主要观点总结
本文介绍了利用二维卤化物钙钛矿制造神经形态计算硬件的最新研究。研究人员成功实现了线性可编程的二维卤化物钙钛矿忆阻器阵列，具有高度的线性和对称性。该阵列在模拟钙钛矿突触方面表现出良好的性能，包括高设备产率、低变化性、突触权重存储能力、长时间的多级模拟状态保持以及超过7个月的潮湿稳定性。这些设备在大规模图像推理中也显示出极高的准确性。该研究克服了传统二维钙钛矿突触中的问题，并为神经形态计算领域提供了新的技术路径。
关键观点总结
关键观点1: 研究背景
随着人工智能的快速发展，人工神经网络在深度学习等领域得到广泛应用。传统计算架构的高能耗和计算瓶颈促使研究者探索新的计算方案，神经形态计算硬件作为新兴技术应运而生。基于新兴存储器的神经形态计算硬件能够实现高性能AI计算，具有低功耗和高吞吐量等优势。
关键观点2: 研究亮点
1. 首次实现了Dion–Jacobson 2D钙钛矿的高度线性和对称的电导变化，得到稳定且均匀的模拟突触特性。2. 通过构建7×7交叉阵列进行编程，取得高设备产率和低变化性，突触权重存储能力出色，多级模拟状态具有长时间保持能力，且在潮湿环境下稳定超过7个月。3. 设备的优异性能归因于消除无机层之间的范德华间隙，这一结构优化促进了卤化物空位的均匀迁移，不受晶界影响。
关键观点3: 最新研究成果
韩国首尔大学的研究团队在最新研究中成功设计和制备了Dion–Jacobson相的二维卤化物钙钛矿，实现了高度线性和对称的电导变化。他们构建了一个基于模拟钙钛矿突触的7×7交叉阵列，并验证了其在图像推理中的潜力。该成果对于未来开发高性能的人工突触材料具有重要意义。
文章预览
研究背景 随着人工智能（AI）技术的迅速发展，人工神经网络（ANNs）在深度学习等领域得到了广泛应用。与传统的计算架构相比，ANNs 的发展依赖于数字处理技术，尤其是基于先进互补金属氧化物半导体（CMOS）处理器的实现。然而，传统冯·诺依曼计算架构导致的高能耗和计算瓶颈促使研究者探索新的计算方案。神经形态计算硬件作为一种新兴技术，通过借鉴大脑和生物神经网络的结构，试图在能耗和计算效率之间找到平衡。基于新兴存储器的神经形态计算硬件，能够实现高性能AI计算，且具有低功耗和高吞吐量等优势。 近年来，三维卤化物钙钛矿因其混合离子-电子导电性和可行的离子迁移而受到关注，成为研究者们探索神经形态硬件的材料之一。然而，它们的潮湿稳定性差和多晶特性导致离子输运控制困难，这限制了其在神经形态硬件中的应用
………………………………
