人工智能的快速发展和生成数据量的增加提高了对计算能力的需求。然而，由于频繁的数据传输和高能耗，传统的冯·诺伊曼架构遇到了性能瓶颈。一个有前景的解决方案是将感知、存储和处理等功能集成到一个设备中，称为神经形态设备。目前，大多数神经形态设备依赖于全电子或电光混合控制，这限制了它们的速度和能量效率。相比之下，全光控制的神经形态器件提供了更快的数据传输、更低的能耗和更好的可扩展性。本文分析了全光学控制神经形态装置的最新进展，特别关注材料的探索。它还详细分析了支撑全光学控制神经形态计算的物理机制，为这些设备的基本操作提供了见解。与之前主要关注神经形态设备的一般特征的综述不同，这项工作考察了材料和所有光学控制机制在提高效率和可扩展性方面的贡献。此外，还讨论了全光学控制神经形态设备在光学逻辑门、视觉感知和脑启发计算中的不同应用，说明了它们影响计算范式的潜力。
相关综述论文以“Advancing Intelligent Neuromorphic Computing: Recent Progress in All-Optical-Controlled Artificial Synaptic Devices”为题发表在国际著名期刊ACS Nano上，联盟成员单位中科院苏州纳米所Lixing Kang、Qinan Wang和西交利物浦大学Chun Zhao为论文共同通讯作者。
人工智能的快速发展使得信息处理的效率变得越来越重要。传统计算架构在处理大型数据集和复杂任务时经常面临数据传输延迟和高能耗等问题，主要是由于冯·诺伊曼瓶颈的限制。相比之下，生物神经系统，特别是人类视觉系统，在处理信息方面表现出显著的效率。人眼可以快速检测光的变化，将光信号转换为神经电信号，通过复杂的神经网络进行处理，以进行并行处理和快速决策。这一过程不仅高效，而且节能，为设计新的计算技术提供了一个理想的模型。因此，模仿生物神经系统的计算模型，特别是在视觉信息处理中，已成为提高人工智能性能的关键研究方向。利用光信号进行信息处理有助于克服传统电子设备的速度和能耗限制，为创建高效、低功耗的计算系统提供了新的可能性。
近年来，已经提出了几种新的设备来复制生物神经系统的信息处理和感知功能。神经形态设备尤其在高速信息处理、低功耗计算和高带宽数据传输方面具有关键优势。这些设备已经超越了基本的感知和预处理任务，包括更复杂的应用，如神经形态计算、视觉信息处理、图像分类、目标识别和模式匹配。尽管已经取得了重大进展，但在动态和复杂环境中管理多任务感知仍然存在挑战，特别是在对象检测、跟踪和分割等高级视觉任务中。这些设备通常依赖于特定任务的光学控制模型和训练方法，这限制了它们执行多任务处理和适应不同应用的能力。因此，对能够处理多任务视觉处理并模拟人类视觉系统的全光学控制神经形态设备的需求日益增长，以克服更复杂的实时视觉计算的挑战。
全光学控制的神经形态设备作为神经形态计算的前沿领域，具有明显的优势。光信号具有高速、宽带和低串扰等特性。通过利用光学控制来调节神经形态设备的行为，可以克服传统电子设备在速度和能耗方面的局限性。通过光和材料的相互作用，所有光学控制的神经形态设备都可以直接感知、处理和存储光信号，同时模拟生物神经系统中神经元的动态响应和突触可塑性，为开发更智能、更高效的计算系统铺平了道路。
研究回顾了所有光学控制神经形态装置的发展历史。与纯电控突触相比，全光学控制神经形态装置的发展相对较晚，2017年左右只有少数论文开始报道它们。从那时起，该领域逐渐从最初的单晶体管形式发展到阵列集成。随着技术的进步，最近的结果使晶圆级阵列制造成为可能，这标志着一个重要的里程碑。与此同时，这些设备的功能已经从简单地模拟生物突触发展到实现神经网络计算和复杂动态场景的实时观测。
本文重点介绍了全光学控制神经形态装置的最新进展。我们首先概述了开发过程，然后详细讨论了关键性能参数、通道材料和物理机制。然后，我们探讨了这些设备应用的最新进展，特别是在光学逻辑门、视觉感知和神经形态计算方面。最后，本文探讨了这些设备开发中当前面临的挑战和未来前景。
内容来源：感存算一体电子
