把 “遗忘” 变算力！AI半导体实现免复位时序计算

研究人员首次证实，“遗忘能力” 可以作为人工智能的全新计算功能。首尔大学工学院材料科学与工程系Min Hyuk Park教授团队，联合成均馆大学Jung Ho Yoon教授团队，开发出一款基于反铁电材料的AI半导体器件。该器件可以临时存储近期输入数据，同时自动遗忘旧信息。研究团队将以往被视作器件缺陷的 “自然遗忘” 特性，转化为处理时序信息的核心计算功能。

该技术可以持续处理随时间陆续到来的数据，例如语音、生物信号、环境传感器数据，无需额外复位操作。有望成为低功耗边缘AI系统的关键技术，可应用于语音识别设备、可穿戴医疗设备、自动驾驶传感器以及工业物联网场景。

相关成果发表于《Advanced Science》期刊。该器件无需单独复位，即可连续处理复杂时序信号；同时也是首次将氧化锆（ZrO₂）基反铁电隧道结（AFTJ）用作物理储备计算（PRC）器件。

首尔大学‑成均馆大学联合研究团队利用器件的 “遗忘能力” 完成半导体股市预测。

遗忘成为一项器件功能

语音、心电信号、环境传感器这类随时间变化的信息，处理时不仅要看当前数值，还需要结合紧邻的前序输入。原理类似人类理解对话，需要记住刚刚听到的内容。

但传统AI硬件受限于速度与能效，数据需要在存储器与计算单元之间反复搬运。基于非易失性器件的储备池系统往往还需要复位操作清除历史状态。行业亟需一种器件级短时记忆：只在有限时间内保留近期信息，自动擦除老旧数据。

可调控两端器件架构

为解决上述难题，研究人员利用反铁电材料的特性：施加电压时器件状态发生改变，撤去电压后会自发恢复原始状态。研究团队制备了结合氧化锆与非晶铟镓锌氧化物（a‑IGZO）的两端器件；调整IGZO组分，让微小的状态变化都可以转化为可区分的电流差异。经过优化，器件开关电流比约为890，4比特输入对应的全部16种组合，都可以输出互不相同的电流状态。

验证测试中器件表现优异。手写数字识别任务中，输入数据压缩75% 的条件下，识别准确率仍可达90.4%。基于该真实器件特性搭建的电路模型，对埃农混沌信号、真实的费城半导体指数变化均实现精准预测，归一化均方根误差（NRMSE）分别为0.01489、0.12263，证明器件具备优秀的时序信息处理能力。

速度提升，能耗更低

器件面积40000平方微米（μm²）条件下，单次操作约2微秒，单次操作能耗不高于480皮焦。对比现有基于忆阻器的物理储备计算器件，该器件实现目前最快运行速度，能耗水平位列第三。研究团队预估，若将器件进一步微缩至100 μm²，运行速度可提升至约192纳秒，单次操作能耗可降至115飞焦以内。

该研究的价值在于，把免复位连续处理、多态表征、数据压缩、高速运算、低功耗全部集成在单颗两端器件。尤其是实现无需额外复位、可持续处理时序数据的器件架构，拓展了下一代低功耗边缘AI硬件的实现路径。

面向边缘AI落地

该技术未来可用于低功耗边缘AI硬件，在数据产生端就近处理语音指令、可穿戴生物信号、环境与工业传感器数据。器件进一步微缩、阵列集成之后，信息处理速度与能效还能继续提升。器件可以短暂留存历史输入、学习时序变化规律，因此也有希望实现低功耗AI硬件，对股市波动等复杂时序数据完成快速、低能耗预测。

Park表示：“本研究的核心，是不再把反铁电材料撤压后自发复原的特性当作缺陷，而是把‘遗忘’作为一种计算功能。我们在单颗两端器件中同时实现非线性变换、短时记忆、自然复位，丰富了面向低功耗时序AI硬件的器件选型。”他补充道：“后续我们将缩小器件尺寸，完成阵列与电路层面验证，最终把这项技术落地到可以本地处理语音、生物信号、环境信号的边缘AI系统。”

论文共同第一作者为首尔大学材料科学与工程系博士生Taegyu Kwon与Moonseek Jeong，二人在Park指导下开展铁电基类脑器件研究。Taegyu Kwon主要研究反铁电器件机理与器件开发；Moonseek Jeong侧重基于氧化物半导体优化类脑器件性能。两位研究者都将继续开展反铁电类脑器件与物理储备计算的后续研究。