随着信息技术的高速发展，海量数据以及复杂智能任务的处理对芯片的计算能力和功耗提出巨大挑战。受人脑运算模式启发，神经网络计算架构在神经元-突触-神经元连接方式的基础上构建存算一体、高度并行的分布式计算网络，提高了对复杂数据和智能任务的处理效率，同时可避免传统冯诺依曼计算架构中存储墙引起的功耗问题。神经形态计算在神经网络计算架构的基础上进一步模拟人脑，以脉冲形式表达和传递信息，具有异步、事件驱动的特性，可进一步缩小机器智能与人脑智能之间的差距，具有功耗低、能效高、学习速度快、泛化能力强等优势。其中，脉冲神经元通过模拟生物神经元的功能，起到对信息脉冲进行整合和分发的关键作用。然而，目前脉冲神经元主要基于传统CMOS电路搭建，对神经元功能的模拟往往依赖由电容以及数个MOSFET器件构成的电路模块，存在硬件开销大、电路能耗高等问题，不利于高密度、大规模集成，难以支撑构建可比拟人脑功能与集成规模的新型神经形态计算芯片。

北京大学信息科学技术学院微纳电子学系、微米/纳米加工技术国家级重点实验室黄如院士-黄芊芊研究员课题组在国际上首次提出利用铁电材料的极化翻转模拟生物神经元的动态行为，提出并制备了一种新型低功耗仿生铁电场效应晶体管（L-FeFET），单个器件即可模拟生物神经元的基本特性，同时提出并实现了基于L-FeFET的新型脉冲神经元，仅需一个晶体管和一个电阻即可实现神经元的基本功能（传统CMOS神经元需至少一个电容和六个晶体管），且进一步拓展实现了生物神经元中重要的脉冲发放频率自适应功能（对信息编码起重要作用），极大降低了脉冲神经元的硬件开销和能耗，为大规模、高集成的超低功耗神经形态计算芯片奠定了器件基础。
该工作以“面向全铁电神经网络的具有超低硬件开销与高级仿生功能的新型L-FeFET仿生神经元”（Bio-inspired neurons based on novel leaky-FeFET with ultra-low hardware cost and advanced functionality for all-ferroelectric neural network）为题，在2019年6月9—14日于日本京都举行的超大规模集成电路技术国际会议（2019 Symposium on VLSI Technology）上发表，2014级博士研究生陈诚为第一作者。VLSI Technology会议每年夏天召开，与每年冬天召开的IEDM会议并称为微电子器件领域两大旗舰会议，在三十八年的会议历史里中国大陆被录用的论文仅18篇，2019年中国大陆仅有两篇论文入选，该论文是其中之一，也是北京大学该年唯一入选论文。
相关研究工作得到了国家自然科学基金创新研究群体、“集成电路3~5纳米节点器件基础问题研究”应急管理项目、优秀青年科学基金等项目的资助，以及微纳电子与集成系统协同创新中心、北京大学微米/纳米加工技术国家级重点实验室等平台的支持。