随着人工智能、物联网以及智慧医疗等新型信息交互领域的发展，基于传统冯诺依曼架构的计算机系统以及工艺迭代带来的算力提升已经越来越难以满足数据处理及复杂神经网络模型运算的需求。神经形态器件作为一种模拟人脑的高效低功耗的信息处理模型在信息处理方面具有天然的优势。目前，以忆阻器为代表的人工突触器件已经被广泛的应用于神经形态计算，并构建多种类型的神经网络。然而，传统的人工突触器件存储的权重固定，重新部署费时费力，无法根据输入变化进行自适应调整。

与突触类似，基于电荷的半导体储能设备可以在低能量条件下实现存储权重的调节和保持。离子迁移的独特特性使其可以用于构建模拟突触间隙信息传输的人工突触器件。相关的研究结果也证明类似电池的储能装置可以用作人工突触器件进行低能量计算。因此，利用半导体储能器件设计新型感算系统解决高写入噪声、非线性差和零偏压下的扩散等问题将是类脑计算领域的重要研究方向。

最近，中科院半导体所半导体超晶格国家重点实验室王丽丽研究员课题组、北京理工大学沈国震教授和香港科技大学范智勇教授合作，利用微纳加工设计了一种基于可调柔性能量存储装置（FMES）系统的新型感算集成系统（图1）。该系统实现了在不改变外部刺激条件下，通过系统中阻值的调控来控制离子的积累和消散，从而有望实现传感信号和存储权重W的耦合。FMES系统可以用于构建神经网络，实现多种神经形态计算任务，使得手写数字集的识别准确度达到了95%（图2）。此外，FMES系统可以模拟人大脑的自适应性，实现对相似目标数据集的自适应识别，经过训练后的自适应识别准确率可达80%左右（图3），避免重新计算造成的时间和能量损失。因此，未来在这项研究的基础上可以结合不同类型传感器片上集成，进一步实现多模态感算一体架构。

该成果以“Neuromorphic-Computing-Based Adaptive Learning Using Ion Dynamics in Flexible Energy Storage Devices”为题发表在National Science Review 2022, nwac158. (DOI：https://doi.org/10.1093/nsr/nwac158）。

论文连接https://doi.org/10.1093/nsr/nwac158

图1 基于可调柔性能量存储装置。（FMES）系统的新型感算集成系统， (a)生物突触的结构，(b) FMES装置示意图，(c) FMES装置的光学图像，(d)读和写操作解耦的原理图和相应的电路图，(e)不同电压脉冲下的突触后电流。

图2 神经形态计算的准确性。(a)神经网络结构，(b)由FMES器件组成的硬件神经网络，(c)在初始和训练的各种阻力状态下突触权重的数字映射，(d)100个训练周期的分类准确率，FMES设备PSV分布情况：培训前(e)和培训后(f)。