基于IMT器件的SPICE紧凑模型构建与神经形态神经元电路设计

1. 项目概述：为前沿器件搭建电路设计的“翻译官”

在芯片设计的江湖里，SPICE仿真器就是工程师的“数字沙盘”。我们在这个沙盘上搭建电路、推演性能，最终的目标是让设计一次成功。但这个沙盘要能准确模拟现实，离不开一套精准的“物理定律”——这就是器件模型。对于成熟的硅基CMOS晶体管，我们有经过数十年锤炼的BSIM模型，其精确度足以让我们对纳米级电路的性能了如指掌。

然而，当研究的触角伸向绝缘体-金属相变这类新兴器件时，情况就变得棘手了。这类器件的神奇之处在于，其电阻能在外部激励（如电压、电流）下，在绝缘态（高阻）和金属态（低阻）之间发生陡峭、可逆的转变。这种特性像极了生物神经元中“积累-发放-不应期”的行为，使其在构建超低功耗、高密度的神经形态计算系统时极具吸引力。但问题来了：我们如何将这种复杂的物理过程，“翻译”成电路仿真器能理解的语言？

这就是我这次要深入探讨的核心：为IMT器件构建一个SPICE紧凑模型，并用它来设计一个功能完整的人工神经元电路。这不仅仅是跑个仿真、出张波形图那么简单。其真正的挑战和价值在于，如何用一个简洁的数学模型，精准捕捉器件内部电场与焦耳热之间微妙的相互作用，以及由此引发的剧烈相变。这个模型必须足够“紧凑”，以便能集成到Cadence Spectre这类商用仿真工具中，让电路设计师能像调用一个MOSFET模型那样，轻松地用它来探索和设计基于IMT的复杂系统。

本文将基于一篇经典的学术文献，拆解这个模型的构建思路、Verilog-A实现细节、参数提取的实操方法，并最终展示如何利用这个模型，设计出一个仅需少量外围电路即可工作的集成-发放神经元。我会分享在模型调试和电路设计过程中踩过的坑、总结的经验，以及对于模型局限性和未来改进方向的思考。无论你是从事新型器件建模的科研人员，还是对神经形态硬件设计感兴趣的电路工程师，相信这些从一线实践中沉淀下来的细节，都能为你提供有价值的参考。

2. IMT器件物理与建模挑战解析

2.1 绝缘体-金属相变：从物理现象到电路特性

要为一个器件建模，首先得吃透它的“脾气”。IMT器件的核心物理是Mott相变。简单类比，想象一下早高峰的地铁站。在绝缘态（低温或低电场下），电子就像规规矩矩排队的乘客，被强烈的电子-电子关联作用“锁”在各自的原子附近，动弹不得，电阻很高。当温度升高或施加的电场足够强时，就好像突然给乘客们注入了一股能量，关联作用被打破，电子们变得“自由”，可以快速流动，器件瞬间进入低电阻的金属态。

这个转变不是渐进的，而是存在一个临界点（如VO₂中的~340K）。在临界点附近，电阻会发生数个数量级的跳变，并伴随显著的滞回特性：从绝缘态到金属态的“开启”电压/温度，和从金属态回到绝缘态的“关闭”电压/温度并不相同。这种记忆性和非线性，正是其能被用作神经形态计算基本单元的基础。

在实际器件中，驱动相变的能量来源主要有两种观点：一是纯焦耳热主导，电流流过产生热量，温度达到临界点后触发相变；二是电场辅助的相变，认为电场本身能直接调制电子能带结构，降低相变能垒，与热效应协同作用。目前更被广泛接受的模型是后者，即一个阈值电场（其值随温度升高而降低）与焦耳热共同决定了相变的发生。

2.2 现有建模方法的局限与我们的突破口

在构建我们的SPICE模型之前，学术界已有一些先驱性的工作。例如，有些研究团队开发了基于有限元分析的TCAD电热仿真模型。这类模型从半导体漂移-扩散方程和热传导方程出发，能非常精细地模拟器件内部的温度场和电势分布，精度很高。但它的致命缺点是计算量巨大，且无法直接嵌入SPICE进行电路级仿真。它更像是用于器件物理研究的“显微镜”，而不是电路设计师手中的“螺丝刀”。

