有机突触晶体管中腈基偶极界面极化动力学驱动声学储备池计算

《Advanced Science》：Interfacial Polarization Dynamics of Nitrile Dipoles in Organic Synaptic Transistors for Acoustic Reservoir Computing

　　

极性聚合物中间层已成为有机突触晶体管(OST)中的核心功能层，通过界面偶极极化与弛豫实现多种神经形态行为。然而，支配记忆窗口(ΔV)形成与调控的界面偶极机制仍理解不足。研究人员选用聚丙烯腈(PAN)作为代表性极性聚合物中间层，利用腈基(C≡N)偶极弛豫实现时序声学储备池计算(RC)。研究发现ΔV随PAN浓度非单调变化，提示界面极化强度与偶极弛豫能力之间存在偶极竞争机制。基于此，偶极弛豫支撑多尺度突触响应与用于时序RC的渐逝记忆。该器件还展现稳定且对称的权重更新，不对称比(AR)低至5.06%，周期间变异(CCV)低于1%。值得注意的是，PAN-OST以50 aJ超低事件能量运行，同时保持50.47 dB高信噪比(SNR)。PAN储备池在语音数字识别中达97.17%准确率，在更具挑战性的语音情感识别中最高达94.8%准确率。总体而言，该工作为低能耗神经形态计算与下一代智能硬件建立了界面极化驱动路径。

研究背景方面，人工智能在边缘感知中的部署，对低功耗处理动态真实信息提出迫切需求。声学信号是最普遍的时序输入之一，承载语音、情绪与生理状态信息。传统冯·诺依曼架构中存储与计算分离，频繁数据传输增加边缘系统延迟与能耗。储备池计算(RC)凭借器件本征非线性动力学与渐逝记忆，可把时序输入映射为高维可区分瞬态，再用简单线性读出分类，降低训练与计算复杂度。三类端突触晶体管中，有机突触晶体管(OST)具有溶液加工、机械柔性与分子可调控优势；其介质层与半导体层界面处，极性中间层可在栅压刺激后保留极化，造成通道载流子积累的历史依赖性，转移曲线中表现为反向扫电流增强与明显记忆窗口(ΔV)。铁电系统外，非铁电极性聚合物可实现更低电压与更可调的挥发弛豫，但ΔV如何由界面偶极状态演化形成、如何服务渐逝记忆与储备池动力学仍不清楚。因此，研究人员以腈基(C≡N)界面偶极为对象，调控OST的ΔV并服务声学RC。

论文发表在《Advanced Science》。研究人员在SiO2栅介质与PDVT-10半导体间引入超薄聚丙烯腈(PAN)中间层，提出极化强度与弛豫能力之间的偶极竞争机制，用此解释ΔV非单调演化，并把腈基偶极弛豫转化为多尺度突触可塑性与声学RC能力，最终在语音数字识别、语音情感识别与打鼾检测三类任务中验证其低能耗边缘声学智能价值。

关键技术方法方面，样本与数据来自公开数据集：语音数字用Free Spoken Digit Dataset(FSDD)，语音情感用RAVDESS音频子集，打鼾检测用Kaggle打鼾数据集，手写数字用MNIST。表征上采用紫外光电子能谱(UPS)、截面透射电子显微镜能谱映射(TEM-EDS)、原子力显微镜(AFM)、X射线衍射(XRD)、傅里叶变换红外光谱(FTIR)、X射线光电子能谱(XPS)、差示扫描量热(DSC)、宽带介电谱(BDS)、X射线反射(XRR)等确认腈基存在、界面结构与链段约束。电学上用半导体参数分析仪与脉冲发生器测转移曲线、脉冲响应、成对脉冲易化(PPF)、长短时可塑性及长短时程增强与抑制(LTP/LTD)。计算上用实验拟合的上升与衰减动力学作物理储备池，将声学特征图掩码与脉宽编码为栅脉冲序列，经虚拟节点采样生成储备态，再用岭回归或任务专用读出分类。

2.1 PAN-OST设计原理：研究人员在SiO2与PDVT-10间插入超薄PAN层，负栅扫促进p型通道空穴积累并让PAN内C≡N偶极逐步极化，回扫时残留极化增强空穴积累，产生ΔV；用栅脉冲序列可得到累积且部分弛豫的电流演化，4位脉冲产生可区分16态，构成储备空间，并建立声学RC框架。

