上海大学 Nano-Micro Lett：从材料到系统全景综述，2D 材料驱动神经形态 AI 重大进展

做 AI 的同行都懂一个越来越痛的现实：模型越大、算力越猛，电费越烧越凶。大模型算力需求每两个月翻一番，GPU 单卡功耗冲到 300 多瓦，数据中心一年电费几十亿；而根源就是冯・诺依曼架构天生的 “存算分离”—— 算一次要来回搬好几次数据，80% 以上的能耗都耗在了数据搬运上，不是计算本身。

可人脑只用 20 瓦，就能搞定视觉、语言、决策这些复杂任务。核心秘密就是存算一体、事件驱动、大规模并行—— 这正是神经形态计算的核心逻辑。 但传统 CMOS 做神经形态器件，始终绕不开瓶颈：开关粒度粗、功耗下不来、集成度上不去。 直到原子级厚度的二维材料进场，事情才彻底迎来转机。

近日，上海大学 Jamal Kazmi 团队联合国内外多所高校，在国际顶刊《Nano-Micro Letters》发表重磅综述，系统梳理了2D 材料赋能神经形态智能的全链条进展：从四大核心材料体系、三类核心器件架构，到机器学习协同设计、四大落地场景，完整画出了 2D 神经形态计算的技术路线图。 文章明确指出：2D 材料凭借原子级厚度、可调带隙、高迁移率、多功能耦合等独特优势，正在从材料层面突破传统神经形态硬件的性能天花板，为下一代低功耗、自适应、高能效 AI 提供全新的硬件底座。

图 1 神经形态计算的范式跃迁：从传统冯・诺依曼存算分离架构，到存算共置、事件驱动的类脑神经形态架构，2D 材料是核心硬件载体

一、为什么是 2D 材料？踩中神经形态的全部需求点

神经形态器件的核心要求，恰恰是 2D 材料的天生优势：

• 原子级厚度：沟道/开关层薄到几个原子，开关电压低、功耗小，天生适配低功耗场景；
• 带隙连续可调：通过层数、掺杂、应变精准调控带隙，从金属到半导体到绝缘体全覆盖，适配不同类型的突触器件；
• 高载流子迁移率：开关速度快、响应时间短，能模拟毫秒甚至微秒级的神经动力学；
• 多功能耦合：压电、热电、铁电、光电等多效应共存，适合做多模态突触、感知-计算一体化器件；
• 异质集成友好：范德华堆叠，不用晶格匹配，不同材料随便叠，能做复杂的多层突触结构。

可以说，神经形态计算需要的 “低功耗、快开关、多模态、可集成”，2D 材料刚好全部命中。

二、四大核心材料体系，各怀绝技

目前研究最成熟、最具潜力的，是四大 2D 材料体系，各自适配不同的神经形态需求。

1. 过渡金属硫族化合物（TMDs）：绝对主力，全能选手

以 MoS₂、WSe₂、ReS₂为代表的 TMDs，是目前神经形态领域研究最多、应用最广的材料体系。

• 阻变特性优异：硫族空位迁移可控，能实现连续、线性的电导调节，完美模拟突触权重的渐变；
• 光电特性丰富：可见光到红外宽光谱响应，适合做光电突触、视觉神经形态芯片；
• 缺陷工程灵活：通过空位、掺杂、晶界工程精准调控开关特性，线性度、保持时间、开关速度都能定制。

典型代表：WSe₂光电突触，单次突触操作能耗低至 0.1 fJ，比人脑突触的 10 fJ 还低两个数量级；MoS₂忆阻器交叉阵列做 CNN 图像识别，准确率达 98.55%，接近软件水平。

