《Nano-Micro Letters》:Underlying Framework of All-optical Controlled Synaptic Devices for Neuromorphic Computing
人工智能的快速扩张已经在能耗与计算效率方面带来显著挑战。为应对这些问题,全光控制(AOC)突触器件的探索与发展代表了神经形态计算中的一个重要跃迁,并为克服传统冯·诺依曼架构的内在局限提供了潜在解决方案。AOC突触器件利用纯光信号模拟突触权重的双向调制,避免了传统电信号或光电混合信号所伴随的复杂性及额外能量开销。该综述阐明了研究AOC突触的基础框架及根本动因,并系统回顾了当前研究进展。研究人员特别强调了物理机制、材料行为与器件架构之间的协同关系,以及基于信息光学写入与光学擦除的神经形态计算。通过系统解析这些多维关联,研究提出了具有可扩展性与可复现性的器件设计策略。该工作有望开辟AOC突触的重要发展方向,并为面向人工智能的神经形态计算探索提供理想平台。
1 Introduction
本文围绕全光控制(AOC)突触器件展开综述,首先从人工智能尤其是深度学习和大模型快速发展所带来的高能耗、高时延问题切入,指出传统冯·诺依曼架构因存储与计算分离而面临“冯·诺依曼瓶颈”。受生物神经网络启发,神经形态计算被视为突破现有计算范式限制的重要方向。文章指出,传统电控突触器件虽然能够调节电导,但灵活性和性能有限;随后发展的光电协同突触通常采用“光写入+电擦除”模式,但仍存在焦耳热、结构复杂和额外能耗等问题。相较之下,AOC突触器件通过纯光脉冲实现突触状态的双向调制,即同时实现光学写入与光学擦除,从根本上规避了电编程引起的热效应、电串扰与寄生功耗,并兼具高带宽、快速响应和波长选择性调控等优势。文章还回顾了2018年以来AOC器件的发展脉络,指出该领域虽然进展迅速,但尚缺乏一个被普遍接受的、能够统一机制、材料与设计策略的基础框架,因此本文旨在填补这一空白。
2 Device Characteristics and Performance Metrics
2.1 Device Structure
本节将AOC人工突触与生物突触进行类比,说明其通过光而非电来调制突触行为。文章指出,在两端或三端结构中,光脉冲可类比突触前动作电位,活性层中受光激发产生并迁移、积累的载流子则相当于神经递质。器件结构方面,作者将AOC器件归纳为三类:两端垂直结构、两端平面结构以及三端结构。两端垂直结构如忆阻器(memristor)适于高集成密度和三维堆叠,适合大规模并行向量-矩阵乘法;三端结构如晶体管则因引入栅极而具有更好的线性度、权重更新对称性和信噪比,适于高精度复杂信号处理;两端平面结构则结构更简洁,适合传感-计算一体化视觉系统。文章强调,应依据物理机制、集成密度与功能可控性选择适配架构。
2.2 Basic Functionalities
作者从突触可塑性角度概括AOC器件的基础功能,指出短时可塑性(STP)、长时可塑性(LTP)、脉冲时序依赖可塑性(STDP)和脉冲频率依赖可塑性(SRDP)是典型行为。AOC器件通过改变光脉冲的频率、数量、持续时间等参数,实现从成对脉冲易化(PPF)/成对脉冲抑制(PPD)到LTP的演化,从而在不同时间尺度上模拟神经系统中的突触增强与抑制过程。
2.3 Evaluation Metrics
