具有生物突触特性的钙钛矿光电忆阻器，用于类脑计算

《Advanced Sensor and Energy Materials》：Perovskite photoelectric memristors with biological synaptic properties for neuromorphic computing

本文基于Au/CsPbI3-xBrx/GaAs memristor研制了突触器件，验证了其具备LTP/LTD/PPF等生物突触可塑性特性，并通过紫外光调控突触权重，实现短期到长期可塑性的转换。光电与电信号协同调制下，器件成功模拟巴甫洛夫经典条件反射。构建单层网络和CNN分别对MNIST数据集进行识别，结果显示CNN准确率（95.7%）显著高于单层网络（82.75%）。

　　在现代科技快速发展的背景下，传统计算架构所面临的“冯·诺依曼瓶颈”问题逐渐凸显，成为制约计算效率和性能提升的重要因素。这一瓶颈指的是在传统计算机中，数据在内存与处理器之间的传输速度受限，导致计算过程效率降低。此外，随着电子设备物理尺寸的限制，摩尔定律的预期发展也遇到了瓶颈，这使得进一步提升计算能力变得愈发困难。因此，科学家们开始探索新的计算架构，以突破传统计算的限制，提高信息处理速度并实现更高密度的计算功能。其中，神经形态计算作为一种模仿人类大脑结构和功能的新型计算方式，被认为是解决这些问题的关键技术之一。

神经形态计算的核心在于模拟神经元之间的连接方式，即突触。突触是神经元之间传递信息的重要结构，其特性决定了神经网络的学习与记忆能力。近年来，忆阻器（memristor）因其能够模拟突触的可塑性行为，被认为是构建神经形态芯片的理想材料。忆阻器可以实现类似生物突触的长期增强（LTP）和长期抑制（LTD）效应，同时还具备短时增强（PPF）等短时可塑性行为。这些特性使得忆阻器在神经形态计算中具有巨大的应用潜力。

在这一研究中，科学家们开发了一种基于Au/CsPbI_3-xBr_x/GaAs结构的忆阻器，用于构建人工突触器件。通过实验，他们发现该突触器件能够表现出典型的LTP、LTD和PPF行为。其中，LTP和LTD分别对应突触连接强度的增强和减弱，而PPF则反映了突触在短时间内对连续刺激的响应增强。这些现象在神经形态计算中至关重要，因为它们直接关系到神经网络的学习能力与记忆存储方式。

研究人员进一步通过紫外光（UV）照射来调节突触器件的突触权重，实现了从短时可塑性向长时可塑性的转变。这种转变表明，突触器件不仅能够响应短期的刺激信号，还能够通过外部光学信号的调控，形成类似于生物神经元的记忆机制。此外，通过结合光学和电信号的共同作用，研究人员成功实现了类似于巴甫洛夫经典条件反射的生物学习过程，这表明该突触器件具备执行关联学习的能力。

为了验证突触器件在神经形态计算中的性能，研究人员构建了两种不同的人工神经网络，分别用于对修改后的MNIST数据集进行识别。MNIST数据集是一组手写数字图像，常用于测试机器学习算法的识别能力。其中，单层神经网络的识别准确率达到了82.75%，而卷积神经网络（CNN）的识别准确率则高达95.7%。这一结果表明，CNN在该突触器件上的表现优于单层网络，显示出其在处理复杂图像数据方面的优势。

在实验过程中，研究人员采用溶胶-凝胶法来制备CsPbI_3-xBr_x溶液。这种方法能够在较低成本下实现高质量的薄膜制备，从而为构建高性能的神经形态器件提供了基础。随后，通过旋涂工艺将CsPbI_3-xBr_x溶液涂覆在商用GaAs基底上，并在100°C下进行退火处理，以形成稳定的薄膜结构。最后，通过Keithley 2400数字源表对忆阻器的电学性能和人工突触特性进行了测试，确认了其在神经形态计算中的可行性。

研究还探讨了突触器件在不同刺激条件下的响应行为。例如，在紫外光照射下，突触器件的电流响应表现出显著的变化，这表明光信号能够有效调节突触的连接强度。此外，研究人员还发现，突触器件对脉冲宽度和功率密度的变化非常敏感，这种敏感性使得其能够模拟生物突触在不同条件下的动态响应。这些发现不仅加深了人们对突触可塑性的理解，也为构建更接近生物神经网络的计算系统提供了理论依据。

在实验中，研究人员还模拟了巴甫洛夫的经典条件反射过程，通过将电信号和光信号分别设定为条件刺激（CS）和非条件刺激（US），验证了突触器件在关联学习中的表现。实验结果显示，当突触器件在光信号和电信号的共同作用下，能够实现对条件刺激的响应增强，这表明该器件具备执行复杂学习任务的能力。这一成果为未来开发具有类脑功能的计算系统奠定了基础。

在神经形态计算领域，卷积神经网络因其能够有效提取图像特征而受到广泛关注。CNN通过引入卷积层和池化层，能够对图像进行多层级的特征提取和降维处理，从而提高识别准确率。研究显示，在使用突触器件构建的CNN中，其识别准确率达到了95.7%，显著高于单层网络的82.75%。这表明，突触器件不仅能够实现基本的神经网络功能，还能够在更复杂的网络结构中发挥重要作用。

此外，研究人员还发现，突触器件的响应行为与经典的艾宾浩斯遗忘曲线相似。艾宾浩斯遗忘曲线描述了人类记忆随时间逐渐衰减的过程，而突触器件的电流衰减行为则表现出类似的特性。这种相似性使得突触器件在模拟人类记忆机制方面具有重要意义，也为构建具有长期记忆能力的神经形态系统提供了可能。

研究团队还通过多种实验手段验证了突触器件的稳定性。例如，通过测试不同脉冲间隔下的电流响应，研究人员发现突触器件能够稳定地表现出长时可塑性行为。这种稳定性对于实现高精度的神经形态计算至关重要，因为突触连接的稳定性直接影响神经网络的学习效果和计算效率。

总的来说，这项研究通过构建基于Au/CsPbI_3-xBr_x/GaAs结构的忆阻器突触器件，成功模拟了生物突触的多种可塑性行为，并验证了其在神经形态计算中的应用潜力。研究人员还通过构建人工神经网络，测试了该突触器件在图像识别任务中的表现，结果显示其在CNN中的识别准确率远高于单层网络。这一成果不仅为神经形态计算的发展提供了新的思路，也为未来开发更接近生物神经网络的计算系统奠定了基础。