另一些工作尝试了查表法或分段线性模型。比如，预先通过实验或TCAD仿真得到一组“电阻-温度-电压”的离散数据点，在仿真时通过插值来获取电阻值。这种方法在SPICE中虽然可以实现，但往往导致仿真收敛困难，且无法体现器件动态过程的连续性，更重要的是，它缺乏物理内涵，难以用于推导电路设计表达式。

因此，我们的目标非常明确：建立一个基于物理的、封闭形式的、SPICE兼容的紧凑模型。它需要满足几个硬性指标：1) 能准确再现实验观测到的I-V滞回曲线和电阻-温度曲线；2) 模型方程连续可导，确保仿真器（如Spectre）的鲁棒收敛；3) 状态变量明确，便于进行电路分析和设计；4) 参数物理意义清晰，可从实验数据中提取。

3. 核心模型构建：从物理方程到Verilog-A代码

3.1 忆阻系统框架与状态变量定义

我们采用忆阻系统的理论框架来描述IMT器件。忆阻器广义上指阻值由通过它的电荷或磁通历史决定的器件。对于IMT，我们将器件的局部温度T(t)定义为系统的状态变量。这个选择抓住了物理本质：相变由温度触发，而温度的变化又由流经器件的电流（焦耳热）决定，形成了一个典型的正反馈回路。

模型的核心是两个方程：

1. 输出方程（电阻方程）：描述器件瞬时电阻R_IMT如何随状态变量（温度T）变化，即R_IMT = f(T)。
2. 状态方程（温度方程）：描述状态变量（温度T）如何随时间演化，即dT/dt = g(I, V, T)。

这个框架非常优美，它将复杂的物理过程抽象为一个具有记忆特性的电路元件，为后续的电路分析和设计奠定了数学基础。

3.2 电阻-温度关系的精细化建模

如何用数学函数描述图1中那条陡峭的“S”形电阻-温度曲线？一个直观的想法是用两个负温度系数热敏电阻的方程分别描述高阻态和低阻态，再用一个Sigmoid函数连接它们。

R_HRS = R_HRS0 * exp(-B_HRS * (T - T0)) // 高阻态，随温度升高指数下降 R_LRS = R_LRSF * exp(-B_LRS * (T - TF)) // 低阻态，随温度升高指数下降 R_IMT = R_LRS + (R_HRS - R_LRS) / (1 + exp((T - Tc)/Tx))

其中，R_HRS0和R_LRSF是参考温度点（如环境温度T0和某个高温点TF）下的电阻，B_HRS和B_LRS是温度系数，Tc是临界温度，Tx控制转变锐度。

但这个模型在仿真中会遇到麻烦。在温度远低于Tc时，R_HRS会指数爆炸到极大值；远高于Tc时，R_LRS会指数衰减到接近零。这会导致数值溢出，并且为了限制电阻范围而引入的if-else条件语句会破坏函数的连续性，极易导致SPICE仿真不收敛。

实操心得：SPICE模型收敛性是第一生命线。一个理论上再精美的模型，如果在仿真中动不动就发散或报错，对电路设计师来说就是废品。因此，任何可能导致不连续或数值奇点的表达式都必须被“平滑化”处理。

我们的解决方案是引入一个平滑饱和函数。最终采用的电阻模型方程如下：

KLRS = exp(-B_LRS * (T - TF)) KHRS = exp(-B_HRS * (T - T0)) R_LRS = R_LRSF * pow(1 + KLRS/A, 1/A) R_HRS = R_HRS0 * pow(KHRS/(1 + KHRS/A), 1/A) R_IMT = R_LRS + (R_HRS - R_LRS) / (1 + exp((T - Tc)/Tx))