本节系统总结了AOC突触器件性能评价参数。首先,兴奋性突触后电流(EPSC)与抑制性突触后电流(IPSC)用于描述类生物突触的正负响应,其衰减过程可采用Kohlrausch拉伸指数函数或双指数模型进行拟合。其次,PPF/PPD指数用于刻画短时可塑性,其与脉冲间隔的关系可由双指数方程描述。再者,电导调制特性是神经形态计算中的核心指标,文章重点讨论了LTP/LTD曲线中的非线性与对称性,指出低非线性、高对称性有助于提高模式识别精度与权重更新稳定性。此外,作者还讨论了复现性,包括循环间变化(CCV)与器件间变化(DDV);能耗则从电响应能耗与光脉冲能量两个维度评估。最后,光电流、明暗比(LDR)和响应度(R)也被视为衡量AOC器件光敏特性与动态范围的重要参数。
3 Mechanism
本节是全文的理论核心,围绕AOC器件如何实现纯光双向电导调制展开。作者指出,AOC器件中的正光电导(PPC)对应突触增强,负光电导(NPC)对应突触抑制,而实现这两种相反行为的关键在于材料与界面中的载流子生成、分离、俘获、释放、复合与势垒调控。文章将AOC双向光响应机制归纳为五类:电荷转移、陷阱俘获、气体吸附/脱附、氧空位电离/去电离、铁电极化。
3.1 Charge Transfer
电荷转移机制主要发生在异质结中。通过导带底(CBM)与价带顶(VBM)的相对排列,尤其是II型异质结,可实现光生电子与空穴的有效分离,并借助不同材料带隙和吸收谱差异实现波长选择性PPC与NPC。文章指出,窄带隙材料在长波照射下主导吸收并向石墨烯等通道层输运空穴,可提高电导形成PPC;宽带隙材料在短波照射下则使过量电子注入通道,抑制空穴输运,形成NPC。因此,带隙与带阶工程是实现AOC双向响应的重要设计手段。
3.2 Charge Trapping
电荷俘获机制主要依赖缺陷态。表面、界面和体相缺陷可在禁带中形成局域能级,作为电子或空穴的俘获中心。短波长或高功率光照下,较高能量光子有利于已俘获载流子的释放,自由载流子浓度上升,从而产生PPC;长波长或低功率光照下,光生载流子更易被陷阱重新俘获,自由载流子减少,表现为NPC。文章以黑磷(BP)氧化层形成的陷阱态为代表,说明不同紫外波长可分别触发数据写入与擦除行为,表明缺陷工程是实现AOC器件双向调控的重要路径。
3.3 Gas Adsorption/Desorption
气体吸附/脱附机制强调环境氧分子对半导体表面电学特性的调控作用。无光或特定波长照射下,氧分子可在表面缺陷位吸附并形成超氧离子
2-,诱导p型掺杂效应并增强导电性,表现为PPC。短波光照则可促使氧分子脱附,改变表面载流子分布与费米能级位置,进而导致NPC。作者指出,该机制常与本征缺陷协同作用,是实现可逆全光突触调控的又一有效方案。
3.4 Oxygen Vacancies Ionization/Deionization
氧空位(V
O)在氧化物半导体和钙钛矿中广泛存在,其在中性态与带电态之间的转变直接影响导电性。光照下,氧空位吸收光子并发生电离,释放自由电子,提升电导,形成PPC;去除光照后,氧空位缓慢去电离,导致持续光电导。相反,若带电氧空位重新俘获电子,则会降低电导并产生NPC。文章指出,该机制不仅解释了氧化物器件中的兴奋与抑制过程,还为模拟生物突触中从短时记忆到长时记忆的转变提供了物理基础。
3.5 Ferroelectric Polarization
铁电极化机制借助铁电材料的非易失极化状态调控载流子注入与界面势垒,从而在相同光刺激下实现相反的光电导行为。在二维铁电半导体或铁电介质中,不同极化方向可改变结区隧穿宽度与界面势垒高度:某一极化状态下抑制载流子注入形成NPC,另一极化状态下增强注入形成PPC。文章还指出,铁电层作为介质时还可通过光栅效应显著影响EPSC衰减行为,因此铁电集成为AOC器件带来了非易失、高稳定和可重构调控能力。
4 Materials
