一种完全兼容硅工艺的Ni/Si3N4/Al2O3/p+多晶硅RRAM器件，用于模拟突触功能，并对其在内存计算（Processing-in-Memory）应用中的系统级性能进行了评估

《ACS Omega》：A Fully Si-Compatible Ni/Si3N4/Al2O3/p+ Poly-Si RRAM Device for Analog Synapse and Its System-Level Assessment toward Processing-in-Memory Applications

　　抗阻存储器（RRAM）器件采用Ni/Si3N4/Al2O3/p+ poly-Si硅基兼容结构，通过Al2O3隧穿层有效抑制高阻态漏电流，实现高达10^5的开关比、超过10^7次循环耐久性和10^5秒数据保留，并验证了其在卷积神经网络（CNN）中的脉冲调制特性与90.25%的推理准确率。

　　本研究提出了一种完全兼容硅（Si）的电阻开关随机存取存储器（RRAM）器件，其结构为Ni/Si?N?/Al?O?/p? poly-Si。该器件被设计用于处理内存（PIM）应用，通过与硅互补金属氧化物半导体（CMOS）工艺的集成，实现了与现有半导体制造流程的高度兼容性。研究的重点在于如何通过引入超薄的Al?O?隧穿层，来有效抑制高阻态（HRS）下的漏电流，从而提升器件的稳定性和性能。该结构在低功耗、高能效和高可靠性方面展现出显著优势，使其成为下一代非易失性存储器和类脑计算系统的理想候选。

在当前的人工智能（AI）技术快速发展的背景下，计算需求急剧增长，传统的冯·诺依曼架构由于处理器与存储器之间的物理分离，导致数据在存储和计算单元之间频繁传输，成为系统性能的主要瓶颈。这种数据搬运不仅增加了能耗，还限制了计算速度。为了解决这一问题，PIM技术应运而生，其核心理念是将计算单元直接集成在存储器中，从而减少数据移动，提高计算效率和降低功耗。RRAM作为一种新兴的非易失性存储器，因其简单的金属-绝缘体-金属（MIM）结构、优异的缩放特性和稳定的电阻切换行为，被认为是PIM和类脑计算的有力候选。

该RRAM器件通过引入双层结构，即Si?N?作为开关层和Al?O?作为隧穿层，成功实现了稳定的双极性电阻切换特性。Al?O?隧穿层的作用在于有效抑制HRS状态下的漏电流，使得器件能够在无外部电流限制的情况下稳定运行。此外，该结构还表现出高达10?的电流开关比，这一特性在超过10?次切换操作后依然保持不变，表明其具有出色的耐久性。同时，该器件在长时间运行中也展现出良好的数据保持能力，电阻值在超过10?秒的时间内保持稳定，进一步验证了其作为非易失性存储器的潜力。

为了验证其作为类脑设备的可行性，研究者还通过重复的信号调节实验，展示了该器件在相同电压和时间条件下表现出的稳定导通变化特性。具体而言，当施加6.5 V、3 μs的增强（potentiation）脉冲和?3.7 V、3 μs的抑制（depression）脉冲时，器件的导通变化呈现出高度的线性和对称性，平均导通变化分别为1.72 μS和1.60 μS。这一结果表明，该器件能够实现类似于神经突触的权重调节功能，具备在类脑计算系统中应用的潜力。

基于实验获得的器件特性，研究团队利用NeuroSim 1.4框架实现了卷积神经网络（CNN）模型，并在CIFAR-10数据集上取得了高达90.25%的推理准确率，同时表现出低延迟和高能效的特性。这些结果进一步证明了该RRAM器件在实际应用中的可行性，尤其是在需要高效数据处理和低功耗运行的场景中。

为了确保器件的可靠性，研究团队还进行了系统级别的测试，包括循环到循环（C-to-C）和器件到器件（D-to-D）的均匀性评估。C-to-C测试结果显示，经过20个循环的重复脉冲应用后，导通变化保持高度稳定，几乎没有波动。D-to-D测试则从10个随机选取的器件中获取了100组数据，结果显示平均导通变化保持在1.7 μS（增强）和1.4 μS（抑制）之间，线性误差（以均方根误差RMSE表示）非常小，对称性值接近理想值1.0。这些数据表明，该器件在批量生产中具有高度的一致性和可靠性，为大规模集成和实际应用提供了坚实的基础。

此外，研究团队通过X射线光电子能谱（XPS）分析了器件各层的化学组成和原子分布，进一步确认了Al?O?隧穿层在抑制漏电流和调节导通路径方面的重要作用。在HRS状态下，器件表现出较低的漏电流，而在LRS状态下，导通路径的形成更为稳定，从而有效提升了器件的开关比和数据保持能力。这种结构设计不仅优化了器件的电学性能，还为实现高精度的神经网络计算提供了支持。

在制造工艺方面，该器件完全基于标准的Si CMOS设施完成，所有步骤均在典型的后端工艺热预算（≤450 °C）范围内进行。其中，p? poly-Si作为底电极，通过BF??离子注入和激活退火形成，其平均膜电阻为475.8 ± 14.6 Ω/□，表现出良好的均匀性。Si?N?开关层则通过等离子体增强化学气相沉积（PECVD）形成，厚度为7.47 ± 0.27 nm，而Al?O?隧穿层则采用原子层沉积（ALD）工艺，在350 °C下完成，厚度为3.20 ± 0.07 nm。这些参数的选择不仅保证了器件的性能，还符合大规模集成电路制造的要求。

通过对比其他RRAM结构，该器件在多个关键指标上表现出显著优势。例如，相较于需要外部电流限制的TiO?/Al?O?或NiO/Nb?O?结构，该器件无需额外的电流控制，且表现出更高的开关比（约10?）和更长的耐久性（超过10?次切换）。同时，其数据保持时间超过10?秒，表明其在长期运行中的稳定性。这些特性使其成为下一代非易失性存储器和类脑计算系统的理想选择，尤其是在需要高能效和低功耗的PIM架构中。

在电学特性方面，该器件的导通行为在没有外部电流限制的情况下依然保持稳定，这得益于其自适应电流调节机制。通过优化隧穿层的设计，研究团队有效抑制了HRS状态下的漏电流，同时在LRS状态下实现了稳定的导通路径。这种结构设计不仅提高了器件的能效，还降低了对额外电路组件的需求，为实现更紧凑的集成提供了可能。

研究团队还通过系统级仿真进一步验证了该器件在类脑计算中的应用潜力。仿真结果表明，该器件能够支持高精度的神经网络计算，其在CIFAR-10数据集上的推理准确率达到了90.25%，同时表现出较低的延迟和较高的能效。这些结果表明，该RRAM器件不仅在器件级别上具备优异的性能，还能够满足复杂神经网络计算的需求，为实际应用提供了理论依据。

在实际应用中，该器件可以用于构建基于RRAM的神经网络硬件，实现类脑计算的低功耗和高效能。其稳定的导通变化和优异的耐久性使得该器件能够在长时间运行中保持一致的性能，这对于构建大规模的神经网络阵列至关重要。此外，其高线性和对称性也意味着在模拟神经突触功能时，能够更准确地反映神经网络的学习过程。

综上所述，本研究提出了一种具有高度兼容性和优异性能的Si基RRAM器件，其结构设计和制造工艺均符合当前半导体制造的标准。通过引入Al?O?隧穿层，该器件有效抑制了HRS状态下的漏电流，提升了开关比和耐久性，同时表现出良好的数据保持能力。这些特性使其在PIM和类脑计算领域具有广阔的应用前景，为实现低功耗、高能效的计算系统提供了新的解决方案。