Nature重磅！能耗比人脑还低1000倍，像真实脑细胞一样行为的神经元芯片诞生

南加州大学实现了具有丰富神经元功能、单晶体管占用面积和低能耗的集成脉冲人工神经元。

并将这样的人工神经元集成在芯片上，每个神经元的活动区域约为4平方微米。

相关研究论文登上了《自然·电子学》（Nature Electronics）。

人工智能的未来，可能不再依赖电子的飞速运动，而是离子的缓慢漂移。

我们引以为傲的人工智能系统，基于冯·诺依曼架构。

在这个架构中，计算与存储是分离的。

处理器是高速运转的大脑，存储器是存放知识的图书馆。大脑需要知识时，必须派人去图书馆取回，处理完再送回去。这个来回搬运数据的过程，消耗了现代计算系统超过90%的能量。

承担搬运任务的信使，是电子。

电子质量极轻，运动速度接近光速，这让它成为完美的数字信号载体。

但也正是这些特性，使它无法在某个位置安稳地停留。电子的状态转瞬即逝，必须依靠持续的能量供给和时钟信号来维持，否则信息就会消失。

为了留住信息，我们建造了庞大的存储单元。为了处理信息，我们设计了复杂的处理器。两者之间，是永不停歇的数据洪流，也是能量消耗的无底洞。

生物大脑的工作方式完全不同。

它没有中央处理器，也没有独立的内存条。计算和记忆发生在同一个地方，由同一种物理过程实现。这个过程的信使，不是电子，而是钠、钾、钙这些带电的原子，也就是离子。

离子比电子重数万倍，它们的运动缓慢而稳定，像水流汇入水库，能将能量以势能的形式储存在局部。

神经元的膜电位就是这样一种离子势能的体现。当势能累积到阈值，便如大坝开闸，释放一次脉冲，完成一次计算。

单次神经脉冲的能耗大约是10飞焦耳（fJ），这是一个极其微小的数字。

相比之下，我们用最先进的半导体工艺去模拟一个神经元的行为，即便只是数学上的模仿，能耗也高达皮焦耳（pJ）级别，是生物神经元的一千倍以上。

这种模仿是苍白的。

它用数十甚至数百个晶体管搭建复杂的数字电路，去求解描述神经元行为的微分方程。

神经形态计算（neuromorphic computing）的探索者们早已意识到这一点。但长久以来，他们手中的工具只有电子。直到一类特殊的器件出现，才为这场计算范式的革命带来了曙光。

计算的本质正在从电子转向原子

南加州大学维特比工程学院的Joshua Yang教授团队，联合马萨诸塞大学、加州大学洛杉矶分校、雪城大学及美国空军研究实验室，展示了一款仅由一个忆阻器、一个晶体管和一个电阻构成的人工神经元（1M1T1R）。

这项工作的真正意义，在于它第一次将计算的载体，从轻盈的电子，切换到了沉稳的原子。

它不再用数字逻辑去模拟神经元的数学公式，而是用真实的离子动力学，在物理层面重构了神经元的工作过程。

这标志着计算范式的一次跃迁，从电子计算，进入了离子计算的领域。

实现这一跃迁的核心，是一种被称为扩散型忆阻器（diffusive memristor）的纳米器件。

它的结构出奇地简单，像一个三明治。底部是30纳米厚的铂（Pt）电极，中间是100纳米厚的非晶氧化硅功能层，顶部则是5纳米厚的银（Ag）薄膜，既作为电极，也作为离子的储备库。

整个器件通过磁控溅射技术在室温下制备，甚至可以构建在柔性的聚对苯二甲酸乙二醇酯（PET）衬底上。

它的神奇之处在于中间那层氧化硅。在传统观念里，氧化硅是绝缘体，是阻挡电流的壁垒。但在这里，它成了离子迁徙的舞台。

当一个正向电压施加在顶部的银电极上时，电场会从银原子中剥离出电子，使它们变成带正电的银离子（Ag⁺）。这些银离子在电场的驱动下，开始向氧化硅基质内部扩散。

银在非晶二氧化硅中的扩散并非难事。其扩散系数在室温下约为10⁻¹⁰ cm²/s，激活能也仅有0.6电子伏特。这意味着，微弱的电场就足以让银离子们动起来，像墨水滴入清水，逐渐渗透、蔓延。

