《Engineering Applications of Artificial Intelligence》：Temporal processing with a four-transistor one-capacitor analog short-term memristor for neuromorphic reservoir computing
编辑推荐：
时序信号处理在现代人工智能系统中扮演着至关重要的角色，其中对随时间变化的动态模式进行分析对于分类和预测任务至关重要。储备池计算（Reservoir Computing, RC）通过利用瞬态系统动力学并显著降低训练复杂度，为此类应用提供了一种高效的神经形态框架。
时序信号处理在现代人工智能系统中扮演着至关重要的角色，其中对随时间变化的动态模式进行分析对于分类和预测任务至关重要。储备池计算（Reservoir Computing, RC）通过利用瞬态系统动力学并显著降低训练复杂度，为此类应用提供了一种高效的神经形态框架。在本研究中，研究人员提出了一种新型四晶体管模拟器件，该器件模拟短期记忆（Short-Term Memory, STM）行为，类似于挥发性忆阻器，并作为物理储备池节点。该器件支持16个离散电导态，每个态以4比特编码，其状态演化由电荷积累和自然衰减 governed，并通过互补金属氧化物半导体（Complementary Metal–Oxide–Semiconductor, CMOS）兼容的使能信号进行调制。通过全面的电路级实现与建模，研究人员确认该器件展现出 fading memory 和非线性电导动力学，这两者对于时序编码至关重要。研究人员展示了该器件在两项基准人工智能应用中的效用。首先，研究人员实现了一个受硬件启发的储备池计算系统，用于对时序编码的5×4二进制图像进行数字分类。储备态仅使用五个忆阻器生成，分类通过简单的逻辑读出完成，实现了100%的分类准确率。其次，研究人员将同一器件应用于预测洛伦兹吸引子（Lorenz attractor）的混沌行为。源自量化吸引子态的时序脉冲流通过一个300忆阻器储备池进行处理，线性读出准确预测未来系统动力学，归一化均方误差（Normalized Mean Square Error, NMSE）达到0.031。该系统在训练范围之外具有良好的泛化能力，突显了所提出的基于忆阻器的储备池在建模复杂时序序列方面的能力。
在现代人工智能系统中，时序信号处理至关重要，对随时间动态变化的模式进行分析是实现准确分类与预测的核心环节。然而，传统的冯·诺依曼计算架构在处理时变数据时存在根本性缺陷，尤其在需要动态上下文感知和低延迟响应的任务中效率低下。尽管储备池计算作为一种脑启发的计算框架，通过利用循环神经网络的瞬态动力学来简化训练流程，已在多个领域展现出应用潜力，但实现高能效、片上集成的储备池系统仍面临严峻挑战，特别是如何在紧凑硬件中实现实时状态调制与学习。现有基于晶体管的忆阻器设计虽致力于促进片上集成，但大多存在一个关键局限：无法非破坏性地读取器件电导状态，这严重制约了其在可训练和可观测的神经形态系统中的应用。
为解决上述问题，研究人员开展了本项研究，旨在设计并实现一种基于四晶体管一电容（4T1C）结构的模拟短期忆阻器，用于硬件储备池计算（Hardware-Based Reservoir Computing, HWD-RC）。该研究的核心目标是克服既往晶体管基STM忆阻器在读出能力上的不足，通过构建具有直接可读、可调电导态的紧凑型器件，模拟短期突触行为，进而实现高效的时序信号处理。
研究结果表明，所提出的4T1C器件基于28nm CMOS工艺设计，其核心由作为主可变电导路径的晶体管M1构成，该晶体管的栅极电压由集成电容上存储的电荷控制。通过CMOS兼容的使能信号（Enable）调控电荷积累与自然衰减过程，该器件实现了16个离散电导态（4比特编码），并展现出 fading memory 与非线性电导动力学特性。在电路级实现与验证中，研究人员通过施加不同脉宽（200μs、20μs、2μs）的0.8V电压脉冲，系统分析了器件的瞬态电流响应、耐久特性及变异性。
在应用层面，该研究验证了两个基准人工智能任务。第一，研究人员构建了基于该忆阻器的硬件储备池计算系统，用于手写数字分类任务。系统仅使用五个忆阻器作为物理储备节点，对时序编码的5×4二进制图像进行处理，通过简单的逻辑回归读出层即实现了100%的分类准确率。第二，研究人员将该器件应用于混沌系统的预测任务，具体为洛伦兹吸引子行为预测。通过将量化后的吸引子态转换为时序脉冲序列，输入至包含300个忆阻器的储备池网络，采用线性读出即可准确预测未来系统动态，达到0.031的归一化均方误差，且系统具有良好的泛化性能，能够有效预测训练范围之外的动态行为。
在讨论部分，研究人员指出所提出的4T1C器件已通过TSMC 28nm CMOS工艺提交流片，后续的硅后测量将重点验证模拟所得的记忆动力学、能效及工艺变异鲁棒性。该器件的独特优势在于其电导状态可直接非破坏性读出，这使其特别适用于需要状态观测和梯度更新的交叉阵列（crossbar）架构与存内计算（Compute-In-Memory, CIM）系统。器件的挥发性突触行为模拟、动态电导调制能力以及与现有CMOS工艺的高度兼容性，为大规模神经形态系统的片上实现提供了可行路径。未来的研究将进一步扩展该架构的规模，探索其在更复杂时序模式识别任务中的应用潜力，并深入分析器件在噪声敏感性和器件间失配等方面的表现。
研究结论部分指出，研究人员提出了一种基于新型4T1C挥发性忆阻器的CMOS兼容储备池计算系统，该器件采用28nm技术实现。所提出的忆阻器架构通过电容电荷控制的动态电导调制来模拟短期突触行为，提供了时序信息处理所需的两个关键特征——fading memory 和非线性。实验结果表明，该基于硬件的系统能够有效捕获、编码和重构时序动态，在数字分类和混沌预测任务中均取得了优异性能，验证了所提器件作为物理储备池节点在神经形态时序计算中的有效性和实用性。
