1947年，来自美国贝尔实验室的肖克利、巴丁和布拉顿共同研制出了世界上首个点接触型锗晶体管，其三人也因此获得1956年诺贝尔物理学奖。2022年是晶体管出现的第75周年，在过去的75年里，晶体管的发展推动了人类社会迈入了信息时代，极大地促进了社会生产力的发展。然而，近年来，随着晶体管的尺寸越来越小，摩尔定律的发展已经遇到了越来越多的瓶颈与挑战。面向未来的智能社会，晶体管的形态将会如何？其发展又将遵循怎样的规律？

近日，来自阿卜杜拉国王科技大学Mario Lanza教授领导的国际研究团队在Science上以Memristive technologies for data storage, computation, encryption, and radio-frequency communication为题发表综述文章，总结了忆阻器过去的技术发展和未来的演进趋势。文章从相变材料型忆阻器、电阻型忆阻器和磁阻型忆阻器等不同类型的忆阻器出发，面向未来的智能社会，分析了忆阻器在低功耗、非冯·诺依曼体系结构中的人工智能应用、数据加密的随机数生成和用于移动通信的射频开关等来下一代信息技术中将要扮演的重要作用。

图1. 基本忆阻效应及其在存储、计算、加密和通信中的应用。

图源：Science 376, 6597 (2022).

将电阻器与存储器功能结合在一起，使电压脉冲能够以非易失性方式改变其电阻，从而改变其存储器状态的忆阻器件开始在用于存储器应用的集成电路中实现。

迄今为止，经过五十多年的发展，忆阻器件的应用领域非常广泛，其可以应用于许多其他技术中，如十字交叉阵列中的非冯·诺依曼内存计算、用于数据安全的随机数生成以及用于移动通信的射频开关等等。

忆阻器件的电阻可以通过施加电应力调节到两个或两个以上的非易失性水平。目前，最先进的忆阻器件的核心是由相变、金属氧化物、磁性或铁电材料制成的金属/绝缘体/金属纳米电池，其通常与其他电路元件（电阻器、选择器、晶体管）串联，以增强其在阵列配置中的性能。这样能够尽量避免状态转换期间的损坏，最大限度地减少单元间干扰。

忆阻效应最初于1969年被发现，忆阻器的第一个商业产品于2006年出现，是由基于磁性材料的4兆位非易失性存储器组成。在过去几年中，记忆型非易失性存储器的切换耐久性、数据保留时间、能耗、切换时间、集成密度和价格都有了显著的提高。目前最好的忆阻器使用时间大于10年，每次运算所需能量约为 0.1 pJ，单次运算时间为10 ns。

在2021年，记忆存储器已经被广泛用作独立存储器，并嵌入物联网专用集成电路中，如智能手表和眼镜、医疗设备、计算机等等，据测算其市场价值超过6.21亿美元。最近学术界的研究表明，记忆器件还可以用于高级计算、数据安全和移动通信。

其中，高级计算是指人工神经网络的硬件实现，通过利用记忆属性，如电导递增和递减、在交叉阵列中的向量矩阵乘法和尖峰时间依赖的可塑性。目前最先进的技术已经实现了每秒每瓦特10万亿次以上的运行速度。

而数据加密可以通过利用记忆效应固有的随机性来实现，记忆效应表现为开关电压/时间和状态电流在给定范围内的随机波动。例如，当忆阻性器件以50%的切换概率暴露在电应力下时，真实随机数生成器和物理不可压缩函数会产生随机码。这些随机数产生的原理是我们根本无法预测哪些器件会切换，因为这取决于它们的原子结构。

移动通信也可以受益于忆阻器件的发展，因为由于电阻状态的非易失性，它们可以用作5G和太赫兹开关，能耗非常低。当前的商业技术基于硅晶体管，但硅晶体管是易失性的，在切换和空闲时都会消耗数据。最先进的技术已经实现了大于100太赫兹的截止频率，其可以具有极好的插入损耗和隔离。

图2.基于忆阻器设计的存储计算系统的概念示意图。

图源：Nat Communications 11, 2439 (2020).

