近日，北京理工大学郭耀课题组提出了一种介观尺度下的新型滑移铁电效应，并基于该效应发展一种新型的光伏随机存储器，该器件可同时实现可见光范围内的感应和存储功能，并能够进一步在硬件层面构建“传感-计算-存储-驱动”一体化的人工视觉系统。该研究成果于近期发表于Nature Communications（https://www.nature.com/articles/s41467-022-33118-x）上。

铁电效应是一百年前由Joseph Valasek发现的重要物理现象。铁电材料在电子器件、能源转换等方面具有重要应用。传统的铁电效应本质上由具有双稳态结构的原子晶格所产生。近日，北京理工大学郭耀课题组提出一种基于压电和超润滑的新型铁电效应，该新型铁电效应不依赖于晶格的双稳态系统，而是由正反压电效应所产生的机械滑动和电极化所产生。原位表征实验结果结合计算机模拟表明，范德华层状材料中的层间超润滑性和晶格非对称性导致的压电效应是构成该新型铁电效应的两个关键因素。研究人员将这种介观尺度下由层间范德瓦尔斯超润滑特性和压电效应共同引起的铁电效应称为介观平面内滑移铁电效应（mesoscopic in-plane sliding ferroelectricity）。这一新型的铁电效应为构建材料体系的可控自发电极化提供了新思路。

图1 WS2 纳米线PV-RAM器件（a）器件示意图（b）器件的光伏响应（c）光伏响应的可编程性，（d-f）光伏响应的铁电回滞和存储

基于这种新型的铁电效应，研究人员对WS2纳米管施加外部电压/电流激励，配合WS2纳米管恰当的禁带宽度，在可见光法位内产生光伏响应的铁电回滞（如图1所示）。WS2纳米管的介观滑移铁电效应使其光伏响应具备可编程且不挥发的光伏特性，因此是一种天然、理想的光伏随机存取存储器（photovoltaic random-access memory, PV-RAM）。研究团队进一步利用该特性制备了16像素的PV-RAM阵列，并利用阵列中每个PV-RAM结构单元的光响应度（即输出光电流与输入光功率的比值）作为神经网络中的突触权重，通过外部电压/电流激励调节权重，实现了神经网络算法在硬件层面的嵌入，并成功演示了基于监督学习和强化学习两种算法的图像识别功能（如图2所示）。这是首次将传感、计算、存储、驱动四种功能集成到基于智能材料的硬件系统中，对于构建未来高速、低功耗甚至自驱动的智能化物联网平台有着重要的参考意义。

图2 嵌入PV-RAM阵列的人工视觉系统演示模型（a）PV-RAM阵列；（b）不同程度背景噪声下的学习精度曲线；（c）人工视觉系统演示识别“Z”，“I”，“O”，“N”英文字母（此处致敬电影Matrix，Zion为反抗人工智能的人类最后根据地，亦为《希伯来圣经》中的土地象征），（d-f）强化学习过程

北京理工大学硕士研究生孙妍、徐舒婷（目前就职于芯恩集成电路有限公司），本科生徐柘淇（目前于清华大学微电子系攻读研究生）是文章的共同第一作者。以色列霍隆理工学院Alla Zak副教授，北京理工大学郭耀副研究员为论文的通讯作者。北京理工大学为第一单位，合作单位包括以色列魏茨曼科学研究所，北京大学，北京石墨烯研究院和以色列霍隆理工学院。