人工智能的兴起使得以数据为中心的应用快速增长，而当下计算和存储物理分离的处理架构要求数据进行频繁的通信交互，使系统能效问题愈发突显。利用非易失存储器件执行模拟计算等新兴技术应运而生，铁电存储器凭借快速的电导翻转，非破坏性读取和非易失的存储态等优势，成为了一种充满潜力的技术路径。然而，传统铁电晶体管（FeFETs）存储器通常采用铁电体作为介电层来调制沟道电导，FeFETs剩余极化随开关周期累加而逐渐降低，铁电体发生疲劳，最终导致存储器抗疲劳特性受限。此外，传统铁电绝缘介电层中往往存在电荷俘获和泄漏电流现象，这导致了存储器阈值和存储状态的漂移。
针对上述问题，周鹏团队开发出集成存储和计算能力的二维铁电沟道晶体管（2D FeCTs），不同于传统FeFETs，FeCTs直接将二维铁电半导体作为晶体管沟道，而非栅极介电层。此外，二维铁电半导体中天然存在的移动电荷可以形成一个内建电场，从而有效屏蔽铁电半导体内部的去极化场，使传统FeFETs的抗疲劳特性改善，电荷俘获和泄漏电流效应消除，最终实现铁电存储器性能优化。作为非易失性存储器，FeCTs展现出足够大的存储窗口，稳定的非易失保持特性和改善的抗疲劳特性。同时，研究中还发现FeCTs允许40ns非易失性写入操作。FeCTs兼具了神经拟态计算能力，包括神经突触细胞中短/长时程可塑性，尖峰幅值、频率依赖的可塑性模拟。单个神经突触兴奋/抑制事件能耗分别低至234/40 fJ，成为未来构建高能效神经形态系统充满希望的候选者。团队还以电学为基础，独辟蹊径引入热学辅助调制，实现了高精度（94.74%）鸢尾花图像识别分类，演示了FeCTs在系统应用中的潜能。
此次开发的二维铁电沟道晶体管革新了铁电存储器结构，并兼具非易失存储和神经拟态计算能力，同时引入热学辅助调制思路，演示了系统应用前景，为高能效存算融合系统发展提供了器件级范式。
铁电沟道晶体管集成存储和计算能力，并实现鸢尾花识别应用演示
复旦大学专用集成电路与系统国家重点实验室是该研究工作的唯一单位。复旦大学微电子学院博士生王水源为第一作者，微电子学院教授周鹏为通讯作者。研究工作得到了微电子学院院长张卫的指导和国家自然科学基金****基金、上海市科学技术委员会、上海市教委曙光计划的支持。
论文链接：https://www.nature.com/articles/s41467-020-20257-2