当足够多的银离子聚集在一起，它们会在氧化硅内部形成一条由金属原子构成的导电细丝（conductive filament），像一条微观的导线，瞬间贯通顶部和底部电极。

此时，器件的电阻会发生剧变，从高达10⁷欧姆的高阻态（HRS），骤降至约10³欧姆的低阻态（LRS）。宏观上，一个电信号被成功转换并传导出去。

这还没完。一旦外部电场撤销，好戏才真正开始。

驱动银离子运动的力量消失了，但物理规律仍在起作用。

首先是浓度梯度，导电细丝区域的银离子浓度远高于周围，这种不均衡会驱使它们自发地向四周扩散，寻求平衡。其次是焦耳热效应，残余的热量会加速导电细絲的溶解。

双重作用下，那条好不容易建立起来的导电通道，会在没有任何外部干预的情况下，自发地、缓慢地瓦解、消失。

器件的电阻也随之悄然回升，最终返回到最初的高阻态。

这个过程，被称为挥发性开关（volatile switching）。它不像硬盘或闪存那样永久记录信息，而是像水面的涟漪，产生后终将平复。

正是这种健忘的特性，完美地复刻了生物神经元膜电位的核心机制：累积与泄放。

神经元的细胞膜内外维持着离子浓度差，形成静息电位。

当接收到来自其他神经元的信号时，离子通道打开，离子流入，膜电位升高，这个过程叫积分。如果没有持续的信号输入，细胞膜上的离子泵会主动将离子泵出，使膜电位回落，这个过程叫漏电。

扩散型忆阻器中，电场驱动银离子形成导电细丝，就是积分；电场撤除后导电细丝自发溶解，就是漏电。

这不再是数学模拟，而是物理等效。

杨教授的团队之所以选择银，也并非偶然。银离子的半径是1.22埃，与生物体中负责神经信号传递的钠离子（1.02埃）和钾离子（1.38埃）非常接近。这意味着它们在介质中的运动行为有相似之处。

更重要的是，银离子在氧化硅中的扩散动力学，恰好能在室温下产生毫秒级的时间常数。这与生物神经元几十到几百毫秒的响应时间完美匹配。

正如杨教授在南加州大学新闻稿中所说：银易于扩散，为我们提供了模拟生物系统所需的动态特性，从而实现功能简单而结构简洁的神经元。

尽管银与当前主流的CMOS（互补金属氧化物半导体）半导体工艺存在一些兼容性问题，但它无可挑剔的物理特性，为验证离子计算这一颠覆性概念，提供了一个理想的平台。

1M1T1R架构在物理层面重构了智能

仅仅有一个能够模拟漏电积分的忆阻器还不够，一个完整的神经元还需要放电、不应期等更复杂的动力学行为。

杨教授团队提出的1M1T1R架构，通过将离子动力学与成熟的CMOS电子学精妙结合，解决了这个问题。

这个架构在设计上极为紧凑。扩散型忆阻器（M）和一枚普通的电阻（R）垂直堆叠在一个标准的CMOS晶体管（T）上方。

这种三维集成的方式，使得整个神经元单元的占地面积，几乎只由最下方的晶体管决定。

它的工作流程如同一场精密的接力赛：

输入信号是一系列的电压脉冲，施加在忆阻器的顶部银电极上。每一个脉冲，都在驱动银离子向氧化硅内部渗透，导电细丝开始萌芽、生长。

如果脉冲稀疏，两次脉冲间隔太长，新形成的导电细丝部分会因为自发扩散而溶解，就像往一个漏水的桶里加水，永远也加不满。

如果脉冲密集，前一个脉冲的效果尚未完全消退，后一个脉冲就已到来。银离子的累积效应会超过溶解效应，导电细丝不断壮大。

当累积的电压效应最终超过忆阻器的置位电压（V_set，约0.6-1.2伏）时，质变发生。导电细丝瞬间贯通，忆阻器从高阻态猛然切换至低阻态。

这一刻，存储在离子浓度梯度中的化学势能，被瞬间释放，转化为电能，涌向下方晶体管的栅极。

晶体管的栅极天然存在一个微小的寄生电容（Cₚ，约10飞法），它就像一个小水池。忆阻器切换瞬间释放的电流，会以极快的速度将这个小水池充满，使其电压超过晶体管的开启阈值。

