摘要：生物系统，从细胞和器官到整个生物体，能够根据环境变化做出复杂的响应。而与此不同，现代计算系统则建立在静态且固定的逻辑基础上，缺乏自我适应和演化的能力，完全依赖于人类程序员根据反馈和环境变化不断调整指令。类脑计算的目标是复制人脑的计算能力，这不仅要求重新设计系统
生物系统，从细胞和器官到整个生物体，能够根据环境变化做出复杂的响应。而与此不同，现代计算系统则建立在静态且固定的逻辑基础上，缺乏自我适应和演化的能力，完全依赖于人类程序员根据反馈和环境变化不断调整指令。类脑计算的目标是复制人脑的计算能力，这不仅要求重新设计系统架构，达到“存算一体”，还需要研发能够真实再现神经元和突触行为的电子器件。人脑中大约有900亿个神经元，通过100万亿个突触互相连接，这些突触的连接强度会随时间变化，这种现象被称为“突触可塑性”，是学习与记忆的基础。
生物系统与计算机的适应性和复杂性类比。图片来源：Nat. Rev. Mater. [1]
科学家们一直致力于通过人工神经网络（ANN）来模仿人脑的高效计算。目前，最先进的类脑芯片，如英特尔的Loihi和IBM的NorthPole，采用由互补金属氧化物半导体（CMOS）晶体管构成的电路，模拟生物神经元和突触的行为，在这些芯片中，每个神经元至少需要18个晶体管，每个突触则至少需要6个。如果能够简化这两种基本构件的结构和尺寸，将有助于构建更复杂、更大规模且能效更高的ANN。它们能够实现“存算一体”，从而避免了数据传输所带来的能耗和延迟，真正从硬件基础上超越传统计算机。
晶体管及其在类神经突触器件中的应用。图片来源：Nature
近日，新加坡国立大学Mario Lanza教授课题组在Nature 杂志上发表论文，报道了如何利用单个CMOS晶体管展现出类神经元和类突触的行为。再通过与另一个晶体管串联连接，可成功实现可调节的神经-突触响应。在“神经元模式”下，两晶体管单元可以在不同的操作模式之间自由切换，具备极高的电路级通用性，并展现出高耐久性、长期稳定性和优异的能效。这一突破为实现高效ANN提供了一个可行的商业化解决方案，并为人工智能应用中的CMOS电路设计与优化开辟了新的可能性。
对于n型MOSFET器件，当衬底端不直接接地时，扩展电阻较大，导致在漏-源电压为2.5到3.5 V时，电流会出现突变，并产生回滞现象。这一现象最早于1987年被观察到，主要机理是由于撞击电离，在靠近漏极区域产生过量的电子-空穴对，并导致耗尽区从漏极向沟道区域扩展，即所谓的“沟道穿通效应”，也被称为浮体器件中的“Kink效应”。该现象高度依赖于栅极电压，但由于每个晶体管的扩展电阻阻值不同，导致产生的沟道电流也高度不一致。
MOSFET的I–V特性曲线。图片来源：Nature
为了解决这一问题，研究者设计了一种双晶体管单元，引入另一个MOSFET来控制有效扩展电阻，并在30组器件中成功实现了高度一致的器件性能。通过调节引入晶体管的栅压（VG2），器件的行为可在纯神经元（VG2>1.3 V）和神经-突触混合行为（VG2
MOSFET从神经元到神经-突触模式切换。图片来源：Nature
随后，研究者对该单晶体管结构的短时和长时突触可塑性进行了测试。通过施加一系列电压脉冲，器件展现出类似生物突触的增强和抑制行为，并在超过20万次循环（约700万个脉冲）中保持了出色的重复性。突触权重的调节范围可通过调整栅极电压进行精细控制，电阻值从200 kΩ至20 MΩ，跨越两个数量级。
MOSFET的短时突触可塑性。图片来源：Nature
在长时可塑性实验中，器件表现出明显的迟滞特性，其迟滞宽度可随栅压变化进行调控，电阻比最高可达12倍，性能可媲美已用于神经形态计算的忆阻器。读取电压为0.5 V时，其高阻态（15 MΩ）和低阻态（400 kΩ）之比约为35倍，在无任何操作的情况下可稳定保持超过10000秒，展现出优异的保持性能。
MOSFET的长时突触可塑性。图片来源：Nature
“要实现真正的类脑计算，使芯片具备类神经元和突触功能，我们需要一种具备高能效和可扩展性的硬件平台”，Lanza教授表示，“现有方案往往依赖复杂的晶体管阵列或新材料，这些材料的制造工艺尚未成熟。而我们的方案基于商用CMOS技术，具备良好的可扩展性和可靠性，并与现有半导体制造工艺完全兼容，这也标志着AI芯片向更紧凑、更节能的方向迈出了关键一步”。[2]
Synaptic and neural behaviours in a standard silicon transistor
Sebastian Pazos, Kaichen Zhu, Marco A. Villena, Osamah Alharbi, Wenwen Zheng, Yaqing Shen, Yue Yuan, Yue Ping & Mario Lanza
Nature 2025, 640, 69-76. DOI: 10.1038/s41586-025-08742-4
参考文献：
[1] S. Kumar, et al. Dynamical memristors for higher-complexity neuromorphic computing. Nat. Rev. Mater. 2022, 7, 575-591.
DOI: 10.1038/s41578-022-00434-z
[2] Advancing semiconductor devices for artificial intelligence
（本文由小希供稿）
来源：X一MOL资讯
