Power_Short测试 原创李家锋半导体杂谈2020年12月18日08：08Power short测试也是OS测试的一种，它测量的是电源pin short。为什么测量的是short，而不是open呢？如果电源pin出现open和short这两种情况，那么哪一种后果更严重呢？可想而知是short对芯片的影响更大，轻则使芯片不能正常工作，严重的还可能导致机台损坏，而open导致机台受损的概率非常小。因此相对于open，测试short显得格外重要。  那么再说一下测试power short的原理，其实很简单。只要给power pin一个电压测量电流即可，但有两点需要注意下。一点是给电压的大小，一点是存在多个电源pin的情况。我们先说给电压的大小，这时候我们给一个小电压即可（大的电压可能导致芯片工作产生大的电流），那么电压给多少合适呢？一般情况下0.05V~0.3V之间即可，具体根据情况而定。第二点就是如果存在多个电源pin，要给相同的电压么？一般不这么做，原因和OS_FUNC测试IO pin的一样，pin 与pin之间short如果给相同电压测不出来（思考下为什么）。因此做法是不同的电源pin给不同电压，如下图所示为多个电源pin测量power short给的电压值。对于电流的limit，一般是根据客户提供的spec写。如果客户没有明确的spec，也可拿golden芯片根据实际测量的结果去定，一般情况下为±1mA。来自微信

大一新生开源 Python 脚本可视化工具，火了！ Python数据科学2021年01月25日14：05普普通通黑底白字地敲代码太枯燥？那么，把 Python 脚本可视化怎么样？就像这样，从输入图片、调整尺寸到双边滤波，每一步都能看得清清楚楚明明白白。输入一个矩阵，无论是对它进行转置、求共轭还是乘方，都能得到及时的反馈。这样一个 Python 脚本可视化工具，名叫 Ryven，出自一位名叫 Leon Thomm 的大一新生之手。如果你也想试用一番，不妨接着往下看。如何使用使用之前，简单准备一下开发环境：Python3（推荐 3.8 以上）PySide2（推荐 2.14 以上）运行该项目中的 Ryven.py，即可打开编辑器。作者提到，在 Ryven 中，有许多不同的脚本。每个脚本都包含变量、流（或图）以及日志。右键单击就可以轻松操作。不过，想要使用这些节点，需要先导入节点软件包。点击 file，选择 import Nodes，导入 *.rpc 文件即可。这个工具的另外一个特点是，包含了两种不同的算法模式。数据流：每次数据更改（节点数据输出也就更改了）都会向前传播，并在所有连接的节点中触发更新。如下图，滑动滑块，会立即触发右侧节点中结果的更新。执行流：数据不会在更改时立即向前传播，而是只会在某个节点请求输出数据时，在受影响的节点中触发更新。另外，作者还给自己列了一个 to do list，比如加入语法高亮功能、自动代码补全功能，完善视觉体验等等。可视化编程是不是还挺有趣的？不过，作者小哥也指出，可视化编程的目的不是取代文本编程，并且，文本编程中实现的许多工作没有可视化的必要。关于作者作者 Leon Thomm，目前是苏黎世联邦理工学院的大一学生，自称 “业余程序员”，致力于人机交互和可视化编程。根据他的个人简介，早在进入大学前，他已经具备丰富的软件开发经历。传送门项目地址：https://github.com/leon-thomm/Ryven来自微信

答应我，调试 Python 代码，不要再用 Print 了！ Python数据科学2021年01月27日14：27相信大部分人学习Python，肯定会用print()这个内置函数，来调试代码的。那么在一个大型的项目中，如果你也是使用print来调试你的Python代码，你就会发现你的终端有多个输出。那么你便不得不去分辨，每一行的输出是哪些代码的运行结果。举个例子，运行下面这个程序。num1 = 30num2 = 40 print(num1)print(num2)输出结果。3040这些输出中哪一个是num1？哪一个又是num2呢？找出两个输出可能不是很困难，但是如果有五个以上的不同输出呢？尝试查找与输出相关的代码可能会很耗时。当然你可以在打印语句中添加文本，使其更容易理解：num1 = 30num2 = 40 print("num1" num1)print("num2" num1)输出结果。num1 30num2 40这个结果就很容易理解了，但是需要时间去写相关的信息。这时就该「Icecream」上场了～什么是Icecream？Icecream是一个Python第三方库，可通过最少的代码使打印调试更清晰明了。使用pip安装Icecream库。pip install icecream下面，让我们通过打印Python函数的输出来进行尝试。from icecream import ic def plus_five(num): return num + 5 ic(plus_five(4)) ic(plus_five(5))输出结果如下。ic| plus_five(4): 9ic| plus_five(5): 10通过使用icecream，我们不仅可以看到函数输出，还可以看到函数及其参数！检查执行情况如果你想要找到执行代码的位置，可以通过执行如下所示的操作，来查找执行了哪个语句。def hello(user:bool): if user: print("I'm user") else: print("I'm not user") hello(user=True)输出结果。I'm user使用icecream则无需多余的文本信息，就可以轻松地完成上述的操作。from icecream import ic def hello(user:bool): if user: ic() else: ic() hello(user=True) 输出结果如下。ic| ice_1.py:5 in hello() at 02:34:41.391从输出结果看，函数hello中的第5行的代码已被执行，而第7行的代码未执行。自定义前缀如果您想在打印语句中插入自定义前缀(例如代码执行时间)，icecream也是能实现的。from datetime import datetime from icecream import ic import time from datetime import datetime def time_format(): return f'{datetime.now()}|> ' ic.configureOutput(prefix=time_format) for _ in range(3): time.sleep(1) ic('Hello') 输出结果如下。2021-01-24 10:38:23.509304|> 'Hello'2021-01-24 10:38:24.545628|> 'Hello'2021-01-24 10:38:25.550777|> 'Hello'可以看到代码的执行时间，就显示在输出的前面。获取更多的信息除了知道和输出相关的代码之外，你可能还想知道代码执行的行和代码文件。在ic.configureOutput()中，设置includeecontext的参数值为True即可。from icecream import ic def plus_five(num): return num + 5 ic.configureOutput(includeContext=True) ic(plus_five(4)) ic(plus_five(5))输出结果如下。ic| ice_test.py:7 in - plus_five(4): 9ic| ice_test.py:8 in - plus_five(5): 10这里我们就知道了，第一个输出是由函数plus_five在文件icecream_example.py的第7行执行的。第二个输出则是由函数plus_five在代码文件的第8行执行的。上述两个操作都用到了ic.configureOutput()函数。通过查看源码，可知有四个可供设置的参数。prefix，自定义输出前缀outputFunction，更改输出函数argToStringFunction，自定义参数序列化字符串includeContext，显示文件名、代码行、函数信息删除Icecream代码最后你可以将icecream仅用于调试，而将print用于其他目的(例如漂亮的打印)。from icecream import ic def plus_five(num): return num + 5 ic.configureOutput(includeContext=True) ic(plus_five(4)) ic(plus_five(5)) for i in range(10): print(f'****** Training model {i} ******') 输出结果。ic| ice_1.py:7 in - plus_five(4): 9ic| ice_1.py:8 in - plus_five(5): 10 Training model 0 ** Training model 1 ** Training model 2 ** Training model 3 ** Training model 4 ** Training model 5 ** Training model 6 ** Training model 7 ** Training model 8 ** Training model 9 **由于你可以区分调试打印和漂亮打印，因此搜索和删除所有ic调试语句非常容易。删除所有调试代码后，你的Python代码就整洁了。总结到此，你就应该就学会了如何使用icecream去打印调试。更多功能可以访问「GitHub」，了解详情～https://github.com/gruns/icecream来自微信

