人的大脑是一个由~1011神经元和1015突触构成的高度互连、大规模并行、结构可变的复杂网络。在神经网络中，神经元被认为是大脑的计算引擎，它并行地接受来自与树突相连的数以千计的突触的输入信号。突触可塑性即是通过特定模式的突触活动产生突触权重变化的生物过程，这个过程被认为是大脑学习和记忆的源头。因此，模拟神经突触可塑性和学习功能，构建人工神经网络，是未来实现神经形态类脑计算机的关键。近年来，随着新型电子器件的出现和人工智能技术的兴起，利用单一电子器件实现神经突触可塑性和学习功能的模拟，引起人们的极大兴趣，形成了一个新的前沿研究方向—突触电子学（Synaptic Electronics）。

　　目前，突触电子学主要采用两端阻变器件（忆阻器）和三端阻变器件（场效应晶体管）来进行神经突触功能的模拟。这些器件的电阻变化与神经突触权重（突触连接强度）的变化极为相似，已被成功用于模拟神经突触的可塑性和学习功能。中国科学院物理研究所/北京凝聚态物理国家研究中心磁学国家重点实验室孙阳研究组（M06组）在国际上首先提出了一种基于磁电耦合效应的非易失性电路元件—忆耦器（memtranstor）[Chin. Phys. B 25, 068402 (2015)]。这种器件由电荷和磁通的非线性关系来定义，其状态值用电耦来表示，可以通过测量器件的磁电耦合电压值来给出。在前期工作中，孙阳研究组已经分别基于忆耦器成功演示了室温下的两态存储、多态存储和布尔逻辑运算功能 [Phys. Rev. Applied 6, 021001 (2016)；Phys. Rev. Applied 6, 064028 (2016)；Appl. Phys. Lett. 109, 252902 (2016)；Sci. Rep. 6, 34473 (2016)；Adv. Fun. Mater. 29, 1705771 (2018)]。相比于阻变器件而言，忆耦器具有更低功耗的优点。

　　近期，孙阳研究组尚大山副研究员和博士生申见昕等在忆耦器的应用方面取得了新的进展，成功将忆耦器应用于突触电子学领域。他们在具有室温大磁电耦合效应的Ni/PMN-PT/Ni忆耦器中，通过调节脉冲触发电压和脉冲次数，实现了电耦值的连续可逆变化，模拟了神经突触权重增强和减弱行为。神经生物学研究表明，神经突触的学习功能遵循赫布律，即突触权重的变化取决于连接突触前后神经元的激发活性。他们通过设计脉冲电压触发波形，并将两组脉冲波形进行叠加，实现了脉冲时序依赖可塑性（STDP）这种典型的突触可塑性行为。在此基础上，他们构建了基于忆耦器的44神经网络，通过采用随机噪声学习方法，模拟了图片静态和动态学习功能。该工作在国际上首次利用忆耦器模拟了神经突触可塑性和学习功能，证明了基于忆耦器构建低功耗神经网络的可行性，为突触电子学和类脑计算技术的开发提供了一种全新的途径。

　　以上研究成果已在线发表于Advanced Materials 30, 1706717 (2018)。参与本工作的合作者还包括：物理所沈保根院士和北师大王守国教授等。该工作得到了国家自然科学基金（11534015，51671213, 51725104, 51625101），科技部（2016YFA0300701）和中国科学院（XDB07000000）项目的支持。

　　文章链接

　　图1 a)基本电路元件关系图。b)忆耦器特征曲线。c)忆耦器工作原理图。d)磁电耦合电压（VME）随磁场和电极化方向的变化。

　　图2 a)神经突触示意图。b)激发/抑制后突触电势（EPSP/IPSP）随脉冲触发电压的变化。c) 2.5 kV/cm脉冲电压触发条件下EPSP/IPSP随脉冲触发次数的变化。

　　图3 a-b)脉冲时序依赖可塑性及相应的脉冲触发波形。c-d)脉冲时序依赖可塑性的简化形式及相应的脉冲触发波形。

　　图4 a)神经网络示意图。b)触发脉冲波形示意图。c)神经网络学习前后的突触权重分布图。d)学习准确度的饱和值随噪声像素点数目的变化。