研究背景
人工神經網絡（ANN）是一種仿生計算系統，由于其能夠在同一位置同時進行計算和存儲，避免了數據傳輸帶來的能量消耗和延遲，因此被廣泛應用于人工智能、圖像識別和自動駕駛等領域。與傳統的基于馮·諾依曼架構的計算機相比，ANN 在能耗和計算效率上具有顯著優勢。然而，傳統的互補金屬氧化物半導體（CMOS）晶體管難以同時實現神經元和突觸功能，因此需要額外的電路設計，導致硬件成本高、集成度受限。此外，憶阻器等新興材料雖在神經形態計算方面展現出潛力，但其集成難度大、可靠性不足，因此帶來了實際應用的挑戰。
針對這一挑戰，新加坡國立大學Mario Lanza教授課題組在“Nature”期刊上發表了題為“Synaptic and neural behaviours in a standard silicon transistor”的最新論文。該團隊設計了一種基于標準體硅金屬氧化物半導體場效應晶體管（MOSFET）的新型神經元和突觸仿生器件，實現了低成本、高集成度的神經形態計算單元。研究人員通過將 MOSFET 工作于接近穿透狀態，并調節體連接電阻（RB），成功模擬了生物神經元的泄漏-積分-發放（LIF）行為以及突觸的長期和短期可塑性。
利用這種獨特的偏置方式，顯著提高了器件的動態范圍（超過 103）、開關斜率（低于 10?mV/dec）和耐久性（超過 1000 萬次循環）。實驗結果表明，該器件能夠在單個 MOSFET 結構內穩定存儲至少六種突觸權重，并在 70 萬次突觸增強和抑制循環中保持高穩定性。這一研究為人工神經網絡的硬件實現提供了新的思路，推動了高效、低功耗神經計算的發展。
研究亮點
(1) 實驗通過對標準體硅 MOSFET 施加特定（非傳統）偏置，實現了單個 CMOS 晶體管同時表現出神經元和突觸行為，得到了優異的仿生電子神經元和突觸特性。
(2) 實驗通過將 MOSFET 工作在接近穿透條件的狀態，并調節體連接到地的電阻（RB），構建了兩晶體管單元（NS-RAM 單元），得到了可連續調節的神經-突觸行為，在電路層面上展現出極高的靈活性。
(3) 在神經元模式下，NS-RAM 單元能夠模擬泄漏-積分-發放（LIF）神經元行為和自適應頻率突發，表現出高開關斜率（低于 10 mV/dec）、寬動態范圍（超過 103）、高耐久性（超過 1000 萬次循環）和低功耗（發放能量低至 415 pJ/μm）。
(4) 在突觸模式下，單個 MOSFET 在浮體配置下可被編程為至少六個穩定的突觸權重（長期增強和抑制），耐久性超過 10? 次循環，并表現出短時脈沖增強、抑制和突觸可塑性，在 70 萬次增強/抑制循環中保持 14 個不同的權重水平，具有低變異性和高穩定性。
圖文解讀
圖1:晶體管及其在神經突觸模擬裝置中的應用。
圖2: 浮體floating-bulk n-溝道180nm MOSFET的準穩態I–V特性，驗證了神經突觸能力。
圖3:在浮體180nm MOSFET中，用穿通控制調節神經行為。
圖4:500nm浮體MOSFET的突觸可塑性。
圖5:500nm浮體MOSFET的長期突觸行為
結論展望
標準n型MOSFET在浮體條件下運行時，能夠模擬多種神經-突觸行為，并展現出高性能、良好的能效、低變異性、高可調性和低面積占用。由于驅動這些行為的所有過程均由半導體中的電荷分布控制（無論是否涉及電荷俘獲），該器件在所有工作模式下均表現出極高的穩健性。
盡管在微秒級脈沖工作模式下，器件的工作電壓（3.6至4.5V）相較于標準CMOS晶體管較高，但與憶阻器及其他新興器件相比仍具有競爭力。然而，穿透雪崩效應在正常工作條件下是一種寄生效應，可通過特定的器件工程手段（如摻雜工藝或阻止層）加以抑制。因此，可以通過優化器件參數來提升特定性能指標（包括工作電壓）。研究表明，在溝道長度LCH=180 nm的MOSFET中觀察到的神經-突觸行為，同樣可在LCH=500 nm的MOSFET中復現，并且其工作電壓仍處于標稱范圍（5.5V），表明這些行為受相同的基本物理機制驅動。因此，該工作模式不會對器件可靠性構成威脅。
本研究結果凸顯了一種極為簡單緊湊的NS-RAM單元，可高效模擬多種神經-突觸行為。在神經元方面，除了閾值電壓調制外，還可以通過控制體偏置網絡來調節不應期、興奮或抑制信號的敏感度，并適應脈沖頻率變化。同一電路單元可在電流模式或電壓模式下運行，提供快速的泄漏-積分-發放行為，或在不同神經網絡架構中作為雙端、三端或四端神經元使用。此外，該器件可通過控制體偏壓脈沖來接收外部復位信號。在突觸方面，單個MOSFET可取代傳統的靜態隨機存取存儲器（SRAM），或在多級突觸存儲陣列中替代嵌入式閃存，從而大幅降低每位存儲單元的面積和成本。此外，若使用金屬氧化物高k介質（如HfOx），MOSFET的突觸行為或可進一步增強，因為這類材料的電荷俘獲與釋放能力遠超本研究中使用的SiO?。同時，浮體MOSFET的長時間狀態保持能力，使其可應用于計算存儲一體化架構，并在動態隨機存取存儲器（DRAM）中提供較長的突觸權重保持時間，從而顯著降低訪問延遲。
相比其他新興器件，該方法的一大優勢在于，MOSFET神經元和突觸能夠直接應用于標準CMOS設計流程，并可通過物理建模或緊湊建模技術進行模擬分析。目前，基于長時突觸特性的人工神經網絡（ANN）已有較成熟的設計和實現方法，而基于短時神經-突觸特性的神經網絡仍缺乏完善的計算模型和算法。為此，研究團隊成功利用開源SPICE仿真器，結合基本的MOSFET與雙極晶體管模型，對雪崩模式進行了精確建模，并獲得了與實驗數據高度一致的靜態與動態特性。這一方法將有助于快速實現復雜系統設計與仿真。
在微電子技術發展史上，不同類型的器件和電路均曾展現出神經元和突觸特性。然而，從首次實現單個神經元或突觸行為到硬件人工神經網絡（ANN）真正落地，通常需要至少七年時間，甚至某些器件（如鐵電FET）至今尚未實現這一目標。這是因為，從單個器件到完整ANN的實現，需要經歷大量定制外圍電路開發、測試接口設計、系統級集成、工藝迭代與優化。而采用非常規偏置的MOSFET來模擬神經-突觸行為，或可成為推動下一代神經形態計算的重要突破點，無需對現有CMOS技術進行重大變更。MOSFET的潛力仍在不斷被挖掘，本研究進一步證明了它是實現ANN硬件的理想基礎單元。
原文詳情：
Pazos, S., Zhu, K., Villena, M.A. et al. Synaptic and neural behaviours in a standard silicon transistor. Nature (2025).
https://doi.org/10.1038/s41586-025-08742-4
