突破摩爾定律極限！MIT團隊開發「黏彈性奈米元件」：以軟物質形變打造超低能耗人工神經元
圖靈學院編輯部
2026-9-23
麻省理工學院（MIT）的研究團隊在最新一期《科學進展》（Science Advances）發表了一項顛覆性的類腦運算（Neuromorphic Computing）研究。研究團隊利用僅約 2 奈米厚的聚二甲基矽氧烷（PDMS）高分子薄膜，成功開發出一款兼具次奈米級力學可調控性與時間動態響應的「黏彈性奈米機電穿隧元件」。該元件不僅突破了傳統奈米機電系統（NEMS）因表面黏附力導致的尺寸縮減瓶頸，更首次在單一材料的固有物理特性中實現了「洩漏整合發射」（Leaky Integrate-and-Fire, LIF）人工神經元功能，其單次觸發能耗預計可低至 2 飛焦耳（fJ），大幅超越生物神經元的能量效率。
突破傳統奈米機電瓶頸：軟物質如何解開「表面黏附」死結？
隨著人工智慧與邊緣運算（Edge Computing）對算力的需求爆發，傳統基於馮紐曼架構的矽基晶片正面臨嚴重的功耗牆與散熱瓶頸。為了尋求更高效的運算範式，科學家將目光投向了模仿大腦運作方式的「物理類腦運算」——利用材料內部的固有物理過程（如力學、光學或電學變化）直接進行資訊處理。傳統的奈米機電元件（NEMS）在微縮至奈米尺度時，常面臨致命的「表面黏附力」（Surface Adhesive Forces，如凡德瓦力）問題。當元件幾何尺寸縮小，強大的表面黏附力會使動態結構黏死而無法復原。由麻省理工學院電機工程與計算機科學系 Farnaz Niroui 教授領導的團隊（共同第一作者為 Peter F. Satterthwaite 與 Sarah O. Spector），巧妙地利用「奈米級軟物質」（Nanoscale Soft Matter）解決了這個數十年來的難題。研究團隊在金屬電極表面透過表面接枝聚合技術（Surface-grafted polymerization）成長出僅約 2 奈米厚的 PDMS 柔性薄膜。PDMS 彈性體不僅能穩定電極結構，更能提供足夠的恢復力來平衡表面黏附力，使元件能在次奈米尺度下進行精準且可逆的幾何重構。
工作機制拆解：量子穿隧電流與黏彈性記憶的奇妙結合
這款新型元件的核心構造是由兩層黃金電極夾住約 2 奈米厚 PDMS 薄膜所形成的「金屬-絕緣體-金屬」穿隧接面（Tunneling Junction）：
1. 靜電力驅動壓縮：當在兩端電極施加電壓時，產生的靜電力會擠壓夾層中的 PDMS 薄膜，使兩極間距（g）縮小（從初始約 2.3 奈米壓縮至 1.6 奈米）。
2. 指數級穿隧電流調變：根據 Simmons 穿隧模型，量子穿隧電流 I 與電極間距g成指數反比關係（I ∝ e-βg）。因此，次奈米等級的微小厚度壓縮，即可誘發跨越數個數量級的非線性電流調變與滯後現象（Hysteresis）。
3. 高分子黏彈性記憶：PDMS 兼具彈性（Elastic）與黏性（Viscous）特質。研究團隊利用「克爾文模型」（Kelvin element，即彈簧與阻尼器並聯）來描述其力學行為：
- 瞬間彈性響應：由彈簧機制控制，在施加電壓的瞬間產生即時形變。
- 延遲黏彈性響應：由黏性阻尼機制控制，形變會隨時間累積；當電壓撤除後，形變不會立即消失，而是以特定時間常數（約 4.5至4.9秒）緩慢鬆弛恢復。
為了實測元件內部的次奈米形變，研究團隊更整合了暗場散射光學檢測。由於該元件結構天然形成了一個金屬等離子體奈米腔（Plasmonic Nanocavity），其散射光學頻譜對間距極為敏感。光學實驗顯示，當電壓由 1V 掃描至 3V 時，散射峰值產生了 18 奈米的紅移，經由時域有限差分（FDTD）模擬確認，對應的 PDMS 壓縮量約為 0.8 至 0.9 奈米，精準驗證了電學測量的機電形變機制。
