Small Structures：光电神经突触器件-结构设计，工作机制和应用

随着物联网、人工智能和大数据等领域的不断发展，对复杂信息的处理和存储提出了新的挑战。在传统的冯·诺依曼计算机中，数据在处理器和存储器之间不断传输，这需要消耗大量能量，并限制了计算机的运行速度。模拟人脑处理信息的方式，开发神经形态计算，是突破冯·诺依曼瓶颈，实现高效运算的潜在途径。相比于电学信号，光学信号具有低串扰，高带宽，高传输速度等优势，并且光电神经突触器件可以感知外界光线的变化，模拟人类视觉功能。构筑新型光电神经突触器件将有力促进高效能神经形态计算的发展。

中国科学院北京纳米能源与系统研究所潘曹峰团队综述了近期光电神经突触器件的发展现状，梳理归纳了此类器件结构设计，工作机制以及在人工视觉系统领域的应用。光电神经突触器件从电学突触器件发展而来，利用光电半导体材料作为有源层，依赖对光生载流子的输运和复合过程的调制实现突触特性。从器件结构角度可以分为两端器件，三端器件以及与电学神经突触器件集成的系统。目前，主要依靠三种机制实现其突触特性，包括依赖缺陷态或异质结实现对光生载流子捕获和释放过程的调控，光诱导的价态转变机制以及氧化物半导体中的持续光电导效应。光电神经突触器件集成了信号传感和运算功能，通过构建突触网络可以实现对人类视觉的模拟。利用器件的短程和长程可塑性已经实现图像的识别和存储。更重要的是，光电神经突触器件集成有图像预处理功能，可以精简冗余数据并降低系统功耗，实现图像实时识别以及动态特征捕捉，这对无人驾驶、工业制造等领域具有重要的意义。此外，作者还对光电神经突触器件目前所面临的问题和挑战进行了简单评述，包括光电突触器件评价标准的建立，光抑制型突触器件的制备，以及复杂学习记忆功能的模拟等方面。

       光电神经突触器件为人工神经网络提供了重要的硬件基础。相信随着对材料科学、信息科学、神经科学等相关领域的深入研究，新型光电神经突触器件的发展将为实现高效能神经形态计算带来新的契机。相关论文在线发表在Small Structures (DOI:10.1002/sstr.202000029)上。