这里，A是一个很大的常数（如1e4）。当T远小于TF时，KLRS很大，(1 + KLRS/A)约等于KLRS/A，经过pow(..., 1/A)运算后，R_LRS会平滑地趋近于R_LRSF * (KLRS/A)^(1/A) = R_LRSF * exp(-B_LRS*(T-TF)/A)，这是一个被极大弱化的指数函数，避免了数值溢出。同时，在整个温度区间内，函数及其导数都是连续且平滑的。这是我借鉴了经典MOSFET模型中的平滑函数技巧，效果非常显著。

3.3 温度动力学：集总参数热模型

状态方程描述了器件温度的演化。我们采用一个集总参数热模型，将整个器件视为一个具有热容C_th的节点，通过一个热阻R_th与环境温度T0相连。

C_th * dT/dt = P_joule - (T - T0) / R_th = V_IMT * I_IMT - (T - T0) / R_th

这个方程非常直观：左边是器件温度变化所需的热量；右边第一项是焦耳热功率输入（V*I），第二项是向环境散热的热流。C_th代表了器件材料升温的快慢，R_th则代表了散热能力的强弱。这是一个一阶线性微分方程，求解稳定、高效，非常适合紧凑模型。

3.4 Verilog-A实现与编码技巧

将上述方程转化为Verilog-A代码是模型能嵌入商用仿真工具的关键一步。Verilog-A是一种描述模拟电路行为的硬件描述语言，Spectre、HSPICE等都支持。

以下是核心代码段的示意（非完整代码，突出关键点）：

`include “constants.vams” `include “disciplines.vams” module imt_model (p, n); inout p, n; electrical p, n; parameter real Rth=1e3, Cth=1e-9, Tc=340, Tx=5, Rhrs0=1e6, RlrsF=1e3, Bhrs=0.1, Blrs=0.05, T0=300, TF=400, A=1e4; real T, Rh, Rl, R, Vd, Id; analog begin // 获取端口电压和电流 Vd = V(p, n); Id = I(p, n); // 状态方程：温度微分方程 // 使用`ddt`操作符表示微分，仿真器会自动进行时域积分 ddt(T) = (Vd * Id - (T - T0)/Rth) / Cth; // 输出方程：计算高低阻态及总电阻（使用平滑函数） begin real Khrs, Klrs; Khrs = exp(-Bhrs * (T - T0)); Klrs = exp(-Blrs * (T - TF)); // 平滑处理，防止溢出 if (Khrs > 1e-6) begin Rh = Rhrs0 * pow( Khrs/(1 + Khrs/A), 1/A ); end else begin Rh = Rhrs0 * pow( Khrs, 1/A ); // 小值时的近似，保持连续 end if (Klrs > 1e-6) begin Rl = RlrsF * pow(1 + Klrs/A, 1/A); end else begin Rl = RlrsF; // 温度很高时，趋近于RlrsF end // Sigmoid过渡 R = Rl + (Rh - Rl) / (1 + exp((T - Tc)/Tx)); end // 欧姆定律 I(p, n) <+ V(p, n) / R; end endmodule

注意事项：在计算pow(x, 1/A)时，当x可能为0或极大值时，直接计算会出错。因此代码中加入了条件判断，在Khrs或Klrs很小时采用等效的近似表达式，确保函数值及其导数的连续性。这是保证模型在极端工作点也能稳健收敛的关键细节。