2. 六方氮化硼（h-BN）：介质之王，高速高密度

h-BN 是天然的超高阶介质：6 eV 宽带隙、低漏电流、高击穿场强、原子级平整。

• 做开关层：超高速阻变，开关速度可达 120 ps~3 ns，是目前最快的忆阻器之一；
• 做栅介质：界面缺陷少、电荷陷阱少，忆晶体管的权重调节更精准、漂移小；
• 晶圆级可制备：CVD 能长出 2 英寸晶圆级均匀 h-BN，良率达 98%，适合大规模集成。

典型代表：h-BN 忆阻器交叉阵列实现模拟点积运算，直接在内存里完成向量矩阵乘法，是存算一体的核心硬件。

3. 黑磷（BP）：各向异性，方向敏感

黑磷最独特的就是强面内各向异性 —— 沿不同晶向的电导、光学响应差异巨大。

• 能模拟方向选择性突触：不同方向的输入对应不同的权重变化，完美模拟生物突触的方向依赖性可塑性；
• 偏振敏感光电突触：能分辨偏振态的光输入，适合做偏振视觉、目标检测等特殊场景；
• 高迁移率：室温迁移率可达几百 cm²/V・s，开关速度快、响应灵敏。

4. 新兴材料：碲烯、硅烯、有机 2D 材料

• 碲烯：空气稳定性好、载流子迁移率高，还兼具压电热电特性，适合多模态传感神经形态；
• 硅烯：和 CMOS 工艺兼容性最好，未来有望直接集成到主流半导体产线；
• 有机 2D 材料：柔性好、生物相容性高，适合可穿戴、植入式神经形态设备。

图 2 四类典型 2D 神经形态器件的结构与性能对比：TMD 基光电突触、h-BN 忆阻器、黑磷各向异性突触、碲烯多模态突触

三、三类器件架构，从模拟突触到存算一体

有了材料，还要靠器件架构把特性转化为功能。目前 2D 神经形态器件已经形成三大主流架构，分别适配不同的算法与场景。

1. 两端忆阻器：高密度存算一体的核心

两端忆阻器是神经形态硬件的绝对主力：两个电极夹一层阻变材料，电导随历史输入变化，直接模拟突触权重。

• 交叉阵列架构
  ：横向纵向电极交叉，每个交叉点就是一个突触，天然适合做向量 - 矩阵乘法（VMM）—— 输入电压乘电导就是电流，列线求和就是结果，直接在存储阵列里完成计算，不用搬数据，没有冯・诺依曼瓶颈。
• 多机制开关
  ：2D 材料忆阻器涵盖阻变、铁电、相变等多种机制，从高速易失到长时非易失全覆盖。

典型成果：MoS₂忆阻器 32×32 阵列做卷积运算，低通、高通、直通三种滤波一步完成，延迟和功耗远低于传统处理器。

2. 三端忆晶体管：精准在线学习的首选

两端忆阻器读写不分、容易串扰，三端忆晶体管就解决了这个问题：栅极调控通道电导，源漏读信号，读写分离。

• 权重更新更精准
  ：栅压调控更线性、更细腻，适合需要精确梯度更新的在线学习；
• 读写互不干扰
  ：读操作不改变状态，避免读取干扰，阵列可靠性更高。

典型成果：2D SnO₂忆晶体管做手写数字识别，准确率达 92.25%，还能实现长时程增强 / 抑制等复杂突触行为。

3. 垂直异质结：多功能复杂突触

把不同 2D 材料垂直堆叠，每层发挥不同功能，就能做出更复杂的突触特性，甚至模拟神经元。

• 多层功能复合：比如光敏层 + 阻变层 + 介质层堆叠，实现光控、电控双重调制；
• 能模拟神经元：多层异质结能实现阈值触发、脉冲输出，模拟动作电位，做人工神经元。

