大家好，今天为大家分享一篇2026年1月23日发表在Small的文献，题目为"Low-Power Dual-Functional Neuromorphic Optoelectronic Device Based on Bi4.15Nd0.85Ti3FeO15/ZnO Heterojunction"。本文的第一作者是Kai Cao，本文的通讯作者是Fengzhen Huang和Xiaomei Lu。
摘要
构建集传感、记忆和计算于一体的多功能神经形态光电器件，是克服传统冯·诺依曼架构计算瓶颈、提升人工视觉系统性能的重要途径。本研究通过溶胶-凝胶法设计并制备了一种Bi₄.₁₅Nd₀.₈₅Ti₃FeO₁₅(BNTF)/ZnO铁电-半导体异质结器件，在单个两端器件中实现了自供电光电探测和低功耗光学突触的集成。在零偏压下，该器件表现出极化可调的光响应性（R_up/R_down = 4.1）和高速响应特性，并因此具备了优异的成像能力和光电耦合逻辑运算功能。在低偏压（≤0.5V）下，该器件可作为人工光学突触，实现多种类型的突触可塑性。值得注意的是，利用光学突触的自去噪功能，数字图像的识别准确率从87.5%提升至96.8%。基于BNTF/ZnO突触阵列的存内传感储备池计算系统在运动目标识别任务中取得了97.3%的高准确率。此外，该器件还具有4.6 fJ的超低功耗，与生物突触相当甚至更低。这项研究揭示了铁电-半导体异质结器件在构建低功耗、集成化成像-记忆-计算视觉系统方面的独特优势和应用前景。
图文解读
图1 (a) 双功能BNTF/ZnO器件示意图。(b) BNTF/ZnO薄膜的XRD图谱。(c) BNTF薄膜的室温铁电滞回线。
图1a展示了本研究设计的BNTF/ZnO异质结器件结构，该器件旨在通过施加偏压来切换其功能模式。研究人员首先对材料的物相和性能进行了表征。图1b的X射线衍射（XRD）图谱证实，BNTF和ZnO薄膜均成功制备且结晶良好，形成了高质量的异质结。图1c展示了BNTF薄膜典型的铁电滞回线，其具有约18 μC/cm²的较大剩余极化强度（Pr），表明其具备稳定、非易失的铁电极化特性，这为调控器件的光电响应提供了基础。
图2 (a) BNTF和 (b) BNTF/ZnO器件在不同极化状态下的I-t曲线。(c) BNTF/ZnO器件在不同光强和极化状态下的响应度。(d) 不同极化状态下和 (e) 不同光强下的I-V曲线。(f) 不同预极化电压下BNTF/ZnO器件的光电流调控。(e)中的插图是对数坐标下的I-V曲线。
在零偏压下，器件展现出优异的自供电光电探测性能。如图2a和2b所示，与单一的BNTF薄膜相比，BNTF/ZnO异质结的光电流得到了显著增强。更重要的是，光电流的大小可以通过预先施加的极化电压进行调控。在向上极化（Pr-up）状态下，器件表现出比向下极化（Pr-down）状态更高的光电流和响应度（图2c），两种状态下的响应度之比（R_up/R_down）最高可达4.1。图2d和2e的I-V曲线表明，器件的开路电压（Voc）和短路电流（Isc）均受到极化状态和光照强度的显著影响。通过逐步改变极化电压，可以实现对光电流的多级非易失性调控（图2f），展示了其在多值逻辑存储方面的潜力。
图3 (a) 单像素扫描成像系统示意图。(b) 通过BNTF/ZnO器件获得的'NJU'图案。(c) 逻辑门的真值表。(d)-(f) 基于BNTF/ZnO器件的'与'、'或'和'异或'光电耦合逻辑门。
该器件优异的自供电光电探测性能使其能够用于成像和光电逻辑运算。研究人员构建了单像素扫描成像系统（图3a），利用器件对激光扫描“NJU”镂空掩模时的光信号进行实时采集，成功重构出高对比度、高保真度的图像（图3b）。此外，利用光强和铁电极化方向作为两个输入信号，通过设定不同的光电流阈值，可以实现“与”（AND）、“或”（OR）以及“异或”（XOR）等多种光电耦合逻辑门功能（图3d-f），展示了其在信息处理方面的多功能性。
图4 (a) 人类视觉系统和神经突触示意图。(b) 器件在不同偏压下的I-t曲线。(c) 在+0.4V偏压下的兴奋性突触后电流(EPSC)行为。(d) 脉冲间隔Δt=10s时的双脉冲易化(PPF)行为。(e) PPF指数与脉冲间隔Δt的关系。(f-i) 器件在不同光脉冲刺激下的EPSC响应。(j) 学习-遗忘-再学习过程。(k) 本器件与其他光学突触器件的能耗对比。
当施加一个小的直流偏压（如+0.4V）时，器件的功能转变为光学突触。如图4b所示，此时器件的光电流在光照结束后不会立即消失，而是表现出持续光电导（PPC）效应，模拟了生物突触中的兴奋性突触后电流（EPSC）（图4c）。器件还成功模拟了多种关键的突触可塑性行为，包括双脉冲易化（PPF，图4d, e），以及在不同强度、宽度、数量和频率的光脉冲刺激下，从短期记忆（STM）向长期记忆（LTM）的转变（图4f-i）。图4j展示了器件模拟生物的学习-遗忘-再学习过程，再学习所需的脉冲次数远少于初次学习，表明其具备记忆能力。尤为突出的是，该器件在模拟突触行为时的单次事件能耗低至4.6 fJ，低于生物突触的平均能耗（约10 fJ），在同类器件中处于领先水平（图4k）。
