随着深度神经网络在诸多领域取得重要性突破，其对数据和算力的巨大需求也日益凸显。尤其是在物联网（IoT）和边缘设备中，传统神经网络难以在有限样本下快速适应新任务，而重新训练模型又需要高昂的计算和能耗成本。相比之下，人脑能够通过极少样本（甚至单样本）进行快速学习与泛化，与现有的计算模式存在显著的差别，这激发了研究者对类脑高效学习算法的探索。记忆增强神经网络（MANNs）通过引入关联存储器机制，有望高效解决这一挑战，但在传统冯·诺依曼架构中，数据搜索与距离计算的大量数据迁移却极大地限制了计算速度和能量效率。
近日，清华大学电子工程系杨华中教授研究团队的李学清副教授与新加坡国立大学的龚萧副教授研究团队合作，首次提出并通过实验验证了一种基于反转型铁电电容存储器（FCM）的电荷域2FCM内容寻址存储器（CAM），可支持记忆增强神经网络的高效加速。该设计开创性地采用差分铁电电容来存储数据，通过电荷域操作可直接输出与汉明距离成线性关系的稳定电压信号，相比传统非易失CAM，具有显著的输出线性度高、抗干扰能力强、搜索能效高、集成密度高等一系列优势。
基于FCM的内容寻址存储器概览
研究团队在绝缘体上硅（SOI）平台上成功制备了16×16 2FCM CAM阵列，并演示了16通道并行的16位汉明距离计算。实验测量结果证明，16位汉明距离计算输出的线性度高达R⟡ = 0.9983，且误差仅0.126 LSB，这极大提高了计算的可靠性，并简化了感应电路设计。2FCM CAM在Omniglot数据集上的单次学习任务中实现了97.5%的识别准确率，且在45 nm工艺节点下，单元面积仅为0.024 μm 2 ，单次搜索操作的能耗低至0.005 fJ/bit，显著优于已有先进的电流域CAM，在搜索能效方面实现了40倍以上的提升。这些指标凸显了所提出的2FCM CAM在低功耗、高可靠、高密度等方面的优势，为未来低功耗、高精度、高密度的存内搜索应用奠定了坚实基础。尤其是在边缘计算、物联网、生物序列分析、实时图像识别等场景中，2FCM CAM有望成为推动下一代智能硬件的关键技术。
所制备的16×16 2FCM CAM阵列和实测结果
相关成果以“ 面向高可靠高能效单次学习、基于铁电电容存储器的电荷域内容寻址存储器 ”（“Charge-domain content addressable memory based on ferroelectric capacitive memory for reliable and energy-efficient one-shot learning”）为题在《自然·通讯》（Nature Communications）上发表。新加坡国立大学电气与计算机工程系的周作普博士和清华大学电子系2021级博士生钟宏涛为共同第一作者，新加坡国立大学电气与计算机工程系龚萧副教授与清华大学电子系李学清副教授为共同通讯作者。该研究得到了国家自然科学基金等项目的支持，是杨华中教授团队李学清副教授继年初发表在《自然·通讯》的铁电物理不可克隆函数（PUF）工作之后的一项新的成果。
附论文链接：
铁电电容存储器加速器（论文一）：https://www.nature.com/articles/s41467-025-63190-y
铁电物理不可克隆函数（论文二）：https://www.nature.com/articles/s41467-024-55380-x