存储器芯片行业研究宝典 硬科技精品投行的驭势资本2021年01月22日19：01储存器中国存储器芯片行业定义及分类DRAM、NOR Flash、NAND Flash三类存储器之间的应用已产生隔离，难以相互代替，市场自成体系。存储器芯片定义及分类存储器芯片是半导体存储产品的核心，是电子系统中负责数据存储的核心硬件单元，其存储量与读取速度直接影响电子设备性能。半导体存储按照掉电后是否保存数据，分为易失性存储和非易失性存储。易失性存储主要以随机存取器RAM为主，使用量最大的为动态随机存储DRAM。非易失性存储中最常见的为NOR Flash与NAND Flash，其中NOR Flash因其读取速度快且可擦除写入，被作为代码存储的主要器件，NAND Flash在高容量时具有成本优势，且读写速度比传统的光学、磁性存储器快，是现在主流的大容量数据存储器件。中国存储器芯片行业制程分析当前中国NOR Flash芯片技术基本成熟，但在DRAM、NAND Flash芯片领域，仍与国际领先水平有着一代以上的技术差异。中国存储器芯片行业市场现状存储器芯片传统应用市场规模稳定，近年来，随着技术的发展，不断有新下游应用拉动行业发展。新应用市场数据存储需求汽车电子系统开始支持GUI、语音识别、高级数据处理功能产生大量数据存储需求。口令存储需求随着汽车智能化发展，搭载更多即时启动应用，而及时启动最佳解决方案为NOR Flash。产业链存储芯片产业是国家战略产业，直接关系到电子信息产业的发展，中国正逐渐在全产业链各个环节中实现对进口产品的替代。存储器芯片产业链介绍中国半导体产业链由上游为半导体支撑产业，中游为存储芯片行业，下游市场参与者由众多电子整机厂组成。存储器芯片是集成电路价值量最大的产品之一，存储芯片产业是国家战略产业，直接关系到电子信息产业的发展，中国正逐渐在全产业链各个环节中实现对进口产品的替代。产业链上游分析大基金二期注册成立，以长江存储为代表的存储器芯片厂商是重点投资对象，其产业链上游的半导体材料与设备是投资热点。存储器芯片行业产业链上游分析大基金二期重点布局半导体产业链上游，半导体材料与半导体设备行业有望在未来实现进口替代。2016年成立的大基金一期接近尾声，其重点投资领域为集成电路制造，重点解决中国晶圆代工产能不足、技术落后的问题。2019年10月，大基金二期注册成立，以长江存储为代表的存储器芯片厂商是重点投资对象，其产业链上游的半导体材料与设备是基金投资的热点之一。半导体材料技术垄断：美国、日本、韩国、德国等国家占据主导地位中国半导体材料的市场规模占全球比重逐年上涨整体表现为企业数量少、市场规模小、技术水平低以及产业布局分散的特征半导体设备总体国产化率较低，属于产业链薄弱环节，国产替代空间巨大中国晶圆厂建设与扩产招标过程中，半导体设备国产化率从逐渐提高存储器芯片发展扩产为中国半导体设备厂商提供了更多的发展机遇，中国将进入半导体设备国产化窗口期产业链中游分析全球范围内，美、韩两国存储器芯片厂商居头部，技术领先，议价能力强，近年来中方企业技术逐渐实现赶超，预计未来将实现国产替代。设计环节（占成本30%）1、中国IC设计行业缺乏自主设计流程的能力，还不具备COT设计能力，主要依靠工艺技术的进步和EDA工具的进步。2、除兆易创新外，中国存储器芯片厂商多为IDM模式发展。制造环节（占成本40%）1、当前在高端制程，中国厂商难以实现国产替代。2、3D NAND Flash领域：三星86层技术成熟，当前长江存储64层产品已小范围量产，目前在调试设备跨86层。3、实现128层技术弯道超越。4、DRAM领域：当前中国全面落后于国际头部企业。封测环节（占成本30%）1、中国集成电路封测水平居全球领先水平，已完全实现国产替代。2、存储器芯片封测行业属于劳动密集型、技术密集型企业。3、封测水平反向推动产业链中游芯片制造业的发展。产业链下游分析三大主流存储器芯片近年来下游市场规模逐年扩大，旺盛的下游需求推动存储器芯片行业的发展。电子整机搭载内存容量不断扩大•PC市场：需求从装机标配4GB过渡到了8GB、16GB甚至是32GB，市场需求量进一步扩大。•移动端：以智能手机为主要代表的移动端以内存容量作为产品属性提升的空间，当手机内存的标配从1GB、2GB转变到6GB、8GB时，其对DRAM的需求量也有了极大的增长，再加上智能手机的快速普及与其巨大的市场保有量，抢占了一大部分DRAM资源。SSD和智能手机市场NAND Flash需求的增长已经弥补了其他消费类电子市场需求的相对平淡。•智能手机：2019年全球智能型手机出货14.9亿台，苹果、三星、华为、OPPO、vivo等头部智能手机品牌旗舰机纷纷以64GB、128GB、256GB为主打容量，再加上平板、车载、智能盒子等细分市场需求eMMC/eMCP等嵌入式产品消耗了42%的NAND Flash产能。•SSD市场：数据中心、服务器等领域对数据分析、处理、响应速度的要求不断提高，谷歌、Facebook、百度、阿里巴巴、腾讯、华为等对SSD需求强劲。消费类市场，超极本、二合一等轻薄笔记本对SSD搭载率不断增加，去年消费类市场SSD出货超1.5亿台，再叠加工业、金融、车载等领域SSD需求，全球SSD共消耗近50%NAND Flash产能NOR Flash下游需求中，除了传统电脑、智慧型手机、网路通讯与消费性电子产品外，近年来最新且成长最大的需求在于智慧型手机的AMOLED屏幕，及LCD驱动IC和TDDI(Touch Display Driver IC)方案。•智能手机：智能手机的AMOLED屏幕需要大量消耗NOR Flash颗粒•随着物联网、可穿戴设备、智慧城市、智慧应用、智能家居、智能汽车、无人机等厂商使用NOR Flash作为储存装置和微控制器搭配开发，NOR Flash需求将呈现爆发性增长。市场规模存储器芯片应用广泛，随着5G、物联网技术为中国半导体行业发展赋能，未来市场规模将进一步扩大。近五年来，受PC及移动端电子设备内存容量不断扩大，以TWS为代表的可穿戴设备新型消费级市场快速扩张，以及大数据云计算技术不断释放对企业级存储的需求等多方因素的影响，中国存储器芯片行业整体不断发展，市场规模（以销售额计）从2014年的45.2亿美元增长到了2019年123.8亿美元，年复合增长率高达28.6%。由于当前存储器芯片应用广泛，同时下游消费电子市场份额逐年扩大，且未来5G及物联网技术将进一步为中国存储器芯片的整体发展赋能，预计未来中国存储器芯片还将继续保持稳定增长的态势。到2024年，中国存储器芯片市场份额有望突破522.6亿美元，占全球市场的14%。市场规模预测逻辑中国电子整机制造业反向驱动上游存储器芯片发展，中国存储器芯片市场增速高于全球增速。储存器中国存储器芯片行业驱动因素国产替代大环境助推中国存储器芯片厂商有天然地缘优势，未来对进口的依赖将会进一步减弱，国产替代率将进一步提高。存储器芯片国产替代率逐渐提高近十年来，中国电子工业占全球的比重持续增加，全球80%的电子整机制造在中国大陆完成。受制于中国相对落后的半导体水平，中国集成电路进口持续维持高位。过去五年来，中国集成电路进口数量始终维持上涨的趋势。2018年，中国集成电路进口金额与进口数量分别高达3,120.6亿美元，4,175.7亿只。受制于中国集成电路行业起步较晚，行业技术水平整体落后于西方发达国家，短时间内集成电路进口数量与进口金额仍将维持高位。美国限制对中国的科技技术出口，长期将加速半导体国产化进程。