类脑计算的困境

过去十年，神经形态计算（neuromorphic computing）领域主要聚焦于模仿大脑皮层（cerebrum）——这个被视为"思考中心"的区域，负责推理、记忆和语言功能。研究者开发了多种忆阻器（memristor）、忆阻晶体管（memtransistor）等类脑器件，试图实现高效的模式识别和分类任务。

然而，这些系统面临一个根本性问题：它们继承了传统AI的计算范式，即持续处理所有输入数据。即使输入数据没有变化，系统仍在消耗能量进行全量分析。这与真实大脑的高效机制形成鲜明对比。

小脑的启示

小脑（cerebellum）虽然在进化上较为古老，却拥有独特的计算策略：忽略常规，聚焦异常。

神经科学研究表明，小脑神经回路包含两种关键信号：

• 兴奋性突触输入（excitatory input）：逐渐增强响应
• 抑制性突触输入（inhibitory input）：初期响应强烈但迅速衰减

正常情况下，两种信号保持平衡；当意外事件发生时，平衡被打破，触发快速反应。这种机制使小脑能够在极低能耗下实现毫秒级的异常检测。

核心问题：能否在硬件层面重现小脑的这种兴奋-抑制动态平衡机制？

---

核心创新点

创新1：首次在小脑层面实现类脑硬件

这是该研究最重要的概念突破。不同于以往聚焦大脑皮层的类脑计算研究，本工作首次将目标转向小脑，并证明小脑的反射机制同样可以在硬件中实现，且能带来数量级的能效提升。

这一转向具有深刻的方法论意义：不是所有类脑计算都必须模仿"思考"，模仿"反射"同样可以产生巨大价值。

创新2：单器件实现兴奋/抑制双模式切换

研究团队设计了一种非对称忆阻晶体管架构，通过简单反转电压方向即可在兴奋模式和抑制模式之间切换：

• 兴奋模式：器件行为类似兴奋性突触，随着信号持续逐渐增强响应（类似长期增强效应，LTP）
• 抑制模式：器件行为类似抑制性突触，初期响应强烈但迅速衰减（类似短期抑制效应）

这种双模式特性在以往的类脑器件中鲜有报道。大多数忆阻器只能实现单一类型的突触行为，需要复杂的外围电路才能模拟兴奋-抑制交互。

创新3：二硫化钼的非对称架构设计

器件采用原子级厚度的二硫化钼（MoS₂） 作为沟道材料，关键创新在于电极的非对称重叠设计：一个电极通过薄绝缘层部分重叠在半导体上方。

这一设计改变了电流的传输机制：

• 不同极性电压下，电荷注入和俘获行为产生显著差异
• 导致器件表现出极性的突触响应特性

创新4：从分类到异常检测的范式转移

以往的忆阻晶体管研究主要聚焦于分类任务（如图像识别、信号分类）。本工作展示了忆阻晶体管在异常检测（novelty detection）中的应用，这是一个全新的应用场景。

异常检测的核心是区分"常规"和"异常"，而分类任务的核心是将输入映射到预定义类别。两者的计算逻辑截然不同，对硬件的要求也完全不同。

---

方法论拆解

器件设计与制造

材料选择：MoS₂（二硫化钼）

• 原子级厚度，适合构建超薄器件
• 良好的半导体特性，载流子迁移率适中
• 可通过化学气相沉积（CVD）大面积制备

架构设计：非对称忆阻晶体管

• 源极/漏极：部分重叠设计，通过薄绝缘层隔离
• 栅极：背栅结构，用于调控沟道电导
• 关键：非对称几何结构导致不同极性电压下的电荷行为差异

制造流程：

1. CVD生长单层MoS₂
2. 光刻定义源/漏电极图案
3. 沉积薄绝缘层（如Al₂O₃）
4. 沉积重叠电极
5. 退火处理，优化界面特性

实验设计

突触行为表征：

• 测量不同极性电压下的电流-时间响应
• 提取兴奋性响应的增强速率和抑制性响应的衰减速率
• 验证双模式切换的可逆性和稳定性

ECG异常检测：

• 输入数据：标准ECG数据集（包含正常心律和心律失常）
• 器件工作模式：兴奋-抑制交替
• 判据：当兴奋性响应超过阈值时，标记为异常

性能评估：

• 检测准确率：>98%
• 响应时间：毫秒级（五分之一心跳周期）
• 计算操作量：相比传统AI降低4个数量级

参数	数值	说明
MoS₂厚度	~1 nm	单层
绝缘层厚度	~2 nm	Al₂O₃
兴奋电压	+1 V	增强响应
抑制电压	-1 V	衰减响应
开关比	>100	兴奋/抑制电流比
耐久性	>10⁴ cycles	模式切换稳定性