本节围绕实现AOC功能所需的材料体系展开,指出关键任务是构建能够在光作用下同时产生兴奋与抑制突触行为的功能材料。作者将代表性材料归纳为金属氧化物、低维材料、钙钛矿和有机材料四大类,并强调材料常作为半导体层、介质层或功能异质界面参与器件工作。
4.1 Metal Oxides
金属氧化物因氧空位丰富、透明度高、迁移率较好而成为AOC研究基础平台。二元氧化物如ZnO可通过氧空位俘获/释放电子实现持续光电导,并通过不同波长光实现SET/RESET型忆阻行为。非晶氧化物半导体(AOS)如IGZO、ZATO则因结构无序带来的高迁移率、宽谱响应与可调缺陷分布而受到关注。作者进一步说明,通过与SnO、SnS等p型材料构建异质结,可拓宽可见光响应并实现双向突触行为。全氧化物异质结构如ZnO/Zn
2SnO
4、Si掺杂β-Ga
2O
3/ZnO则说明多层氧化物在带阶设计和可见/紫外选择性响应方面具有潜力。
4.2 Low-Dimensional Materials
低维材料凭借强光-物质相互作用、可调带隙与丰富表面态,已成为AOC器件的重要材料库。0维量子点(QDs)可作为高效吸光与俘获中心;1维纳米线(NWs)则具有高表面积、方向性输运和柔性优势;2维材料如石墨烯、黑磷、MoS
2、In
2Se
3、PdSe
2、PtSe
2、WSe
2等因高迁移率、表面敏感性和易于构筑范德华异质结而被广泛研究。文中强调,0D/2D和2D/2D异质结构通过光敏层与传输层的功能分工,可实现更优的双向光响应、柔性集成和多波段感知。
4.3 Perovskite
钙钛矿材料因高迁移率、可调带隙、宽吸收谱和丰富缺陷而在AOC器件中兼具存储层与光敏层双重角色。文章指出,其工作机制包括异质界面载流子迁移、耗尽层调制、缺陷态离化/复合以及光致离子迁移等。通过与ZnO等材料构成p-n异质结,钙钛矿可实现光诱导增强与抑制;在单层结构中,卤素空位如V
Br、V
I的动态变化则可调节肖特基势垒宽度,实现PPC/NPC切换。作者同时指出,稳定性不足和含铅问题是其走向实用必须解决的关键障碍。
4.4 Organic Materials
有机材料因低成本、柔性、生物相容性与可溶液加工性而在可穿戴和仿生场景中具有独特优势。铁电有机材料P(VDF-TrFE)可通过极化势垒调控载流子寿命与光响应衰减;生物基材料如叶绿素、苹果果胶、改性丝素蛋白可利用天然分子结构和可调陷阱态实现AOC功能;有机-无机异质结构则兼具宽谱吸收和快速输运优势;全有机体系进一步展示了低温溶液工艺下实现光写入/光恢复的可能性。总体而言,有机材料扩展了AOC器件在柔性、绿色和生体电子方向的应用边界。
5 Summary
本节对四类主要材料平台进行了归纳比较。文章指出,金属氧化物稳定性好、CMOS兼容性高,适合集成;低维材料和钙钛矿具备优异光电性能和宽谱调控能力,但环境稳定性与大面积均匀性仍需提升;有机材料则在柔性和生物接口方面占优。作者强调,无论单层还是多层结构,材料性质与突触机制的精确匹配是实现高性能AOC器件的前提。
6 Material Structure Design Strategy
6.1 Single-Layer Structures
单层AOC器件依赖单一材料本征的缺陷态、离子调控或铁电特性实现双向光响应。文章总结,适用于单层结构的材料应具备动态可调性、高光电响应、宽波长响应和环境稳定性。与此同时,可通过缺陷调控、化学掺杂、表面工程和栅压辅助等手段增强性能。但作者认为,单层结构难以兼顾宽谱响应、可调性和高性能,因此实际应用较少。
6.2 Multilayer Structures