目前，中国在生产代工、设备、存储器、计算、模拟及数模转换芯片、射频前端、EDA软件等领域缺口较大，存在进口替代机会。存储器芯片品牌化程度较弱存储器芯片产品具有典型的大宗商品属性，差异化竞争较小，不同企业生产的产品技术指标基本相同，标准化程度较高，因此品牌化程度较弱，用户粘性低。从电子整机下游消费者角度考量：消费者通常只会考虑存储芯片的容量，如手机存储量是64G还是128G，对存储器芯片品牌不会有过多关注。从存储器芯片厂角度考量：行业壁垒高，头部企业通常体量大、投资高、规模庞大，下游整机厂在选配存储器芯片时，在产品性能、物理属性等技术性能接近的情况下，报价通常作为第一考量因素。从电子整机厂角度考量：尤其是消费类电子整机出货量通常以亿为计量单位，存储器芯片作为核心存储硬件单元，需求量与其倍数相关，巨量需求下，性价比直接决定品牌的市场份额。因此，对于存储器芯片行业，只要技术参数上达到产品需求，不同品牌的可替代率很高，这为中国存储器芯片品牌的发展提供了弯道超车的可能。物联网技术的发展物联网技术的发展使得设备的网络接入量与整体数据存储量呈现爆发式增长，直接拉动存储器芯片行业的发展。物联网是NOR Flash发展的核心推动力物联网技术的发展使近年来NOR Flash呈现市场复苏。通常，物联网接入设备的系统与手机、计算机等相比更简单，处理数据更少，对存储空间的要求较少，一般在几兆到几百兆之间。此时物联网接入设备采用NOR Flash替代传统计算机、手机等设备以DRAM和NAND Flash为核心的内存处理方案是性价比最高的选择，这使得物联网技术赋能的新设备仍能维持在当前价格水平，逐渐提高在整体产品市场的渗透率。物联网技术发展对存储器芯片行业推动作用物联网将更多常见设备接入互联网，如冰箱、空调、洗衣机、电视等。移动端电子产品及可穿戴设备市场规模的不断增大。存储空间增大提升单颗芯片售价。物联网、云计算等新增应用叠加5G基建产生巨量数据，需要更强算力更大存储量服务器支持。物联网技术赋予电子产品更强功能，需要更大内存空间支持。中国存储器芯片行业风险因素分析如现阶段全球疫情得不到有效控制，下游整机产能下降，势必对上游存储芯片行业造成产能难以爬坡与库存周期延长的负面影响。“黑天鹅”影响全年消费2020年一季度是电子消费产品发布新品旺季，在“新冠疫情”与“全球油价下跌”两只黑天鹅冲击下，2月中国制造业PMI降至35.7%，为近十五年来最低。因电子产品产业链覆盖面广，参与者众多，受不同环节、不同零部件复工复产进度不均的影响，大部分电子整机OEM厂年后产量爬坡受阻，以代工厂富士康为例，大陆生产受阻致使其母公司营收环比下降40%，创下八年新低。消费电子终端市场新品上市后产能供应不足，且市场消费信心不足。据中国信息通信研究院数据，2月中国手机市场总出货量638.4万部，同比下降56%，国产品牌手机出货量1,310.8万部，同比下降14.7%，5G手机238万部，占比37.3%，包括华为、小米、OPPO、vivo等品牌厂均受到了不同程度的影响，且未来几个月还将受到海外“疫情”的影响。整机厂产能下降对上游半导体行业景气程度产生消极影响受疫情影响，各地节后复工情况步调不一致，整机厂面临一系列疫情带来的制约因素：•供应链上下游延迟复工，或将延期投产；•物流速度降低，甚至可能出现停运；•产品入关检查的时间和财务成本或增加，为海外销售带来更高挑战。全球20%晶圆代工产能落地中国，其主要原因是靠近下游客户。虽然中国消费电子产品全链条制造资源的丰富和完善程度全球领先，仍需警惕整机厂行业寒冬期对产业链的冲击。“新冠疫情”本年度对存储器芯片产业影响全球电子产品市场消费信心下降韩国受疫情影响较重，存储器芯片出货量或将受到影响欧美日受疫情影响严重，半导体材料及设备供应受到影响制造业三大周期：产品周期、资本开支/产能周期、库存周期。产品周期是所有周期的根本，也是最长的周期。在存储芯片领域，产品周期代表的是最核心最根本的影响因素，即下游需求驱动力。如PC、手机、TWS耳机是半导体行业发展过程中的产品周期，手机周期也根据技术迭代带来的产品周期进一步细分为3G、4G、5G。1、如疫情得不到有效控制，下游整机产能下降，势必对上游存储芯片行业造成产能难以爬坡与库存周期延长的负面影响。2、同时，存储芯片如未能在二季度实现产能顺利爬坡，也会造成库存周转困难，影响产品周期健康有序向上发展的势头。储存器中国存储器芯片行业相关政策法规存储器芯片作为重要的分立器件细分应用领域，其行业的稳定发展与中国分立器件的整体发展密切相关。集成电路在电子信息产业的地位促使国家近二十年来不断出台政策鼓励行业发展，其中最直接的政策是2011年《国务院关于印发进一步鼓励软件产业和集成电路产业发展若干政策的通知》中明确对IC设计和软件企业实施所得税“两免三减半”优惠政策，该政策一直延续至今。2019年5月22日，财政部、税务总局发布公告，为支持IC设计和软件产业发展，依法成立且符合条件的IC设计企业和软件企业，在2018年12月31日前自获利年度起计算优惠期，第一年至第二年免征企业所得税，第三年至第五年按照25％的法定税率减半征收企业所得税，并享受至期满为止。此前，国常会就决定延续集成电路企业所得税优惠政策，会议决定，在已对集成电路生产企业或项目按规定的不同条件分别实行企业所得税“两免三减半”或“五免五减半”的基础上，继续实施2011年明确的所得税“两免三减半”优惠政策。中国存储器芯片行业发展趋势存储芯片迎来黄金发展期全球存储器市场从去年的供过于求演变到下半年及明年的供不应求，存储芯片价格上涨将超10%。5G手机增加存储器用量未来几年全球5G手机激活市场会从2019年的近1,000万台，爆增到2020年的1.6-2.0亿及2021年的4.0-5.0亿台，而每台5G手机都需配备8GB或以上的mobile DRAM及128-256GB的NAND闪存。与4G手机配备64-128GB的NAND Flash相比，预计手机用NAND Flash于2020-2021年增长率超30％。云服务器市场需求量的复苏受疫情影响，春节期间云端服务器客户量急剧上涨。在线医疗、在线娱乐、在线教育、在线买菜等云业务的普及使得服务器数量及服务器内存用量急剧增长。近年来，云端服务器用户大幅增长，服务器用DRAM占整体DRAM用量比例逐年上涨。由于英特尔在推出14nm++ Cooper Lake及10nm+ Ice Lake CPU数据通路自6拓展为8，数据处理效率更高，可以搭载更多内存单元，服务器内存芯片的用量将显著增加，据专家预测，2021年服务器用DRAM芯片用量占整体DRAM用量比例将达38%。中国存储芯片国产替代还有较大的发展空间全球内存及闪存产品在国际竞争市场上，基本均被韩国、日本、美国等国垄断。在DRAM领域，三星、海力士及美光为行业龙头，在NAND领域，三星、东芝、新帝，海力士以及美光、英特尔共同掌握全球话语权。当前，中国已初步完成在存储芯片领域的战略布局，但由于中国起步晚，且受到技术封锁，市场份额较少，距离全面国产替代还有较大的发展空间。存储芯片良好的发展态势将为中国在这一领域的发展提供源源不断的需求保障。IP创新与自主制造存储器的IP集中度低，面对国际技术封锁，当前中国厂商主要通过合作授权与自主研发相结合的方式获得IP版权。IP创新与自主制造是存储器芯片的两个发展方向对于存储器芯片，由于存储器芯片制程的难点在于IP和制造，头部厂商的主流经营模式为IDM模式，受制于欧美日韩对中国半导体行业的限制，中方获得IP的主要方式为合作授权与自主研发相结合的方式。DRAM的IP领域由于在DRAM领域中国厂商总体起步较晚，专利积累相对薄弱。但由于DRAM总体来说技术发展相对成熟，国际领先企业在研发领域资本投入已有所减少，这为中国厂商继续提高资本投入已实现国产替代提供了良好的机会。在此基础上中国厂商加快IP自主研发，降低成本的同时提高产品性能，从而在议价能力及定价弹性达到国际领先水平。NAND FLASH的IP领域NAND Flash的IP方面，3D NAND Flash堆叠技术自2D平面技术升级而来，由于3D堆叠技术为近年来出现的新技术，中国头部企业长江存储与国际大厂的技术差距相对较小。但在IP储备领域，中国厂商仍处于弱势地位，三星、东芝、闪迪、海力士等存储器芯片巨头厂商仍具有压倒性优势。制造领域在半导体产业向中国转移的大趋势下，国际大厂纷纷在大陆地区设厂或增大中国大陆建厂规模。据SEMI数据显示，近四年来全球投产晶圆厂超60座，其中26座位于中国大陆，占全球晶圆厂比例超40%。制造业是集成电路的核心环节，制造环节向大陆的迁移直接促进中国存储器芯片产业的发展。随着大量晶圆厂在中国的建成，中国存储器芯片将迎来先进制程技术的突破与成熟。储存器中国存储器芯片行业竞争格局当前中国基本实现NOR Flash芯片的进口替代，但在DRAM、NAND Flash芯片领域，仍与国际领先水平有不小差距。