晶体管随即导通，产生一个清晰、标准的输出电流脉冲。一次神经元的放电完成了。

放电之后，与晶体管栅极并联的电阻（R，约10千欧）开始发挥作用。它为栅极电容提供了一条放电回路，让刚刚充满的电荷缓慢释放掉。在这个放电的过程中，栅极电压会维持在较高水平，使得神经元暂时无法对新的输入信号做出响应。

这就是神经元的不应期。

通过这样一套流程，1M1T1R电路不仅实现了脉冲发放，更是在物理层面，完整复现了生物神经元的六大核心动态特性。

漏电积分（Leaky Integration）：这是由扩散型忆阻器自身的挥发性所决定的。导电细丝的自发溶解，就是膜电位的指数衰减。实验测得其时间常数在50到200毫秒之间，与生物神经元的膜时间常数惊人地一致。

阈值放电（Threshold Firing）：忆阻器的置位电压，构成了一个物理上的硬阈值。只有当输入脉冲的累积效果足以跨越这个门槛，才能触发一次完整的、剧烈的放电。这个过程与生物神经元中电压门控钠通道的激活机制如出一辙，表现出经典的全有或全无（all-or-none）特性。

级联连接（Cascaded Connection）：晶体管的输出是一个标准的电流脉冲，其强度足以直接驱动下游多个神经元的忆阻器输入端。这保证了信号可以在网络中无损地逐级传递，构建起复杂的前馈或递归神经网络。

内在可塑性（Intrinsic Plasticity）：这是1M1T1R神经元最令人兴奋的特性之一。忆阻器的激活阈值并非一成不变，而是会根据其历史活动动态调整。如果一个神经元被持续高频激活，会有一些银离子残留在氧化硅基质中，使得下一次形成导电细丝变得更加容易，即激活阈值降低。这是一种类似长时程增强（LTP）的行为。反之，长时间的低频活动则会使阈值升高，类似于长时程抑制（LTD）。这种神经元自身的适应性，独立于突触权重，是生物大脑优化信息处理效率的一种高级机制。

不应期（Refractory Period）：放电后，晶体管栅极电容通过并联电阻放电的过程，天然地创造了一个时间窗口。在此期间，神经元对新的刺激无动于衷。实验测得的绝对不应期约为5-10毫秒，相对不应期可延长至50毫秒，完全符合生物学观察。

随机性（Stochasticity）：微观世界里，导电细丝的形成过程并非一个确定的事件，而是一个概率过程。它受到热涨落的显著影响，遵循阿伦尼乌斯方程。在接近阈值电压时，离子的热运动和量子隧穿效应，会导致放电行为呈现出随机性。这种内在的噪声，并非缺陷，而是生物智能的重要特征。它能帮助神经网络在学习和推理中跳出局部最优解，增加探索和创造的可能性。

这六大特性的物理实现，让1M1T1R神经元不再是简单的脉冲发生器，而是一个功能完备、高度仿生的神经计算基本单元。

它的能效也因此获得了质的飞跃。

实验测量显示，完成一次完整的脉冲发放，1M1T1R神经元的总能耗约为1.2皮焦耳（pJ）。其中，驱动银离子迁移的能量占了80%以上。

这个数字，比传统的CMOS数字仿真电路低了两个数量级。虽然距离生物神经元的10飞焦耳（fJ）仍有大约100倍的差距，但这已经是通过改变物理机制实现的巨大突破。

更重要的是，这条技术路线展现了惊人的缩放潜力。

根据团队的模拟预测，如果将制造工艺从目前的180纳米推进到未来的3纳米节点，奇迹将会发生。

晶体管的尺寸缩小，其寄生电容（Cₚ）可以降至0.1飞法以下。忆阻器的面积可以缩小到0.01平方微米。在这样的尺度下，形成一条导电细丝所需的银原子数量，将从目前的约一百万个，锐减至约两千五百个。

相应的，单次脉冲的能耗，预计将骤降至阿焦耳（aJ，10⁻¹⁸焦耳）级别。

这个能耗，将比人脑神经元还要低上千倍。

在面积效率上，1M1T1R同样优势巨大。每个神经元的有源区面积仅为4平方微米，比现有主流设计缩小了20到100倍。这意味着，在一枚1平方厘米的芯片上，可以集成2500万个这样的神经元，其密度已经接近果蝇大脑。