2.2 PAN中间层界面与偶极特征：FTIR在2246.66 cm^?1显示C≡N伸缩，XPS确认C≡N化学态，DSC得玻璃化温度约99.28°C，说明50°C下链段运动受限、偶极取向弛豫慢。TEM-EDS显示PDVT-10富S与PAN富N垂直分层；AFM、XRD表明PAN改善界面均一性但不显著扰乱半导体结晶；低浓度不连续覆盖产生顺时针迟滞，2–5 mg mL^?1出现明显逆时针ΔV，过高浓度ΔV被抑制，故选2–5 mg mL^?1深入研究。

2.3 记忆窗口调控中的偶极竞争：ΔV随PAN浓度先增后减，15分钟退火系列最大约4 V，30分钟退火更小，100°C退火近消失，说明热处理后链段运动增强、极化态弛豫加快。电容在约3.5 mg mL^?1最大但不与ΔV峰完全重合；扫速越快ΔV越小，证明C≡N极化需有限时间、回扫时未完全弛豫留下历史态。结论为低浓度偶极数少、中浓度偶极网络有效且重取向自由、高浓度链堆紧密限制重取向，ΔV由偶极数量增加与弛豫受限竞争决定；后续用3 mg mL^?1、50°C、15分钟器件做突触与RC测量。

2.4 PAN-OST中的突触可塑性：栅脉冲幅值、脉宽增大均增强兴奋性突触后电流(EPSC)；?100 mV即可产生可辨响应，事件能量50 aJ、信噪比50.47 dB。单脉冲衰减可用双指数拟合，慢分量τ_slow随脉长由1.57 s增至3.86 s；PPF指数145.24%，快、慢时间常数66.59 ms与224.79 ms；脉冲数增加产生尖峰数依赖可塑性(SNDP)，频率增加表现高通类滤波的尖峰频依赖可塑性(SFDP)；学习—遗忘—再学习仅需50脉冲即可恢复，慢弛豫常数8.12 s。25周LTP/LTD中增强非线性(NL)_P=0.359±0.006、抑制NL_D=0.409±0.006，AR=0.051±0.006，CCV_P=0.99%、CCV_D=0.96%；MNIST达90.82%，说明PAN偶极动力学可调制、累积、弛豫与重复更新电流态。

2.5 语音数字识别PAN储备池：FSDD每样本转64×64时频谱，每时间步64维特征经10掩码、15脉宽编码、35虚拟节点生成350储备态，岭回归读出。N_m=10、p=15、K=35时验证准确率98.21%±0.48%，测试均值96.35%±0.46%，最高97.17%；短时记忆(STM)容量6.74±0.75，奇偶/异或(PC/XOR)容量6.72±0.49，表明PAN动力学同时具备渐逝记忆与非变换。雷达图显示其在记忆容量、CCV、事件能量、识别准确率、AR上均衡且具竞争力。

2.6 语音情感识别与睡眠监测：语音情感用MFCC及一阶二阶差分组成128×150特征，四类中性、开心、生气、悲伤用线性读出，十次随机种子均值由49.2%±16.0%升至87.0%±4.6%，最高94.8%；打鼾检测用64×62梅尔谱二值化，992×2读出，基线最佳70.67%，PAN储备池80.33%，平衡准确率由69.60%±1.36%升至78.53%±1.17%，召回率由69.33%±4.24%升至75.73%±2.24%，F1由69.47%±2.03%升至77.91%±1.32%。结果表明同一PAN储备框架可处理语言内容、情绪与生理打鼾声学输入。

讨论与结论部分，研究人员指出超薄PAN形成富C≡N偶极界面，有限时间极化与弛豫赋予通道调制历史依赖性；PAN浓度升高时更强偶极极化与更受约束弛豫动力学竞争，导致ΔV非单调演化。界面偶极态多尺度动力学产生尖峰电压依赖(SVDP)、尖峰时长依赖(SDDP)、SNDP、SFDP、PPF（145.24%）、学习—遗忘—再学习及LTP/LTD（AR=5.06%，CCV<1%）；PAN突触晶体管以50 aJ超低事件能量运行且SNR达50.47 dB。将这些动力学纳入储备框架后，语音数字识别97.17%、语音情感识别94.8%、打鼾检测80.33%。综上，调控C≡N偶极界面动力学可实现历史依赖电流调制与渐逝记忆，用于声学RC；该工作把中间层偶极工程确立为利用界面极化动力学进行有机神经形态器件时序信息处理的可用路径。