4. 模型验证、参数提取与仿真设置

4.1 拟合实验与TCAD数据

模型建好了，但它靠谱吗？我们需要用实验数据或高精度仿真数据来“校准”它。在原始论文中，作者使用了文献[5]中VO₂器件的实验数据和电热仿真结果进行拟合。

拟合过程通常是这样操作的：

1. 获取数据：从已发表的论文图表中（或通过合作获得实测数据）提取关键曲线，通常是：a) 电阻随温度变化曲线（R-T），b) 直流扫描下的电流-电压滞回曲线（I-V），c) 在阶跃电压下电阻和温度随时间变化的瞬态曲线。
2. 参数初值估算：
   • R_HRS0和R_LRSF：直接从R-T曲线在低温端和高温端的平台区读取。
   • Tc：取电阻发生突变的中点对应的温度。
   • Tx：通过拟合R-T曲线转变区域的斜率来调整，Tx越小，转变越陡峭。
   • B_HRS和B_LRS：对高阻态和低阻态平台区的数据点取对数，拟合ln(R) ~ T的直线，其斜率即为-B。
   • R_th和C_th：从瞬态温度曲线中提取。施加电压后，温度指数上升至稳态T_ss。稳态满足T_ss = T0 + R_th * V^2 / R，由此可估算R_th。温度上升的时间常数τ = R_th * C_th，从瞬态曲线可得到τ，进而算出C_th。
3. 优化工具调参：将上述初值代入模型，在Spectre中运行DC和瞬态仿真，将仿真结果与目标曲线对比。使用仿真工具自带的优化器（如Cadence的ADE Assembler with Optimization）或手动微调参数，以最小化仿真曲线与目标曲线之间的误差（如均方根误差）。

表1展示了论文中用于神经元电路仿真的一组典型参数值，这些参数是基于对特定VO₂器件数据的拟合得到的。

4.2 在Cadence Spectre中的仿真设置要点

将Verilog-A模型编译成Spectre可用的器件模型后，就可以像调用普通器件一样使用了。但在仿真IMT电路时，有几点需要特别注意：

1. 瞬态仿真：这是分析神经元动态行为的核心。需要设置合理的仿真时间步长maxstep。由于相变过程非常快，步长需要设得足够小（例如皮秒级）才能捕捉到电阻跳变的细节，但太小又会大幅增加仿真时间。一个实用的技巧是使用可变步长算法，并允许仿真器在快速变化阶段自动缩小步长。
2. DC扫描：用于获取I-V滞回曲线。不能像普通电阻那样直接做电压扫描，因为器件的状态（温度）具有记忆性。正确的方法是：先做一个从负压到正压的慢扫描（模拟“开启”过程），再做一个从正压回负压的慢扫描（模拟“关闭”过程）。扫描速率要足够慢，使得器件在每个电压点都能达到热平衡稳态。
3. 收敛性辅助：对于包含强烈正反馈的电路，DC工作点可能难以找到。可以尝试：a) 使用UIC（使用初始条件）选项开始瞬态仿真，从一个明确的状态启动；b) 在模型端口并联一个非常大的电阻（如1TΩ）到地，为仿真器提供一个直流路径；c) 适当放松仿真器的收敛容差reltol和vabstol/iabstol。

5. 基于IMT紧凑模型的集成-发放神经元设计

5.1 神经元工作原理与电路架构

生物神经元的工作模式可以简化为：接收来自多个突触的输入信号（电流）→ 在细胞膜（电容）上积分产生膜电位 → 当膜电位超过阈值时，产生一个动作电位（脉冲）并发放 → 进入短暂的不应期，期间难以再次兴奋。

利用IMT器件的特性，我们可以用极其简单的电路实现这一功能。其核心思想是：用IMT器件的温度替代膜电位作为积分变量，用相变（电阻跳变）替代动作电位发放。

图8所示的基本神经元电路包含一个电容C、一个IMT器件和一个恒流源I_syn（代表来自突触的输入电流和）。其工作过程如下：

1. 积分（积累）阶段：初始时，IMT处于高阻态R_HRS。输入电流I_syn对电容C充电，电容电压V_C（也即IMT两端电压V_IMT）线性上升。电流流过IMT产生焦耳热（P = V_IMT^2 / R_HRS），器件温度T缓慢上升。
2. 发放（点火）阶段：当温度T达到临界温度Tc时，IMT在极短时间内切换到低阻态R_LRS。由于R_LRS很小，电容C通过IMT迅速放电，在放电回路中产生一个巨大的电流尖峰。这个电流尖峰就是神经元的“动作电位”输出。
3. 不应期（重置）阶段：放电后，V_IMT变得很低，焦耳热功率骤减。器件通过热阻R_th向环境散热，温度T开始下降。当T降至Tc以下时，IMT恢复至高阻态R_HRS。此时，如果仍有输入电流，则新一轮的积分再次开始。

