您的隐私，您的选择

我们使用必要的 cookies 来确保网站正常运行。我们还会使用可选 cookies 来进行广告宣传、内容个性化、使用情况分析和社交媒体。 通过接受可选 cookies，您同意处理您的个人数据 - 包括传输给第三方。 一些第三方位于欧洲经济区之外，数据保护标准各不相同。 有关使用您的个人数据的更多信息，请参阅我们的 隐私政策。 管理偏好以获取更多信息并更改您的选择。 接受所有 cookies 跳到主要内容 感谢您访问 nature.com。您使用的浏览器版本对 CSS 的支持有限。 为了获得最佳体验，我们建议您使用更新的浏览器（或关闭 Internet Explorer 中的兼容模式）。 同时，为了确保持续支持，我们在不使用样式和 JavaScript 的情况下显示该站点。 广告 Nature Communications

搜索

按主题、关键词或作者搜索文章 显示所有期刊的搜索结果 本期刊 搜索 高级搜索

快速链接

* [按主题浏览文章](https://www.nature.com/articles/</subjects>)
* [寻找工作](https://www.nature.com/articles/</naturecareers>)
* [作者指南](https://www.nature.com/articles/</authors/index.html>)
* [编辑政策](https://www.nature.com/articles/</authors/editorial_policies/>)

浏览内容

* [ 研究文章 ](https://www.nature.com/articles/</ncomms/research-articles>)
* [ 评论与分析 ](https://www.nature.com/articles/</ncomms/reviews-and-analysis>)
* [ 新闻与评论 ](https://www.nature.com/articles/</ncomms/news-and-comment>)
* [ 视频 ](https://www.nature.com/articles/</ncomms/video>)
* [ 集合 ](https://www.nature.com/articles/</ncomms/collections>)
* [ 主题 ](https://www.nature.com/articles/</ncomms/browse-subjects>)
* [在 Facebook 上关注我们 ](https://www.nature.com/articles/<https:/www.facebook.com/NatureCommunications>)
* [在 Twitter 上关注我们 ](https://www.nature.com/articles/<https:/twitter.com/NatureComms>)
* [注册提醒 ](https://www.nature.com/articles/<https:/www.nature.com/my-account/alerts/subscribe-journal?list-id=264>)
* [ RSS feed ](https://www.nature.com/articles/<https:/www.nature.com/ncomms.rss>)

关于本期刊

* [ 宗旨与范围 ](https://www.nature.com/articles/</ncomms/aims>)
* [ 编辑 ](https://www.nature.com/articles/</ncomms/editors>)
* [ 期刊信息 ](https://www.nature.com/articles/</ncomms/journal-information>)
* [ 开放获取费用和资助 ](https://www.nature.com/articles/</ncomms/open-access>)
* [ 征稿 ](https://www.nature.com/articles/</ncomms/calls-for-papers>)
* [ 编辑价值观声明 ](https://www.nature.com/articles/</ncomms/editorial-values-statement>)
* [ 期刊指标 ](https://www.nature.com/articles/</ncomms/journal-impact>)
* [ 编辑精选 ](https://www.nature.com/articles/</ncomms/editorshighlights>)
* [ 联系方式 ](https://www.nature.com/articles/</ncomms/contact>)
* [ 编辑政策 ](https://www.nature.com/articles/</ncomms/editorial-policies>)
* [ 热门文章 ](https://www.nature.com/articles/</ncomms/top-articles>)

与我们合作出版

* [ 面向作者 ](https://www.nature.com/articles/</ncomms/submit>)
* [ 面向审稿人 ](https://www.nature.com/articles/</ncomms/for-reviewers>)
* [ 语言编辑服务 ](https://www.nature.com/articles/<https:/authorservices.springernature.com/go/sn/?utm_source=For+Authors&utm_medium=Website_Nature&utm_campaign=Platform+Experimentation+2022&utm_id=PE2022>)
* [提交稿件 ](https://www.nature.com/articles/<https:/mts-ncomms.nature.com/>)
  1. nature
  2. nature communications
  3. articles
  4. article

In-memory Ferroelectric Differentiator 研究 下载 PDF 下载 PDF

In-memory Ferroelectric Differentiator

显示作者 Nature Communications volume 16, Article number: 3027 (2025) Cite this article

摘要

微积分是许多学科的基石，涵盖了现代数学、物理、计算机科学和工程学的广度。 它的应用对于理论进步和实际解决方案至关重要。 然而，当前数字微分技术的现状通常需要复杂的实现，难以满足智能时代无处不在的边缘计算的广泛需求。 为了应对这些挑战，我们提出了一种利用铁电畴反转的动态行为来有效提取信息差异的 In-memory 微分计算方法。 这种策略直接在内存本身中产生微分信息，从而大大减少了数据传输量和运营能源消耗。 我们成功地展示了这项技术在各种任务中的有效性，包括导数函数求解、运动物体提取和图像差异识别， 使用由 1600 单元铁电聚合物电容器的交叉开关阵列构建的 In-memory differentiator。 我们的研究提供了一种高效的硬件模拟微分计算，这对于加速数学处理和实时视觉反馈系统至关重要。

