二维材料因其独特且丰富可调的电学和光电性质以及可垂直集成的特性，有望成为未来智能计算器件与芯片的有力竞争者。但是二维材料在智能器件与芯片应用中面临着诸多挑战。其中最大的挑战之一在于利用二维材料及异质结的独特物理，设计类脑智能器件与芯片，根据器件的独特行为，开发高能效的计算架构与芯片，最终实现高能效的信息感知与处理。本报告将从二维类脑智能材料的制备、新原理器件器件的设计、高能效计算架构和融合硅基芯片的开发等方面，介绍一下我们最近的一些研究进展。

随着摩尔定律的逐渐失效，单个CMOS电路所能提供的算力濒临饱和，人工智能时代迫切需要超越CMOS技术的新型自适应器件来满足日益增长的算力需求。神经形态器件借鉴突触、神经元等生物神经组织的基本工作原理，以存算一体的计算范式实现高效信息处理。然而，现有的基于忆阻器的人工突触和人工神经元存在着集成方式复杂和紧凑度低的问题，制约了神经形态器件的大规模集成。例如，对于十字交叉的突触-选通器 (1S1R) 阵列中，非易失阻变 (NV-RS) 的突触器件和易失阻变 (V-RS) 的选通器件有截然不同的工作要求：NV-RS器件的工作电流需要尽可能低，以减少功耗；V-RS器件应能在较高的电流下工作，以确保对其串联的突触器件的成功写入并提供足够的读出裕度。然而，长期存在的“电流-保留时间”矛盾是：对于同一个阻变器件，V-RS通常发生在比NV-RS更低的工作电流下。这一矛盾可以直观地理解为，阻变器件的电阻状态的稳定性通常随外加电场强度的增加而增加，因此随工作电流而增加。除了电场效应外，电流当然还会引起焦耳热。传统观点认为，焦耳热 (JH) 效应与电场效应是协同互补的。对于人工神经元器件，另一个长期存在的挑战是“硬件开销-生物可信度”的矛盾。具体来说，生物神经元的功能 (包括泄漏积分-放电 (LIF) 和神经元振荡)，是由两种类型的电压门控离子通道支撑的。为了真实地模拟Na+介导的快速去极化过程和K+介导的弛豫复极化过程来诱导神经元脉冲，往往需要几十甚至上百个晶体管。为了减少硬件开销，仿生的逼真程度不可避免地被牺牲，但即便如此，迄今为止最简单的人工振荡神经元仍然由不少于两个器件组成，一个易失性忆阻器和并联 (串联) 一个电容 (电阻)。新兴的半导体材料碲 (Te) 具有独特平衡态物理性质和非平衡态电子输运、离子运动等行为，有望打开集约型器件新的设计空间。受此启发，我们使用碲 (Te) 半导体作为一种通用的矛盾解决方案，发明了一种两端Te/Sb₂Te₃/Te (TST) 器件[1]。与传统的基于金属细丝的阻变器件不同，碲基阻变器件表现出独特的NV-RS向V-RS的转变。即，在1 mA以下的较低限流 (CC) 下，NV-RS发生，而在超过约1.5 mA的较大CC下，V-RS发生。这一独特现象与Te具有的高电化学活性、低熔点、低导热率有关。具体来说，场效应诱导的Te细丝在较低电流下可以稳定生长，而较大电流下焦耳热的聚集会导致Te细丝的熔断，从而转变为V-RS。从而将通常具有协同关系的场效应-焦耳热效应逆转为一对互相竞争的关系。通过进一步将介电层置换为热导率更低的TiTe₂，焦耳热的积累更剧烈，V-RS可以发生在低至0.5 mA的CC下。并且，电流在高低阻状态下的来回跳变被观察到[2]，这种振荡阻变行为是由于场效应主导的细丝生长和焦耳热效应主导的细丝熔融交替发生的结果，它可以自然地对应于Na+介导的去极化和K+介导的复极化动力学。受益于此，在稳定的直流电压激励下，单个碲基神经元器件即可模拟自维持的振荡。

现有的人工智能技术是以模型学习驱动的大数据智能，使其具有如下两个瓶颈问题：智能感知能力弱、自主学习与自适应能力弱。受人脑工作机制启发，发展类脑智能技术是破解现有人工智能的瓶颈问题的利器。而另一方面，人工智能的高速发展，需要底层硬件的计算性能不断提升。受制于传统冯诺依曼体系架构，现有的通用硬件平台 (CPU、GPU和FPGA等) 难以实现相关算法。针对上述问题，本报告从类脑智能角度提出了模拟存内计算电路设计方法及其应用。本报告以高速度，低功耗，高能效设计为目标，从高能效计算电路，类脑智能电路以及智能学习电路三方面开展模拟存内计算电路设计及应用关键技术研究，力图缓解大数据时代算力需求增长与算力提升缓慢之间的矛盾。提出的类脑计算电路具有高速、高能效等特点，在高精度求解的同时可实现与传统数字化计算方法相比两个数量级以上的速度提升，为科学计算、深度学习以及工程应用中的高能效计算需求提供新的技术支撑。

加速矩阵 (向量) 乘法是存内计算的主要研究方向。目前的存内计算技术中，仅一个矩阵由存储单元原位提供，另一个矩阵仍需要经过传统的存储器层次结构访存，并经数字-模拟转换作为输入。可以说，传统存内计算仅部分地解决了冯·诺伊曼架构中数据搬运的问题，且引入了额外的数据转换问题。受存内计算技术全谱概念启发，本报告介绍一种全存内计算矩阵乘法技术，其中两个矩阵均存储在存储器阵列中并参与原位计算，该过程仅需通过施加数字电压信号实现。该技术完全消除了数据的搬运和转换，相比于传统存内计算，实现了3-4个数量级的能效提升，完全释放存内计算原理的巨大效力。基于该全存内计算矩阵乘法模块，通过映射适用于并行模拟计算架构的局部竞争算法 (LCA)，构建了包含非线性函数元件的模拟计算电路，实现一步求解压缩感知还原算法。该电路的求解速度比深度学习等数字计算方法快1-2个数量级，同时也优于其它的电子或光子模拟计算方案，为压缩感知终端设备的实时信号处理提供了一种全新的解决方案，有望促进实现先进的医疗、通信和图像处理技术。