01
内容概览
现有技术缺点
CMOS弱光性能差：仅能感知1.0勒克斯照明，难检测夜间/深空微弱光信号。
传统计算能耗高：“感知-处理分离”架构（如GPU）能耗比生物系统高9个数量级。
神经形态器件适应性差：弱光灵敏度低，无法模拟猫头鹰暗适应机制。
文章亮点
光电解耦双模设计：模拟猫头鹰暗适应，三端晶体管结构（绝缘聚合物包覆层+光吸收层）增强光敏性，并行光子感知与电学可塑性仿真。
超高弱光探测：主动适应指数331，感知0.146 nW·cm⁻²弱光（较CMOS提升3个数量级）。
稳定突触可塑性：循环LTP/LTD，支持0.146~11.7 nW·cm⁻²光强跨3种神经网络部署权重。
类脑系统集成：无人机空对地识别系统，0.146~11.7 nW·cm⁻²下识别准确率＞95%。
应用场景
夜间监控：城市安防、边境巡逻无辅助照明目标识别。
无人机搜救/探测：夜间搜救、深空（月球/火星）物质识别。
精密制导：导弹、卫星暗光环境目标跟踪。
总结
在光子匮乏环境中被动目标探测对于扩展机器视觉在精密制导、智能监控和预警等众多应用中的能力至关重要。 在此，受猫头鹰视觉的启发，作者报道了一种具有光电解耦机制的双模突触晶体管，能够实现并行的光子感知与电学可塑性仿真。由此，该器件表现出约331的高主动适应指数，并具有感知低至0.146 nW cm⁻²的微弱光强的能力。作者还实现了具循环稳定性的突触权重调制，呈现出长期的增强与抑制行为，并通过自适应对比度增强验证了在0.146–11.70 nW cm⁻²光强范围内跨三种基础人工神经层次部署权重的可行性。该受猫头鹰视觉启发的器件为面向能效化与低光图像处理的类脑视觉传感器奠定了硬件基础。
02
图文简介
图1. 受猫头鹰启发的类神经形态近传感器计算。(a) 猫头鹰视神经生物学突触传递示意图。通过神经递质释放和突触权重调节对脉冲信号（突触后电流，PSC）在时空上的积分。 (b) 人造神经系统实现。近传感器计算架构（左）模拟生物信号的感知与处理，人工神经网络（右）通过可编程权重模拟突触可塑性。 (c) 光适应阈值示意图。对比互补金属氧化物半导体（CMOS）光电感受器器件（约1 lux，对应于555nm处约10^7 Wcm^-2的光强）、人类夜视（10^-2 到 10^-1 lux，对应于555 nm处约10^-9–10^-8 W cm^-2的光密度）和仓鸮夜视（约10^-3 lux，对应于555 nm处约10^-10 W cm^-2的光强）的光敏范围。 (d) 猫头鹰夜间光感受自适应机制示意图。随着光照持续时间增加，时间依赖的光敏性（P(t)）上升，视网膜视杆细胞的暗适应使得目标成像逐步清晰。 (e) 自主无人机应用示意图：将光学感测、视觉自适应和类神经形态计算集成，可在光子稀缺环境中无需辅助照明和后处理技术实现目标检测。
图2. ODAS结构表征与光适应性能。(a) ODAS三维结构示意图：自下而上依次为ITO栅电极、PVA介电层（120nm）、PVCn:PbS纳米晶光吸收层（100 nm）、Ag源/漏电极（100 nm）及C8-BTBT沟道层（50 nm）。(b) 横截面透射电子显微镜（TEM）图像（比例尺：25 nm）及相应的能谱（EDS）映射图（比例尺：25 nm）。(c) PVCn:PbS纳米晶掺混薄膜与C8-BTBT沟道的吸收光谱。(d) 光适应机制的动态过程：光激发在PVCn:PbS层产生电子—空穴对（左）；在栅电压作用下电子—空穴对分离，空穴被界面陷阱态俘获并在沟道界面处累积（中）；去除光刺激后，载流子被重新俘获并复合，完成类似视杆细胞的光适应循环（右）。(e) 在不同照度（0.146–11.7 nWcm−2）下随适应时间增加的漏极电流（IDS），展示对光强的自适应能力。(f) 在不同适应时间（1–30 s）下，光敏度（Pt）与照度的关系。(g) 主动适应指数（AAI）与光照强度的相关性。
