铁电辅助电荷捕获存储器：用极化让随机的界面缺陷参与计算

二维半导体有个老毛病：界面缺陷太多。

二维半导体通常只有几个原子层厚，和绝缘层接触的界面不可避免地存在大量缺陷。电子在这些缺陷里被捕获、释放，行为是随机的。在晶体管制造中，这是要尽力避免的漏电和噪声来源。针对这一问题，庆熙大学电子工程系李承焕和李承贤教授团队换了一个思路：与其消除这些随机性，不如用铁电材料的极化特性去控制它。

团队宣布开发出铁电辅助电荷捕获存储器（FA-CTM），研究的核心数据很直接：相比没有铁电层的传统器件，FA-CTM的存储窗口扩大了51%，导通电流提升了约12倍。这两个数字背后，是一套把随机波动变成可控计算的机制。

随机波动怎么变成“可设计的储备池”

FA-CTM要解决的核心问题，是如何利用二维半导体界面天然的电荷捕获现象来做计算。

电荷捕获存储器的工作原理是：在绝缘层和半导体界面，电子被缺陷捕获后不会立刻消失，而是会保留一段时间，这段时间的长短由缺陷的能级和位置决定。这种特性恰好适合物理储备池计算。这是一种专门处理时间序列数据的计算方式，视频帧、传感器信号、运动轨迹这类随时间连续变化的信息，都可以输入储备池，通过器件自身的短时记忆和非线性响应来提取特征，再用简单的读出层完成分类或预测。

但问题在于，传统二维半导体器件的界面缺陷是随机分布的，捕获能力弱不一，器件之间的行为差异很大。带来的问题是存储窗口小、输出电流低、一致性差，做单器件演示可以，做大规模阵列就撑不住。

研究团队的解法是在电荷捕获层和半导体之间再插入一层铁电材料（HZO）。HZO的极化特性可以部分屏蔽或者增强界面处的电场，相当于给电荷捕获过程加了一个“调控旋钮”。外部栅极电压、被捕获电荷的电场和铁电体的极化电场三者共同作用，产生了类似“电压放大器”的效果，把原本随机、微弱的电荷捕获信号放大并稳定下来。

两个关键数字，看研究有多扎实

第一，单器件性能的提升有实测数据支撑。存储窗口扩大51%，意味着器件在“开”和“关”两个状态之间的差别更明显。差别越大，读取数据时就越容易分辨，不容易出错。导通电流提升约12倍，则直接改善了信号强度，降低了后续电路的设计难度。

第二，团队用低温干法转移工艺，在8英寸晶圆上实现了阵列集成。在阵列规模下，相同储备池状态的平均输出电流偏差显著降低。二维半导体器件能在实验室做出来不稀奇，但能做成整片晶圆、并且保证每个器件性能一致的成果很少，所以这一步的意义比单器件数据更大。

换句话说，随机性没有被消除，但被控制在一个可接受范围内，让阵列级别的计算变得可行。

目标应用场景：边缘AI

团队用这个储备池做了两个验证任务。一个是EMNIST手写字符分类，准确率达到90.18%；另一个是多任务流水线，可同时处理基于视频的目标识别和轨迹预测。这两个任务都是典型的时间序列处理，正好对应边缘设备上常见的传感器信号分析和实时视觉处理。

这项技术的吸引力在于，它把存储和计算合在了同一类器件上。传统方案是用DRAM存数据、再用数字逻辑做计算，数据在存储和计算单元之间来回搬运，能耗和延迟都高。FA-CTM的电荷捕获和释放过程本身就带有非线性响应和短时记忆，输入信号进来，器件状态就跟着变，这个变化本身就是计算，也就省掉了大量的数据搬运。

产品落地还有多远

二维半导体材料的晶圆级制备良率、铁电层反复极化后性能会不会下降、以及整个器件在真实边缘设备工作温度下的长期稳定性，都需要进一步验证。8英寸阵列的成果是一个好的起点，但真正进入产品设计，还要看后续在更大规模阵列和更复杂任务上的表现。

边缘AI的算力需求，过去看的是能不能跑动模型，现在看的是功耗和成本能不能压下来、产品能不能大量出货。FA-CTM提供了一条不同的路径：不追求单器件的极致性能，而是利用半导体界面本就存在的物理特性，通过材料设计让这些特性直接参与计算。这条路能不能走通，接下来一两年，FA-CTM在阵列规模和任务复杂度上的进展会给出答案。