随着人们对算力需求的日益增长，神经形态计算作为一种突破冯·诺依曼架构的新型计算范式，由于其出色高效的并行模拟计算能力而受到了人们的广泛关注。在目前的人工神经网络架构中，大部分神经形态器件普遍是为固定单一的任务而设计的，因此设计实现可重构的多功能神经形态器件对于实现更加复杂和高效的神经网络架构十分重要。

       近期，物理系张金松课题组提出了一种基于氢离子调控的石墨烯晶体管器件，利用在栅极电压和源漏电压的联合调控下石墨烯与氢离子的可逆氢化反应，使器件具有忆阻开关的I-V特性，并且可以通过应用不同的栅极电压有效地控制器件在非易失和易失性开关模式间进行可逆切换（如图1所示）。

图1 （a）器件的结构示意图，石墨烯沟道在氢离子液体环境中。（b）器件的转移曲线，在栅压调控下发生可逆的氢化反应，使石墨烯通道在绝缘态与导通态之间转变。（c）和（d）非易失和易失性开关模式间的栅控转换。

       如图2所示，研究团队利用碳原子与氢离子之间高度可逆的电化学反应，可以精准有效地操控石墨烯晶体管的电导率，实现高达10⁶的开关比，同时具有稳定的开关电压分布和良好的阻态保持时间，突破了传统基于离子迁移型的阻变忆阻器开关不稳定的问题，此外，器件的开关电压具有随栅压线性调制的特性，为调节突触权重和神经元尖峰提供了一种更加灵活的方式。在此基础上，研究团队利用器件模拟了一系列神经形态功能，包括突触的可塑性模拟，神经元的阈值开关特性，以及神经元对脉冲序列的集成发放行为，证实了该器件在神经形态计算中的应用潜力。

图2 器件的先进性能：（a）高达10⁶的开关比。（b）开关电压具有随栅压线性调制的特性。（c）和（d）在不同栅压下，器件展示出稳定的开关电压分布。

       该工作实现了一种可重构的多功能神经形态器件，这种神经形态功能的按需切换为发展适应性神经网络提供了可能。相关研究成果以“Gate-Controlled Neuromorphic Functional Transition in an Electrochemical Graphene Transistor”为题发表在2024年1月26日的Nano Letters上（https://pubs.acs.org/doi/10.1021/acs.nanolett.3c04193），清华大学物理系张金松副教授为该论文通讯作者。物理系博士生于承霖、李绍锐和集成电路学院本科生潘周捷为论文的共同第一作者。该项工作得到国家自然科学基金委、科技部重点研发计划和北京未来芯片技术高精尖创新中心的支持。