论文分享
【会员论文】北京大学&国立阳明交通大学：用于神经元时空整合与遗忘式神经形态计算的、具有日盲紫外感知能力的Ga₂O₃光电阵列
日期：2025-11-10阅读：125
由北京大学联合国立阳明交通大学洪瑞華教授的研究团队在学术期刊 ACS Applied Materials & Interfaces 发布了一篇名为 Ga2O3 Optoelectronic Array with Solar-Blind Ultraviolet Perception for Neuron Spatiotemporal Integration and Forgetting-Enabled Neuromorphic Computing（用于神经元时空整合与遗忘式神经形态计算的、具有日盲紫外感知能力的 Ga2O3 光电阵列）的文章。
项目支持
本研究得到深圳市科技基金（RCYX20231211090332037, JCYJ20220531093210023, JCYJ20240813160211015），中国国家自然科学基金（62474008, 62204007），广东省自然科学基金（2024A1515030044），部分得到广东省存算一体芯片重点实验室（2024B1212020002）、 深圳柔性电子概念验证中心、广东省氧化物半导体器件与集成电路工程技术研究中心。
背景
受人脑启发的神经形态计算被认为是下一代人工智能的颠覆性技术。生物神经元的一个核心能力是时空整合，即对来自不同位置和不同时间的输入信号进行累加处理。光电突触器件是构建神经形态视觉系统的硬件基础，在实现高带宽、低功耗计算方面极具潜力。然而，目前的光电器件大多只能模拟基本的突触可塑性（如短期/长期记忆），难以实现如STI和主动遗忘等更高级的神经元功能。日盲深紫外波段在地球表面几乎没有背景噪声，因此基于该波段的神经形态感知系统在火焰预警、安全通信等领域具有巨大优势。β-氧化镓（β-Ga2O3）是实现日盲感知的理想材料，但其固有的持续光电导（PPC）效应通常被视为探测器的缺陷，导致响应缓慢。这种 PPC 效应源于光生空穴被材料中的深能级缺陷所俘获。本研究巧妙地利用了这一缺陷，将其转化为一种优势。
主要内容
能够感知和存储光信号的光电类脑器件对于构建人工视觉系统至关重要。尽管基于氧化物半导体的光电器件因其稳定性能和成熟制造工艺而备受推崇，但其主要工作于近紫外至近红外光谱范围，缺乏对日盲区（<280 nm）的敏感性——该区域具有极低背景噪声和增强的信噪比优势。本文提出基于宽带隙 Ga2O3 的光电类脑器件阵列，旨在感知日盲区光信号。该器件在 254 nm 光脉冲激发下，模拟生物视觉突触可塑性，展现出后突触电流在不同刺激下的可调弛豫特性。值得注意的是，该器件阵列通过树突结构复现了多前突触神经元信号的时空整合与处理过程，展现出实现先进类脑计算的潜力——包括在学习过程中感知与记忆日盲紫外图像的能力。此外，通过利用 Ga2O3 器件的可调弛豫特性，开发出基于遗忘机制的人工神经网络，以超低功耗解决复杂方程中的多解问题。这些成果不仅建立了能感知日盲信号的光电类脑系统，更拓展了其在低功耗计算与智能传感领域的应用前景。
创新点
● 巧妙地将 Ga2O3 中普遍存在的、被视为缺陷的 PPC 效应，转化为实现神经元时空整合功能的独特优势。
● 在单一的 Ga2O3 器件阵列上，首次同时实现了时空整合和门控遗忘这两种高级的生物神经元功能。
● 基于该器件阵列的实验数据构建的脉冲神经网络，在训练后对 MNIST 手写数字数据集的识别准确率高达 92.3 %，证明了该硬件平台在执行复杂计算任务时的可行性和高精度。
● 实现了日盲深紫外波段的感知、存储、与计算功能的一体化。
总结
综上所述，本研究成功演示了一种具备日盲紫外光特性的 a-Ga2O3 光电神经形态阵列，能够模拟人类视网膜中多个神经元间的树突整合。该神经形态器件通过偏置电压与光脉冲参数调控，展现出可调的突触可塑性，从而实现对日盲紫外图像信息的感知、记忆与处理。此外，通过结合设备可调的弛豫特性，开发出仿生遗忘算法以解决复杂方程中的多解问题，实现了感知、记忆与神经形态计算的无缝集成。本研究为推进工作于日盲紫外光谱的人工视觉系统，建立了稳健的硬件与算法框架。未来研究将聚焦于开发大规模窄线宽 a-Ga2O3 神经形态硬件，并集成先进神经网络算法，以进一步提升光电神经形态计算的性能与能力。
