基于非易失性忆阻器的紧凑型事件触发计数器：面向人工智能电路的低功耗集成新方案

《IEEE Journal on Exploratory Solid-State Computational Devices and Circuits》：Non-Volatile ReRAM-Based Compact Event-Triggered Counters

本刊编辑推荐：为应对集成电路晶体管数量激增导致的制造成本与能耗指数级上升问题，研究人员开展了基于忆阻器(ReRAM)与CMOS混合集成的16位计数器创新设计研究。该研究通过将忆阻器作为逻辑门核心元件，成功将D触发器(DFF)晶体管数量从18个降至10个，并开发出新型边缘触发计数器架构，实测结果显示计数器最高位在3.2768ms准确翻转。这项突破为人工智能(AI)电路提供了兼具非易失性存储与面积优化特性的新型基础模块，对突破冯·诺依曼架构瓶颈具有重要意义。

　　

随着集成电路晶体管密度的持续攀升，芯片制造成本和能耗正面临指数级增长的压力。传统互补金属氧化物半导体(CMOS)技术在设计数字计数器时往往需要大量晶体管，这不仅占用宝贵硅片面积，还导致功耗显著增加。特别是在人工智能(AI)和边缘计算场景中，如何在有限面积内实现高效能、低功耗的计算单元成为亟待突破的技术瓶颈。更棘手的是，传统计数器在断电后无法保存状态信息，每次重启都需重新初始化，这严重制约了其在间歇性供电场景中的应用。

正是在这样的背景下，来自德国锡根大学和印度喀拉拉数字大学的联合研究团队在《IEEE Journal on Exploratory Solid-State Computational Devices and Circuits》上发表了一项创新研究成果。他们巧妙地将忆阻器(ReRAM)这一新兴非易失性存储器与成熟CMOS技术相结合，开发出两种不同架构的16位数字计数器，成功实现了晶体管数量的大幅缩减，同时赋予了计数器断电状态保持能力。

为开展这项研究，团队采用了几个关键技术方法：首先利用自主制备的Ag/SiO₂/ITO结构忆阻器，建立了支持跨仿真会话状态保持的Verilog-A行为模型；其次设计了基于忆阻器的三元逻辑门替代传统CMOS门电路；最后通过蒙特卡洛(MC)分析和后布局仿真验证了电路的鲁棒性。所有仿真均基于实验测量的忆阻器参数和0.18-μm CMOS工艺模型。

II. 忆阻器及其建模

研究人员使用自主清洁厂房制备的银/二氧化硅/氧化铟锡(Ag/SiO₂/ITO)结构忆阻器，该器件在初始状态下呈现高电阻状态(HRS)，施加正电位后可形成导电通道转为低电阻状态(LRS)。为精确模拟电路行为，团队开发了独特的Verilog-A模型，该模型通过外部文件存储忆阻器状态，确保每次仿真都能延续前次结果，有效捕捉了器件的非易失特性。图2对比显示，该模型能准确复现实验测量的忆阻特性曲线。

III. 基于忆阻器的D触发器与计数器

研究首先构建了基于传统NAND门的D触发器(DFF)架构（图3），随后用忆阻器AND门组合CMOS反相器替代原有NAND门（图4）。这种经典设计使每个DFF仅需10个晶体管，较传统18晶体管设计面积减少约50%。将32个此类DFF级联构建的16位计数器仿真显示，最高位(MSB)在3.2768ms准确翻转（图5），验证了基础设计的可行性。

IV. 基于忆阻器的新型紧凑计数器

为进一步提升集成度，团队提出了更创新的设计（图6）。该架构仅用4个忆阻器和少量晶体管实现边缘触发DFF，面积进一步缩减至63.32μm²。通过传输门T₁/T₂的交替导通和忆阻器M₁/M₃的状态切换（图7），电路在时钟下降沿触发状态翻转。16位计数器仿真表明（图8），即使从随机初始值(43691)_d开始，最高位也能在2.1844ms准确触发，且具备断电状态保持能力。

电路稳定性与忆阻器要求

耐久性测试显示（图9），忆阻器经历1000次置位/复位扫描后仍保持稳定电阻状态。但仿真发现（图10），当LRS过低（如400Ω）时会出现电压毛刺，提示需选择合适阻值的忆阻器。蒙特卡洛分析表明（图11），即使置位/复位电压存在50%偏差，电路仍能正常工作。后布局仿真仅引入50ps延迟（图12），对100ns时钟周期影响可忽略。功耗分析显示（图13），单个DFF最大功耗为647.4μW，主要源于LRS漏电流，这是实现非易失特性付出的必要代价。

这项研究通过忆阻器与CMOS的协同设计，成功实现了晶体管数量减半的紧凑型计数器，同时赋予其非易失特性。新型DFF架构不仅面积优于传统设计，其状态保持功能更为间歇供电场景提供了独特优势。尽管存在功耗增加的挑战，但这种权衡为人工智能电路设计提供了新思路。未来通过优化忆阻器特性或采用混合架构，有望进一步突破性能瓶颈。这项工作为后摩尔时代计算架构的创新探索提供了重要技术路径，特别为神经形态计算和边缘智能设备的发展奠定了坚实基础。