实验结果深度分析

结果1：双模式突触行为

研究团队成功在单一器件中实现了兴奋性和抑制性突触行为：

• 兴奋模式：连续施加正电压脉冲，器件电导逐渐增加，响应增强
• 抑制模式：连续施加负电压脉冲，器件电导先快速增加后迅速衰减

这种双模式特性源于MoS₂与绝缘层界面处的电荷俘获/去俘获机制：

• 正电压下，电荷被界面陷阱俘获，增强沟道电导
• 负电压下，电荷被释放，沟道电导衰减

结果2：ECG异常检测性能

在ECG异常检测任务中，器件表现出优异性能：

准确率：>98%

• 正常心跳被正确识别并忽略（抑制模式）
• 异常心跳被快速检测并标记（兴奋模式）

响应速度：毫秒级

• 在五分之一心跳周期内完成检测
• 比传统AI快2倍以上

能效：计算操作量降低10,000倍

• 传统AI需要全量分析每个心跳
• 本方案只需检测异常，忽略常规

结果3：与传统AI的对比

指标	传统AI	本方案	提升倍数
检测准确率	~95%	>98%	-
响应时间	~10 ms	~2 ms	5×
计算操作量	10⁶ ops	10² ops	10,000×
能耗	~1 mJ	~0.1 μJ	10,000×

方法的价值与局限

价值

1. 概念突破：证明了小脑机制在硬件层面的可行性，开辟了类脑计算的新方向
2. 能效优势：万倍的能效提升对边缘计算、可穿戴设备等低功耗场景意义重大
3. 设计简洁：单器件实现双模式，无需复杂外围电路
4. 应用广泛：异常检测是许多实际应用的核心需求（医疗、安防、自动驾驶等）

局限

1. 概念验证阶段：目前仅进行了10×1的器件阵列测试，距离实际应用还有距离
2. 可扩展性未知：大规模集成时的性能一致性和良率问题尚未解决
3. 任务复杂度有限：仅验证了ECG异常检测这一简单任务，更复杂场景的性能有待验证
4. 缺乏自适应能力：当前器件不能像真实小脑那样学习和适应，需要后续研究

对后续研究的启发

方向1：器件阵列的规模化集成

当前研究仅展示了10×1的阵列，要实现实际应用，需要：

• 开发大面积、均匀的MoS₂薄膜制备技术
• 优化阵列架构，减少串扰
• 建立大规模阵列的测试和标定方法

方向2：多器件协同计算

小脑的真实计算能力源于大量浦肯野细胞（Purkinje cells）的协同工作。未来研究可以：

• 构建2D或3D器件阵列，模拟更复杂的神经回路
• 引入器件间的连接和通信机制
• 探索集体计算行为

方向3：自适应学习能力

真实小脑具有学习和适应能力，能够逐渐习惯重复事件。未来可以：

• 在器件中引入可调的电荷陷阱密度
• 开发基于忆阻器的突触可塑性机制
• 实现器件的在线学习和适应

方向4：与其他类脑机制的结合

可以将小脑机制与大脑皮层的记忆、推理机制结合，构建更完整的类脑计算系统：

• 大脑皮层负责高层推理和决策
• 小脑负责快速异常检测和反射控制
• 两者协同实现高效、智能的计算

相关领域动态

类脑计算是近年来的研究热点，以下相关进展值得关注：

1. 英特尔Loihi 2：基于事件驱动的神经形态芯片，支持大规模脉冲神经网络模拟
2. IBM NorthPole：专注于推理任务的数字类脑芯片
3. 清华天机芯：融合脉冲神经网络和卷积神经网络的异构架构

本工作代表了一种模拟类脑计算的新思路，与上述数字类脑芯片形成互补。

---

与学术会议的关联

本研究的主题——类脑计算、神经形态器件、边缘AI——与多个学术会议的征稿方向高度契合：

• IC-IPPR 2026（图像处理与模式识别）：神经形态视觉处理、边缘智能
• CIMSP 2026（智能计算与多模态信号处理）：类脑计算架构、低功耗信号处理

这两场会议均聚焦于智能计算与信号处理的前沿方向，为相关领域研究者提供了交流合作的平台。

项目	内容
论文标题	Cerebellum-inspired memtransistors enable emergent differentiation for hardware-efficient novelty detection
中文标题	小脑启发的忆阻晶体管实现硬件高效的新颖性检测
发表期刊	Nature Communications
发表日期	2026年7月10日
DOI	10.1038/s41467-026-75212-4
论文链接	https://doi.org/10.1038/s41467-026-75212-4
通讯作者	Mark C. Hersam（西北大学）、Vinod K. Sangwan（西北大学）、Indira M. Raman（西北大学）、Amit Trivedi（伊利诺伊大学芝加哥分校）
第一作者	MA. Kang, S.T. Brown, N. Jayasinghe 等

说明：本文内容及数据信息来源为Nature Communications的公开信息，经二次理解与创作完成，仅用于学术探讨与知识分享，如有疏漏欢迎指正。