偶氮聚合物化合物光致突触行为与视觉记忆建模

《Advanced Optical Materials》：Modeling Light-Induced Synaptic Behavior and Visual Memory of Azopolymeric Compounds

　　

自适应与智能物质正成为非传统计算范式发展的基石，因为它能够在物质层面以类似于生物神经元系统的方式处理和存储信息。测试神经形态数据处理实现的一个关键要求是，能够建模和预测材料在不同刺激条件下的响应。在本工作中，研究人员开发了一个建模框架，能够描述光响应有机材料在光刺激下的动力学。通过将基于速率平衡模型（rate-balance model）的参数与物理量相关联，研究人员突出了共同影响材料内部状态时间演化的基本机制。该模型准确预测了对时间相关信号的响应，捕捉了光响应材料的典型突触样行为，并揭示了长期记忆（long-term memory）和短期记忆（short-term memory）组分对观察到的动力学的贡献。为了进一步探索该模型的潜力，研究人员使用空间分布的灰度强度模式来刺激材料，并表明该模型准确捕捉了材料内部状态的时空演化，揭示了视觉记忆应用的潜力。

**论文解读：偶氮聚合物化合物光致突触行为与视觉记忆建模**

**研究背景、存在问题与研究动机**

近年来，模仿生物智能的人工系统开发需求推动了智能物质（intelligent matter）的设计，这类物质能够感知、处理并根据外部刺激调节其内部状态。在此背景下，刺激响应型材料成为超越冯·诺依曼架构的新计算范式硬件平台的关键。例如，在物联网中，传感单元无需与处理单元交换数据即可预处理信息（传感器内计算），可降低数据传输和计算复杂度。此外，利用外部刺激下具有内在动力学的自适应材料可用于物理储层计算（physical reservoir computing），其中系统的非线性与短期记忆被用于将输入信号投影到高维空间，再由读出层分析。已有研究证明，神经形态光响应有机材料的内在动力学可用于物理储层计算，这些材料通过光致双折射（optically induced birefringence）表现出广泛的突触功能。然而，目前缺乏能够描述这些系统在特定光照下动力学特性的模型，而该模型对于在计算机中测试其计算范式的实现至关重要。因此，本研究旨在开发一个建模框架，来描述偶氮聚合物（azopolymeric）化合物的光致神经形态动力学。

**主要技术方法**

本研究采用的主要关键技术方法包括：（1）双速率平衡方程（double rate-balance equation）建模，分别描述快机制（偶氮基团重取向）与慢机制（聚合物主链重取向）的动力学；（2）光致双折射测量实验，使用偏振光读取材料内部状态（透过正交偏振器的光强），并用520nm连续波激光写入信号；（3）全局拟合方法，对多个实验曲线同时拟合以提取共享参数（如最大光强、弛豫速率等），并利用Python中的curve_fit函数优化损失函数（最小二乘）；（4）数字微镜器件（Digital Micromirror Device, DMD）空间光调制，对入射激光进行空间和时间调制以实现灰度图像写入。样本为商用偶氮聚合物PAZO（poly[1-[4-(3-carboxy-4-hydroxyphenyl-azo) benzene sulfonamido]-1,2-ethanediyl, sodium salt]）薄膜，通过旋涂制备。实验数据来自意大利研究团队，未提及特定队列来源。

**研究结果**

**1 Introduction**

作者指出，刺激响应型材料是开发新型硬件平台的基础。已有研究利用光响应有机材料的双折射动态实现了物理储层计算，但缺乏预测模型。本研究提出基于双速率平衡方程的建模框架，将实验观测归因于快机制（偶氮基团重取向）与慢机制（聚合物主链重取向），并将方程参数与关键物理变量（如光功率密度、温度）直接关联。

**2 Mechanism of Light-Induced Synaptic Plasticity**

实验装置如图1a所示：通过交叉偏振器读取材料内部状态（初始各向同性，透射光≈0），用绿色激光写入诱导双折射。材料响应呈现增强（激光开启时信号上升）和弛豫（激光关闭后信号下降）的动力学，编码刺激历史。作者假设该动力学由快机制（偶氮基团重取向，通过trans-cis-trans异构化实现，取向烧孔现象）与慢机制（聚合物主链协同重取向）组成，分别对应快速和缓慢的突触增强效应。

