光电论文分享 | 基于ReS2/h-BN/Gra异质结构的高精度多位光电突触用于高能效和高精度神经形态计算

基于ReS₂/h-BN/Gra异质结构的高精度多位光电突触用于高能效和高精度神经形态计算

现有人工突触分为全电、全光、光电三类，其中光电突触最贴近生物突触的混合信号处理机制，可实现联想学习、光电神经计算等复杂功能；基于二维范德华（vdW）异质结构的光电浮栅晶体管（OEFGT），因高带宽、低串扰、多级存储能力，成为构建光电突触的理想候选。

本研究制备 ReS₂/h-BN/ Gra异质结构 OEFGT 型光电突触，实现 1024 级（10 位分辨率）高精度多比特光突触权重（当前二维材料基 OEFGT 最高水平）与 500 fJ / 脉冲超低功耗；成功模拟电 / 光成对脉冲易化（PPF）、抑制（PPD）、脉冲时序依赖可塑性（STDP），复现巴甫洛夫狗条件反射、灵长类联想学习，执行 “与”“或”“非蕴含” 逻辑运算；集成该突触的光电神经网络，在彩色视觉识别任务中经 200 训练周期达 98.8% 准确率，为高能效、高性能神经形态计算奠定基础。

图 1. a）ReS₂/ h-BN/ Gra异质结构的示意图；b）该异质结构的光学显微镜图像；c）存储窗口随栅极电压（V_e）最大值（V_gs,max）变化的关系曲线，插图为不同栅极电压（V_gs）扫描范围下的转移特性曲线；d）施加 ±40 V、1 ms 脉冲后，非易失性存储器的保留特性与耐久性曲线；e）电编程与电擦除过程中的能带示意图；f）光擦除过程中的能带示意图。

图 1a、b 分别为基于ReS₂/h-BN/Gra异质结构的OEFGT的结构示意图与光学图像。图 1c 显示，存储窗口（ΔV）随栅极电压最大值（V_gs,max）的增大呈近似线性增长，当 V_gs 扫描范围为 ±60 V 时，最大 ΔV 达到 85 V，表明栅极电压对浮栅中电荷俘获的调控能力优异。采用 ±40 V、1 ms 的 V_gs 脉冲对器件进行擦除与编程操作：图 1d 显示，器件的擦除 / 编程比高达≈10⁷，保留时间超过 1000 s，且经过 1000 次循环后仍保持稳定。

图 1e 通过能带图阐释了非易失性存储的机制：施加正 V_gs 脉冲时，ReS₂中的电子隧穿通过 h-BN 并被石墨烯浮栅俘获；移除正 V_gs 脉冲后，由于 h-BN 的高隧穿势垒，被俘获在石墨烯中的电子无法返回 ReS₂，器件处于低 I_ds 的编程态。反之，施加负 V_gs 脉冲时，石墨烯中存储的电子被释放到 ReS₂，器件切换为高 I_ds 的擦除态。图 1f 通过能带图展示了光擦除机制：当光脉冲照射 ReS₂沟道时，ReS₂产生大量光生电子 - 空穴对；在石墨烯中存储电子的作用下，光生空穴克服隧穿势垒并被石墨烯俘获；借助石墨烯的电容耦合效应及光生电子的积累，ReS₂沟道电导率呈现非易失性增强。

图 2. a）电脉冲驱动的突触晶体管示意图；b）突触后电流（PSC）随电压幅度（-15~-40 V，脉冲宽度 1 ms）变化的曲线（对应脉冲幅度依赖可塑性 SADP），以及突触后电流随脉冲宽度（100 ns~10 ms，电压 - 20 V）变化的曲线（对应脉冲宽度依赖可塑性 SWDP）；c）成对脉冲易化（PPF）指数与时间间隔（ΔT）的函数关系，插图为 PPF 测试所用的栅源电压（V_gs）输入脉冲（-10 V，1 ms）及对应的电流响应；d）成对脉冲抑制（PPD）指数与时间间隔（ΔT）的函数关系，插图为 PPD 测试所用的栅极电压（V_g）输入脉冲（10 V，1 ms）及对应的电流响应；e）10 秒内脉冲数量从 10 个增至 100 个时的突触后电流变化（电压 - 10 V，脉冲宽度 1 ms，对应脉冲频率依赖可塑性 SFDP），以及电压脉冲数量从 1 个增至 10 个时的突触后电流变化（电压 - 10 V，脉冲宽度 1 ms，频率 1 Hz，对应脉冲数量依赖可塑性 SNDP）；f）通过电编程与电擦除实现电长时增强（LTP）与电长时增强（LTP）的过程，其中编程脉冲参数为 - 4.5 V、10 ms、1 Hz，擦除脉冲参数为 9 V、10 ms、1 Hz。

如图 2a 所示，施加到底栅的电压脉冲可触发仿生突触中的信号传输。通过改变电压脉冲的特征参数，成功模拟了多种典型突触功能。图 2b 显示，对突触器件施加不同幅度（-15~-40 V，1 ms）和宽度（-20 V，100 ns~10 ms）的负电脉冲，随着脉冲幅度增大与宽度增加，更多电子被释放到沟道，PSC增强。

