范德瓦尔斯光电神经形态器件中仿生高阶传感时空增强机制及其动态目标追踪应用

《Nature Communications》：Bioinspired high-order in-sensor spatiotemporal enhancement in van der Waals optoelectronic neuromorphic electronics

语 为解决复杂机器视觉中目标追踪精度低、能耗高的问题，本研究基于范德瓦尔斯光电晶体管，通过界面缺陷主导的持续光电导现象调控光-电协同竞争效应，实现了三重脉冲时序依赖可塑性（Triplet-STDP）仿生学习规则。该机制赋予脉冲神经网络更强的时空特征提取能力，在硬件集成的6×6光电晶体管阵列中实现了90.44%的动态追踪精度，尤其擅长处理遮挡后目标重识别任务，为高性能边缘视觉计算提供了自下而上的器件物理指导策略。

　　

在智能机器视觉时代，目标识别与追踪技术已成为自动驾驶、智能交通等领域的核心需求。然而，复杂动态场景中的遮挡、光影变化等挑战，使传统深度学习模型面临特征提取不充分、计算能耗高等瓶颈。尤其当目标短暂消失后重现时，系统易丢失追踪轨迹，成为制约技术落地的关键难题。

针对这一问题，上海大学微电子学院李梦娇团队联合台湾中兴大学等机构，在《Nature Communications》发表了一项创新研究。他们从生物视觉系统中高阶时空关联学习的灵感出发，利用二维范德瓦尔斯（vdW）光电晶体管的独特物理特性，构建出具有三重脉冲时序依赖可塑性（Triplet-STDP）学习规则的神经形态视觉传感器。该器件通过光-电脉冲序列的时序调控，实现了对动态目标特征的多维度增强提取，最终在硬件层面实现了高精度、低功耗的动态追踪。

研究的关键技术方法包括：①基于铟硒（InSe）和二硫化钼（MoS₂）的vdW光电晶体管阵列制备，通过界面缺陷工程调控持续光电导（PPC）行为；②利用低频噪声分析揭示载流子陷阱辅助的光-电耦合（TALE）机制；③构建支持Triplet-STDP规则的脉冲神经网络（SNN），并集成于YOLO架构实现动态追踪；④通过6×6光电晶体管阵列的硬件部署，验证算法与器件的协同效能。

仿生多阶脉冲时序依赖可塑性

STDP是生物神经网络中调节突触权重的重要规则，但传统Paired-STDP仅依赖单一时间窗口，限制了对复杂时空模式的捕获能力。本研究提出的Triplet-STDP通过双时间窗口（Δt₁, Δt₂）解析峰值序列的精细结构，使相似输入模式在特征空间中正交分离，显著提升分类判别性。

光-电耦合调控的突触可塑性

基于InSe的vdW光电晶体管在光脉冲刺激下表现出PPC行为，其电导变化可通过光强、脉冲宽度等参数精确调控，实现从短时可塑性（STP）向长时可塑性（LTP）的过渡。器件在电学读取时能耗低至8 fJ/峰值，且阵列均匀性误差＜9.5%，满足神经形态计算需求。

陷阱辅助光-电耦合机制

通过对比无h-BN隔离层与有h-BN器件的噪声振幅分析，证实界面缺陷主导的载流子捕获/去捕获过程是PPC现象的核心物理机制。在此基础上，光-电脉冲序列可引发TALE协同（增强电导）或竞争（抑制电导）效应，从而实现经典与非典型STDP行为的灵活切换。

光电晶体管中的Triplet-STDP实现

通过L-E-L（光-电-光）和E-L-E（电-光-电）三脉冲序列刺激，器件电导变化呈现双时间窗口依赖的权重调整。当|Δt₁|=|Δt₂|时，Triplet-STDP曲线呈现对称性；而异步时序下则通过光主导或电主导的TALE竞争效应实现权重增强或抑制。

高阶STDP学习规则构建

Triplet-STDP的数学表达为W(Δt₁, Δt₂)=A₃e^{–|Δt₁|/τ₁}e^{–|Δt₂|/τ₂}，通过引入权重微调因子（G）增强泛化能力（GT-STDP）。在混合字符分类任务中，Triplet-STDP对易混淆字符（如“1/I”“8/B”）的识别准确率显著优于Paired-STDP，证明其高阶时空特征提取优势。

硬件实现与动态追踪验证

基于MoS₂光电晶体管阵列的硬件系统（阈值电压变异4.89%，开关比变异9.76%）成功部署Triplet-STDP SNN，在混合图像分类任务中硬件推理精度损失＜10%。进一步将Triplet-STDP集成于YOLO-SNN架构，在自建车辆遮挡数据集上实现90.44%的追踪精度，较基线模型提升14.12%，尤其在目标分离后ID保持方面表现突出。

2光电晶体管阵列硬件系统'>

结论与展望

本研究通过器件物理与学习规则的深度融合，证明了vdW光电晶体管在实现高阶STDP学习规则中的独特优势。Triplet-STDP机制赋予SNN更强的时空关联学习能力，为动态视觉任务提供了硬件友好的解决方案。未来，通过扩展材料体系（如WSe₂、BP等）与优化阵列规模，这一策略有望推动神经形态视觉系统在边缘计算、机器人感知等领域的实际应用。