（a） Au/h-BN/Au忆阻器阵列和IMP逻辑实现。通过（a）直接金属蒸发和（b）金属转移技术制造的8×8存储器阵列的电阻分布的彩色图。（c） IMP逻辑电路示意图。VSET和VCOND分别被同时施加到忆阻器Q和P。RG选择为500Ω。（d） 四种输入条件下IMP运算的实验结果。p和q分别是器件p和q的电阻状态。“1”表示低电阻状态，“0”表示高电阻状态。p′和q′分别是器件p和q在逻辑运算之后的状态。变量p保持不变，因为VCOND低于VSET，所以p和p′应该具有相同的值。读出电压为0.1 V。（e）逻辑操作的真表。经【202】许可转载，版权2022，Wiley。（f） PUF系统的照片。使用Xilinx公司的ZC706 FPGA评估板。该芯片包含一个8kb的忆阻器阵列，并支持多达八个忆阻器器件的并行操作。（g） 二进制PUF数据（左上插图）和在安全模式下测量的模拟电阻值（右上插图）之间的CC变化。（h） 传统NVM PUF的预测精度随着训练周期的增加而变化，其数据由不同的高电导和低电导状态稳定存储，以及开发的可隐藏PUF。经【203】许可转载，版权2022，美国科学促进会。

随着大数据时代的到来，个人信息和硬件的安全变得越来越重要。物理不可克隆函数（PUF）是一种很有前途的安全原语，它使用电子硬件中固有的随机变化来生成数字密钥[206]。如图10（f）所示，Gao等人通过集成忆阻器阵列，在芯片级别证明了一种可隐藏的PUF[203]。基于HfOx的忆阻器的开关特性用于通过SET/RESET操作有效地实现PUF隐藏/恢复。实现了具有零误码率和显著抗攻击性的PUF恢复。这种隐藏的特征，加上忆阻器阵列中固有的噪声，使PUF能够有效抵御入侵和非入侵攻击，这是现代硬件安全的主要威胁。如图10（g）所示，攻击者通过分析安全模式下有效PUF数据与电导分布之间的相关性，以模拟的方式执行攻击。相反，通过微探针从安全模式获得的电导是无序的，并且在250次循环中具有小于0.4的相关系数。多层全连接感知器可用于对可隐藏的PUF进行此类攻击，如图10（h）所示，其中训练的神经网络从恢复的PUF数据中预测了70%的准确率，这不足以破坏PUF[203]。杨等人证明了晶体管的亚阈值斜率变化可以用作PUF的熵源来生成物理密钥[207]。通过将这种亚阈值斜率PUF与基于忆阻器的XOR逻辑函数相结合，紧凑1T1中的原位加密/解密方案 提出了R结构。实验表明，亚阈值斜率PUF具有良好的再现性、唯一性和均匀性。三个16位二进制序列的加密和解密在1T1中成功实现 R设备使用亚阈值斜率的PUF密钥[207]。

信息的加密和解密是确保信息安全的另一种方式。Song等人提出了一种基于TiN/Ti/HfOx/TiN忆阻器的优化XOR逻辑门[208]。基于由两个忆阻器组成的异或电路的加密和解密通过成功执行并行电气测试进行了验证[208]。此外，真实随机数生成器（TRNG）对于密码应用是至关重要的。基于忆阻器的TRNG的优点是丰富且易于提取的随机性、低成本、高集成密度、低操作功耗和快速响应时间[209210]。可预测随机数生成器（RNG）为黑客攻击设备和破坏数据打开了大门。TRNG必须具有不可预测性、统计独立性和均匀分布性。Kim等人使用NbOx mott忆阻器的随机振荡行为生成真实随机数，该忆阻器表现出自计时、快速和可变容限[211]。该设备的随机数生成速率可能至少为40kb/s，与以前的基于易失性忆阻器的TRNG设备相比，这是最快的记录[211]。

5.2模拟计算

模拟计算可以分为以下两个方面：1。人工感觉系统。为了模拟生物传感系统，传感器设备进一步与忆阻器存储器和计算机集成（a） （i）由模拟触觉的MFSN阵列和SNN分类器组成的人工体感系统。（ii）MFSN单元由压力传感器和基于NbOx的忆阻器组成。MFSN单元的输出频率受压力强度和温度的影响，而尖峰的输出幅度仅取决于温度。（b） SNN的示意图，包括用于模拟的400个输入神经元、50个隐藏神经元和8个输出神经元。（c） 在三种不同模式（压力、温度和多模式）下，训练精度随训练时间的变化。（d） 模拟分类输出与预期输出的混淆矩阵。结果表明，基于MFSN的系统具有良好的分类能力。经【212】许可转载，版权2022，Wiley。（e） 三种不同类型的3 × 执行3个内核操作（边缘检测、锐化和软化）。（f） 通过添加高斯噪声（δ = 0.5）转换为来自眼睛层的图像。（g） 如方框图所示，通过插入包括忆阻器交叉阵列的去噪层来对字母图像进行去噪。经[221]许可转载，版权2022，施普林格自然。

