近日，课题组研究生陈庆鑫（Qingxin Chen）的研究成果"Fully hafnium-based ferroelectric/antiferroelectric devices for hybrid SNN neuromorphic computing"（用于混合脉冲神经网络计算的全铪基铁电/反铁电器件）发表于国际权威期刊《Applied Physics Letters》（Appl. Phys. Lett. 129, 092903 (2026)）。该研究在同一铪基材料平台上实现了“突触”与“神经元”两类功能器件的CMOS兼容集成，并在动态视觉手势识别任务中取得92.8%的准确率，为构建高能效混合神经形态硬件奠定了重要基础。

        随着人工智能的快速发展，神经网络模型的规模与复杂度急剧增长，传统“存算分离”计算架构面临能耗高、延迟大的瓶颈。受大脑启发的神经形态计算被认为是最有前景的解决途径之一，但其硬件实现长期存在一个关键难题：神经网络中的“突触”与“神经元”等功能器件依赖迥异的物理机制，难以高效、高密度地集成到CMOS工艺中；而传统钙钛矿铁电材料又存在含铅有毒、与标准CMOS工艺不兼容等问题，制约了大规模集成应用。

        铪基铁电材料的出现为破解这一难题带来了革命性机遇。通过调节氧化铪中铪（Hf）与锆（Zr）的比例，同一材料体系既可呈现铁电性，也可呈现反铁电性——这为在单一技术平台上同时构建突触与神经元器件提供了前所未有的可能。

        在本研究中，团队基于Hf₀.₅Zr₀.₅O₂铁电薄膜（钨上下电极、10纳米厚度）研制出高性能铁电突触器件：剩余极化2Pr约40 μC/cm²，耐疲劳特性超过10⁸次极化翻转循环，数据保持时间大于10³秒，并表现出脉冲对易化（PPF）等典型类突触可塑性，可胜任神经网络中“突触权重”的调节功能。基于该器件构建的功能电路还成功模拟了生物神经元“积分—阈值—发放”（LIF）动力学及漏电、不应期等关键特征，但该方案依赖比较器、555定时器等外围模块，电路结构较为复杂。

        为此，团队进一步提出利用Hf₀.₂Zr₀.₈O₂反铁电器件在器件层面直接实现神经元功能：凭借其自发去极化与动态弛豫特性，反铁电器件无需任何外围电路即可实现“积分—发放”行为。实验表明，在2.5 V脉冲输入下，器件输出始终低于发放阈值（30 nA），不触发“放电”；升至3 V时，部分脉冲越过阈值，出现离散发放；升至3.5 V时，输出持续越过阈值，呈现典型的连续“放电”行为，完整再现了生物神经元的积分、阈值响应与非线性发放特性，且器件结构简单、易于集成。

         在上述器件基础上，团队构建了“铁电突触+反铁电神经元”的全铪基混合神经形态架构：反铁电神经元器件对应脉冲神经网络（SNN）前端，负责对动态视觉传感器（DVS）事件流进行脉冲编码与时间信息处理；铁电突触器件对应卷积神经网络（CNN）模块，负责空间特征提取与分类。该混合网络在DVS手势识别任务（鼓掌、左手挥动、右手挥动等）中达到92.8%的识别准确率，验证了全铪基铁电平台支撑混合神经形态计算的有效性与可扩展性。该工作实现了突触与神经元器件在同一铪基材料平台上的CMOS兼容共集成，并大幅简化了神经元电路结构，为研制紧凑、低功耗、可扩展的混合神经形态硬件奠定了基础，展现出全铪基铁电器件在类脑计算硬件中的广阔应用前景。