5.2 振荡条件与设计表达式推导

要使神经元能周期性地振荡（即不断重复积分-发放循环），必须满足一个关键的热平衡条件。在稳态（dT/dt = 0）下，由热模型方程可得：

T_ss = T0 + R_th * I_IMT^2 * R_IMT

其中，I_IMT是流经IMT的稳态电流。对于图8的简单电路，在积分阶段，I_IMT ≈ I_syn（因为电容充电电流远大于IMT漏电流）。

振荡的必要条件是：当IMT处于高阻态时，其稳态温度高于Tc；当处于低阻态时，其稳态温度低于Tc。只有这样，器件才能在两个状态间来回切换。

条件1（高阻态发热足以触发相变）: T0 + R_th * I_syn^2 * R_HRS > Tc 条件2（低阻态散热足以恢复绝缘态）: T0 + R_th * I_syn^2 * R_LRS < Tc

将两式合并，得到振荡不等式：

R_th * I_syn^2 * R_LRS < Tc - T0 < R_th * I_syn^2 * R_HRS

这个不等式是神经元设计的黄金法则。它告诉我们：

• Tc - T0是驱动力：环境温度T0不能太接近Tc，否则器件可能无法冷却复位。通常需要几十K的温差。
• R_th是调节杠杆：热阻越大，器件越容易保温，所需触发电流I_syn的平方越小。但热阻太大也会导致冷却变慢，限制神经元的最大发放频率。
• R_HRS / R_LRS比值要足够大：即开关比要足够高，这样才能在相同的I_syn下，满足高阻态时温度超过Tc，而低阻态时温度低于Tc。
• 输入电流I_syn是关键控制信号：I_syn的大小直接决定了积分到发放所需的时间（即发放频率）。I_syn越大，加热越快，频率越高。

5.3 完整神经元电路设计与仿真分析

基本电路功能实现了，但要集成到更大的神经形态系统中，还需要解决两个问题：1) 将输出的电流尖峰转换为标准的电压脉冲；2) 产生一个可控宽度的输出脉冲。

图10展示了一个更实用的神经元电路方案。它在基本电路的基础上增加了：

1. 突触输入网络：用非易失性忆阻器（如RRAM）串联二极管来代替恒流源。忆阻器的电导值代表突触权重，输入电压脉冲V_in代表突触前脉冲。流过每个支路的电流I_i = V_in * G_i，实现了“电压×电导=电流”的乘加运算，所有支路电流在电容节点求和，即I_syn = Σ V_in_i * G_i。
2. 输出脉冲整形级：IMT放电产生的电流尖峰首先经过一个反相器，转换为电压阶跃。这个阶跃信号通过一个RC网络（R_pw,C_pw）进行微分，产生一个窄脉冲。最后再经过一个缓冲器（反相器）进行整形和驱动，输出一个幅度、宽度都确定的电压脉冲V_out。脉冲宽度由τ_pw = R_pw * C_pw决定。

在Spectre中搭建这个电路进行瞬态仿真，我们可以清晰地观察到三个阶段的波形：电容电压V_C的线性上升（积分）、IMT电阻R_IMT的陡峭跳变（发放）、以及输出端V_out产生的规整电压脉冲。通过调节输入脉冲的频率、幅度或忆阻器的电导（权重），可以线性地调节神经元输出的发放频率，这正是脉冲频率调制编码方式，是神经形态计算的基础。

避坑指南：在实际仿真这个电路时，最容易出现的问题是收敛失败或振荡不稳定。除了之前提到的模型收敛技巧，在电路层面还需注意：1) 给所有反相器和缓冲器的电源加上合理的去耦电容；2) 为IMT器件并联一个小的寄生电容（如1fF）以平滑电压跳变；3) 初始仿真时，可以先用一个理想的压控开关来代替IMT模型，快速验证电路逻辑的正确性，然后再接入完整的IMT模型进行精确仿真。

