PdNeuRAM: Forming-Free, Multi-bit Pd/HfO₂ ReRAM for Energy-Efficient Neuromorphic Computing

原文链接: Nature Communications Engineering

DOI: 10.1038/s44172-026-00650-3

摘要

PdNeuRAM 是一种新型的忆阻器（memristor）器件，采用钯（Pd）和氧化铪（HfO₂）材料体系，实现了无需 forming 工艺的多比特存储。该器件专为神经形态计算设计，能够在单器件上实现模拟突触权重存储，大幅降低 AI 加速器的能耗和面积开销。

1. 背景：神经形态计算与忆阻器

1.1 为什么需要神经形态计算

随着 AI 能耗的急剧增长，传统冯·诺依曼架构面临严峻挑战：

“As the electricity consumption of AI is projected to double by 2026, neuromorphic computing emerges as a promising solution.”

传统计算的局限:

• 数据在处理器和内存之间频繁搬运（内存墙问题）
• 数字运算功耗高，不适合边缘设备
• 难以实现真正的并行处理

神经形态计算的优势:

• 存算一体（In-Memory Computing）消除数据搬运
• 模拟计算实现高能效
• 事件驱动处理降低静态功耗

1.2 忆阻器作为突触器件

忆阻器（Memristor）是构建神经形态系统的理想器件：

• 模拟存储: 单器件可存储多比特权重
• 非易失性: 断电后保持状态
• 原位计算: 利用欧姆定律和基尔霍夫定律实现向量矩阵乘法

2. PdNeuRAM 器件创新

2.1 核心技术创新

PdNeuRAM 解决了传统 ReRAM 的两个关键问题：

创新 1: 无 Forming 工艺

传统 ReRAM 需要高电压 forming 工艺来初始化导电细丝，这带来了：

• 额外的制造步骤和成本
• 器件间一致性问题
• 可靠性风险

PdNeuRAM 采用 Pd/HfO₂ 材料体系，实现了 forming-free 操作：

“The Pd/HfO₂ interface enables controlled filament formation without a dedicated forming step, improving device yield and uniformity.”

创新 2: 多比特模拟存储

2.2 器件特性

电学特性:

• 低操作电压: < 2V 的 SET/RESET 电压
• 高开关比: > 100 的 ON/OFF 比
• 良好保持性: > 10⁴ 秒 @ 85°C
• 耐久性: > 10⁶ 次开关循环

多比特能力:

• 可实现 4-6 比特的模拟权重存储
• 线性电导调制特性
• 低电导漂移

3. 神经形态计算应用

3.1 向量矩阵乘法 (VMM)

忆阻器交叉阵列实现高效的 VMM 运算：

        Word Lines (输入电压)
            │   │   │   │
            ▼   ▼   ▼   ▼
          ┌───┬───┬───┬───┐
    ──────┤G₁₁│G₁₂│G₁₃│G₁₄├────── Bit Line 1 (输出电流)
          ├───┼───┼───┼───┤
    ──────┤G₂₁│G₂₂│G₂₃│G₂₄├────── Bit Line 2
          ├───┼───┼───┼───┤
    ──────┤G₃₁│G₃₂│G₃₃│G₃₄├────── Bit Line 3
          └───┴───┴───┴───┘

    输出电流 Iᵢ = Σⱼ Gᵢⱼ × Vⱼ

3.2 神经网络推理加速

PdNeuRAM 可用于构建高能效的神经网络加速器：

性能对比 (归一化到数字实现):

3.3 片上学习

PdNeuRAM 支持原位权重更新，实现片上学习：

• STDP 学习规则: 利用器件的模拟特性实现脉冲时间依赖可塑性
• 在线适应: 支持边缘设备的持续学习
• 低功耗更新: 皮焦耳级的权重更新能耗

4. 为什么对 AI 芯片设计重要

4.1 技术成熟度提升

PdNeuRAM 代表了忆阻器技术的重要进展：

• Forming-free: 简化制造工艺，提高良率
• 多比特存储: 减少器件数量，提高密度
• CMOS 兼容: 可与标准 CMOS 工艺集成

4.2 存算一体架构

PdNeuRAM 支持真正的存算一体架构：

传统架构 vs 存算一体:

传统架构:                    存算一体架构:
┌─────────┐    数据搬运    ┌─────────────────┐
│  内存   │◄─────────────►│   忆阻器阵列    │
└─────────┘               │  (存储+计算)    │
     │                    └─────────────────┘
     ▼                           │
┌─────────┐                      ▼
│  处理器 │                 ┌─────────┐
└─────────┘                 │  激活函数│
                            └─────────┘

4.3 边缘 AI 应用

PdNeuRAM 特别适合边缘 AI 场景：

• 超低功耗: 微瓦级推理功耗
• 实时处理: 纳秒级模拟计算延迟
• 小型化: 高器件密度支持片上集成

典型应用:

• 智能传感器节点
• 可穿戴设备
• 物联网边缘设备
• 自动驾驶感知系统

4.4 挑战与机遇

剩余挑战:

• 器件间变异（Device-to-Device Variation）
• 温度敏感性
• 长期可靠性数据积累
• 与 CMOS 的异构集成

硬件设计机遇:

• 混合信号电路设计的新范式
• 容错计算架构
• 自适应校准电路
• 新型编程模型和编译器

5. 相关进展

5.1 其他忆阻器技术

5.2 商业进展

• Intel: 基于 PCM 的 neuromorphic 芯片
• IBM: TrueNorth 和 NorthPole 神经形态处理器
• Mythic AI: 模拟计算加速器
• Aspinity: 模拟 ML 处理器

6. 总结

PdNeuRAM 代表了神经形态计算硬件的重要进展：

1. 技术突破: Forming-free 多比特 ReRAM 器件
2. 应用价值: 支持高能效的存算一体神经网络加速
3. 商业化潜力: CMOS 兼容工艺，可规模化生产
4. 生态影响: 推动边缘 AI 和神经形态计算的普及

对于 AI 芯片设计，忆阻器技术正在从实验室走向实际应用。PdNeuRAM 的技术路线——通过材料创新解决 forming 和多比特问题——为下一代 AI 硬件提供了可行的技术路径。随着制造工艺的成熟和生态系统的完善，基于忆阻器的神经形态芯片有望在 2026-2028 年实现规模化商用。

参考文献

1. Kudithipudi, D., et al. (2025). PdNeuRAM: Forming-free, multi-bit Pd/HfO₂ ReRAM for energy-efficient neuromorphic computing. Communications Engineering, Nature.
2. Hamdioui, S., et al. (2025). Memristor based computation-in-memory architecture for data-intensive applications.
3. Ielmini, D., & Wong, H. S. P. (2018). In-memory computing with resistive switching devices. Nature Electronics.
4. Nature. (2025). Neuromorphic computing at scale. Nature, 637, 801–812.