人工智能的快速发展对计算机算力提出了更高的要求。如今的计算机系统基于冯·诺依曼架构，其“内存墙”问题制约着计算速度的提高，为解决这一问题，存算一体方案被提出。其中，通过忆阻器构建神经形态计算是实现存算一体最具发展前景的途径。忆阻器与人脑神经突触结构类似，电学特性也和神经突触的传输特性高度相似，利用单个忆阻器就能模拟一个神经突触的基本功能，与传统的集成电路模拟突触相比，能耗更低，集成度更高。

         随着对忆阻器的深入研究，我们发现忆阻器的阻值以及开关电压等诸多器件特性具有较大的可变性。目前，国内外已有大量文献报导忆阻器的阻变模型，从不同尺度上理解和研究忆阻器的阻变机制，根据所关注的距离尺度和时间尺度不同，主要可分为以下几种建模方法：相场模型，动力学蒙特卡洛，分子动力学，第一性原理计算等。材料研究院选用动力学蒙特卡洛模拟导电细丝生长，并通过第一性原理对其模拟过程中的相关参数进行计算和高通量筛选，最终筛选出能实现较好器件均一性的忆阻器电介质材料并提出优化器件性能的方法。

          忆阻器导电细丝生长已基本可通过模型模拟

        通过对比不同的忆阻器建模方法，根据模拟导电细丝生长的空间尺度，选取动力学蒙特卡洛方法对其及进行模拟。模型主要考虑三个物理过程：电极金属原子的氧化过程、金属离子在电介质中的迁移、金属离子在阴极还原过程。其中金属离子的迁移过程会受到外电场以及其他离子的库仑力作用，这两个作用会明显影响离子的迁移，因此我们还在模型中增加了外电势分布以及离子之间电势的模块，模型的程序框图如图1所示。

       目前，模型已基本可以模拟忆阻器导电细丝生长的过程，模拟结果如图2所示。模型的相关计算参数将由第一性原理计算得到，实现对导电细丝的跨尺度模拟。模型的正确性将通过重复文献中的模拟以及实验上所采用的材料参数代入模型与其导电细丝的表征对比验证。

        高通量忆阻器材料计算流程

       由于忆阻器电介质材料众多，材料目标特性的计算较为复杂且计算量大，我们建立了如图3所示的计算流程，通过开发基于忆阻器材料的高通量计算筛选流程，与动力学蒙特卡洛方法结合，筛选出能实现较好忆阻器均匀性的电介质材料，并建立忆阻器材料的数据库，开发机器学习算法，预测忆阻器新材料，加快忆阻器材料的研发进程。       

         优化高通量忆阻器材料计算方法

         金属离子导电细丝进行阻变的忆阻器电介质材料众多，金属离子在其中进行迁移，与在其中的迁移势垒密不可分，但利用第一性原理计算方法直接对迁移势垒进行计算需要的时间成本较大，自动化计算流程较难建立，因此，我们选用适合高通量筛选的计算方法，将CAVD（Crystal structure Analysis by Voronoi Decomposition）与BVSE（Bond Valence Site Energy）结合进行初筛，得到迁移金属离子的近似最小能量路径（MEP），再通过第一性原理计算方法NEB（Nudged Elastic Band）利用近似MEP计算金属离子在其中的迁移势垒，减少原本NEB线性插值所产生的系统误差或不稳定性，在保持精度的同时减少NEB计算时间。

         忆阻器的研发面向应用，因而我们从稳定存在的结构中进行材料的筛选，材料研究院选用ICSD材料数据库，目前正在二元不含氧元素的晶体材料中进行筛选。并通过调研文献，选用CAVD和BVSE计算方法的基本思路进行初筛。由于CAVD与BVSE方法在计算时会去除掉体系中的阳离子，以阴离子为骨架进行计算，不适用于忆阻器材料对外嵌原子的计算，因此基于两种方法的基本计算原理，我们提出了对两种计算方法的迁移优化，在传统CAVD和BVSE方法中加入体系阳离子进行计算，使之适用于忆阻器材料的计算。