其他人正在查看的类似内容

Ferroelectric-defined reconfigurable homojunctions for in-memory sensing and computing

Article 28 September 2023

Ferroelectric photosensor network: an advanced hardware solution to real-time machine vision

Article Open access 31 March 2022

Self-supervised video processing with self-calibration on an analogue computing platform based on a selector-less memristor array

Article 08 January 2025

引言

大约两个世纪前，Charles Babbage 提出了使用自动机器执行差分运算的概念1。 尽管他的革命性机器是人类历史上的一个里程碑，但由于其固有的复杂性以及数字计算技术的同步兴起，它的潜力从未实现2。 应对海量日常数据管理带来的能源效率和快速响应挑战，重新启动了对节能差分机的探索3。 差异提取对于视频应用至关重要，例如视频压缩4、运动检测5、6、运动物体分割系统和智能监控7、8、9。 目前，视觉图像采集主要通过 CMOS 图像传感器 (CIS) 执行。 传统的运动提取涉及图像检测、数据传输、内存存储以及由微控制器单元 (MCU) 执行的差分计算（图 1a）。 此过程不仅需要大量内存空间来存储过去和现在的图像，还需要在内存和 MCU 之间进行大量数据传输，这大大增加了时间和能源消耗10、11。 受到人脑神经网络中局部信息处理的启发，人们正在追求将计算任务转移到内存单元本身的仿生策略9、12。 如图1b所示，将微分计算结合到内存单元中可以显着提高运动提取操作的效率。 这一概念催生了一种 In-memory differentiator，能够以增强的效率实时执行大规模微分计算。 图 1：基于微控制器单元 (MCU) 的差分方法和用于处理运动图像的 In-memory differentiator。 figure 1 a 基于 MCU 的运动图像处理的流程图。 插图显示差分运算由 MCU 串行执行。 b 与 (a) 相同，但使用 In-memory differentiator。 插图显示 In-memory differentiator 能够通过铁电畴动态存储前一帧图像并获取帧差。 完整尺寸图像 在这项工作中，我们提出了一种使用铁电随机存取存储器 (FeRAM) 实现的 In-memory differentiator，该存储器具有 40 × 40 铁电电容器的无源交叉开关阵列。 该阵列使用聚偏二氟乙烯三氟乙烯 (P(VDF-TrFE)) 共聚物制造。 据观察，由于具有窄开关窗口的非线性畴动态，无源交叉开关阵列中每个电容器的畴开关信号受到有害的潜行路径的影响最小。 它成功地计算了抛物线函数的一阶和二阶导数解。 此外，还演示了这种 differentiator 在视觉处理任务中的实用性。 它允许通过畴动态随时间获取相对于先前图像的图像差异。 来自 CIS 相机的视频像素被转换为电压信号序列并输入到铁电电容器交叉开关阵列中，一个电容器对应一个像素。 利用铁电畴的非易失性，只有连续帧之间变化的像素才会触发畴开关，从而从畴开关信号中产生运动信息。 这种方法成功地演示了运动目标的提取（图 1b）。 与传统的运动提取（例如，基于 CMOS 的方法）中每个微分演算都包括两次内存访问和一次逻辑运算等复杂处理步骤不同，使用铁电 In-memory differentiator 仅一次读取访问即可完成微分演算。 使用铁电 In-memory differentiator 的每个微分演算的能量消耗估计低至 0.24 fJ。 In-memory differentiator 以 1 MHz 的高频率高效运行，并且由于其亚皮秒畴开关时间，可以使用其他铁电材料进一步提高速度13。 保持能力超过五天，使铁电 In-memory differentiator 能够在慢速动态场景中检测运动物体，而无需任何其他操作。

结果

基于铁电 P(VDF-TrFE) 电容器的无源交叉开关阵列的 FeRAM

铁电性是某些材料的特性，这些材料表现出可以通过外部电场反转的自发电极化14、15、16、17、18。 当施加的电场高于矫顽场时，可以检测到由于极化反转引起的位移电流13、19。 铁电材料的非易失性，加上它们响应外部刺激逐渐改变极化状态的能力，使其成为模拟仿生突触器件的绝佳候选者20、21、22、23 和构成 In-memory computing 硬件24、25、26、27、28、29、30、31。 P(VDF-TrFE) 是一种领先的有机铁电材料，以其卓越的铁电特性、强大的化学稳定性和生物相容性而闻名32、33、34。 在本研究中，使用摩尔组成为 70:30 的溶液处理铁电 P(VDF-TrFE) 薄膜来构建 FeRAM 器件。 使用压电力显微镜 (PFM) 观察到的明显蝶形幅度磁滞回线和 180° 反转相位磁滞回线验证了这些制造的 P(VDF-TrFE) 薄膜的铁电性质（补充图 1a)。 如图补充图所示，可以使用电写入过程有效地创建具有可靠铁电畴的畴边界处的幅度减小，[1b](https://www.nature.com/articles/</articles/s414