中国存储器芯片行业国产替代潜力大全球存储器芯片市场规模大且竞争激烈，当前中国已基本实现NOR Flash芯片的进口替代，但在DRAM、NAND Flash芯片领先制程领域，仍与国际领先水平有不小差距。DRAM发展道阻且长中国大陆是全球DRAM最大市场，但自给率几乎为0。现阶段，半导体产业中心已转移到中国大陆，中国大陆已是全球最大和增速最快的市场，但大陆半导体产业起步晚，自给率仅为15%左右。DRAM作为半导体和存储器最大细分市场，2018年占据全球半导体和存储器总产值的比例分别为22%和58%，中国大陆作为最大市场，销售额全球占比约为43%，但几乎完全依赖进口，自制率远低于半导体全行业水平。NAND Flash发展初步取得成果三星、海力士、东芝、西部数据、美光、英特尔等巨头在产能上持续投入。2018年，64层、72层的3D NAND闪存已成业界主力产品，2019年开始量产92层、96层的产品，到2020年，大厂们即将进入128层3D NAND闪存的量产。长江存储64层三维闪存产品的量产有望使中国存储芯片自产率从8%提升至40%。在美日韩大厂垄断下，长江存储的64层3D NAND闪存量产消息别具意义。储存器中国存储器芯片行业投资企业推荐武汉新芯武汉新芯为存储器芯片龙头企业，专注于NOR Flash与晶圆级XtackingTM技术，是紫光集团旗下核心企业。主营业务武汉新芯集成电路制造有限公司（以下简称“武汉新芯”），于2006年在武汉成立，是一家领先的集成电路研发与制造企业。专注于NOR Flash与晶圆级XtackingTM技术，致力于为全球客户提供高品质的创新产品及技术服务。作为紫光集团旗下核心企业，武汉新芯将整合集团和产业链合作伙伴的资源，并充分利用自身优势，努力为其全球客户提供高性能、高可靠性、低功耗、高性价比的产品和解决方案。公司产品•NOR FALSH代工武汉新芯自2008年开始向客户提供专业的300MM晶圆代工服务，在NOR Flash领域已经积累了十多年的制造经验，是中国乃至世界领先的NOR Flash晶圆制造商之一。•XtackingTM武汉新芯自主研发、国际先进的晶圆级三维集成技术平台XtackingTM。公司是国内首家采用硅通孔技术（TSV）来生产图像传感器的制造商，已积累了多年的大规模量产经验，产品集高性能、低功耗、高集成度的优点于一体，广泛应用于中国智能手机市场。投资亮点技术领先XtackingTM技术平台已推出硅通孔技术（TSV）、混合键合（ Hybrid Bonding）和多片晶圆堆叠技术（Multi-Wafer Stacking），为客户提供极具灵活性和创新性的晶圆级三维集成技术解决方案。质量可靠武汉新芯一直严格遵守质量管控和环境、安全、健康管理体系，并获得如汽车行业质量管理体系IATF16949、质量管理体系ISO9001等国际体系认证。战略定位进口替代武汉新芯建设的12英寸芯片项目在2008年正式投产，产品良率达到世界领先水平，结束了中国中部无“芯”的历史。在NOR Flash领域，武汉新芯达到世界领先水平。IDM2017年武汉新芯开始聚焦IDM发展战略，发布了集产品设计、晶圆制造与产品销售于一体的自主品牌，致力于开发高性价比的SPI NOR Flash产品长江存储长江存储是一家专注于3D NAND闪存芯片设计、生产和销售的IDM存储器公司，致力于成为全球领先的NAND闪存解决方案提供商。企业概况长江存储科技有限责任公司（以下简称“长江存储”），总部位于武汉，是一家专注于3D NAND闪存设计制造一体化的IDM集成电路企业，同时也提供完整的存储器解决方案。长江存储为全球合作伙伴供应3D NAND闪存晶圆及颗粒，嵌入式存储芯片以及消费级、企业级固态硬盘等产品和解决方案，广泛应用于移动通信、消费数码、计算机、服务器及数据中心等领域。投资亮点长江存储进入到3D FLASH领域之前，中国一直没有大规模存储芯片的生产，未来，随着云计算、大数据的发展，人类对数据存储要求是越来越高，三维闪存存储芯片是高端芯片一个重要领域，其量产也标志着中国离国际先进水平又大大跨近一步，把中国产品水平跟海外的先进水平缩短到了一代。主营业务长江存储专注于3D NAND闪存晶圆及颗粒，嵌入式存储芯片以及消费级、企业级固态硬盘等产品和解决方案，广泛应用于移动通信、消费数码、计算机、服务器及数据中心等领域。领先产品•2017年10月，长江存储通过自主研发和国际合作相结合的方式，成功设计制造了中国首款3D NAND闪存•2019年9月，搭载长江存储自主创新Xtacking架构的64层TLC 3D NAND闪存正式量产•目前，长江存储正跨越96层制程弯道追赶国际领先128层制程发展战略•长江存储实行纵向一体化的经营模式，具备识别客户需求、进行产品设计、准备原辅材料、封测、销售及持续服务全产业链经营能力。可基于客户需求实现定制化芯片制造长江存储64层三维闪存是全球首款基于Xtacking架构设计并实现量产的闪存产品，拥有同代产品中最高存储密度。•创新的Xtacking技术只需一个处理步骤就可通过数十亿根垂直互联通道（VIA）将两片晶圆键合，相比传统三维闪存架构可带来更快的传输速度、更高的存储密度和更短的产品上市周期。长鑫存储长鑫存储专业从事DRAM存储器芯片的研发、生产和销售，目前已建成第一座12英寸晶圆厂并投产。企业简介合肥长鑫存储技术有限公司（以下简称“长鑫存储”），事业开始于2016年。长鑫存储专业从事动态随机存取存储芯片(DRAM)的研发、生产和销售，目前已建成第一座12英寸晶圆厂并投产。DRAM产品广泛应用于移动终端、电脑、服务器、人工智能、虚拟现实和物联网等领域，市场需求巨大并持续增长产品介绍长鑫存储的8Gb LPDDR4规格的DRAM芯片已经投片，相较于上一代DDR3内存芯片,DDR4内存芯片拥有更快的数据传输速率、更稳定的性能和更低的能耗。长鑫存储自主研发的DDR4内存芯片满足市场主流需求，可应用于PC、笔记本电脑、服务器、消费电子类产品等领域。高速数据传输多领域应用支持可靠性保障主流市场需求匹配多产品组合战略定位12寸晶圆制造母公司兆易创新宣布与合肥市产业投资控股集团签署合作协议，以长鑫存储为载体研发19纳米制程的12寸晶圆DRAM，总预算为人民币180亿元。国产替代预计将在全球DRAM市场占得约8%的市场份额填补国产DRAM存储器在本国市场的空白投资亮点自主研发长鑫存储聚集了集成电路行业的领袖，研发、设计及制造的专家，以及国际化的经营管理团队，不断创新，积极培养本地优秀人才，是具有尖端技术开发能力和工艺制造能力的“中国创造”模范企业。技术领先长鑫存储也是全球第四家DRAM产品采用20纳米以下工艺的厂商。另外三家是目前DRAM存储的三大巨头，三星、SK海力士、美光。这三家的DRAM全球市占率超过95%。参考文献来自：头豹、驭势资本研究所END来自微信

神经形态晶体管研究进展 光刻人的世界2020年12月28日18:45神经元是大脑信息处理的基本单元，突触则是神经元之间在功能上发生联系的部位，也是信息传递和处理的关键部位。从底层出发研制具有生物突触和神经元功能的固态器件与系统对于研制超低功耗“类脑芯片”和实现全新一代人工智能系统意义十分重大。其中多端口晶体管由于其独特的电容耦合机制，多元化的界面调控手段和丰富的材料选择等优点，最近引起了科研界的广泛关注。从铁电突触晶体管、双电层/电化学突触晶体管、光电突触晶体管3类器件介绍近年来神经形态晶体管的研究进展，并总结该类器件面临的机遇和挑战。引言人脑是一个大规模并行计算结构，通过突触传递输入信息，能够实时处理接收到的各类信息，每个突触事件仅消耗1～10fJ，其高效和超低功耗一直为全人类所惊叹。大脑由大约1011个神经元组成，每个神经元可以通过1000多个突触与其他神经元连接。这些神经元和突触连接排列在三维空间中，形成了一个复杂的信息处理神经网络，它是人类所有感知、思想和行为的基础。在当今社会，人类已经步入了大数据时代，每天都要进行大量的数据传输和储存，这些工作如今主要都依赖于传统的计算机处理系统，其功不可没，然而传统计算机也面临着许多 的挑战。（1）构筑传统计算机的主要器件CMOS晶体管发展到当前工艺已经很难遵循摩尔定律了，传统计算机很难实现更小尺寸的高效处理模式；（2）传统计算机的构架遵循冯·诺依曼结构，其结构中CPU和内存是分开的。两者之间的大量数据传输不利于计算系统的效率提升，功耗降低，体积减小，即达到了“冯·诺依曼瓶颈”[1]。众所周知，相对于传统计算机，人脑能够快速处理复杂信息，同时学习和记忆，并且能耗非常低，体积很小，其高效和强大引起了众多科学家的关注[2-3]。