多层结构通过半导体通道层、陷阱层和隧穿层的功能分工,在光吸收、载流子传输和存储之间实现协同。作者提出,多层AOC材料设计需满足带结构匹配、互补光谱响应、层厚优化和界面钝化四项要求。其中II型尤其是Z型异质结最常见,因为其利于光生载流子的空间分离与持续光电流形成。
6.3 Optimization Approaches
针对材料与结构优化,文章提出四个方向:带结构工程、表面修饰、缺陷调控与铁电集成。其核心在于通过掺杂、异质堆叠、纳米材料引入、氧空位浓度控制和极化调制,实现更快的载流子传输、更优的陷阱行为和更稳定的双向响应。
7 Neural Network Algorithms
本文进一步将AOC器件与神经网络算法结合,讨论其在人工神经网络(ANN)、卷积神经网络(CNN)、脉冲神经网络(SNN)、深度神经网络(DNN)、光学神经网络(ONN)以及k近邻(KNN)中的潜力。作者指出,AOC器件的多级非易失电导、双向光调制、低功耗与并行性,使其适于在硬件层面实现权重存储、卷积核映射、STDP/SRDP行为和在传感端完成原位预处理。文章同时指出,当前算法-器件协同仍面临权重更新规则不匹配、时序同步不足、大规模均一性不足和系统复杂度偏高等难题,因此需要更深入的算法-器件共设计。
8 Applications
文章系统总结了AOC器件在图像识别、图像处理、逻辑运算、运动检测、视觉感知、场景模拟及柔性电子中的应用。图像识别方面,AOC器件可用于MNIST手写数字、彩色编码数字与人脸识别;图像处理方面,可实现对比度增强、去噪、均值滤波、高斯滤波和边缘增强;逻辑运算方面,可通过不同波长输入实现XOR、OR、AND、NOR、NAND等布尔逻辑;运动检测方面,AOC器件利用正负光电导矩阵差分实现动态目标提取;视觉感知方面,可模拟半球视网膜、亮暗适应与边缘检测;场景模拟方面,可再现痛觉与缓解、碰撞感知、斑马鱼趋光性、巴甫洛夫条件反射和厌恶学习;柔性电子方面,则展示了在PET、PI、PDMS等柔性基底上维持稳定突触塑性的能力。这些应用共同表明,AOC器件不仅能完成感知,还能在器件层完成预处理、存储和计算,是实现感存算一体神经形态系统的重要候选。
9 Challenges
作者指出,AOC器件面临的核心挑战包括:稳定实现PPC/NPC双向全光调制仍较困难;材料体系往往难以同时满足低能耗、高响应和长期稳定;器件性能易受温度、湿度、气体环境和持续光照影响;多层结构制造复杂、复现性和成品率不足;与CMOS后端工艺兼容性有限;大规模阵列中存在器件间差异、光串扰和热效应累积;此外,当前仍缺少统一的性能评估与标准化基准体系,不利于不同材料和结构之间的横向比较。
10 Future Prospects
展望部分围绕稳定性提升、器件设计、应用拓展、大规模集成、算法-器件协同开发和标准化评价体系六个方面展开。作者建议通过表面钝化、保护层与封装提升环境稳定性;根据应用场景在两端器件与三端器件之间做出合理取舍;探索动态光场重构、多通道光谱感知、AR/VR交互等新场景;借助波导与光复用技术推进大规模AOC阵列构筑;加强针对ANN、KNN等算法需求的器件定制;并推动跨学科合作建立统一评价框架。整体来看,未来发展路径是从材料、器件、算法到系统层面的协同优化。
11 Conclusion
结论部分指出,AOC突触器件通过在传感器中内嵌计算功能,打破了感知与处理分离的传统模式,为神经形态计算提供了兼具超高速、低功耗与全光写擦能力的新范式。本文从物理机制、材料体系、器件结构、算法适配与应用场景等方面构建了一个面向可复现与可扩展设计的基础框架。作者认为,该框架可为下一代AOC突触器件提供通用设计准则,并为人工智能所需的神经形态硬件平台发展奠定基础。