图3. ODAS 阵列的电路结构与性能表征。(a) ODAS 阵列的示意图。 (b) 1 9 × 1 7 ODAS 阵列的光学图像（比例尺：2 mm）及单器件放大图（比例尺：50 μm）。 (c) 等效电路拓扑：交叉阵列结构由位线、字线和漏极电压构成。 (d) 器件间 IDS–VG双向扫描曲线。 (e) 阵列上器件阈值电压的空间分布。 (f) 阵列开关比均匀性的分析。统计分布呈高斯特征（μ = 3.12，σ = 0.05）。 (g) ODAS 阵列上动态光适应过程的可视化。以定向方式对阵列施加光刺激以形成字母“X”、“J”、“T”、“L”和“U”。被激活器件的光电流在适应过程中逐渐增加。
图4. ODAS 的光控突触特性。(a) ODAS 光突触测试示意图，光脉冲从器件底部的透明栅极输入。 (b)光电突触对输入光脉冲表现出非易失响应。输出电流的变化表明其记忆信息的能力。 (c) ODAS 对不同波长光脉冲（365nm、470 nm、590 nm 和 940 nm）的非易失光电流响应。 (d) ODAS 在不同照度下（0.73 nW cm−2、1.46 nW cm−2 和 4.38 nW cm−2）对光脉冲的非易失光电流响应。 (e) 光刺激后光电流的衰减速率。 (f) 在940 nm、超低光强0.146 nW cm−2 条件下的 ODAS 持续光电电流（PPC）。 (g) 在能量消耗与弱光检测能力方面，ODAS 与已报道的光电突触器件的比较。 (h) ODAS 的光子信息再记忆能力测试。
图5. 使用电脉冲进行的突触特性测试。(a) ODAS 电脉冲测试示意图。脉冲输入由栅极电压调控。 (b) 兴奋性突触后电流（EPSC）的动态响应。在基线电压（0.2 V）与峰值电压（1.2 V）交替施加脉冲（脉宽500ms）作用下，0–16 s 区间内 EPSC 呈阶梯状上升，与长时程增强（LTP）的线性动力学一致。 (c) 幅度依赖的电脉冲冲突突触电流测试。在固定脉宽500 ms、频率1Hz条件下，比较不同脉冲幅值（1.0 V、1.5 V 和 2.0 V）下 EPSC振幅的变化。 (d) LTP 与长时程抑制（LTD）循环特性。峰值电压在 1.2 V 与 -0.2 V 之间切换，表现出 30 个循环的稳定性。 (e) LTP–LTD 循环测试的高 PSC 值与低PSC值的箱线图（n = 30）。箱线图中，水平中线表示中位数，下四分位数与上四分位数分别表示第25百分位与第75百分位，须端表示最大值与最小值。 (f)浮点权重与 4 位离散权重的硬件映射示意图。神经网络全连接层的权重矩阵通过突触电导值在物理上进行编码。 (g) 基于 ODAS 的多层感知器（MLP）在MNIST数据集上的 4 位仿真性能：测试准确率达到 90%（蓝色曲线），训练损失值随迭代次数增加收敛至 0.12（橙色曲线）。
图6. 智能目标识别应用示意图。(a) 使用无人机模拟灰林鸮进行夜间空对地识别的示意图。 (b) 无人机在五个亮度等级下对目标进行光学捕获的示意图。 (c)均方根对比度与适应时间的关系。图像的均方根对比度可基于图像灰度值映射到不同光强下的归一化光电流来定义。 (d) 在不同照度水平仿真数据集上对YOLOv5网络的训练过程，随着训练周期增加网络损失值收敛。 (e) 在不同训练轮次下精确度、mAP_0.5和mAP_0.5:0.95的变化趋势。 (f) 适应过程中对比度变化对目标识别置信度的影响。 (g) ODAS 与已报道的用于识别仿真的光学突触器件的比较。
审核编辑 黄宇