模拟神经形态的类脑智能的实现已成为世界各国竞相角逐的焦点。基于忆阻器的类脑神经形态计算是实现计算与存储一体化融合，进而实现下一代计算机的强有力技术竞争者。然而，目前忆阻器基础器件的性能依旧是构筑高效的大规模忆阻神经网络的重要挑战。研究者选用金属纳米晶来使电场局域化以改善开关参数的均一性，然而由于金属纳米晶尺寸大且很难整齐排列，不利于器件向小型化发展。

复旦大学周鹏教授课题组与河北大学闫小兵教授课题组开展合作研究，利用自组装的PbS量子点获得了优异的器件的性能：阈值电压低、开关电压分布均匀、保持性强、响应时间快和功耗低等。该器件成功模拟了生物突触的学习和计算功能，器件制备方法简单，提供了一种改善忆阻器件性能的新思路，为器件小型化发展开发了一种新途径，为未来人工智能、数据识别、神经仿生、逻辑电路等领域提供了器件基础。相关成果以《Self-assembled Networked-PbS Distribution Quantum Dots for Resistive Switching and Artificial Synapse Performance Boost of Memristor》为题在线发表于2018年12月28日的《先进材料》(Advanced Materials)上。

忆阻器是一种新兴的电子元器件，具有集成密度高、能耗消耗低、运行速度快、保持时间长等优点，然而，由于导电细丝的随机形成，忆阻器件中的开关电压显示出弥散较大的变化。此外，重复性差的器件在人工神经网络计算中需要大量的训练周期，这进一步增加了神经网络编程错误的概率。研究人员一直在努力改善器件的重复性和一致性。

量子点由于其独特的电子和光学性质，在光伏器件、发光二极管和生物成像等应用中发挥着重要作用。PbS是一种极具吸引力的材料，它含有两种天然高丰的元素。为了保证量子点在存储器件中的均匀分布，在较低温度下制备了整齐排列的自组装PbS量子点，PbS量子点增强了器件中的局域电场，用于引导导电细丝的生长路径，这种制造方法比其它技术要简单得多。因此，通过自组装PbS量子点可以进一步提高器件的重复性和参数的均一性。

经过了对三种类型器件（纯氧化镓不含PbS量子点pure Ga2O3器件、量子点随机分布的IQD器件和量子点整齐排列的NQD器件）的电学特性的对比得知，NQD器件的电学性能最佳，具体表现为：最低和最集中的开关阈值电压、最快的响应时间、最低的功耗和最佳的保持性能，同时实现了模仿生物突触的学习和计算功能，包括长时增强和长时抑制(LTP和LTD)、突触可塑性(STDP)和双脉冲易化(PPF)等特性。

这项工作不仅展示了量子点在神经形态器件和神经网络领域中巨大的应用前景，对未来人工智能，神经仿生硬件单元的设计有着重要的指导意义。同时，也为解决其他电子器件领域的挑战提供了一种新的技术方法。

河北大学闫小兵教授与硕士生裴逸菲为论文的共同第一作者，复旦大学微电子学院博士生陈华威为第二作者，闫小兵教授和复旦大学周鹏教授为本文通讯作者。在前期的科研合作中，双方科研组尝试使用石墨烯量子点忆阻器作为人工神经元并成功模拟了神经网络芯片中的学习与遗忘功能，工作在《先进功能材料》上发表(Adv. Funct. Mater. 2018, 1803728)。

AM论文连接：https://doi.org/10.1002/adma.201805284