此外，忆阻器有望模拟生物神经网络的重建，实现神经形态的类脑计算。Choi等人报道了堆叠式异构集成芯片，该芯片使用光电器件阵列进行芯片间通信，并使用基于忆阻器交叉阵列的神经形态核心进行高度并行的数据处理。他们创建了一个具有可堆叠和可更换芯片的系统，并成功执行了三个3 × 图像处理的3个核心操作（垂直边缘检测、锐化和软化）（图11（e））。为了测试系统的去噪能力，作者通过添加高斯噪声（δ = 0.5）到眼睛层的图像（图11（f））。如图11（g）所示，然后通过插入包括忆阻器交叉阵列的去噪层对字母图像进行去噪。结果表明，可堆叠和可更换芯片对高噪声水平表现出优异的抗扰性[221]。钟等报道了一种基于动态忆阻器的并行油藏计算系统。该系统在语音数字识别中实现了0.4%的低误码率，在Hénon图的时间序列预测中实现了0.046的低归一化均方根误差。在Hénon图预测任务中，这一结果优于大多数现有的基于硬件的储层计算系统和基于软件的储层计算机系统[217]。

梁等人开发了用于近传感器计算、混沌时间序列预测和笔迹分类的硬件原型[222]。钟等人报道了一种完全模拟的储层计算系统，该系统可以有效地实时处理时空信号[223]。RRAM内存计算（CIM）芯片要在现实世界的人工智能应用中广泛采用，它需要同时提供高能效、灵活性以支持不同的人工智能模型架构和软件可比的推理精度。到目前为止，还没有一项旨在同时改进设计的所有这三个方面的研究[222425]。通过从算法和架构到电路和设备的协同优化（图12（a）），如图12（b）所示，Wan等人报道了NeuRRAM——一种基于RRAM的CIM芯片[226]。具有重新配置CIM核心的芯片与不同的模型架构兼容，其能效是以前最先进的RRAM-CIM芯片的两倍（图12（c，d））。NeuRRAM上全硬件测量的推理精度与各种人工智能任务中量化为4位权重的软件模型相当（图12（e）），包括MNIST上99%的准确率、CIFAR-10图像分类上85.7%的准确率和谷歌语音命令识别上84.7%的准确度[226]。图12。

NeuRRAM芯片的设计方法和主要特点。（a） 整个设计堆栈的跨层协同优化使NeuRRAM能够同时提供高通用性、计算效率和软件可比的推理精度。（b） NeuRRAM芯片的显微照片。（c） 设计的各个方面的可重新配置性使NeuRRAM能够为各种应用实现不同的人工智能模型。（d） EDP的比较，EDP是最近基于RRAM的CIM硬件中常用的能效和性能指标。（e） NeuRRAM上完全硬件测量的推理精度与各种人工智能基准中量化为4位权重的软件模型相当。经[226]许可转载，版权2022，施普林格自然。

转到：

6. 挑战和前景

这篇综述讨论了用于忆阻器的各种RS材料，包括电极、二元氧化物、钙钛矿、有机物和2D材料。此外，系统地讨论了它们在忆阻器中的作用。分析了成型电极的结构、功能层的设计等影响器件性能的因素。阐述了前沿研究成果对忆阻器的优良性能和先进性能的影响。介绍了忆阻器在逻辑和模拟中的应用。重点介绍了忆阻器的前景和挑战，为基于忆阻器进行内存计算提供了进一步的发展和新的见解。尽管经过几十年的深入研究，忆阻器已经得到了极大的发展。然而，在忆阻器商业化的道路上，仍有许多问题需要解决。

即使对于具有夹层结构的相同材料，不同的研究小组也可能提出不同的电阻机制，而这种现象可能是由于制造过程的差异造成的。未来需要更系统的工作来阐明忆阻器的电阻机制和失效机制。目前，除了HfOx和TaOx之外，绝大多数RS材料还不能与CMOS工艺兼容，这限制了实际应用。因此，集成技术应该支持传统的CMOS兼容材料和CMOS不兼容材料，以在未来获得更广泛的应用。

大多数忆阻器的电导线性、功耗、器件到器件（空间）和循环到循环（时间）特性都不理想，因此需要进一步提高器件性能。此外，人类的感官系统是多种感官的融合。因此，开发具有多感官融合和多种处理能力的设备系统是未来应用的一个很有前途的方向。至于系统级优化，应开发用于基于忆阻器的神经形态计算的专用算法和外围电路，以充分利用特定设备的性能。

未来，基于忆阻器的类脑应用需要进一步扩展，例如使用仿生类脑计算设备构建脑机接口，可以为医疗电子、生物医学等领域提供新的研究思路。基于生物传感器神经系统的功能特征，可以建立一个高效、智能的具有生物真实性的信息感知系统，以创造更智能的仿生机器人。