在传统的计算机架构中，处理单元与存储单元往往是分离的，这种“冯·诺依曼瓶颈”导致数据在两者间频繁搬运，不**制了速度，更造成了巨大的能量浪费。相比之下，人脑通过神经元和突触网络，将信息的存储与处理高度集成在同一物理结构中，实现了极高的能效比。受此启发，神经形态计算（Neuromorphic Computing）应运而生，旨在构建能够模仿大脑工作机制的电子电路。
近日，一项由包括巴西联邦圣卡洛斯大学（UFSCar）Victor Lopez-Richard教授在内的国际研究团队主导的成果发表在《自然·通讯》上。该团队开发了一种基于氧化物界面的新型电子器件，成功将处理与记忆功能整合于单一组件中。这一突破不仅验证了神经形态计算的可行性，更为降低人工智能硬件能耗提供了全新的技术路径。
侧向栅极控制下的电子多态性
该核心器件建立在两种氧化物——铝酸镧（LaAlO₃）与钛酸锶（SrTiO₃）的界面之上。在这一界面处，形成了一个近乎二维的电子气，它充当导电通道，并可通过电场进行调制。Lopez-Richard指出，这本质上是一个晶体管，但其独特之处在于能够同时扮演忆阻器（Memristor）和忆容器（Memcapacitor）的角色。
传统数字晶体管仅具备“开”或“关”两种状态，而该器件工作在模拟模式，拥有多个中间状态。更关键的是其“电子多态性”：只需改变外部电连接方式，同一物理器件即可切换功能。这种灵活性源于侧向栅极的设计——不同于传统MOSFET的顶部栅极结构，侧向控制使得电荷能够存储在侧向栅极中，通过静电效应渐进式地调制导电通道。这种机制区别于常见的氧空位迁移模型，为记忆效应的**控制提供了新依据。
这种对“过去”状态的依赖，正是模拟生物突触行为的关键。忆阻器的电阻值和忆容器的电容值均取决于系统施加信号的历史记录，从而实现了类似神经元可塑性的功能。研究团队在《应用物理快报》发表的补充研究中进一步证实，这种模拟忆容性由侧向浮动栅极中的电荷定位机制主导，可实现对电容特性的**且可逆的控制。
纳焦级能耗与类脑功能验证
为了验证该器件的实际应用潜力，研究团队测试了其在三种典型类脑计算场景中的表现。首先是“储备池计算”，器件利用其非线性特性和短期记忆能力，成功识别低分辨率图像中的0-9数字；其次是“突触可塑性”模拟，通过重复刺激强化响应，模拟学习过程；最后是“可重构逻辑”，在无需外部内存的情况下，直接在器件内部完成“与”、“或”、“非”等逻辑运算。
数据显示，该器件单次操作的能耗仅为几纳焦耳（nanojoules），显著低于同等功能的传统架构。这种极低的能耗对于边缘计算和大规模人工智能部署至关重要，因为它直接解决了当前数据中心面临的主要瓶颈——互连复杂性与能源消耗。
尽管成果令人振奋，研究人员强调目前仍处于概念验证阶段。要实现商业化应用，还需克服可扩展性、与现有半导体技术的集成以及器件间的一致性控制等挑战。这项研究源于巴西圣保罗州研究基金会（FAPESP）资助的长期国际合作项目，体现了基础科学研究在推动前沿技术突破中的核心价值。
对于中国半导体行业而言，这一成果提供了重要的技术启示：在摩尔定律放缓的背景下，通过材料创新（如氧化物界面工程）和架构革新（存算一体、模拟计算）来突破能效瓶颈，是一条极具潜力的路径。中国企业应加强对新型存储器件底层物理机制的研究，特别是在侧向栅极控制和电荷定位机制方面的积累，以便在未来的神经形态芯片竞争中占据先机。