硬核創新：單一元件實現「洩漏整合發射」（LIF）與側向抑制
傳統電子類腦電路若要模擬生物神經元的「洩漏整合發射」（LIF）行為，往往需要額外的電容器來累積電荷，並搭配複雜的電路來控制觸發與洩漏，這極大地限制了晶片整合度。
1. 本徵「洩漏整合發射」（Leaky Integrate-and-Fire）
MIT 團隊開發的黏彈性奈米元件，將 LIF 功能直接「寫」進了材料的物理屬性中：
- 時間累積（Integrate）：當連續輸入多個低於門檻值的電壓脈衝時，若脈衝間隔短於 PDMS 的黏彈性鬆弛時間，每次脈衝所產生的靜電力將在 PDMS 中累積形變，使薄膜越來越薄。
- 閾值觸發（Fire）：實驗顯示，在連續施加 16 個子閾值脈衝後，薄膜形變累積達到臨界面，穿隧電流瞬間飆升，成功觸發「發射」（Firing）事件。
- 洩漏與重置（Leaky & Reset）：脈衝停止後，PDMS 依靠自身的彈性恢復力緩慢還原，電流隨之回落至初始狀態。
這種介於秒級（Seconds-scale）的物理記憶常數，遠長於現有微秒或毫秒級的類腦元件，使其特別適合處理具有較長時間關聯性的時序訊號（Temporal data）。
2. 神經元間的「側向抑制」（Lateral Inhibition）
大腦皮質中，神經元之間會透過「側向抑制」來增強訊號對比度與競爭性處理。研究團隊將兩個黏彈性奈米元件（Neuron 1 與 Neuron 2）並聯連接至一個共享負載電阻（Load Resistor R）：
- 當 Neuron 1 率先被寫入並觸發「發射」時，其電阻驟降，導致共享節點的電壓（$V_C$）被大幅拉低。
- 此時，作用在 Neuron 2 兩端的有效電壓降隨之低於觸發門檻，使得 Neuron 2 被成功抑制、無法發射。
- 直到 Neuron 1 隨時間逐漸鬆弛、電阻回升後，Neuron 2 才能重新獲得發射能力。
這種動態抑制機制，為未來建構大型物理神經網路時的時序分類（Temporal Classification）任務奠定了重要基礎。
前景與應用：走向極致低能耗的邊緣智慧與軟體機器人
該研究展示了軟物質奈米機電元件在類腦運算領域的巨大潛力。透過化學合成技術，PDMS 的高分子交叉鏈結（Cross-linking）密度與結構均可被精準設計，這意味著其黏彈性時間常數與力學模數具有極高的工程可調性。展望未來，這項技術將在多個前沿領域發揮關鍵作用：
1. 超低功耗邊緣運算（Edge AI）：元件發射時僅需約 2 fJ 的電學能量與 0.1 fJ 的力學能量，能大幅延長可穿戴設備與邊緣感測器的電池壽命。
2. 具身智慧與軟體機器人（Soft Robotics）：PDMS 等柔性材料具有優異的機械與生物相容性，極易與軟體感測器整合，實現「感知-運算-致動」一體化的智能材料系統。
3. 生物介面與醫療植入物：軟物質材料能降低無機半導體晶片對生物組織的刺激，為下一代腦機介面（BCI）與神經假體提供更安全的硬體解決方案。
參考文獻
Satterthwaite, P. F.†, Spector, S. O.†, Conte, M., Hsieh, T., Bobylev, E. O., Venkatesh, S., Johnson, J. A., & Niroui, F. (2026). Viscoelastic nanomechanical devices for neuromorphic information processing. Science Advances, 12(38), eaeg9893.
https://doi.org/10.1126/sciadv.aeg9893