**3 Modeling**

总透射光强I由快、慢两个独立项贡献（I = I1 + I2），每个项由归一化内部状态g1和g2（对齐分子百分比）决定，并分别遵循速率平衡方程dg/dt = kp(1?g) ? kd·g。方程可解析求解（如式8所示）。其中，增强速率kp,i与光功率密度P成线性关系（kp,i = αi·P），弛豫速率kd,i与温度T服从阿伦尼乌斯关系（kd,i ∝ exp(?Ea,i/(kB·T))）。图2显示模型拟合实验数据（R2=0.993），快慢组分分别用虚线表示。

**3.1 Potentiation Rate and Power Density**

通过改变泵浦功率密度（1.99至28.01 nW/μm2）并固定刺激时间（600 s），实验获得九条动力学曲线（图3a）。全局拟合表明，kp,i与P呈线性关系（图3b），证实分子重取向速率与入射光强成正比，此关系也见于近期文献。

**3.2 Relaxation Rate and Temperature**

在固定刺激条件（P=10 nW/μm2，ton=10 s）下，于8个不同温度（30°C至150°C）测量材料响应（图4a）。全局拟合显示，在低于PAZO玻璃化转变温度Tg≈100°C时，kd,i与1/(kB·T)呈线性关系（图4b），符合阿伦尼乌斯定律，其中快组分的活化能线性系数为5.014×10?2?，慢组分低一个数量级（2.282×10?21）。

**4 Paired Pulse Facilitation**

为验证模型对时间相关刺激的预测能力，对材料施加10个光脉冲（ton=1 s，toff=1 s），实验数据显示渐进增强的突触样行为（图5a）。双速率平衡模型准确捕捉了内部状态的复杂演化（R2=0.997），快慢组分分别贡献短期与长期记忆。进一步在不同toff下测量配对脉冲促进（PPF）比率，模型与实验数据吻合良好（图5b），表明模型可有效预测任意刺激参数（如脉冲时长、间隔）下的突触响应。

**5 Visual Memory**

将8-bit灰度位图（像素值0-255）映射为功率百分比（Pmax=9.52 nW/μm2），通过DMD对PAZO薄膜进行空间光调制（ton=10 s）。相机记录的输出强度显示出存储图像的弛豫动力学（图6b）。将每个像素视为独立动力学单元，根据局域功率百分比缩放增强速率：kp,x,y,i = αi·(P%/100%)。模型输出与实验数据一致，表明材料能处理并保持复杂非二值视觉信息，且宏观薄膜可近似为独立动态单元的矩阵。

**总结讨论与结论**

在讨论部分，作者强调该行为模型准确描述了材料对时间相关光脉冲的响应，这是储层计算等先进范式的关键要求。此外，模型成功捕捉了空间分布灰度模式的时空演化，揭示了存储和处理复杂图像信息的潜力。模型参数与物理变量（光功率、温度）的关联为理性设计和优化光响应有机材料提供了有力工具。研究最终发表在《Advanced Optical Materials》上。

**研究结论翻译**：在本工作中，研究人员提出了一个速率平衡方程模型来描述商用偶氮聚合物材料（PAZO）光致双折射的增强和弛豫动力学。该行为模型准确捕捉了材料的突触样响应，这是硬件神经形态计算的关键功能。研究发现，模型在描述实验数据方面达到了高精度（R2 = 0.993）。通过分析模型参数与实验参数的相关性，建立了定量物理解释：弛豫速率参数kd,i服从阿伦尼乌斯定律，证实其对热激活旋转布朗运动的依赖；增强速率参数kp,i与入射泵浦激光功率密度P呈线性关系，直接关联到电磁驱动力。值得注意的是，该模型描述了时间相关光脉冲的响应，并成功捕捉了灰度空间分布模式的时空演化，揭示了存储和处理图像信息的潜力。模型参数与物理变量的相关性为特定神经形态应用提供了理性设计和优化工具，为更节能、可扩展的人工智能硬件实现铺平了道路。