受大脑离子信号处理机制启发，流体忆阻器因其高能效和化学响应性而备受关注，然而，传统流体忆阻器面临着制备工艺复杂、水相系统封装困难以及难以大规模集成的挑战，这严重阻碍了其在硬件层面实现复杂计算任务的能力。
针对上述挑战，中国科学院化学研究所于萍研究员、北京师范大学毛兰群教授、东北大学王建华教授合作，展示了一种基于限域水凝胶的流体忆阻器阵列。该研究通过在水凝胶-凝胶界面实现离子富集与耗散动力学，成功构建了具有高均匀性和高产率的10×10流体忆阻器交叉阵列，并基于此实现了对多种突触可塑性的模拟以及高达89.5%准确率的MNIST手写数字识别，为开发大规模、化学响应的离子基神经形态计算硬件提供了全新平台。相关论文以“Confined-hydrogel fluidic memristor crossbar array for neuromorphic computing”为题，发表在Nature Communications上。
研究团队设计的限域水凝胶忆阻器，通过在聚酰亚胺衬底的锥形微孔两侧分别聚合带有正电荷的聚咪唑嗡离子凝胶和电中性的琼脂糖-聚丙烯酰胺双网络水凝胶，在微孔孔口处形成了一个关键的凝胶-凝胶界面。图1a展示了生物神经网络中通过凝胶样突触连接的神经元信息传递机制，正是这一生物灵感启发了器件的设计。图1b则清晰地描绘了流体忆阻器阵列的结构示意图，其中左上角插图放大了单个器件单元，右上角照片展示了实际制备的3×3阵列器件。该器件的电学性能如图1c所示，在三角波电压扫描下，器件呈现出典型的非零交叉点捏滞回线，这是忆阻器的核心指纹特征。进一步研究发现，无论改变扫描范围（图1d）还是扫描速率（图1e），该交叉点均保持不变，再次印证了其忆阻特性。图1f则展示了回滞环面积随扫描速率的变化趋势，随着扫描速率增加，回滞环面积先增大后减小，符合典型忆阻器行为。
图1 限域水凝胶忆阻器的电学特性。 (a) 生物神经网络中的信息传递与处理动力学。 (b) 采用水凝胶的流体忆阻器阵列架构示意图。左上角插图：单个限域水凝胶忆阻器单元的放大视图。右上角插图：制备的3×3流体忆阻器阵列器件照片。 (c) 限域水凝胶忆阻器在扫描速率为50 mV·s⁻¹时的典型I-V曲线。 (d) 限域水凝胶忆阻器在扫描速率为50 mV·s⁻¹、不同电位窗口下测得的I-V曲线。 (e) 限域水凝胶忆阻器在扫描速率为50 mV·s⁻¹（蓝色）和1 V·s⁻¹（红色）时的I-V曲线。 (f) 回滞环面积随扫描速率的变化关系。
为了揭示其工作机制，研究团队深入探究了凝胶-凝胶界面的离子输运动力学。图2a显示，当施加的偏压低于交叉点电位时，器件电导随时间逐渐增加并趋于饱和；高于交叉点时，电导则逐渐减小；而在交叉点电位下，电导基本保持恒定。有限元模拟结果（图2b）也复现了这一趋势，模拟的离子浓度分布（图2b插图）表明，凝胶-凝胶界面处的离子富集与耗散是导致电导变化的核心原因。图2c揭示了不同偏压下的电位分布差异：正偏压下，界面处形成高阻区，电位主要降于此；负偏压下，离子富集降低了界面电阻，电位分布延伸至中性凝胶。图2d和2e的实验与模拟结果共同表明，降低中性凝胶中的离子强度会增强回滞效应。图2f通过示意图总结了其机制：负偏压驱动阴离子在界面富集，引发阳离子协同迁移，形成富集区，电导增加；而正偏压则导致阴离子耗散，电导降低。