受大脑这样的生物超级计算机的强大能力鼓舞，利用电子器件构筑一个能够自学习低功耗类脑计算机的神经形态工程理念于几十年前就已经提出来了。发展至今，科学家们提出类脑神经计算可由两类途径实现，分别是软件模拟和硬件实现。目前基于软件模拟的方法往往需要消耗大量的能量和占据很大的空间。IBM曾用超级计算机（Blue Gene）来进行软件模拟，其电功耗高达1.4兆瓦[4]。此外，软件模拟的途径是通过计算机大量串行处理进行计算，因此不能高效地模拟神经网络的并行处理机制。基于硬件实现的途径是利用高集成度的电子器件来构建人工神经元网络。突触作为神经元的功能连接部位，能够高效地处理和传递信息，也是计算和学习的基本单位。因此，设计并制备出具有突触功能的电子器件装置对于实现类脑计算体系存在着非凡的意义。神经系统中，突触作为一种特殊的结构，它能够将电信号转化为化学信号，再转化为电信号，从而进行神经元之间的信息传递。根据后神经元响应的电信号不同可分为兴奋性突触电流/后电位（excitatory post-synaptic current/potential, EPSC/EPSP）和抑制性突触后电流/后电位（inhibitory postsynaptic current/potential,IPSC/IPSP）。前神经元和后神经元之间的连接强度被定义为突触权重，许多突触权重变化的研究统称为突触可塑性。根据保留时间的不同，突触可塑性可以简单地分为短程可塑性（short-term plasticity,STP）和长程可塑性（long-term plasticity, LTP）。STP发生在毫秒到分钟之间，是神经网络计算功能的生理基础。双脉冲易化（pairedpulse facilitation,PPF）是STP的一种表现形式，当第二个输入信号跟第一个输入信号时，突触后信号被放大。PPF可参与一些神经元任务，如简单的学习和信息处理。LTP表示持续几个小时或更长时间的可塑性变化，将给神经网络带来永久性的变化，从而使大脑能够存储大量的信息。Hebb假设认为持续和反复刺激突触前神经元，可导致突触后神经元突触传递效率的提高[5]。时间依赖突触可塑性（spiketiming-dependent plasticity,STDP）概念的提出进一步完善了Hebb的理论，指出突触前和突触后尖峰的时间关系可以调节突触权重[6]。除STDP外，频率依赖突触可塑性（spike-rate-dependent plasticity,SRDP）是另一个基本的学习机制，突触权重可以通过控制突触前脉冲频率来改变，高于特定频率阈值的高频突触前脉冲将引起突触后反应增强，而低于特定频率阈值的低频突触前脉冲会导致这种反应的抑制[7]。近年来，大量的电子器件被构筑出来模拟突触塑性以期其在类脑神经形态工程中的突破和应用。其中两端器件如忆阻器、相变存储器、原子开关等，由于它们具有结构简单、功耗低、物理体积小、易于大规模集成等优点已被广泛应用于模仿突触功能[8-9]。然而，这些器件很难同时执行信号传输和自学习功能，大大阻碍它们在先进类脑神经形态工程中的进一步应用[10]。三端/多端突触晶体管不仅克服了二端器件很难同时执行信号传输和自学习的缺点，还具有稳定性好、测试参数相对可控、运行机制清晰、可由多种材料构成等优点[11]。通过适当的材料选择和结构设计，三端/多端突触晶体管可以将外界的刺激（光、压力、温度等）转换成电信号，从而实现对外界环境直接响应的人工突触[12-13]。此外，模拟需要多端操作的并行学习和树突整合可以很容易地在基于三端/多端突触晶体管的人工突触中实现，这为开发具有较少神经元件的神经网络开辟了可能 性。因此，三端/多端突触晶体管可能比其他类型的器件更适合模拟突触功能。基于三端/多端突触晶体管的人工突触的研究越来越受到重视，但这一领域还处于起步阶段。本文综述和讨论了包括铁电突触晶体管、双电层/电化学突触晶体管和光电突触晶体管在内的三端/多端晶体管的工作原理和近年来的主要进展，以期对今后的研究有所启发。铁电突触晶体管铁电场效应晶体管（ferroelectric field-effect transistors,FeFETs）具有编程速度快、无损读出、开关比大、低功耗等优点，在人造电子突触仿生学方面有广泛的应用前景[14]。FeFETs应用于突触晶体管的工作原理是由于具有高介电常数能够自发极化的铁电材料作为其绝缘层，通过电压可以调控铁电材料的极 化状态，从而改变沟道载流子密度，而沟道电导非易失性改变实现了突触功能的模拟。此外，每一个脉冲电压都会改变铁电材料的细微极化状态，因此也会在沟道中得到不同的电导。利用这种多级化非易失性的变化可用于记录突触权重，许多科学家利用这一性质模拟了突触的STDP学习功能。2014年，Kaneko等[15]提出基于ZnO/Pr(Zr,Ti)O3/SrRuO3/Pt结构的铁电晶体管构筑神经网络。利用铁电材料Pr(Zr,Ti)O3(PZT)的多极化效应可调控晶体 管中沟道ZnO中电导的大小，这种调节变化可保持很长的时间，类似长程可塑性。使用此铁电晶体管成功地模拟了生物突触中的STDP学习规则，此外为了实现模式识别功能利用此器件搭建了神经网络结构，其原理是由于STDP学习规则进行了学习和记忆，其网络结构中的权值分布会发生改变，进行识别操作过程时，当输入一定模式时，神经网络会召回最接近曾经学习过的模式形成输出信号。虽然基于PZT的铁电晶体管在模拟突触方面表现出很好的塑性行为，但其固有的铅含量，不可避免地会给人类和环境带来危害。近年，Kim等[16]报道了一种如图1（a）所示以24nm HfZrOx为铁电绝缘层10nm InGaZnO为沟道层的突触晶体管。HfZrOx首先由ALD在280℃的腔体温度下沉积，然后在400℃氮气 氛围下退火1min形成铁电绝缘层。通过改变施加的电压脉冲的振幅，可以精细地调制通道的电导。此外，如图（1b）所示构筑的铁电晶体管表现出很好的增强和抑制塑性，例如高的模拟状态数（64）、良好的线性（Ap,-0.8028；Ad,-0.6979）和Gmax/Gmin比值>10。受其良好性能的鼓舞，设计了一个如图1（c）所示具有400个输入神经元、100个隐藏神经元和10个输出神经元的多层感知器神经网络。经过多阶段训练，实现了手写数字91.1%的识别准确度，接近理想突触神经网络94.1%的识别率，如图1（d）所示。氧化物铁电材料通常需要较高的结晶温度，这限制了其在塑料基板上大面积电子器件的应用。此外，其固有刚性也限制了其在柔性和可穿戴电子设备领域的应用。图1.无机铁电晶体管的神经形态应用与氧化物铁电体相比，有机铁电体可以克服氧化物铁电体的这方面的局限性。Jang等[17]报道了以有机PVDF-TrFE薄膜作为铁电绝缘层的超薄（500nm） 突触晶体管，如图（2a）所示。它可以独立存在，无需基底或封装层，利用简单的干法剥离和粘贴方法，所制备的器件可以稳定地转移到如图2（b）所示的二氧化硅、纺织品、牙刷、果冻、糖果等各种均匀和不均匀的基板上。通过对有机铁电绝缘层的极化调节，成功地实现了短程可塑性（STP），长程可塑性（LTP），长程抑制（LTD），时间依赖突触可塑性（STDP）等重要的突触功能，如图2（c）～（e）。为了验证超薄有机突触晶体管能在苛刻的弯曲条件下保持其稳定的突触功能，他们在R=50µm，ε=0.48％的折叠条件下测试了器件突触的突触塑性，图2（f）展现了苛刻的弯曲条件下施加6000个脉冲器件表现 出稳定的长期增强和长期抑制突触塑性。这项工作表明了超薄柔性有机人工铁电突触器件是实现未来可穿戴智能电子的关键技术之一。图2.超薄柔性有机铁电晶体管的突触塑性双电层/电化学突触晶体管双电层/电化学突触晶体管（electric-double-layer/electrochemical synaptic transistors）由于其栅介质层中离子可以自由移动，在电场诱导作用下进行迁移、积聚进而改变沟道导电特性。晶体管中的栅电极可以看作是突触前膜，沟道层可以看作是突触后膜，沟道电导可以看作是突触重量，这种类似于突触的工作模式使其在低功耗，柔性突触仿生学领域展现了广泛的应用前景。在外电场作用下界面处由于静电耦合积累电荷层的晶体管称为双电层薄膜晶体管[18]，而对于有些离子可渗透的半导体，当施加的外电场过大，离子可从栅介质层中渗透进沟道层中进而改变沟道电导的工作原理是电化学掺杂，其晶体管称之为电化学薄膜晶体管[19]。突触电子学中常用易失性的静电耦合作用和非易失性的电化学掺杂/脱掺杂这两种机制来模拟突触的短程和长程可塑性。此外，双电层/电化学突触晶体管一个出众的方面是在低功耗方面已经能够实现生物学中单个突触事件的能量消耗（大约10fJ/spike）[20]，这为实现超低功耗突触器件打下了坚实的基础。