图1. 非晶态 Ga2O3 光电神经形态器件的设计与结构。(a) 人类视觉系统及视网膜神经元示意图。(b) 非晶态 Ga2O3 光电神经形态器件示意图。(c) 3 × 3 非晶 Ga2O3 光电神经形态阵列的光学显微镜图像。(d) 阵列中单个 a-Ga2O3 器件的光学显微镜（左）与扫描电子显微镜（右）图像。(e) 器件的透射电子显微镜图像。(f) a-Ga2O3 区域的放大视图。(g) 由 (f) 图提取的衍射图样。(h) 器件的能谱分布图。(i) a-Ga2O3 薄膜的 X 射线衍射图样。(j) a-Ga2O3 薄膜的 O 1s 谱。(k) a-Ga2O3 薄膜的 Ga 2p3/2 谱。(l) 原始 Ga2O3 薄膜的吸光度光谱及插图中样品的 (αhν)2 与 hν 关系曲线。(m) 原始 Ga2O3 薄膜的荧光光谱。(n) 原始 Ga2O3 薄膜在绿色与蓝色区域的荧光机制模型。
图2. 多神经元间连接的仿真示意图。 (a) 神经元通过树突连接至多个神经元的示意图。(b) 阵列中器件间的连接关系。(c) 测试中的类脑阵列实物照片。(d) 阵列中三神经元互连的符号示意图。 (e) 神经元 A、 (f) 神经元 B、(g) 神经元 C 对单个光脉冲（254 nm，5 s）的压电电容响应输出。当 (h) 神经元 A 与神经元 B、(i) 神经元 A 与神经元 C、(j) 神经元 B 与神经元 C 同时受到单个光脉冲（254 nm，5 s）刺激时，输出算术和与测量输出和的对应关系。
图3. 光脉冲刺激下器件的突触行为。(a) 不同偏压下器件对单次光脉冲（254 nm，5 s）的 EPSC 响应。插图显示 EPSC 峰值与偏压的关系。(b) 偏压诱导的 STP 向 LTP 行为转变。插图显示时间常数 τ1 和 τ2 与偏压的关系。(c) 不同偏压下器件对单次光脉冲（254 nm，5 s）的 IPSC 响应。插图显示 IPSC 峰值与偏压的关系。(c) 不同偏压下单次光脉冲（254 nm，5 s）引发的 IPSC 响应。插图显示 IPSC 峰值与偏压的关系。(d) 不同脉冲宽度下单次光脉冲（254 nm）引发的 EPSC 响应。插图显示 EPSC 峰值与光脉冲宽度的关系。(e) 光脉冲宽度诱导的 STP 向 LTP 行为转变。插图展示时间常数 τ1 与 τ2 随光脉冲宽度变化的关系。(f) 由一对光脉冲（时间间隔 Δt=5 s，脉冲宽度 5 s）触发的 EPSC 响应。(g) PPF 指数随 Δt 变化的曲线。(h) 器件对不同光脉冲数量（254 nm，5 s）序列的 EPSC 响应。(i) 器件对不同光脉冲间隔（254 nm）序列的 EPSC 响应。(j) EPSC 峰值与光脉冲数量的关系。 (k) 基于光脉冲数量实现从短时程增强 (STP) 到长时程增强(LTP)的行为转变。插图展示时间常数 τ1 与 τ2 随光脉冲数量的变化关系。 (l) 基于光脉冲序列间隔实现 STP 到 LTP 行为转变。插图展示时间常数 τ1 与 τ2 随光脉冲序列间隔的变化关系。(m) 暗态下金与 α-Ga2O3 接触后的器件能带图。(n) 暗态下电极施加偏压后的器件能带图。(o) 光照与偏压并存状态下的器件能带图。(p) 移除光照后返回暗态时施加偏压的器件能带图。
图4. 通过模拟学习-遗忘行为实现图像记忆功能。(a) 人脑短期记忆向长期记忆转化的示意图。(b) 装置的“学习-遗忘”行为，包含学习、遗忘及再学习过程。(c) 光线穿过U形金属掩模照射阵列的示意图。(d) 首次学习过程中的光响应图像映射。(e) 首次遗忘过程中的光响应图像映射。(f) 重新学习过程中的光响应图像映射。
图5. 基于不同器件遗忘特性的脑启发遗忘算法求解方程组。（a）人视觉系统对图像的感知与遗忘过程，包括光信号刺激、图像感知与初始化、遗忘过程（逐步形成对比度）及目标图像生成。（b）器件在 254 nm 单光脉冲刺激与 0.1 V 偏压下的遗忘曲线。（c）基于器件快速遗忘特性，结合单光脉冲刺激与偏压条件下的遗忘过程所构建的解方程组模型。(b) 设备在 254 nm 单光脉冲刺激与 0.1 V 偏压下的遗忘曲线。(c) 基于设备快速遗忘特性，结合遗忘算法求解方程组动态过程。(d) 设备在 254 nm 单光脉冲刺激及 10 V 偏压下的遗忘曲线。(e) 基于设备缓慢遗忘特性，结合遗忘算法求解方程组动态过程。
DOI：
doi.org/10.1021/acsami.5c15360
