5.3 阈值神经元与 Mott 器件：突触之外的另一半

5.3 阈值神经元与 Mott 器件：突触之外的另一半

本节摘要：脉冲神经网络需要两类器件：慢变的突触（5.1 节）与快变的神经元（积分-放电）。Mott/阈值开关器件凭"易失、阈值、超快恢复"三个特性天然扮演后者。本节解析神经元的状态机、Mott 器件的物理与其作为神经元的资质，以及突触-神经元拼成完整 SNN 的工程账。

一个器件家族，两种角色分工

神经形态硬件的器件需求其实是对立的：突触要"记得久、变得慢"，神经元要"忘得快、动得快"。前者是非易失忆阻器的本职；后者恰恰需要易失性——积累输入、越过阈值、放一个尖峰、迅速归零，等待下一个周期。Mott 器件（NbO₂、VO₂ 为代表）的绝缘体-金属相变在毫秒到微秒尺度自发回退，这个在存储视角是致命缺陷的"记不住"，在神经元视角是恰到好处的"会遗忘"。家族里的"差生"换个考场就成了优等生——这是全书对比方法论的又一条注脚。

神经元的状态机

生物神经元的计算原语是积分-放电（integrate-and-fire）：输入电流被膜电容积分，膜电位越过阈值就发放尖峰并进入不应期。器件神经元要复刻这条状态链：

这套状态机可以用 Mott 器件串一个电容物理实现：输入电流给电容充电，电容电压加在器件上；器件进入金属相后电流猛增，在负载电阻上打出尖峰；尖峰过后器件自发退回绝缘相，电容放电，回到静息。全流程无时钟、无数字逻辑，一次物理动作完成一次"积分-阈值-发放-复位"。

Mott 器件的物理一分钟

NbO₂ 的 Mott 相变是电子关联驱动的绝缘体-金属转变：温度越过约 800 K（焦耳热自持达到）或电场越过阈值时，d 电子退局域化，电阻在纳秒内跌落两到三个数量级；撤去激励，散热让它回到绝缘相，回退时间由热时间常数决定（器件设计可从微秒调到毫秒）。VO₂ 的相变温度约 340 K 更低，但热稳定性与 CMOS 兼容性略逊。与存储忆阻器对比的关键差异：Mott 相变是自限的、可逆的、不计循环损耗的（结构不发生净重组），因此 endurance 可以极高——它的状态本来就在两相之间来回震荡，"磨损"的定义都不太适用。这是"易失"换来的意外红利。

拼一台完整的脉冲神经网络

突触阵列 + 神经元器件 = 完整的物理 SNN：前一层神经元尖峰经突触阵列加权（电导×尖峰幅度），列电流注入下一层神经元膜电容，越阈发放。整个系统没有时钟、没有乘法指令、没有采样——计算就是物理过程本身。工程账要算清三笔：

第一笔，神经元与突触的阻抗匹配。 神经元要"吃到"突触阵列的输出电流，负载阻抗决定列电压衰减。典型设计给每列配独立的神经元或 16~64 列共享一个神经元（时间复用），共享率越高面积越省、时序越难。

第二笔，发放的编码代价。 SNN 用尖峰率编码信息，意味着信息以时间换精度：要表示 8 bit 精度需要数百个尖峰的时间窗。静态图像推理中这段"积分等待"让 SNN 的有效延迟反超 ANN——所以当前 SNN 的甜区在事件相机（动态视觉传感器）这类输入本身就是脉冲流的场景，天然对口。

第三笔，训练仍是数字世界的。 物理前向、数字反向是当前主流：用代理梯度在 GPU 上训好，再把权重量化写入突触阵列；片上局部学习（STDP 直接增强）仍是研究前沿。第 7 章会看到随机性的正用，那里与本节的概率发放会合流。

# 神经元器件驱动 SNN 一层的最小事件仿真
def snn_layer(spike_trains, weights, v_th=0.8, tau=10.0, dt=0.1):
    # spike_trains: 输入尖峰流 weights: 电导列表 v_th: 阈值 tau: 膜时间常数
    v = 0.0
    out = []
    for t in range(len(spike_trains)):
        i_in = sum(w for w, s in zip(weights, spike_trains[t]) if s)
        v += (i_in - v / tau) * dt          # 泄漏积分
        if v >= v_th:
            out.append(t)                   # 发放尖峰
            v = 0.0                         # 不应期（简化为零复位）
    return out
# 把 i_in 换成"列电流实测值"即成硬件在环仿真 —— 数字侧只做事件调度
​

⚠️ 常见坑：把 Mott 阈值开关（易失）与 Mott 忆阻器（部分体系可做出非易失余量）混为一谈。选神经元器件时要"易失"，选存储器件时要"非易失"，同一材料体系两个方向的需求甚至互相矛盾——采购与课题设计时先声明要哪一种。

💡 关键直觉：突触与神经元是"慢"与"快"的分工，一个器件想包办两角通常两头不讨好。系统设计的自由度恰恰在"承认分工"之后打开：易失器件专心做动态，非易失器件专心做记忆。

神经元器件的三条实现路线对比

Mott 器件不是神经元的唯一器件化方案，放在一起对比能看清它的位置。路线一：纯 CMOS 神经元（积分器 + 比较器）：精度可控、设计流程成熟，缺点是面积与静态功耗大，一颗神经元占地数十微米²，突触与神经元的面积比失衡（生物脑约 1000:1，CMOS 实现常倒挂）。路线二：忆阻器 eFuse/扩散电容方案：用非线性器件替代比较器，面积缩小一个量级。路线三：Mott/阈值器件：面积最小（器件即阈值动作）、速度最快，代价是阈值电压的温漂与器件间分布需要电路校准。三条路线在量产设计里常常混用——CMOS 神经元做关键层、Mott 器件做密集中间层。器件选型再一次回到熟悉的句式：不是谁最好，而是每条路线各自买什么、付什么。

本节要点回顾

• 角色对立：突触要慢变非易失，神经元要快变易失；Mott 器件的"记不住"在神经元考场是满分特性。
• 状态机即电路：积分、阈值、发放、复位四个态可用 Mott 串电容的物理动作完整复刻，全程无时钟。
• SNN 的甜区：事件流输入、超低功耗常在线；静态图像上尖峰编码的时间代价让延迟反超 ANN。
• 物理前向数字反向：训练仍在 GPU，片上学习是前沿而非现状，系统设计要按这个现实排兵。