随着信息技术的飞速发展，计算任务的规模和复杂性不断提升，对计算机性能的要求也持续攀升。然而，传统 冯·诺依曼架构受限于数据传输瓶颈和高能耗问题，难以满足未来人工智能、物联网等领域的复杂计算需求。因此，探索新型计算架构和硬件实现方案已成为学术界和工业界的共同目标。其中，基于忆阻器的神经形态计算因其能够模拟生物大脑的并行计算和低功耗特性，成为前沿研究的热点之一。近日，bw必威西汉姆联官网余林蔚教授团队成功研制出基于面内固-液-固（IPSLS）生长的n型硅纳米线（n-SiNW）忆阻器，通过“纳米线-边缘”准一维交叉1D-crossing创新接触结构精准调控纳米尺度下的导电细丝形成过程，实现了超低功耗、超快响应和高均一性的神经形态计算硬件。这一研究成果为大规模类脑计算提供了新型硬件支撑，并在二元肿瘤识别应用中展现出卓越性能。
1 创新技术解决关键难题
忆阻器因其低功耗、类神经突触的特性，在类脑计算领域备受关注。然而，传统忆阻器在导电细丝（CF）形成和断裂的稳定性方面存在较大挑战，影响设备一致性和可扩展性。相比传统薄膜结构忆阻器，纳米线器件凭借其独特的一维尺寸效应、高表面积比和优异的电学特性，能够在较低操作电压下提供更稳定的阻变行为，并提升器件均一性。然而，当前纳米线忆阻器的制备仍依赖高精度光刻或转移组装工艺，这不仅导致制造流程复杂、成本高昂，还限制了大规模集成的可行性。
该研究团队提出创新性解决方案：
（1）低成本批量定位制备：基于IPSLS生长技术，无需高成本纳米加工，即可在衬底上精准生长并大规模可控排列n-SiNW，实现高均一性，突破传统“转移-组装”限制，显著提升纳米线器件制备效率，降低生产成本。
（2）边缘线接触（Edge-Line Contact）结构：精准控制CF成核位置与生长尺寸，提高器件均一性。
图1 基于IPSLS技术的大规模硅纳米线忆阻器制造示意图。
通过这一技术，n-SiNW忆阻器不仅在性能上实现突破，同时具备大规模制造的可行性，为高效神经形态计算硬件提供了全新可能。
2 性能全面升级
研究团队开发的Ag/SiO₂/n-SiNW忆阻器展现出一系列优越的性能：
（1）低工作电压：0.8 V（标准差0.073 V）
（2）高开关比：>10⁷
（3）超快响应速度：8 ns
（4）极低功耗：单次操作能耗仅47.2 fJ
（5）高均一性：器件间一致性显著提升
图2. n-SiNW忆阻器与传统薄膜忆阻器的性能对比，展示显著均一性和开关性能改善。
这些性能使其在低功耗、高速神经形态计算硬件中具有重要应用前景。
3 边缘线接触：提升忆阻器均一性与能效的关键机制
（1）纳米线尺寸限制，自限型CF生长 ，
与传统薄膜忆阻器相比，SiNW忆阻器的CF生长尺寸受到空间限域，仅形成细小的导电路径，结合SiNW的本征电阻特性，实现自限型开关行为，降低了漏电流和功耗。
（2）边缘电场增强效应，优化CF生长位置
在SiNW与电极边缘的交界处，局部电场强度显著增强，形成高电场区域。这一特性促使Ag离子更倾向于在边缘区域聚集并形成CF，从而有效限制CF的生长范围，提高器件的均一性和可控性。
图3. 边缘线接触结构对忆阻器开关机制的影响
4 类脑神经元建模，赋能智能计算
研究团队进一步基于n-SiNW忆阻器，成功构建了可调节S型概率激活函数的类脑神经元，并应用于二元肿瘤识别任务。在数据集测试中，该神经元模型的分类准确率高达96.2%，接近软件模拟神经网络（97.4%）。这一成果表明可作为概率计算核心单元，为未来的类脑计算芯片提供了全新的解决方案。
图4. 基于n-SiNW忆阻器的S型概率激活神经元实现
图5. 基于n-SiNW神经元的二元肿瘤诊断实现
展望：迈向更智能的未来计算
此次研究突破为神经形态计算硬件提供了全新思路，有望在人工智能、精准医疗、边缘计算等领域发挥核心作用。未来，研究团队将进一步探索忆阻器在高密度神经形态计算芯片中的应用，推动智能计算迈向更高效、更低功耗、更具成本优势的新时代！
该工作近期以“High-Performance Edge-Line Contact Memristors with In-Plane Solid-Liquid-Solid Grown Silicon Nanowires for Probabilistic Neuromorphic Computing”为题发表在《ACS Nano》期刊上。文章第一作者为Betway必威西汉姆联的博士生晏磊，余林蔚教授为文章通讯作者。该研究得到了bw必威西汉姆联官网陈坤基教授、徐骏教授、施毅教授、王军转教授、扬州大学刘宗光教授支持和指导。研究工作受到国家重点研发计划、国家自然科学基金杰出青年学者项目以及国家自然科学基金重点项目的资助。
论文信息：
High-Performance Edge-Line Contact Memristors with In-Plane Solid-Liquid-Solid Grown Silicon Nanowires for Probabilistic Neuromorphic Computing.
Lei Yan, Yifei Zhang, Zhiyan Hu, Zongguang Liu, Junzhuan Wang, and Linwei Yu*.
ACS Nano
https://doi.org/10.1021/acsnano.4c16583
前期相关工作：
1. Step-necking growth of silicon nanowire channels for high performance field effect transistors, Lei Wu, Zhiyan Hu, Lei Liang, Ruijin Hu⁎, Junzhuan Wang⁎, and Linwei Yu⁎, Nature Communications, 2025, 16(1): 965.
2. High-performance gate-all-around field effect transistors based on orderly arrays of catalytic Si nanowire channels. Wei Liao, Wentao Qian, Junyang An, Lei Liang, Zhiyan Hu, Junzhuan Wang, and Linwei Yu⁎. Nano-Micro Letters, 2025, 17(1): 154.
3. Lorentz Force-Actuated Bidirectional Nanoelectromechanical Switch with an Ultralow Operation Voltage, Dianlun Li, Jiang Yan, Ying Zhang, Junzhuan Wang⁎, and Linwei Yu⁎, Nano Letters, 2024, 24(37): 11403-11410.
4. Ultracompact single-nanowire-morphed grippers driven by vectorial Lorentz forces for dexterous robotic manipulations, Jiang Yan, Ying Zhang, Zongguang Liu⁎, Junzhuan Wang, Jun Xu and Linwei Yu⁎, Nature Communications 14, 3786 (2023).
5. Scalable Integration of High Sensitivity Strain Sensors Based on Silicon Nanowire Spring Array Directly Grown on Flexible Polyimide Films. Xiaopan Song, Yang Gu, Sheng Wang*, Junyu Fan, Junyang An, Lei Yan, Bin Sun, Junzhuan Wang, and Linwei Yu⁎, Nano Letters, 2025.
课题组简介：/ylw
