隨著人工智能、物聯網及智慧醫療等新型信息交互領域的發展，基于傳統馮諾依曼架構的計算機系統以及工藝迭代帶來的算力提升越來越難以滿足數據處理及復雜神經網絡模型運算的需求。神經形態器件作為一種模擬人腦的高效低功耗的信息處理模型，在信息處理方面具有天然優勢。目前，以憶阻器為代表的人工突觸器件廣泛應用于神經形態計算，并構建多種類型的神經網絡。然而，傳統的人工突觸器件存儲的權重固定，重新部署費時費力，無法根據輸入變化進行自適應調整。

與突觸類似，基于電荷的半導體儲能設備可在低能量條件下實現存儲權重的調節和保持。離子遷移的獨特特性使其可以用于構建模擬突觸間隙信息傳輸的人工突觸器件。有研究表明，類似電池的儲能裝置可以用作人工突觸器件進行低能量計算。因此，利用半導體儲能器件設計新型感算系統解決高寫入噪聲、非線性差和零偏壓下的擴散等問題將是類腦計算領域的重要研究方向。

近日，中國科學院半導體研究所半導體超晶格國家重點實驗室研究員王麗麗課題組、北京理工大學教授沈國震與香港科技大學教授范智勇合作，利用微納加工設計了一種基于可調柔性能量存儲裝置（FMES）系統的新型感算集成系統（圖1）。該系統實現了在不改變外部刺激條件下，通過系統中阻值的調控來控制離子的積累和消散，有望實現傳感信號和存儲權重W的耦合。FMES系統可用于構建神經網絡，實現多種神經形態計算任務，使手寫數字集的識別準確度達到約95%（圖2）。此外，FMES系統可模擬人大腦的自適應性，實現對相似目標數據集的自適應識別，經過訓練后的自適應識別準確率可達80%左右（圖3），避免重新計算造成的時間和能量損失。未來研究可以此成果為基礎，結合不同類型傳感器片上集成，進一步實現多模態感算一體架構。

圖1 基于可調柔性能量存儲裝置（FMES）系統的新型感算集成系統。a、生物突觸的結構，b、FMES裝置示意圖，c、FMES裝置的光學圖像，d、讀和寫操作解耦的原理圖和相應的電路圖，e、不同電壓脈沖下的突觸后電流

圖2 神經形態計算的準確性。a、神經網絡結構；b、由FMES器件組成的硬件神經網絡；c、在初始和訓練的各種阻力狀態下突觸權重的數字映射；d、100個訓練周期的分類準確率，FMES設備PSV分布情況：培訓前（e）和培訓后（f）。

圖3 數字識別的自適應仿真。a、Dataset1和dataset2，b、人工神經網絡的權重映射圖像，c、dataset1和dataset2的識別精度，d、人工神經網絡權重的自適應調整，e、自適應后權重映射圖像，f、識別精度與映射圖像數量的關系，g、適應前后的分類識別，h-i、每個樣本的概率。