如果采用三维堆叠技术，将十层这样的电路堆叠起来，神经元密度将达到每平方厘米2.5亿个，足以媲美小鼠的大脑皮层。

尺寸的缩小，不仅降低了制造成本，更关键的是，它极大地缩短了神经元之间的连接距离，从而大幅降低了信号延迟和连接功耗——这正是冯·诺依曼架构最大的痛点。

1M1T1R在面积效率上远超IBM的TrueNorth和Intel的Loihi 2等数字神经形态芯片。

1M1T1R首次在一个仅有单个晶体管大小的单元内，集成了如此完整的神经动力学。

从实验室到亿级芯片的路线图已经清晰

这项工作的出现并非一日之功，而是几十年神经形态计算探索历程中的一个里程碑。

人工神经元的概念，可以追溯到1943年麦卡洛克和皮茨提出的二元阈值模型，它奠定了人工智能的数学基础。但在物理实现上，人们长期被困在电子计算的范式中。

1980年代，加州理工学院的传奇教授Carver Mead开创了模拟神经形态工程，他巧妙地利用亚阈值状态下的CMOS晶体管来模拟神经元的膜电位动态。但这种模拟电路异常复杂，难以大规模集成。

1990年代，忆阻器（memristor）的理论被蔡少棠（Leon Chua）教授提出，为构建人工突触提供了理想的物理载体。然而，早期的研究大多集中在利用忆阻器的非挥发性来做存储，忽视了其内部丰富的离子动态过程。

直到2010年，惠普实验室首次实现了基于二氧化钛的忆阻器，开启了阻变存储器的时代。杨教授在2013年的一项开创性工作中，敏锐地发现了扩散型忆阻器在模拟生物短时程可塑性方面的独特潜力。

他意识到，与追求信息永不丢失的传统忆阻器不同，扩散型器件的健忘或挥发性，恰恰是模拟神经元瞬态行为的关键。

2022年，杨教授团队在《化学评论》（Chemical Reviews）上发表的一篇综述，系统地阐述了离子动力学对于实现真正生物拟真计算的必要性。他们指出，电子计算与离子计算的根本区别，在于学习发生的物理位置。

在电子计算中，学习发生在软件算法层面；而在离子计算中，学习就发生在硬件材料本身。

1M1T1R的演进轨迹清晰地展示了这一思想的实现过程。2023年的1.0版本，还是由分立元件在面包板上搭建的，面积超过1000平方微米。2024年，团队实现了二维平面集成，将面积缩小到50平方微米。

2025年10月这篇《自然·电子学》的论文，则标志着三维堆叠技术的成熟，将面积进一步压缩至4平方微米，并完成了系统级的芯片功能演示。

这种演进速度，远超传统CMOS神经形态方案，因为它极简的架构，从根本上规避了复杂电路设计和布线的开销。

当然，从实验室原型走向亿级神经元的商业化芯片，挑战依然存在。

首当其冲的是材料与工艺的兼容性。银在高温下非常活跃，无法承受标准CMOS后端工艺中超过400°C的热处理。同时，银的化学活性也对器件的长期可靠性提出了考验。

研究团队正在积极探索替代方案。

铜（Cu）是CMOS工艺中成熟的互连材料，其离子扩散行为与银类似。初步实验表明，铜基忆阻器的循环寿命远超银器件，只是工作电压略高。另一个方向是采用质子（H⁺）导电的聚合物材料，工作电压可以降至0.3伏，但响应速度会慢一些。

另一个关键是三维集成技术的深化。

未来的神经形态芯片必然是三维的，就像大脑皮层的多层结构。通过穿硅通孔（TSV）和晶圆级键合技术，将多层神经元网络垂直堆叠，可以把互连线长度缩短90%以上，彻底解决数据搬运的能耗问题。

南加州大学新建的神经形态制造中心，计划在2026年试产三层堆叠的原型芯片，目标是在每平方厘米的芯片上集成1亿个神经元。

一旦这些工程障碍被克服，其应用前景将是革命性的。

可能对通用人工智能（AGI）实现路径进行重构。

当前基于Transformer架构的研究，遵循着一条暴力美学的缩放定律，即参数和能耗的平方级增长。

1M1T1R所代表的物理仿生计算单元，则为一种全新的、更接近生物智能的范式提供了硬件基础。

当硬件本身就具备了随机性和内在可塑性，智能的涌现或许不再需要海量的数据和监督信号。

参考资料：

https://www.nature.com/articles/s41928-025-01488-x

https://www.sciencedaily.com/releases/2025/11/251105050723.htm

END