图2 限域水凝胶忆阻器的工作机制。 (a) 限域水凝胶忆阻器在施加电位为-700 mV（紫色，低于VCP）、-560 mV（红色，VCP）和500 mV（蓝色，高于VCP）时的时间依赖性电导。 (b) 限域水凝胶忆阻器在-1或+1 V电压下模拟的电导-时间曲线。插图：不同状态下微孔孔口附近的离子浓度分布。 (c) 限域水凝胶忆阻器在电位为-1 V（红色）或+1 V（黑色）时沿微孔轴线的电位分布。 (d) 在不同KCl浓度电解液中，根据I-V曲线计算出的归一化回滞环面积。 (e) 在中性凝胶区域具有不同KCl浓度的限域水凝胶忆阻器中，在-1 V电位下沿微孔轴线的电位分布。 (f) 忆阻机制示意图，展示了在施加低于VCP（V-，从状态I到III的转变）和高于VCP（V+，从状态I到V的转变）的电位时，凝胶-凝胶界面处的离子再分布。
基于上述机制，该器件成功模拟了多种突触可塑性。图3a和3b分别展示了在连续负向和正向脉冲刺激下，器件表现出典型的双脉冲易化和双脉冲抑制行为。图3c则通过双指数拟合量化了器件的记忆保留时间，易化过程的保留时间为131毫秒，抑制过程为88毫秒。该器件还展现出对刺激频率（图3d、3e）、脉冲数量（图3f）和脉冲宽度（图3g）的依赖性可塑性。更重要的是，通过连续的写入（SET）和擦除（RESET）脉冲序列，该器件能够实现多达65个不同的电导状态（图3h），并在500次循环操作中保持稳定的开关特性（图3i），展示了其作为人工突触进行精确权重调控的潜力。
图3 限域水凝胶忆阻器的神经形态功能。 (a) 限域水凝胶忆阻器的双脉冲易化（Vp = -1 V, tp = 10 ms, Δt = 10 ms）。 (b) 限域水凝胶忆阻器的双脉冲抑制（Vp = +1 V, tp = 10 ms, Δt = 10 ms）。 (c) 对于双脉冲易化（蓝色，Vp = -1 V, tp = 10 ms）和双脉冲抑制（红色，Vp = +1 V, tp = 10 ms），电导变化（ΔG）作为脉冲间隔（Δt）的函数。误差线表示同一器件三次测量的标准差。 (d) 在1至100 Hz频率范围内，对电压脉冲串刺激（Vp = -1 V, tp = 10 ms）的电流响应。 (e) 从(d)中提取的频率依赖性电导。 (f) 对1、2、3、5、10和20个连续电压脉冲（Vp = -1 V, tp = 10 ms, Δt = 10 ms）的电流响应。 (g) 在不同电压脉冲宽度（Vp = -1 V, Δt = 10 ms）下的电流响应。 (h) 在65次连续SET脉冲（Vp = -1 V, tp = 5 ms, Δt = 2 ms）写入操作，随后进行65次RESET脉冲（Vp = +0.3 V, tp = 5 ms, Δt = 2 ms）擦除操作期间的电流响应。 (i) 限域水凝胶忆阻器在500次连续SET和RESET循环下的器件耐久性。上插图：连续循环的放大视图，显示了可重复的开关行为。
该研究的核心突破在于实现了流体忆阻器的大规模集成。如图4a所示，研究团队构建了3×3的流体忆阻器阵列。图4b展示了阵列中9个器件的I-V曲线，所有曲线均呈现出一致的忆阻特征和交叉点电压，显示出良好的均匀性。得益于水凝胶易于集成的特性，研究团队进一步成功制备了10×10的更大规模阵列（图4c），其器件良率高达94%（图4d），证明了该设计策略的可扩展性和鲁棒性。
图4 限域水凝胶忆阻器交叉阵列的大规模集成与性能评估。 (a) 3×3流体忆阻器阵列架构示意图。 (b) 3×3流体忆阻器阵列中所有九个忆阻器在扫描速率为50 mV·s⁻¹时的I-V曲线。 (c) 10×10流体忆阻器阵列的照片（薄膜上的标签指示尖端侧）。比例尺为10 mm。 (d) 10×10流体忆阻器阵列的功能良率图。浅蓝色方块代表功能正常的忆阻器，蓝色方块表示非功能单元。