随后，施加两个连续的 V_gs 脉冲（-10 V 和 10 V，宽度均为 1 ms），实现了两种不同形式的STSP—— PPF与PPD。用 A₁和 A₂分别表示两个脉冲诱发的 PSC 变化，PPF（或 PPD）指数定义为 A₂/A₁。PPF 与 PPD 行为与两个连续 V_gs 脉冲的ΔT及τ密切相关，呈现典型的双指数衰减特性，可用双指数方程拟合 ：

其中，C₁和 C₂分别为快衰减与慢衰减过程的初始增强幅度；τ₁和 τ₂为对应的弛豫时间。如图 2c、d 所示，PPF 与 PPD 指数均随 ΔT 的增大而单调下降：对于电突触，PPF 指数从 168% 降至 138%，对应的 τ₁=0.05 s、τ₂=1.29 s；PPD 指数从 122% 降至 107%，对应的 τ₁=0.09 s、τ₂=1.55 s。

图 2e 左图显示，经过 10 s 的突触增强与 10 s 的弛豫后，PSC 逐渐衰减并稳定在特定值；当脉冲（-10 V，1 ms）频率从 1 Hz 增至 10 Hz 时，最终输出电流从 35 nA 增至 85 nA。图 2e 右图为归一化电流衰减的拟合曲线：施加 1 个脉冲后，突触权重迅速降至初始值的 64%；当脉冲数量增加至 10 个时，突触权重稳定在初始值的 89%。在人工神经网络中，突触权重的数量对模式识别准确率至关重要。通过重复施加编程（-4.5 V，10 ms，1 Hz）与擦除（9 V，10 ms，1 Hz）脉冲，可诱导LTP与LTD。如图 2f 所示，在电 LTP 与电 LTD 过程中，突触权重数量达到 128 级（7 位）。

图 3. a）光脉冲调制的突触晶体管示意图；b）漏源电流（I_ds）随光功率密度与脉冲宽度变化的热图；c）PPF指数与ΔT的关系，插图为光致 PPF 测试所用的输入信号及其对应响应（光功率密度 100 mW⋅cm⁻²，脉冲宽度 1 s）；d）LTP与LTD的过程，其中编程脉冲参数为 1 mW⋅cm⁻²、10 ms、1 Hz，擦除脉冲参数为 9 V、10 ms、1 Hz；e）本研究提出的基于ReS₂/h-BN/Gra异质结构的OEFGT，与已报道的突触器件在功耗和存储密度方面的对比；f）脉冲时序依赖可塑性（STDP）中突触权重相对变化（ΔW）与ΔT的关系，插图为 STDP 测试所用的输入信号及其PSC响应。

除了电脉冲激发的轴突 - 树突结构外，光脉冲还可直接激活突触后终端的轴突 - 轴突信号通路（图 3a）。图 3b 为 I_ds 随光强与脉冲宽度变化的热图，显然，光强更大、宽度更宽的光脉冲会引发更强的电荷隧穿效应，产生更大的兴奋性 PSC。图 3c 显示，施加两个强度（100 mW/cm²）与宽度（1 s）相同的光脉冲，可实现 PPF 行为；PPF 指数从 153% 降至 136%，对应的 τ₁=0.17 s、τ₂=1.61 s。

在光电突触的权重更新过程中，采用连续光脉冲（1 mW/cm²，10 ms，1 Hz）与正电压脉冲（4.5 V，10 ms，1 Hz）作为激励信号（图 3d）。图 3e 对比了本器件与其他光电突触的功耗及存储密度。结果表明，本研究的突触单元实现了稳定、可靠且高能效的存储操作，尤其是突触权重数量较文献报道的最先进器件高出 10 倍 。

图 4. a）输入栅极电压（V_gs）/ 光脉冲与香蕉、黄色卡片、葡萄、紫色卡片、铃声、食物等刺激信号的对应关系；b）测试阶段香蕉与黄色卡片配对成功，香蕉与紫色卡片配对无有效响应；c）测试阶段葡萄与紫色卡片配对成功，葡萄与黄色卡片配对无有效响应；d）条件反射的建立过程；e）条件反射的消退过程；f）条件反射的完全遗忘过程。

实验采用电脉冲序列（1 ms，1 Hz，10 个脉冲）与光脉冲序列（405 nm，0.5 s，1 Hz，10个脉冲）分别模拟水果与颜色：幅度为 - 10 V 和 - 5 V 的电脉冲分别代表香蕉和葡萄（记为信号 1 和信号 2）；功率密度为 0.2 mW/cm² 和 2 mW/cm² 的光脉冲分别代表黄色卡片和紫色卡片（记为信号 1' 和信号 2'）（图 4a）。单独输入信号 1 和信号 1' 时，配对无效；经过 5 个训练周期后，香蕉与黄色卡片之间成功建立联想；而信号 1 与信号 2' 配对时，产生明显的疼痛响应（图 4b）。类似地，信号 2 与信号 2' 的配对任务成功，信号 2 与信号 1' 配对则失败（图 4c）。