6. 模型与电路的局限性与拓展讨论

6.1 模型本身的假设与适用范围

我们这个紧凑模型虽然实用，但建立在几个重要假设之上，理解这些局限对于正确使用它至关重要：

1. 集总热模型：我们将整个器件视为一个均匀的温度节点。这对于纳米尺度、热时间常数较短的器件是合理的近似。但对于大尺寸器件或需要研究内部温度分布的情况，则需要分布式热模型。
2. 唯象的电阻-温度关系：我们用平滑的Sigmoid函数拟合相变过程，这很好地描述了宏观电学行为，但并未从底层能带结构、电子关联等量子力学角度进行建模。因此，它是一个物理启发式的紧凑模型，而非从头计算的物理模型。
3. 参数提取的依赖性：模型参数严重依赖于拟合所用的实验数据。不同课题组制备的VO₂器件，甚至同一批次的不同器件，其R_HRS、R_LRS、Tc都可能存在差异。因此，针对具体工艺的器件进行参数提取是必不可少的步骤。

6.2 电路设计中的实际挑战

基于IMT的神经元电路虽然结构简单，但在走向实际应用前，还需克服一系列挑战：

• 器件参数波动：IMT器件的关键参数（如Tc、R_HRS）可能存在工艺波动。这会导致不同神经元的阈值和振荡频率不一致，需要电路或算法层面引入容错或校准机制。
• 功耗与速度的权衡：由振荡不等式可知，降低触发电流I_syn可以降低功耗，但这会延长积分时间，降低最大发放频率。需要根据应用场景（是低功耗感知还是高速处理）来优化器件参数（如R_th）和电路偏置。
• 与CMOS工艺的集成：论文中使用的R_HRS和R_LRS值相对较低（~kΩ量级），这有利于降低工作电压和功耗。但若想将IMT用作高密度交叉阵列中的选通器，可能需要更高的R_HRS（>GΩ）来抑制漏电。这给器件制备提出了更高要求。同时，IMT器件的工作电压需要与标准CMOS I/O电压兼容（通常<3.3V）。
• 热串扰：在高度集成的神经形态芯片中，密集排列的IMT神经元之间可能通过衬底发生热串扰，导致一个神经元的发热影响其邻居。这需要在物理布局和热管理上进行精心设计。

6.3 未来展望：从器件到系统

尽管存在挑战，IMT器件及其在神经形态计算中的应用前景依然令人兴奋。我们的SPICE紧凑模型为电路和系统级探索打开了一扇门。未来的工作可以沿着以下几个方向深入：

1. 模型精细化：纳入电场对临界温度Tc的调制效应（即Tc(V)模型），使模型在低电压、快切换区域的预测更准确。
2. 工艺-设计协同优化：与器件工程师紧密合作，将电路设计对器件参数（如开关比、热阻、工作电压）的需求反馈给工艺线，指导器件优化。
3. 大规模系统仿真：利用此模型，可以在SPICE中仿真小型神经网络核心，评估其在模式识别、时序预测等任务中的性能、功耗和可靠性，并与传统的CMOS数字/模拟实现方案进行对比。
4. 探索新型计算范式：除了标准的IAF神经元，IMT的弛豫振荡特性还可用于构建振荡神经网络的耦合振荡器，或用于随机计算中的随机比特源，其丰富的动力学行为有待进一步挖掘。

回过头看，为IMT这样一个物理机制尚未完全定论的新兴器件构建可用的SPICE模型，本身就是一个在“模糊地带”求“工程精确”的过程。它不追求极致的第一性原理精度，而是强调在物理合理性与仿真实用性之间取得最佳平衡。这个模型的价值，不仅在于它复现了几条I-V曲线，更在于它成功地将一个复杂的物理实体，转化为了电路设计师工具箱里一个可以随意调用、组合、分析的“乐高积木”。当我们可以用熟悉的电路语言来思考和设计时，创新的步伐才能真正加快。