除了电学调控，该流体忆阻器阵列还具备独特的化学响应性。图5a展示了化学调控的机制：三磷酸腺苷分子可通过静电相互作用与聚咪唑嗡凝胶结合，从而降低其空间电荷密度，影响离子富集/耗散能力。图5b的I-V曲线表明，随着三磷酸腺苷浓度增加，器件电流逐渐减小。在脉冲刺激下，三磷酸腺苷的引入不仅减弱了双脉冲易化和抑制的电流幅度（图5c、5d），还加速了其电流衰减过程，即缩短了记忆保留时间（图5e、5f），成功模拟了化学信号介导的突触权重调节。
图5 流体忆阻器阵列的化学调控突触功能。 (a) 流体忆阻器阵列突触功能化学调控机制的示意图，以及生物突触的对比。上图显示了三磷酸腺苷分子通过超分子识别与聚咪唑嗡凝胶结合，导致忆阻器中离子电导率变化。下图显示了生物神经网络中，神经化学物质通过特异性识别与受体结合，导致突触权重调节。 (b) 限域水凝胶忆阻器在不同三磷酸腺苷浓度下，扫描速率为50 mV·s⁻¹时的I-V曲线。 (c) 三磷酸腺苷调控的双脉冲易化行为，展示了不同三磷酸腺苷浓度下的电流响应（Vp = -1 V, tp = 40 ms, Δt = 40 ms）。 (d) 三磷酸腺苷调控的双脉冲抑制行为，展示了不同三磷酸腺苷浓度下的电流响应（Vp = +1 V, tp = 40 ms, Δt = 40 ms）。 (e) 在不同三磷酸腺苷浓度下，双脉冲易化的电导变化作为脉冲间隔（Δt）的函数（Vp = -1 V, tp = 40 ms）。误差线表示同一器件三次测量的标准差。 (f) 在不同三磷酸腺苷浓度下，双脉冲抑制的电导变化作为脉冲间隔（Δt）的函数（Vp = +1 V, tp = 40 ms）。误差线表示同一器件三次测量的标准差。
最后，为验证该阵列的计算能力，研究团队构建了基于流体忆阻器阵列的储池计算系统。图6a展示了单个忆阻器对16种4位二进制脉冲序列的差异化响应，每种序列对应一个独特的最终电导状态，证明了其处理时序信息的能力。如图6b所示，该系统将数字图像的行像素编码为电压脉冲序列，输入到阵列中，其输出的电导状态作为储池状态，通过一个单层全连接网络进行训练，成功实现了计算机生成数字图像的识别。进一步地，研究团队将该系统应用于更复杂的MNIST手写数字识别任务（图6c）。通过将28×28像素图像编码为196个4位二进制序列，输入流体忆阻器阵列并记录响应状态进行训练，最终该系统在测试集上达到了89.5%的识别准确率（图6d），展现了其在硬件层面进行高效神经形态计算的巨大潜力。
图6 基于流体忆阻器阵列的储池计算。 (a) 对4位组合脉冲模式的相对电导（G/G0）响应，其中“0”和“1”分别对应+1 V和-1 V的脉冲。误差线表示同一器件三次测量的标准差。 (b) 基于流体忆阻器阵列的数字识别储池计算架构示意图。数字“6”被转换为五个不同的位串，并依次编码进入流体忆阻器阵列储池，产生五个相应的电导值。使用(a)中的电导值，在计算机中训练一个单层全连接5×10神经网络，该网络将电导值转换为数字“6”的分类。 (c) 使用流体忆阻器阵列进行手写数字识别。来自MNIST数据集的数字“5”（28×28像素）被分割成每行四个像素的组，生成196个四位二进制串。这些位串被编码为电压序列，依次施加到限域水凝胶忆阻器上，电流响应被记录为储池状态。 (d) 用于(c)中数字识别算法的混淆矩阵。
综上所述，该工作通过创新的限域水凝胶策略，成功解决了流体忆阻器在可扩展性和集成度方面的关键瓶颈，实现了大规模流体忆阻器阵列的构建。这一成果不仅展示了其在模拟突塑可塑性、化学调控和高效计算方面的能力，更确立了一个基于离子的、化学响应的神经形态计算硬件平台。尽管在稳定性和长期可塑性等方面仍存在挑战，但该研究无疑为未来构建智能传感阵列、植入式计算芯片等流体离子计算系统铺平了道路。
热门跟贴