图5 (a) ZnO和BNTF薄膜的O 1s XPS谱。(b) ZnO和BNTF的能带结构图。(c-f) BNTF/ZnO器件在不同工作模式下的能带结构和载流子行为示意图。
研究人员深入探讨了器件双功能行为的物理机制。XPS分析（图5a）表明ZnO层中存在较高浓度的氧空位。基于UPS和吸收光谱数据绘制的能带结构图（图5b）显示，BNTF和ZnO之间形成了II型异质结。器件的双功能特性源于铁电极化、异质结内建电场和氧空位对光生载流子动力学过程的协同调控。
- • 零偏压（光电探测模式）： 载流子的分离由铁电退极化场（E_dp）和内建电场（E_bi）共同驱动。向上极化时，两个电场方向相同，驱动力增强，光电流较大（图5c）；向下极化时，两个电场方向相反，驱动力减弱，光电流较小（图5d）。
- • 正偏压（光学突触模式）： 施加偏压后，ZnO层中的氧空位被激活，成为光生电子的陷阱。光照时，光生电子被界面处的氧空位缺陷捕获，导致光电流缓慢上升（图5e）；光照结束后，被捕获的电子逐渐释放，形成持续光电导效应（EPSC）（图5f）。
图6 (a) 带有随机噪声的数字图像。(b) 数字'0'图像的归一化去噪过程。(c) 去噪后的数字图像。(d) 去噪前后图像的识别准确率对比。(e, f) 去噪前后的混淆矩阵。
利用器件的突触特性，研究团队展示了其在图像预处理中的硬件级自去噪功能。如图6a所示，研究人员首先在清晰的数字图像上添加随机噪声。当这些带噪图像以光信号形式输入到突触器件阵列时，代表关键信息的高强度像素会产生强而持久的EPSC，而代表噪声的低强度像素则产生微弱且衰减迅速的EPSC。经过一段时间的“遗忘”过程后，噪声信号被有效滤除，而关键图像信息得以保留（图6b, c）。将去噪前后的图像分别输入人工神经网络（ANN）进行识别，结果显示，去噪后图像的识别准确率从87.5%显著提升至96.8%（图6d-f），证明该器件能有效抑制噪声干扰，提高人工视觉系统的识别效率。
图7 (a-c) 器件对不同光脉冲序列的非线性响应。(d) 人类视觉系统的视觉暂留现象。(e) 用于运动目标识别的存内传感储备池计算系统。(f, g) 对应不同运动状态的电流矩阵。(h, i) 运动状态识别的准确率和混淆矩阵。
最后，研究团队构建了一个基于该光学突触阵列的存内传感储备池计算（RC）系统，用于动态视觉任务。器件的短期记忆和非线性光响应特性使其成为理想的“储备池”硬件。如图7a-c所示，器件能将不同的时域光脉冲序列非线性地映射到不同的电流状态。研究人员利用这一特性模拟视网膜对运动目标的感知过程（图7d, e）。一个9x9的突触阵列接收代表目标在8种不同状态（4个方向，2种速度）下运动轨迹的光脉冲序列，并将这些时空信息转换为不同的电流矩阵（图7f, g）。将这些电流矩阵输入ANN进行分类，最终实现了高达97.3%的运动目标识别准确率（图7h, i）。这表明该器件在处理复杂的时序视觉信号方面具有强大的能力。
创新点与展望
本文的创新点主要包括：
- 1. 双功能集成与简化设计： 在单个两端器件中成功集成了自供电光电探测和低功耗光学突触两种功能，通过小偏压即可切换，简化了器件结构和外围电路，相比传统三端器件更具集成优势。
- 2. 优异的双模性能： 器件在两种工作模式下均表现出卓越性能。光电探测模式下，实现了极化可调的高速响应（R_up/R_down = 4.1）；光学突触模式下，实现了丰富的仿生可塑性，且单次事件能耗低至4.6 fJ，优于生物突触水平。
- 3. 硬件级存内传感计算： 成功演示了基于该器件的多种人工视觉应用，包括图像自去噪功能，可将识别准确率从87.5%提升至96.8%；以及存内传感储备池计算系统，实现了对动态目标97.3%的高精度识别，展示了其在解决实际问题中的潜力。
- 4. 清晰的物理机制阐释： 深入揭示了铁电极化、异质结能带结构以及半导体层中氧空位在实现双功能切换过程中的协同作用机制，为未来设计类似多功能光电器件提供了理论指导。
未来研究方向与改进：
- 1. 大面积制备与均匀性： 未来的研究应着力于实现器件阵列的大面积、高均匀性制备，这是构建更复杂、更大规模神经形态视觉系统的基础。
- 2. 拓宽光谱响应范围： 目前器件主要在紫外-蓝光波段工作，可探索通过材料选择或结构设计将其响应范围拓展至可见光乃至红外波段，以适应更多元的应用场景，如全彩成像和夜视系统。
- 3. 实现更复杂的神经形态功能： 在现有基础上，可进一步探索实现更高级的脑启发功能，例如脉冲时间依赖可塑性（STDP）、多模态信息融合等，以构建功能更强大的人工神经网络硬件。
- 4. 器件稳定性与可靠性评估： 针对实际应用，需要系统地评估器件在不同环境（如温度、湿度）下的长期工作稳定性、抗疲劳性能和可靠性。