典型成果：石墨烯 / WSe₂/h-BN 异质结实现突触 + 神经元一体化，能做信号整合、阈值发放，还能实现逻辑运算。

四、硬件算法协同：不止模拟突触，更能跑 AI

2D 神经形态不是为了模仿而模仿，最终是要跑机器学习算法，而且比传统硬件更高效。

1. 监督学习：推理加速，能效碾压 GPU

基于忆阻器交叉阵列的存算一体，最成熟的就是 CNN、DNN 推理。 权重预先存在电导里，输入电压一次性完成矩阵乘法，能效比传统 GPU 高 1~2 个数量级。比如 MoS₂忆阻器阵列做 MNIST 分类，准确率 98.55%，和软件基准只差不到 1%。

2. 无监督学习：事件驱动，本地自适应

基于脉冲时序依赖可塑性（STDP）的赫布学习，是神经形态的招牌。 2D 器件能精准模拟 STDP 规则：前后脉冲的时间差决定权重增减，不用外部计算，本地就能完成学习。比如石墨烯忆阻器 SNN 做无监督聚类，单轮训练就能达到 80% 的 MNIST 分类准确率。

3. 强化学习：试错学习，自主进化

三端器件和铁电突触特别适合强化学习，能通过奖惩信号更新权重。 比如 2D 铁电突触做迷宫寻路任务，门控模式成功率 68%，合作模式提升到 82%，能自主学习最优路径。

4. 自适应低功耗架构

结合动态电压调节、睡眠模式，2D 神经形态系统能根据负载动态调功耗，闲时休眠、忙时满速，特别适合边缘设备。比如 μBLAST 突触阵列，读取功耗仅 2.5~5 μW，适合穿戴式健康监测。

图 3 机器学习与 2D 神经形态硬件的融合范式：监督学习、无监督学习、强化学习、自适应低功耗架构，对应不同算法与场景

五、四大落地场景，正在从实验室走向产业

2D 神经形态不是实验室炫技，已经在多个高价值场景展现出落地潜力。

1. 可穿戴与边缘 AI

柔性 2D 神经形态器件，低功耗、可弯曲，能直接贴在皮肤上，本地处理心电、脑电等生理信号，不用传云端，隐私又省电。 未来可以做成 24 小时健康监测手环，实时分析心律、睡眠、压力异常，功耗只有传统方案的几十分之一。

2. 脑机接口与神经假体

2D 材料原子级厚度、生物相容性好、信号灵敏度高，适合做植入式神经接口。 既能读取神经电信号解码意图，也能电刺激神经调控功能，未来可以做更精准的神经假体，比如人工视网膜、运动功能修复。

3. 量子神经形态

2D 材料的量子隧穿、自旋效应，能把量子效应和神经形态结合，做量子 - 经典混合神经形态系统。 用量子并行性处理高维问题，抗噪性更强，适合优化、密码、高维数据处理等场景。

4. 智能视觉与传感

光电突触把感知和计算做在一起，图像进来直接在传感器阵列做特征提取、降噪，不用先成像再处理，速度快、功耗低。 比如类眼视觉芯片，自带自去噪功能，就算输入有杂色干扰，也能准确识别图案，比传统视觉系统效率高得多。

六、挑战与未来：从材料突破到系统落地

当然，2D 神经形态要真正大规模落地，还有几道坎要过：

• 材料层面：大面积均匀制备、缺陷精准控制、环境稳定性（比如黑磷易氧化），还需要进一步突破；
• 器件层面：器件均匀性、良率、长期可靠性，还有大规模阵列的漏电流、串扰问题；
• 系统层面：外围电路、CMOS 异质集成、热管理，还有算法硬件协同设计。

但方向已经非常清晰：

• 中短期：混合 CMOS+2D 架构最现实，利用成熟 CMOS 工艺做外围，2D 做核心突触阵列；
• 长期：全 2D 神经形态系统，结合晶圆级制备、3D 堆叠，实现更高密度、更低功耗。

随着 AI 对能效的要求越来越高，神经形态计算+2D 材料这条路线，只会越来越重要。 毕竟，AI 的未来不能只靠堆 GPU、堆电费，终究要靠底层硬件的范式突破——而 2D 材料，正是这场突破里最有潜力的选手之一。