无机半导体具有良好的稳定性和较高的载流子迁移率，在三端双电层/电化学突触晶体管中彰显着巨大的应用潜力。近年来用于突触器件的无机半导体材料有很多，包括碳纳米管[20]，石墨烯[21]，二硫化钼[22]，铟锌氧[11]，铟镓锌氧[23]等。碳纳米管具有纳米尺寸和独特的电学性质，被认为是未来电子电路中 替代硅的潜在材料。2013年，Kim等[20]报道了以碳纳米管作为沟道层，氢掺杂聚乙二醇单甲醚（PEG）作为栅介质层的突触晶体管，其结构示意图如图3 （a）所示。在施加电压脉冲之前，聚合物中的氢离子是随机分布的。当正电压脉冲作用于碳纳米管突触器件的栅极时，氢离子开始定向移动，最终由于静电 耦合效应形成双电层，进而调节碳纳米管沟道中载流子浓度，导致沟道电流的增加。脉冲结束后，由于浓度梯度的存在，电解质/沟道界面附近的氢离子会从界面处开始慢慢扩散，使沟道电流继续减小直至稳定，如图3（b）。基于离子迁移和非易失性静电耦合效应，该晶体管成功地模拟了EPSC、PPF、动态逻 辑、长程增强塑性、长程抑制塑性和STDP等典型的突触功能。图3.碳纳米管突触晶体管示意图及突触前电压脉冲触发的EPSC石墨烯具有优异的热稳定性、超薄的层状结构和良好的力学性能，是一种应用于高集成度柔性电子器件领域的理想材料。Sharbati等[21]利用聚氧化乙烯（PEO）中的LiClO4作为固体电解质，被剥落下来的石墨烯原子层作为沟道层。栅电极模拟突触前膜，固体电解质模拟神经元间传导离子的突触裂缝。通过控制石墨烯层中锂离子的浓度，实现了对石墨烯器件电导的可逆精确调节。在这个电化学石墨烯突触器件中模拟了突触的增强和抑制塑性。当向石墨烯器件施加50pA、10ms的输入电流时，沟道电阻立即下降30Ω，然后衰减到稳定状态，此时的电阻比初始状态小10Ω，这种现象模拟了兴奋性突触的突触权重变化，电导的永久性变化是锂掺杂的非易失性造成的。在应用一系列不同参数的脉冲后，还观察到LTP和LTD行为。STDP塑性也在这种电化学突触中通过应用双脉冲可编程方案得到了证实。种种突触行为的成功模拟预示着这种电化学石墨烯突触晶体管有可能成为神经形态计算的硬件实现方案之一。近年来，原子层状的2D材料已经引起了纳米器件的广泛关注，在各类先进的电子器件方面表现出很好的应用前景。Jiang等[22]制备了一种以聚乙烯醇（PVA）质子传导电解质为栅介质层的多栅调控2D MoS2突触晶体管。共面金属电极2DMoS2分别被认为是突触前膜和突触后膜。通过调控多个突触前输入端可以在这样的2D MoS2神经形态晶体管中进行时空耦合。基于2D MoS2的器件中已经成功模拟了EPSC、PPF、动态滤波器、时空信号树状积分等突触行为。此外，乘法神经编码和神经元增益调制也被成功证明。这种2D MoS2神经形态装置对于在二维纳米级神经形态认知系统中实现有趣的人工智能具有重要意义，如方向选择性、目标识别、感知处理等。金属氧化物半导体由于其高的载流子迁移率、优异的光学透明性、良好的稳定性以及可大面积制备等优点使其成为人工突触晶体管的潜在候选沟道材料。其中铟锌氧（IZO）和铟镓锌氧（IGZO）是应用最广泛的氧化物材料。Zhu等[11]提出了一种基于磷（P）掺杂纳米颗粒SiO2薄膜质子横向耦合效应的IZO突触晶体管。如图4（a）所示，不需要底部导电，并且栅极电压可以仅通过一个横向双电（EDL）电容直接耦合到IZO半导体实现横向调控。使用该器件模拟了一系列短程可塑性行为，包括两个脉冲时间间隔Δtpre越小可获得较高的PPF数值的双脉冲易化（如图（4b）所示），高频信号越多，突触权重在短时间内增加越多的高通滤波行为（如图4（c）所示）以及时空相关动态逻辑测试（如图4（d））。此外，这种横向耦合的突触晶体管可以很容易扩展到多个输入栅极，以构建突触相互作用的功能。这里提出的这种基于质子传导电解质的横向耦合IZO晶体管对突触电子学和神经形态工程具有重要意义。图4.横向耦合IZO晶体管的突触塑性2019年，He等[23]展示了一种基于金属氧化物铟镓锌氧（IGZO）多端口神经晶体管，模拟了不同时空输入模式的树突辨别，其结构示意图如图5（a）所 示。首先，该器件模拟了突触可塑性的调节行为，如双脉冲易化和高通时间滤波。然后在多端神经晶体管中实现了不同时空输入模式的树突识别，说明它可以作为基本皮层计算的时空信息处理单元，大大减小神经形态系统的规模和复杂性，提高人工神经网络的效率。最后，作为一个时空信息处理的例子，一个有趣的工作——通过基于这种多端IGZO神经晶体管的人工神经网络来模拟人脑的声音定位功能被提出来，利用双耳效应在人脑中定位声音的示意图如图5（b）所示。如图5（c）所示，当声音来自右侧方向时，POSTN1首先处理弱突触传递的信号，然后处理强突触传递的信号。POSTN2首先处理强突触传递的信号，然后处理弱突触传递的信号。因此，在最后一个PREN信号出现时，POSTN1（IPOST1）的突触后电流幅度大于POSTN2（IPOST2）。同样，如果声音是从左方发出的，则IPOST2的振幅大于IPOST1的振幅。最后一个PREN信号时，IPOST和IPOST1的振幅与PREN 2和PREN1峰值（TPREN2-TPREN1）的相对时间和声音方位角的比值如图（5d）所示。最后一个PREN信号时，IPOST1和IPOST2之间的差变随着PREN 1和PREN 2峰值相对时间的变化。当时差为0ms时，比率为1。当时间差在25～1000ms变化时，比值大于1，并且随着时间差的增大而增大。当时间差在-1000～-25ms之间变化时，比值小于1，并且随着时间差的增大而增大。这种与时间相关的识别表明了人工神经网络对声音方位角的检测功能。图5.多端双电层晶体管神经形态模拟有机半导体由于其成本低，化学多功能性强，柔性可弯曲，易于加工等优点被国内外各大实验室所研究，其也被用来制备有机电化学晶体管来模拟突触塑性。2015年，Gkoupidenis等[24]首次报道了使用PEDOT:PSS作为沟道层，KCl 电解质作为栅绝缘层的低功耗有机电化学神经形态晶体管。电解液中的离子由于电场作用会被注入到PEDOT:PSS聚合物中以改变其空穴掺杂水平，从而调节流经通道的空穴电流。当脉冲电压被移除时，由于先前注入的离子会扩散回电解质，PEDOT:PSS将恢复到原来的状态。基于PEDOT:PSS的电化学突触晶体管实现了双脉冲抑制（PPD）和动态滤波特性等典型的突触行为。近年来，Qian等[25]将聚（3-己基噻吩）（P3HT）旋涂在SiO2/Si衬底上作为沟道层，热沉积了金作为源、漏和栅电极，最后将配比的离子凝胶作为栅绝缘层制备了有机电化学晶体管，其结构如图6（a）所示。利用施加在栅极的脉冲电压作为输入刺激，沟道电导变化代表突出权重。该突触晶体管成功模拟了后突触兴奋电流（如图（6b）所示），当施加脉冲栅电压，阴离子从离子凝胶移动到栅绝缘层与沟道层的界面处，从而形成EDL。因此，P3HT中的空穴积聚在半导体和离子凝胶的界面上，导致通道电导增加。在脉冲电压撤去后，阴离子开始扩散，回到它们在离子凝胶中的初始分布，因此PSC恢复到原来的状态。基于P3HT的有机电化学晶体管也实现了自我调整（如图6（c）所示）。当一系列的输入脉冲电压施加时，双脉冲易化出现在前两个尖峰上，但随后EPSC值随着脉冲电压的持续增加而减少，这种现象与生物兴奋性突触的适应性相同。此外，如图6（d）所示该突触晶体管还实现了双栅调控的OR逻辑。图6.有机电化学晶体管的突触塑性模拟光电突触晶体管光电突触晶体管（optoelectronic synaptic transistors）是构成神经形态计算系统的另一基本方法，利用这种新型人工装置模拟突触行为具有高效节能的优势。相对于传统的突触装置需要额外的传感器来进行光电转换。而以光为输入信号的光电神经形态器件，不仅将视觉、信息处理和记忆结合在一起，而且具有带宽高、鲁棒性强、并行性好等优点，适用于模拟人眼视网膜神经元等功能[26-27]。2018年，Yang等[28]制造了基于铟镓锌氧（IGZO）双电层（EDL）晶体管的电阻负载反相器用于光电突触器件应用。这种光电人工突触装置可以模拟突触 行为，如兴奋性突触后电位（EPSP），双脉冲易化（PPF）和长期可塑性等。整个器件可以看作是一种低压光电人工突触。其施加在IGZO通道层上的光脉冲 ，输出电位和沟道的电导改变分别被视为输入信号，突触后电位（PSP）和突触权重，其结构示意图如图7（a）所示。图7（b）的上部和下部分别描绘了不同光脉冲功率（232mw/cm²在和176mw/cm²）在不同栅压下刺激的EPSP曲线。从图中观察到更强的光脉冲信号导致更显著的反应，输出端电位从基态急 剧升高，达到峰值后，突触后电位逐渐回落。在这个过程中，通道电阻被输入光脉冲调制，导致输出电压相应地改变。