这款类脑芯片可让人工智能耗电量减少七成

剑桥大学研究团队开发了一种改良型氧化铪材料，制成高性能忆阻器——一种能模仿大脑神经元连接与通信方式的电子元件。当前主流AI依赖传统芯片，需频繁在内存与处理器间搬运数据，耗电量巨大；而类脑计算将存储与运算融为一体，有望节能70%，并实现更自然的学习适应能力。以往忆阻器多靠金属氧化物内部随机生成/断裂导电细丝工作，存在不稳定性高、驱动电压大等问题。本研究另辟蹊径：通过掺入锶和钛，并采用两步法生长工艺，在薄膜层界面构建微型‘p-n结’电子门控结构；其电阻变化依靠调控界面能量势垒实现，而非依赖不可控的细丝，因此开关更平滑、器件间及循环间一致性极佳。实测显示，该器件开关电流比常规氧化物忆阻器低约百万倍，支持数百个稳定电导态，适用于模拟式‘存内计算’；经数万次开关仍保持稳定，状态可维持约一天；还能复现人脑关键学习机制，如‘脉冲时序依赖可塑性’（即神经元根据信号到达时间差调整连接强弱）。尽管成果显著，当前制备需约700°C高温，超出标准半导体产线兼容范围，这成为主要瓶颈；团队正攻关降温方案。该突破历经近三年反复试验，曾遭遇大量失败，直至去年底优化氧注入时机（仅在首层成膜后通氧）才取得关键进展。若成功解决温度问题，这项技术有望催生新一代低功耗、高适应性AI硬件。研究获瑞典科研理事会、英国皇家工程院、皇家学会及UKRI等资助，相关专利已由剑桥大学创新机构Cambridge Enterprise提交。