在光电混合调制模式下，OEFGT 成功模拟了巴甫洛夫实验的扩展版本，包括条件反射的建立、消退、重建与遗忘。训练前，施加 10 个电压脉冲产生的 PSC 为 80 nA，低于阈值，无法诱发唾液分泌；而施加 10 个光脉冲产生的 PSC 为 240 nA，远高于阈值。训练过程中，施加 10 个同步的电压与光脉冲，在铃声与食物之间建立联想；训练后，仅施加电刺激即可使 PSC 增至 130 nA，表明对铃声的条件反射已建立（图 4d）。休息 100 s 后，相同的电刺激不再诱发唾液分泌，表明条件反射消退；由于沟道中残留光生电子，仅需较少的再训练周期即可重建条件反射 —— 经过 5 个再训练周期后，电刺激使 PSC 增至 120 nA（图 4e）。继续休息 500 s 后，铃声与食物之间的联想完全遗忘；器件电导率恢复至初始状态，即使经过 5 个再训练周期，铃声刺激仍无法诱发唾液分泌（图 4f）。

图 5. 基于光输入与电输入的可重构逻辑门 a）“与”（AND）运算的读出电流；b）“或”（OR）运算的读出电流；c）“非蕴含”（NIMP）运算的读出电流；d）基于美国信息交换标准代码（ASCII）规则的电流信息解码过程。

通过选择合适的阈值电流，该器件可利用光输入（脉冲宽度 1 s）和电输入（脉冲宽度 10 ms）信号实现多种逻辑功能。“与” 运算的输入信号为 1 mW/cm² 光脉冲和 - 5 V V_gs 脉冲；“或” 运算的输入信号为 100 mW/cm² 光脉冲和 - 10 V V_gs 脉冲；“非蕴含” 运算的输入信号为 100 mW/cm² 光脉冲和 10 V V_gs 脉冲。输入信号的 “0” 和 “1” 状态分别对应光或电输入的 “关” 和 “开” 状态。图 5a-c 分别展示了 “与”“或”“非蕴含” 运算的输出电流，其中输出电流低于 100 nA 定义为 “0”，高于 100 nA 定义为 “1”。

“与” 逻辑运算可实现硬件互联的数据通信，保障编码、传输和解码过程的安全性。在此背景下，光脉冲的 “开 / 关” 状态代表数字信息的第一位，V_gs 脉冲的 “开 / 关” 状态代表第二位。在数据通信概念验证实验中，信号单元 00、01、10 和 11 的输出电流分别为 2 nA（记为 A）、28 nA（记为 B）、53 nA（记为 C）和 140 nA（记为 D）。根据美国信息交换标准代码（ASCII），字符串 “Tianjin” 的每个字符均编码为四个输出电流的组合：BBBA、BCCB、BCAB、BCDC、BCCC、BCCB、BCDC。为避免信号单元之间的干扰，每次编码后需对闪存进行电擦除。最终，可根据硬件器件的光电特性对读取信号进行解码，如图 5d 所示。

图 6. 光电神经网络（ONN）的硬件仿真 a）三层光电神经网络（ONN）的示意图，该网络包含 784 个输入神经元、100 个隐藏神经元和 5 个输出神经元；b）硬件电路示意图，包括光电突触阵列与外围电路；c）识别率随光 - 电训练周期及电 - 电训练周期变化的关系曲线；d）经过 200 个光 - 电训练周期与电 - 电训练周期后，用于对比预期值与预测值的混淆矩阵。

为评估光电突触器件的学习能力，我们构建了基于三层感知器架构的光电神经网络（ONN）。该 ONN 由输入层（784 个神经元）、隐藏层（100 个神经元）和输出层（5 个神经元）组成，用于色觉测试图的感知、训练和识别，如图 6a 所示。对图像进行预处理并缩放至 28×28 像素，以匹配 784 个输入神经元。

图 6b 为模拟电路图，包括光电突触阵列和外围电路。权重更新模块基于输入信号向量与突触矩阵的内积进行操作，更新突触权重并向突触阵列提供反馈。为评估具有多级存储状态的 OEFGT 的潜力，采用 1000 张测试图像，分别通过电突触和光电突触进行模式识别。

测试结果如图 6c 所示。电突触采用电 LTP 和电 LTD 突触权重进行电 - 电训练，经过 200 个训练周期后，识别率达到 95.8%；光电突触采用光 LTP 和电 LTD 突触权重进行光 - 电训练，识别率更高，达到 98.8%。经过 200 个训练周期后，分类结果生成的混淆矩阵如图 6d 所示。该矩阵表明，ONN 在光 - 电模式下实现了更准确的图像分类，覆盖 “0” 到 “4” 的所有类别。显然，具有低功耗和多电导状态的光电突触为开发高效神经形态计算系统提供了理想方案。

High-Precision Multibit Opto-Electronic Synapses Based on ReS₂/h-BN/Graphene Heterostructure for Energy-Efficient and High-Accuracy Neuromorphic Computing

https://doi.org/10.1002/adfm.202509119