图7（c）显示了两个连续的突触前光脉 冲触发的EPSP（PPF塑性行为），由第二个突触前光脉冲触发的EPSP的振幅比由第一个突触前光脉冲刺激的EPSP的振幅大1.37倍。图7（d）描述了不同 栅压下，刺激次数累积时，器件突触权重变化情况。图7.基于铟镓锌氧（IGZO）双电层（EDL）晶体管的光电突触塑性同年，Dai等[29]报道了一种有机场效应晶体管的光电突触装置，该装置使用聚丙烯腈（PAN）膜作为介电和电荷捕获层，PAN介质薄膜的强极性官能团可以在沟道/栅介质的界面上产生很强的电荷俘获效应。界面处光生电荷的捕获和去捕获过程为OFET提供了突触行为，如EPSC和PPF。此外，通过调节光刺激参数（包括光脉冲宽度、强度和光脉冲数量），实现了类似于人脑的记忆和学习行为。包括EPSC衰退和遗忘等行为。Wang等[30]报道了一种无机卤化物钙钛矿（CsPbBr3）量子点（QD）的光子突触。将厚度为30nm的CsPbBr3QD层旋涂到100nm厚的SiO2的Si衬底上。超薄的聚甲基丙烯酸甲酯（PMMA）层被旋涂在顶部作为钝化层。然后在PMMA顶部沉积p型并五苯作为半导体沟道。最后通过热蒸发和掩膜版技术沉积金的源、漏电极，该器件结构如图8（a）所示。器件中CsPbBr3量子点和半导体层之间形成的异质结构是该器件的光学可编程和电可擦除特性的基础。在栅极作用下，CsPbBr3量子点中的光生空穴通过能带调控下很容易注入到半导体层，而电子则留在CsPbBr3量子点中。而由于势阱的存在，留在CsPbBr3量子点中电子能保持较长时间从而产生类似突触的记忆效应。想要完全擦除这种记忆效应则需要加一个足够的负栅极电压。利用这种特性，通过光脉冲宽度、光脉冲强度和光脉冲波长等光刺激参数，有效地模拟了EPSC、PPF、PPD等突触塑性，如图（8b）～（d）所示。此报道中光电突触装置的制备有望为今后神经形态器件的设计提供新的思路。图8.有机场效应晶体管的光电突触塑性总结和展望近10年来，在神经形态工程的飞速发展进程中，基于硬件途径实现人造突触得到了充分的重视和研究，从模拟生物突触或神经元行为，到复杂的神经形 态计算 ，都取得了显著的进展。其中三端口晶体管由于具有稳定性好、测试参数相对可控、运行机制清晰、可由多种材料构成等优点在众多被构筑出来用以模拟突触行为的电子器件中脱颖而出。通过适当的材料选择和结构设计，三端/多端突触晶体管可以将外界的刺激（光、压力、温度等）转换成电信号，从而实现对外界环境直接响应的人工突触。此外，三端/多端突触晶体管还具有同时执行信号传输和自学习的优势，而且模拟需要多端操作的并行学习和树突整合可以很容易地在基于三端/多端突触晶体管的人工突触中实现，这为开发具有较少神经元件 的神经网络开辟了可能性。本文讨论了包括铁电突触晶体管、双电层/电化学突触晶体管和光电突触晶体管在内的三端/多端晶体管近年来的最新进展。它们有各自的优缺点，其中铁电场效应晶体管具有编程速度快、无损读出、开关比大、低功耗等优点。然而部分改变铁电材料的极化状态通常需要较大的工作电压，铁电材料的稳定极化状态使其易于实现LTP，但是很难实现STP；双电层/电化学突触晶体管在实现逻辑功能、树突整合和人工树突神经元方面优于其他类型的器件。此外，双电层/电化学晶体管的低压工作特性也为实现超低能耗的突触器件提供了可能。然而，器件的耐用性和电解质的不稳定性可能是双电层/电化学突触晶体管的主要限制；在光电突触晶体管方面，以光为输入信号的光电神经形态器件，不仅将视觉、信息处理和记忆结合在一起，而且具有带宽高、鲁棒性强、并行性好等优点，适用于模拟人眼视网膜神经元等功能。然而，利用光信号实现抑制性突触仍然是一个很大的挑战。这些器件各有优缺点，根据特定应用程序的要求，一种类型的器件可以优先于其他类型的器件。神经形态工程旨在构建具有超低能耗的鲁棒类脑计算机，利用新兴的突触装置来实现人工神经网络已经有了很多成功的尝试，然而神经形态器件领域所面临的一些主要问题和挑战仍需要我们不断进取努力。例如：目前所报道的突触器件模拟的小部分突触行为，完整的人造突触功能还需进一步研究完善；对于能够模拟生物神经元信息处理功能的神经形态器件的研究还仅限于少数报道，迫切需要更 深入的研究；目前科学对人脑的功能和运行机制的了解还在初步阶段。虽然目前这一领域还处于起步阶段，但是在未来，期待利用大量人造突触晶体管模拟类似于感官（视觉、听觉、运动、嗅觉）这样复杂的人类神经系统。相信通过物理、化学、材料学、计算机和医学等科学领域的跨学科交流，类脑神经形态工程将获得不断的革新进步和应用，先进的人工智能系统将促进人类在服务行业、个人医疗、教育和交通等领域的生活。文献引用：朱力，万青. 神经形态晶体管研究进展[J]. 微纳电子与智能制造, 2019, 1(4): 39-50.Research progress of neuromorphic transistors[J]. Micro/nano Electronics and Intelligent Manufacturing, 2019, 1(4): 39-50.《微纳电子与智能制造》刊号：CN10-1594/TN主管单位：北京电子控股有限责任公司主办单位：北京市电子科技科技情报研究所北京方略信息科技有限公司投稿邮箱：tougao@mneim.org.cn（网站：www.mneim.org.cn）参考文献:[1] BACKUS J. Can programming be liberated from the von Neumann style? a function style and its algebra of programs[J]. Communications of the ACM, 1978, 21(8): 613-641. [2] DRACHMAN D A. Do wo have brain to spare[J]. Neurology, 2005, 64 (12):2004-2005. [3] FURBER S. To build a brain[J]. Spectrum IEEE, 2012, 49(8): 44-49. [4]MARKRAM H. The blue brain project[J]. Nature Reviews Neuroscience, 2006, 7(2): 153-160.[5] MARKRAM H, GERSTNER W, SJÖSTRÖM P J. A history of spike-timing-dependent plasticity[J]. Frontiers in Synaptic Neuroscience, 2011, 3(4): 4. [6] CAPORALE N, DAN Y. Spike timing-dependent plasticity: a hebbian learning rule[J]. Annual Review of Neuroscience, 2008, 31(1): 25-46. [7] RACHMUTH G, SHOUVAL H Z, BEAR M F, et al. A biophysically- based neuromorphic model of spike rate- and timing-dependent plasticity[J]. Proceedings of the National Academy of Sciences, 2011, 108(49): E1266-74. [8] PREZIOSO M, MERRIKH-BAYAT F, HOSKINS B D, et al. Training and operaion of an integrated neuromorphic network based on metal- oxide memeristors[J]. Nature, 2015, 521(7550): 61-64. [9 ] XU W, LEE Y, MIN S Y, et al. Simple, inexpensive, and rapid approch to fabricate cross- shaped memristors using an inorganic- nanowire- alignment technique and a one- step reduction process[J]. Advanced Materials, 2016, 28(3): 527-532. [10] NISHITANI Y, KANEKO Y, UEDA M, et al. Three-terminal ferroelectric synapse device with concurrent learning