人類視覺系統在不同亮度條件下具有出色的適應能力，這激發了光電神經形態器件的創新發展。近年來，研究工作聚焦于模仿人類視覺系統的功能，致力于開發具有波長選擇性和深度感知的光電器件，使其能夠以節能方式探測和處理光信號，并具備超越基本計算和存儲功能的智能信號處理能力。此外，視覺適應確保人類能夠在不同的亮度和黑暗水平下工作和生活。然而，如果要模擬這種自適應能力，光電神經形態器件必須實現雙向光響應，這通常需要高工作電壓或高光強度。
據麥姆斯咨詢報道，近日，由香港理工大學、北京航空航天大學、浙江大學、中國科學院北京納米能源與系統研究所與嘉善復旦研究院組成的聯合研究團隊提出了一種基于雙向ZnO/CsPbBr?（bidir-ZC）異質結構的神經形態圖像傳感器陣列（10 × 10像素），專為超弱光探測而設計。該器件通過ZnO通道內氧空位的電離和去電離作用，實現了正向和負向的光電導特性，并可擴展至其它ZnO/鈣鈦礦和IGZO/鈣鈦礦的異質結構中。在2.0 V的低偏壓下，該陣列可在綠光（525 nm）和紫外光（365 nm）下（光強范圍從45 nW/cm2至15.69 mW/cm2）實現突觸權重更新，從而模擬了基本突觸功能和視覺適應能力。此外，該陣列能夠完成如背景去噪和時空運動編碼等多項圖像預處理任務，模式識別的準確率達到92%，運動聚類的準確率達到100%。這種簡便的設計策略凸顯了智能視覺系統在低電壓和黑暗條件下實現實時處理圖像的潛力。這項研究成果以“Ultraweak light-modulated heterostructure with bidirectional photoresponse for static and dynamic image perception”為題發表在Nature Communications期刊上。香港理工大學郝建華教授、北京航空航天大學潘曹峰教授、浙江大學陳夢曉研究員為該論文通訊作者。
雙端光電突觸（optoelectronic synapses，OS）憑借其簡單的結構和靈活集成大規模陣列的能力，為模擬人類視覺系統的功能提供了一種硬件平臺。研究人員通過集成10 × 10雙端bidir-ZC光電突觸，成功制備了一種神經形態圖像傳感器陣列。圖1a和圖1b展示了人類視覺系統與bidir-ZC器件陣列的視覺感知的工作流程。
圖1 bidir-ZC神經形態圖像傳感器陣列的設計和結構
為了系統地研究bidir-ZC神經形態圖像傳感器陣列的雙向光響應機制，研究人員首先對依賴于光強的突觸后電流（PSC）開關行為進行了表征，然后對該器件施加脈沖光刺激，驗證了模擬生物突觸的基本突觸功能，相關結果如圖2所示。
圖2 bidir-ZC神經形態圖像傳感器陣列的光電導和突觸行為
通過分析ZnO/CsPbBr?異質結構內載流子的傳輸過程，研究人員深入探討了該器件雙向光響應的工作機制，總結為正光電導（Pos-PC）效應和負光電導（Neg-PC）效應，相關研究結果如圖3所示。為了比較，研究人員使用厚聚苯乙烯（PS）薄膜形成另一個ZnO/PS/CsPbBr?異質結構，其中ZnO薄膜作為導電通道，但PS層阻止了界面處電荷載流子傳輸。對于ZnO通道，隨著綠光刺激強度的增加，大部分電離氧空位得以恢復，多余的電子被收集，從而產生Pos-PC效應。而CsPbBr?薄膜對超弱光刺激的靈敏度高于ZnO，因此電離氧空位的恢復過程占主導地位，從而產生Neg-PC效應。
圖3 Neg-PC和Pos-PC行為的機制
利用雙向光響應調節突觸權重，bidir-ZC神經形態圖像傳感器陣列能夠模擬人類視覺感知系統的圖像記錄和視覺自適應行為。圖4a為圖像記錄的實驗設置的示意圖。
圖4 bidir-ZC神經形態圖像傳感器陣列的成像和視覺自適應
bidir-ZC器件隨光強變化的Neg-PC效應和Pos-PC效應非常適合于傳感器內圖像預處理應用，能夠避免傳感和處理單元之間的冗余數據傳輸。利用從Neg-PC到Pos-PC的轉化特性，該器件能夠實現圖像去噪功能（如圖5a）。經過40輪訓練，該陣列預處理的圖像精度達到92%，與無噪聲的理想二值圖像精度相當，且遠高于含噪聲輸入圖像的精度（如圖5e）。
圖5 基于Pos-PC效應和Neg-PC效應的圖像去噪和運動目標感知
綜上所述，這項研究基于氧化物半導體與鈣鈦礦異質結構，開發了一種實現具有超弱光調制雙向光響應的陣列器件的簡單方法。基于ZnO/CsPbBr?異質結構的器件陣列在紫外光和綠光刺激下均表現出光誘導的Neg-PC增強、Neg-PC抑制以及Neg-PC向Pos-PC的轉化。在這種簡單的雙末端器件結構中，僅需45 nW/cm2的超弱光強和2.0 V的偏置電壓即可觸發Neg-PC效應。通過結合Neg-PC與Pos-PC特性，該器件在1.42 μW/cm2至1.31 mW/cm2的光強范圍內實現了視覺自適應。此外，在陣列器件終端進行了多種圖像處理任務，包括靜態圖像去噪以及動態圖像實時去噪的運動感知。這項研究采用一種簡單的無監督學習方法，結合了降維和基于密度的聚類算法，成功實現了高精度的運動聚類和異常運動檢測。
論文鏈接：
https://doi.org/10.1038/s41467-024-54845-3
