面对传统计算的‘存储墙’与‘能耗墙’，神经形态计算通过存算一体架构成为突破口。电子科大刘奥团队的封面论文系统解析了浮栅晶体管、铁电场效应晶体管和阻变存储器三类关键器件，从物理机制到性能差异进行了深入比较，为发展低功耗、高能效的下一代人工智能硬件指明了清晰路径，揭示了类脑存储的未来走向。
智能速览
传统冯·诺依曼架构因存算分离面临‘存储墙’瓶颈。
神经形态计算通过存算一体设计，旨在模拟生物大脑高效处理信息。
FGT、FeFET和RRAM是实现类脑存储的关键候选器件，各有性能侧重。
这些器件能模拟突触可塑性，如短时程增强与长时程抑制。
未来方向包括‘感知-计算-存储’一体化与物理神经网络。
精华内容
要真正理解这些器件如何为类脑计算赋能，需要深入其物理内核，剖析它们各自的优劣与应用场景。
存算瓶颈
传统计算架构依赖CPU与内存分离，数据频繁搬移导致高延迟与高能耗，形成‘存储墙’与‘能耗墙’。这严重制约了边缘计算、可穿戴设备等依赖低功耗实时处理的应用场景发展。神经形态计算通过模拟生物神经系统，提出存算一体的全新架构，旨在硬件层面融合信息存储与处理，被视为突破上述瓶颈的关键路径。
三大器件
论文重点对比了三种核心存储器。浮栅晶体管（FGT）通过电荷俘获调控电导，保持时间长，适合长期存储。铁电场效应晶体管（FeFET）利用铁电极化翻转，驱动电压低、切换速度快，利于实时学习。阻变存储器（RRAM）基于导电丝的形成与断裂，具备高可扩展性和多级调控能力，能模拟复杂突触功能。
性能对决
三类器件在关键指标上各有千秋。在开关速度上，FeFET和RRAM通常优于FGT。在数据保持时间方面，FGT表现最佳。耐久性（可擦写次数）则是RRAM的突出优势。例如，FeFET的低电压操作使其在能耗敏感场景中具有潜力，而RRAM的多级存储能力为复杂的权重更新提供了硬件基础。这些差异决定了它们在不同应用场景中的适用性。
模拟突触
这些器件的核心价值在于能模拟生物突触的可塑性。它们均能实现多级电导调控，以对应突触权重的变化。具体而言，RRAM可表现成对脉冲易化（PPF），模拟短期记忆；FeFET能快速切换，反映长期记忆的形成。再现短时程可塑性（STP）、长时程增强与抑制（LTP/LTD）等行为，为硬件层面的Hebbian学习提供了物理载体。
未来路径
文章展望了两个前沿方向。一是‘感知-计算-存储’一体化的传感器存储技术，将光、电等信号直接在感知端处理，如基于钙钛矿的光子突触。二是物理神经网络，直接利用材料（如VO2相变材料）的非线性动力学进行计算。这些探索旨在进一步减少数据搬移，实现更高能效的智能处理。
刘奥团队的这项工作系统地梳理了神经形态计算硬件的核心器件，为相关领域研究者提供了清晰的路线图。随着材料、器件与架构的协同优化，突破传统计算瓶颈的低功耗类脑芯片正从理论走向现实。未来的挑战与机遇并存，这条探索之路将如何重塑人工智能的硬件基础？
