，但神經形態計算仍處于起步階段，在器件和系統層面都存在諸多挑戰需要應對。在器件層面，主要障礙是技術不成熟，嚴重影響陣列的良率、穩定性和均勻性。在已經報道的人工突觸中，可用于實現大規模陣列的器件非常有限，大多數演示都集中在使用單個器件進行概念驗證，忽略了器件陣列的良率和均勻性。在系統層面，經由未選擇單元的潛行電流會導致錯誤操作并限制陣列集成度，使得具有自校正功能的器件在大規模陣列中具有急迫性。雖然仿生突觸和神經元已經展示了良好的發展前景，但還有諸多潛能等待發掘。深入研究開發多功能、高性能、低能耗的神經形態器件，實現基于人工神經網絡硬件的神經形態計算是一項具有很高價值的前沿研究工作。

02 后摩爾器件發展建議及發展趨勢展望

經過近年的飛速發展，后摩爾器件已經呈現一種百花齊放的態勢。多種新型的邏輯、存儲、感存算、神經形態器件等紛紛出現，使人耳目一新。中國科學家在其中的貢獻有目共睹，部分研究工作達到世界領先水平，尤其在憶阻器件、神經形態器件等領域，無論從論文數量還是從論文水平來看，都已經在全球學術界占有一席之地，但是也不可否認在原創性等方面仍然有較大提升空間。下一輪的技術創新進程，將體現在關鍵器件技術的芯片級應用實現上，并將直接影響人工智能等核心科技領域的發展速度。后摩爾器件的發展空間相當廣闊，是未來信息科技的制高點之一。應當利用好現有的技術積累，加速推進材料、器件和架構的創新，注重原創概念的提出，推進計算范式的轉換，帶動各個環節形成合力使得后摩爾核心器件的科學研究與技術開發達到先進水平。以下將從3個方面給出中國后摩爾器件領域的前瞻發展建議。

1）新材料

后摩爾時代對器件要求超高集成度、超低功耗、高穩定性，其底層的基礎是材料的發展。隨著尺寸的縮微，低維材料尤其是適合平面加工的二維材料的重要性凸顯出來。未來需重點探索的方向是具有優異性能的新材料，特別是與硅基CMOS工藝可融合的新型材料以及異質結（如范德華異質結）的開發，材料的可控、均勻、大規模的制備，后端兼容的新制備工藝（如低溫制備工藝）及設備的開發，新材料具有“殺手锏”級應用性質的探索發現，以及新材料在后摩爾器件中應用機理的明晰。這些對于器件的設計、加工與應用都具有重要的意義。

2）新器件

對于感存算一體、器件可重構等發展方向，高性能且穩定的新器件架構至關重要。憶阻器等器件架構可能實現計算/存儲融合，代表著不同于晶體管的發展路徑。然而憶阻器在重復編程中呈現器件內的性能隨機波動和器件間的不一致以及嚴重的電流泄漏路徑等問題，制約了大規模憶阻陣列的性能和適用范圍。探索不同于目前的1D1R（1 Diode-1 Resistor）、1T1R（1 Transistor-1 Resistor）、1S1R（1 Selector-1 Resistor）等解決方案或者不同于憶阻器的新型器件架構，對于解決電路復雜度高、器件間兼容性等問題具有重大意義。另外，更多地通過外圍計算控制電路以及系統算法優化等方式來實現計算/存儲融合以及各單元間的互連實現新的器件架構也是值得探索的內容。

3）新計算范式

突破摩爾定律很大的可能性在于突破傳統布爾二進制運算的新的計算范式。神經形態計算模仿人腦的信息處理機制，具有實現大數據、低功耗、高容錯等潛在優勢。如何利用憶阻器件與電路等硬件的方式實現神經拓撲連接方式并賦予類腦計算的功能，以及如何通過器件間的互連和新的器件架構融合形成高效的神經形態計算路徑，亟須進一步探索。

03 結束語

作為人類科技史上最成功的技術創新歷程之一，由摩爾定律引導的微電子芯片革命已經接近終止，而隨之而來的后摩爾時代將由新材料、新器件、新計算范式等創新力量所驅動，并將以全新的技術路徑來繼續承載摩爾定律之精神。在新的時代，人們將看到以新一代核心器件驅動的創新所帶來的多材料異質集成、多功能異構集成、存儲-計算融合、傳輸-計算融合、類腦計算等發展方向，為信息技術的升級換代提供新動力。摩爾定律的終結不是芯片技術創新的終結，而是一個電子學全新時代的開始。

審核編輯 ：李倩