客户成果 华南师范大学《Advanced Materials》：集成光传感器，光存储器和视觉突触的应用于人工视觉的多功能神经形态晶体管

视觉系统作为人脑中感知和预处理光刺激的核心部分，贡献了80%以上的信息输入。为了模拟视觉系统的功能，人工视觉系统（AVS）通常集成一个敏感的光电传感器来感知多个视觉输入，一个用于保存视觉信息的存储单元，以及一个执行复杂图像处理任务的处理单元。然而，在现有的AVS中，由于传感、存储和计算单元之间的结构和性能差距，这些不同的功能模块是独立配置的。这导致了系统体积大、制造成本高、数据传输效率低，也需要复杂的电路和复杂的算法。随着AVS中处理和分析大规模视觉数据集的需求不断增加，迫切需要寻求集成传感、存储和计算单元功能的解决方案和一体化芯片。

针对以上问题华南师范大学微电子学院霍能杰研究员团队在仿生视觉器件领域取得最新进展，该研究成果以"Neuromorphic Transistors Integrating Photo-Sensor, Optical Memory and Visual Synapses for Artificial Vision Application"为题，发表在国际顶级期刊《Advanced Materials》上。该研究通过器件架构设计，首次将人工视觉系统的三大核心组件——光传感、光存储与神经形态计算集成于单一晶体管，为新一代智能机器视觉系统的发展开辟了新路径。

研究团队借鉴生物视觉系统的整合机制设计出器件结构，通过栅极可调的垂直电场调控技术，在单个器件中实现三大功能模块的智能切换，具有双极性的MoTe2能够敏化二硫化钼传输通道。当在负顶部栅压下工作时，MoTe2层被配置为p型，在MoTe2/MoS2异质结处产生较大的面外电场，这有助于分离光生电子-空穴对并诱导光门效应，从而实现高灵敏度的光电传感能力，其R值为6.515×103 A/W，D*高达~3.92×1014 Jones。通过施加零或正顶部栅压，MoTe2被配置为本征或重n型，减弱或反转内建电场，从而将器件切换到具有类脑计算能力的视觉突触模式。光存储模式下，器件具备>4比特的非易失存储能力，写入/擦除比达106，数据保持时间超104 秒，界面电场还赋予了器件多级(>4位）光学存储能力。

图1 非易失性存储器和性能。a) 含/不含中间MoTe2层器件中IDS随时间演化特性对比。b) 光写入(5 mW cm-2, 1 s)与电擦除(5 V, 0.1 s)操作后的瞬态读取电流响应。c) 超过100次循环操作的存储(开态)/擦除(关态)耐久性测试。d) 连续激光脉冲编程实现的8阶光存储状态，读取电流随脉冲次数递增。e) 1秒内收集的读出电荷量与电阻态呈近线性依赖关系。f) 在0.1 V低VDS下通过连续激光脉冲激励实现的多级存储特性

在零或正栅压工作模式下，MoTe2层转变为n型导电态，通过精准调控界面电场强度与方向，可实现从突触权重增强到抑制的平滑过渡。通过设计可编程光脉冲序列调控系统，对突触前刺激的参数（脉冲数量、强度、持续时间及间隔）进行精确调控，系统研究了器件模拟生物突触的神经动力学特性。基于兴奋性突触后电流的动态响应分析，该突触器件展现出包括：①突触可塑性增强与习惯化、②长时程/短时程可塑性（LTP/STP）转换、③双脉冲促进效应（PPF）在内的多维度神经形态特性。

图2 突触功能和性能特征。a) 人脑视觉突触示意图及本器件作为视觉突触的仿生原理。b) 间隔时间（Δt）为1秒的两个连续光脉冲诱导的兴奋性突触后电流（EPSC）。c) 双脉冲易化（PPF）指数随Δt 的变化关系。d-g) 分别展示635 nm光脉冲在不同功率密度、频率、脉冲次数和脉冲宽度下激发的EPSC响应。h) 通过多重激光脉冲模拟生物记忆学习与遗忘过程。i) 将VTG从-1 V切换至-2 V实现短时程可塑性（STP）向长时程可塑性（LTP）的转变。j) 在VTG=-5 V时，不同光频率下具有高EPSC增益的视觉突触特性。

为了展示生物视觉启发的神经形态计算能力，研究进一步利用人工神经网络对MNIST 数据集中的手写数字图像进行模拟和分类。通过与突触神经网络集成，类脑晶体管实现了精确的图像识别和分类，准确率高达95.26%。该器件的学习效率曲线与生物神经系统表现出高度相似性，这为开发新一代类脑视觉信息处理系统提供了重要的器件基础。此外，该模型具有通用性，还可以推广到手写数字以外的数据集。

图3 神经网络的神经形态计算图像识别。a) 用于MNIST手写数字（28×28 像素）训练的双层全连接人工神经网络（ANN）架构。b) 突触器件在32个连续增光脉冲（635 nm，25.12 mW cm−2）和抑制电脉冲（VTG=1 V，1 s）触发下的长时程增强/抑制（LTP/LTD）特性曲线。c) MNIST训练集模拟中识别准确率随训练周期的变化趋势。d) MNIST验证集模拟的识别准确率。e) 光电混合ANN测试集的混淆矩阵，矩阵每行代表目标输出数字，每列对应预测输出数字。f) 测试集中不同数字的识别准确率分布。g) 采用三层ANN处理的原始图像与识别结果对比。

作者信息介绍：华南师范大学电子科学与工程学院（微电子学院）硕士研究生赵图、岳文博为文章的共同第一作者，霍能杰研究员为论文的唯一通讯作者。

该工作通过使用TuoTuo Technology（UV Litho-ACA）的无掩模光刻机完成了神经形态晶体管的接触纯金电极制备工作。此项研究工作获得国家自然科学基金、广东省自然科学基金、广东省芯片与集成技术重点实验室等项目的持续支持。目前，相关技术已申请发明专利1项。

文章链接：https://advanced.onlinelibrary.wiley.com/doi/abs/10.1002/adma.202419208