忆阻器的发展吸引着来自工业界和学术界研究人员的共同关注和热情。

来自美国硅谷惠普实验室的忆阻器专家，John Paul Strachan教授曾这样评价忆阻器，“忆阻器（以RRAM的形式）比硬盘驱动器和闪存快得多，同时与静态随机存取存储器（SRAM）和动态随机存取存储器（DRAM）相比，具有更高的密度、更低的成本和非易失性。此外，与基于晶体管的存储器元件（如SRAM和DRAM）不同，忆阻器可以通过非常高密度的局部互连在处理器上以较低的热预算直接集成，从而消除了存储器和处理器之间缓慢且耗电的片外通信。这些特性允许忆阻器简化内存和存储层次结构，并显著提高计算系统性能。因此，高性能、三维（3D）集成忆阻器存储器可以延长传统冯·诺依曼计算系统的寿命，并提高系统处理大量信息的能力，这是大数据时代的关键需求。”

来自美国密歇根大学的Wei D. Lu教授则指出，“忆阻器在计算系统中的作用可能超过内存或存储。由于忆阻器能够在同一物理设备中共同定位内存和计算，因此非常适合在硬件中实现高效的仿生神经网络。人工神经网络在处理认知和数据密集型任务方面表现出优于经典系统的性能，最近算法开发的进展使得其在特定复杂任务中的性能甚至超过了人类。最简单形式的神经网络是一组通过加权突触连接连接的神经元。每个突触将信息从突触前神经元传递到突触后神经元，并按突触重量进行缩放。通常，通过更新其突触权重来训练网络以执行特定任务。现代网络可以有多个（超过100个）隐藏层，因此需要训练和存储大量的突触连接。到目前为止，神经网络的实现主要基于传统的计算硬件，其中突触权重存储在（芯片外）内存中，需要不断加载到处理单元中，以计算到下一个神经元的所需输出。因此，性能仍然受到冯·诺依曼瓶颈的根本限制，在运行期间需要巨大的计算硬件资源和高功耗。相反，在基于忆阻器的实现中，单个设备可以同时存储突触重量并调制传输的信号。在这种情况下，传输信号（即进入后神经元的电流）由输入信号（即来自前神经元的电压脉冲）和突触重量（由忆阻器电导表示）的乘积决定，这是通过欧姆定律固有的。内存和计算在同一忆阻器设备中的自然共存消除了持续的数据移动，因此可以显著提高系统效率。”

图3. 忆阻器纵阵列中人工神经网络的硬件实现。

图源：Nat Electron 1, 22–29 (2018).

总结与展望

根据市场预测，到2026年，忆阻器的市场将增长至约56亿美元，占近2800亿美元内存市场的约2%。文章指出，未来，进一步巩固忆阻器在市场上的地位并创造新的商业忆阻器市场需要人们进一步提高忆阻器的性能、集成密度和成本优势，而这可以通过材料和结构工程来实现。在商业固态电子电路和其他潜在应用中集成忆阻器件的进展将取决于忆阻器仍需解决的性能和可靠性挑战。

图4. 未来计算的各种潜在解决方案。

图源：Nature Electronics 1, 22–29 (2018)

在技术方面，不同类型的忆阻器应该在不同指标方面进一步提升其性能。例如，相变和金属氧化物忆阻器应进一步提高其开关耐久性，降低其工作能耗和可变性；而磁性忆阻器则应提供改进的集成密度；目前的铁电忆阻器的开关耐久性仍然很低，这阻碍了其商业化。

在不同的应用场景方面，用于高级计算的忆阻器件则应该最大限度地提高耐久性、保持力和电导范围，同时最大限度地减少电导波动；用于数据加密和移动通信的忆阻器件需要更高的开关耐久性，目前正在研究基于二维材料的忆阻器预计将会提升忆阻器的开关耐久性方面。

文章指出，站在晶体管已经被发明的75周年的今天，未来晶体管的一个重要演进趋势是面向各种应用场景的忆阻器的进一步丰富和完善，忆阻器将会在未来人工智能应用中发挥出重要的作用。

参考文献：

[1] Mario Lanza et al., Memristive technologies for data storage, computation, encryption, and radio-frequency communication, Science 376, 6597 (2022).

https://www.science.org/doi/10.1126/science.abj9979

[2] Zidan, M.A., Strachan, J.P. & Lu, W.D. The future of electronics based on memristive systems. Nat Electron 1, 22–29 (2018).

https://doi.org/10.1038/s41928-017-0006-8