为了研究纳米级忆阻器的产量，我们在8 × 8交叉阵列。补充图15提供了64个忆阻器器件的I–V特性，其中58个器件显示出双稳态开关能力。基于此，纳米级器件的生产产率估计为90.6%，与微米级器件的产量相似。导通/关断电压的器件间变化分别为5.57%和4.57%，而导通/截止电阻分别为（5.76 ± 1.39） × 106 Ω和（4.06 ± 1.18） × 109 Ω（补充图16）。这些结果再次证实了二维共轭策略在增强聚合物忆阻器的器件均匀性和可靠性方面的优势。在沿着C-AFM测量的扫描长度对采样电流进行积分后，可以绘制电流积分和器件尺寸之间的明显线性关系，如图所示。第3n段。比例外推表明，适用于便携式和低功耗应用的超小工作电流可以在亚10nm有机忆阻器中实现。

通过掠入射广角X射线散射（GIWAXS）测量和分子模拟的微观结构研究，进一步证实了结构均匀性、均匀电阻切换现象的发生和PBDTT-BQTPA聚合物的2D共轭策略之间的相关性31。图4a-e显示了PBDTT-BQTPA薄膜在120℃热退火下的原始状态下的GIWAXS图像和图 10摄氏度 min和之后受到振幅为5的电压应力 V代表3 最小值。所有聚合物薄膜均采用旋涂法制备。在制造过程中，聚合物溶液滴在纺丝基底上，有机溶剂在纺丝过程中蒸发。随着时间的推移，聚合物分子的浓度增加，它们开始聚集。由于电子供体-受体对之间的分子内/分子间π–π相互作用，大分子链以有序的方式聚集并逐渐结晶。在1.77的qz处具有强而窄的（010）峰的明亮散射图案 Å−1，如图所示。4a，d，揭示了原始聚合物薄膜的半结晶性质，以及面对共轭骨架在平面外方向上的取向的强烈偏好。PBDTT-BQTPA微晶的π–π堆积距离，~3.54 Å类似于文献27中报道的BDTT类似物J71。在1.17的qxy处也观察到具有弱得多的（100）峰值强度的面内有序的特性 Å−1（图4e），表明如图1所示，聚合物平面构型上存在层状边缘。1。5.36的层状堆叠距离 Å，比17.44小得多 J71聚合物的Å表明，PBDTT-BQTPA膜具有聚合物晶粒的横向致密堆积模式。散射图案的较小方位角分布也存在于GIWAXS图案中，其对应于PBDTT-BATPA薄膜中晶粒的随机取向，并可归因于螺旋桨形三苯胺氧化还原吊坠和烷基噻吩基取代基的空间效应。值得注意的是，PBDTT-BQTPA骨架的π–π和片层堆叠都可以通过热退火和电退火来增强（图4b，c），导致聚合物堆叠的结晶度更好，但膨胀可以忽略不计。与非晶或高度多晶（例如，PPH-BQPPA）对应物相比，具有改进的结晶度和均匀的微观结构的PBDTT-BQPPA薄膜的晶粒尺寸应该大得多，这反过来可以抑制链端、折叠、堆垛层错、位错以及晶界、空隙和折叠的分子级缺陷的形成。由于聚合物链段的优选面上取向和紧密堆叠的组合，通过与共面噻吩-喹喔啉D-A对的2D共轭成为可能（图4f），电场在这些少量晶界周围的会聚可能被有效地阻碍，导致在整个样品上发生体相电阻切换，聚合物忆阻器器件具有增强的均匀性和更高的生产产率。除了用于通用计算的存储器内布尔逻辑和算术运算之外，本发明的PBDTT-BQTPA器件的电阻切换特性还可以用于构建用于模式识别任务的人工神经网络（ANN）中的忆阻阵列硬件加速器。尽管使用传统卷积神经网络（CNNs）和最近研究得很好的多级电阻开关忆阻器的深度学习技术在计算机视觉和语音识别的人工智能应用中表现出了显著的性能46，47，48，49，50，51，它们对内存容量和计算能力的巨大需求仍然使它们在嵌入式系统或移动设备中的资源有限的边缘计算方面缺乏竞争力。然而，非理想的模拟突触权重特性，例如在有限的动态范围内偏离线性和精确的权重更新，将引入计算精度下降的额外风险。在这项工作中，我们用现有的两态电阻开关聚合物忆阻器构建了一个二元神经网络（BNN），其中突触权重和神经元激活都被二元化为+1或−1，而不是52，53。如图6所示，6a，采用LeNet-5模型构建了用于手写数字识别的二元神经网络。卷积层C3和全连接层F4和F5由二元忆阻器组成，而Pytorch框架中隐藏层的激活函数、池化层和归一化层保持不变（补充表3）。通过对实验I–V特性进行数学建模，以提取忆阻器的开关参数（补充图18和补充注释6），根据HRS/LRS电阻以及+1和−1的二进制权重定义逻辑“0”和“1”，被分配给两个聚合物器件的组合，并存储在64个的多个子阵列中 × 64个忆阻器（图6b和补充表4）。与传统的CNN网络不同，BNN使用逐位XNOR或XOR作为基本算子来代替卷积层和全连接层耗时的乘法和累加（MAC）运算（补充注释7）。利用实验忆阻特性和180模拟离线监督学习 来自国际半导体制造公司（SMIC）的nm场效应晶体管显示，对于10000（28 × 28像素）图像（图6c）54。这一结果表明，二进制神经网络能够在代表性的模式识别任务上实现令人满意的性能，其中逐位运算（与浮点/定点精度相比，仅涉及+1和−1的二进制权重）可以显著减少内存和计算资源的使用。在线学习模拟在6万幅图像的1个历元训练后，识别率也达到97.13%。