随着人工智能、物联网和智能传感技术的快速发展，边缘设备需要持续处理来自动态视觉、声音等传感器产生的大规模时序信息。物理储备池计算（Physical Reservoir Computing，PRC）利用器件自身的非线性响应和短时记忆进行时序信息处理，为低功耗、近传感端智能计算提供了新的硬件实现路径。然而，现有物理储备池计算通常采用分段输入，并在不同样本之间重新初始化器件状态。在真实连续事件流中，具有多时间尺度记忆的器件可能不断积累前序输入留下的残余状态，引起工作基线漂移，进而影响长时间推理稳定性。
近日，南京大学余林蔚教授团队基于面内固-液-固（In-Plane Solid-Liquid-Solid，IPSLS）生长的肖特基硅纳米线场效应晶体管（SiNW-FET），提出了“复位感知型物理储备池计算（reset-aware physical reservoir computing）”方法。研究利用SiNW-FET的源漏极性调控特性，实现了相互解耦的“栅极写入—源漏极性复位（gate-write / polarity-erase）”操作，通过按需施加反向源漏偏压主动恢复器件基线，从而抑制连续事件流计算中的状态漂移，为长期稳定运行的物理储备池计算提供了新的器件实现方案。
1 IPSLS定位生长硅纳米线，实现可寻址晶体管阵列
传统自下而上生长的纳米线通常需要后续转移和组装，而自上而下制备超细纳米线又依赖较高精度的纳米加工工艺，这给纳米线器件的大规模阵列集成带来挑战。研究团队利用IPSLS技术，通过预先定义的台阶结构引导硅纳米线在指定位置定向生长，并与光刻定义的电极及互连结构结合，构建了4×4可寻址顶栅SiNW-FET阵列。
所制备硅纳米线典型直径约20 nm，55根纳米线统计平均直径为22.5 ± 4 nm。阵列中16个器件均表现出一致的p型栅控特性，开关比约为10⁶，关态电流达到10⁻¹² A量级，亚阈值摆幅约为180 mV/dec。
图1. 基于IPSLS技术的可寻址硅纳米线FET阵列及其动态特性。
2 极性复位，实现“写入—状态管理”解耦
在正向源漏偏压下，栅极脉冲可连续调节SiNW-FET状态，刺激结束后表现出快、慢两种时间尺度的衰减过程，为时序信息处理提供动态记忆。针对慢状态在连续输入中的累积问题，研究团队进一步引入反向源漏偏压复位。与通过栅极同时完成写入和擦除不同，该方法利用栅极负责信息输入、源漏极性负责状态恢复，实现两个操作通道的解耦，在恢复工作基线的同时减少对后续写入轨迹的影响。复位行为在超过50,000次循环后仍保持稳定。
图2. SiNW-FET的脉冲动态及“栅极写入—极性复位”操作。
3 肖特基势垒—界面陷阱耦合调控机制
研究表明，该极性相关行为来源于界面陷阱与肖特基势垒之间的耦合调控。在正向源漏偏压和负栅极脉冲作用下，界面陷阱电荷改变局域电势，并调制肖特基接触区域的载流子注入势垒，从而形成具有历史依赖性的电导状态；当源漏偏压反向后，局域电场和主导注入区域重新分布，促进势垒敏感区域的陷阱状态重新平衡，使器件电流恢复至基线。这一机制使源漏极性成为区别于栅极输入端的独立状态调控自由度，为储备池中的主动状态管理提供了器件基础。
图3. 极性相关的肖特基势垒—界面陷阱耦合写入/复位机制。
4连续事件流识别，验证长期运行稳定性
研究团队进一步基于实验获得的器件动态特性，构建了面向DVS128 Gesture动态视觉数据集的连续事件流储备池计算模型，整体手势识别准确率达到91.6%。在连续事件流条件下，如果不进行复位，残余状态持续累积，约在200 s附近出现明显基线漂移，识别准确率下降约20%；采用稀疏极性复位后，可有效抑制长期状态漂移，使连续推理准确率保持在90%以上。在慢事件速率漂移和突发背景噪声条件下，复位时间开销均低于1%。
图4. 基于SiNW-FET储备池的连续DVS事件流手势识别。
展望：迈向更智能的未来计算
物理储备池计算需要利用器件的动态记忆处理时间信息，但如何避免慢状态在长期运行中持续累积，是实现连续在线计算的重要问题。本工作利用三端SiNW-FET的源漏极性自由度，将信息写入与状态复位进行电学解耦，使器件在保留动态记忆能力的同时具备主动恢复工作基线的能力。结合IPSLS硅纳米线的定位生长和阵列集成优势，该研究为物理储备池计算从分段测试走向连续事件流处理提供了新的器件—阵列—系统协同思路。
该工作以“Polarity-Addressed Reset Stabilizes Schottky SiNW-FET Reservoir Computing for Continuous Event-Stream Inference” 为题发表在Advanced Functional Materials期刊上。南京大学电子科学与工程学院晏磊为论文第一作者，余林蔚教授及博士后廖巍为论文通讯作者。该研究得到了南京大学陈坤基教授、王军转教授，宋晓攀研究员的支持和指导。研究工作得到国家自然科学基金杰出青年科学基金项目、国家重点基础研究项目、江苏省自然科学基金和国家自然科学基金项目等资助。
论文信息：
Polarity-Addressed Reset Stabilizes Schottky SiNW-FET Reservoir Computing for Continuous Event-Stream Inference.
Lei Yan, Yifei Zhang, Minghao Wei, Zhiyan Hu, Guanqiao Sang, Wentao Qian, Xiaopan Song, Wei Liao*, Junzhuan Wang, Linwei Yu*.
Advanced Functional Materials
https://doi.org/10.1002/adfm.77601