function for artficial neural networks[J]. Journal of Applied Physics, 2012, 111(12): 124108-1-124108-6. [11] ZHU L Q, WAN C J, GUO L Q, et al. Artificial synapse network on inorganic proton conductor for neuromorphic systems[J]. Nature Communications, 2014, 5: 3158. [12] DAI S, WU X, LIU D, et al. Light- stimulated synaptic devices utilizing interfacial effect of organic field-effect transistors[J]. ACS Applied Materials & Interfaces, 2018, 10 (25): 21472-21480. [13] WANG K, DAI S, ZHAO Y, et al. Light-stimulated synaptic transistors fabricated by a facile solution process based on inorganic perovskite quantum dots and organic semiconductors[J]. Small, 2019, 15(11): 1900010-1-19000010-8. [14] MILLER S L, MCWHORTER P J. Physics of the ferroelectric nonvolatile memory field effect transistor[J]. Journal of Applied Physics, 1992, 72(12): 5999-6010. [15] KANEKO Y, NISHITANI Y, UEDA M. Ferroelectric artificial synapases for recognition of a multishaded image [J]. IEEE Transactions on Electron Devices, 2014, 61 (8): 2827-2833. [16] KIM M K, LEE J S. Ferroelectric analog synaptic transistors[J]. Nano Letters, 2019, 19(3): 2044-2050. [17] JANG S, JANG S, LEE E -H, et al. Ultrathin comformable organic artificial synapses for wearable intelligent device applicatios[J]. ACS Applied Materials & Interfaces, 2019, 11(1): 1071-1080. [18] MIN Y, AKBULULUT M, SANGORO J R, et al. Measurement of forces across room temperature ionic liquids between mica surfaces[J]. The Journal of Physical Chemistry C, 2009, 113(37): 16445-16449. [19] KIM S H, HONG K, XIE W, et al. Electrolyte-gated transistors for organic and printed electronics[J]. Advanced Materials, 2013, 25(13): 1822-1846. [20] KIM K, CHEN C L, TRUONG Q, et al. A carbon nanotube synapse with dynamic logic and learning[J]. Advanced Materials, 2013, 25(12): 1693-1698. [21] SHARBATI M T, DU Y, TORRES J, et al. Low- power, electrochemically tunable graphene synapses for neuromorphic computing[J]. Advanced Materials, 2018, 30 (36): 1802353. [22] JIANG J, GUO J, WAN X, et al. 2D MoS2 neuromorphic devices for brain- like computational systems[J]. Small, 2017, 13(29): 1900933-1-1700933-11. [23] HE Y L, NIE S, LIU R, et al. Spatiotemporal information processing emulated by multiterminal neuro- transistor networks[J]. Advanced Materials, 2019, 31(21): 1900903-1-19000903-8. [24] GKOUPIDENIS P, SCHAEFER N, GARLAN B, et al. Neuromorphic functions in PEDOT: PSS organic electrochemical transistors[J]. Advanced Materials, 2015, 27 (44): 7176-7180. [25] QIAN C, SUN J, KONG L A, et al. Artificial synapses based on in- plane gate organic electrochemical transistors[J]. ACS Applied Materials & Interfaces, 2016, 8 (39): 26169-26175. [26] KURAMOCHI E, NOZAKI K, SHINYA A, et al. Largescale integration of wavelength- addressable all- optical memories on a photonic crystal chip[J]. Nature Photonics, 2014, 8(6): 474-481. [27] GHOLIPOUR B, BASTOCK P, CRAIG C, et al. Amorphous metal- sulphide microfibers enable photonic synapses for brain-like computing[J]. Advanced Optical Materials, 2015, 3(5): 635-641. [28] LI H K, CHEN T P, LIU P, et al. A light-stimulated synaptic transistor with synaptic plasticity and memory functions based on InGaZnOx- Al2O3 thin film structure [J]. Journal of Applied Physics, 2016, 119(24): 244505- 1-244505-5. [29] DAI S L,WU X H, LIU D P, et al. Light-stimulated synaptic devices utilizing interfacial effect of organic fieldeffect transistors[J]. Applied Materials & Interfaces, 2018, 10(25): 21472-21480. [30] WANG Y, LV Z Y, CHEN J R, et al. Photonic synapses based on inorganic perovskite quantum dots for neuromorphic computing[J]. Advanced Materials, 2018, 30 (38): 1802883-1-1802883-9.来自微信