《Nano-Micro Letters》：Synaptic Plasticity Engineering for Neural Precision, Temporal Learning, and Scalable Neuromorphic Systems
编辑推荐：
本综述系统阐述了突触可塑性工程在实现高精度神经形态计算中的前沿进展。文章重点探讨了如何通过材料与器件创新，实现多态权重调制、动态时序塑性、波长选择性响应、兴奋/抑制协同及自适应阈值调控等关键塑性行为，以支撑卷积神经网络（CNN）、储备池计算（RC）和脉冲神经网络（SNN）等模型的稳定学习与情境感知。同时，综述强调了通过多功能单器件集成、多模态融合及异构系统组装等策略，构建紧凑、高能效神经形态架构的最新路径，为下一代边缘智能硬件的发展指明了方向。
引言
受脑启发智能的快速演进和泛在智能终端普及的驱动，神经形态器件与网络日益被视为支撑下一代人工智能（AI）系统的关键硬件基础。神经形态工程处于神经科学、材料科学、电子学与人工智能的交叉点，旨在模拟生物神经系统中固有的多尺度信息处理与自适应学习能力。通过克服传统冯·诺依曼架构的高能耗、存算分离及数据传输瓶颈等根本局限，神经形态硬件有望在统一的物理基底中集成感知、存储与计算，为在资源受限的边缘及极端环境场景中构建高能效、自适应的AI系统解锁新的可能性。
突触工程与模拟权重状态
实现高保真、多态且稳定的突触可塑性是权重驱动神经网络（如CNN和多层感知机MLP）的基石。关键在于实现具有线性且对称的长时程增强（LTP）和长时程抑制（LTD）的模拟电导调控，以支持精确的参数更新。研究进展集中在扩展突触权重的分辨率与线性度，并确保其长期稳定性与抗漂移能力。例如，基于二维紫磷（VP）-二硫化钼（MoS2）异质结的突触器件，利用VP的宽禁带和强光-物质相互作用，实现了超过60 dB的动态范围和128个（7比特）清晰分离的电导状态，展现了高度可重复且线性的LTP/LTD调制。在稳定性方面，基于Bi2V0.9Cu0.1O5.35（BICUVOX）电解质和La0.5Sr0.5FeO3-δ（LSF50）通道的固态氧离子突触晶体管，通过确定性的氧离子迁移机制，在亚1V电压下实现了超过5000次编程循环的稳定多态权重调制，并将其应用于MNIST手写数字识别任务中，准确率高达96%，接近理想软件基准。
时序可塑性工程
面向需要处理复杂时序信号的真实环境，动态突触可塑性对于储备池计算（RC）和脉冲神经网络（SNN）至关重要。这类网络要求器件能够模拟支持时域信息处理的瞬态突触行为，如短时程记忆（STM）、配对脉冲易化（PPF）和 spike-timing-dependent plasticity（STDP）。例如，由ZnO量子点（QDs）/CdSe QDs/ZnO QDs异质结构成的全量子点光电子忆阻器（FQDOM），作为一个物理储备池，能够在脉冲编码的字母分类任务中实现100%的识别准确率。其非线性动态和衰减记忆特性将时序输入映射到高维状态空间，便于简单的线性读出层高效提取时空关联。在SNN硬件实现方面，集成了WSe2碰撞电离FET（I2FET）神经元和α-In2Se3/h-BN/CuInP2S6（CIPS）铁电FET（FeFET）突触的全二维材料SNN平台，在无监督人脸分类任务中仅经过20个训练周期就达到了87.5%的准确率。该平台的I2FET神经元利用WSe2通道内的高场区实现亚微秒级的雪崩脉冲发放，能耗低至约2 pJ/脉冲，较传统硅神经元电路降低了20至5000倍。
情境感知的感觉门控
实现稳健、智能的感觉感知，需要突触器件具备选择性提取显著特征、抑制干扰并灵活适应复杂动态环境的能力。波长选择性感知与编码是高级特征提取的基础。例如，基于苝-TCNQ分子共晶纳米线（MCN）的突触传感器阵列，通过高度有序的给体-受体电荷转移，实现了从紫外到近红外的宽带光响应。该阵列与CNN结合，能够对受红绿高斯噪声污染的MNIST图像进行去噪，将识别准确率从仅12%提升至90%。在兴奋/抑制协同方面，ZnO/Chl-A/Chl-D异质结光电子忆触器通过光谱选择性的光致电离与去电离，实现了完全光驱动的增强与抑制，模拟了视网膜双极细胞的拮抗行为。该器件阵列能够实现图像对比度增强、动态降噪以及类似Canny算子的硬件边缘提取。自适应阈值调制则赋予神经网络根据环境变化和历史活动调整学习敏感性和响应阈值的能力。例如，双自适应异质结突触晶体管将光自适应阈值滑动与电压历史依赖的元可塑性集成于单一有机p-n异质结中，其元可塑性将网络收敛速度加快了五倍，并在超低对比度（低至0.4%）和高噪声条件下将CNN识别准确率从91.2%提升至93.8%。
资源高效集成策略
构建真正自适应且高效的神经形态系统，需要实现多种感觉和计算功能的融合、压缩与模块化集成。器件级多模态融合将光、机械、化学等异质刺激在同一突触通路中共同编码。例如，人工嗅觉系统（AOS）整合了人类嗅觉受体纳米盘（hOR NDs）和氧化钼（MoO3）功能化的有机突触器件（MOSD），通过可编程的锂离子（Li+）/双（三氟甲磺酰基）酰亚胺（TFSI-）氧化还原插层，实现了对短链脂肪酸（SCFAs）的高特异性识别及混合物判别，准确率可达100%。单器件功能集成则将传感、存储和初级计算压缩于单一物理元件内。例如，基于MoS2/hBN/石墨烯的可重构神经形态单元，通过选择性偏置和多端配置，可在同一紧凑二维异质结构中实现突触、神经元和树突状行为的功能切换。多器件模块化集成则将传感器、突触、神经元和致动器等功能不同的块进行协同设计。例如，基于CuInP2S6（CIPS）/GaN铁电高电子迁移率晶体管（FeHEMT）的人工神经肌肉接头（NMJ）模块，将突触可塑性、高功率驱动、环境感知和硬件学习整合在一个闭环内，实现了对移动机器人轨迹的精确跟踪，响应延迟通过突触增强从297微秒减半至152微秒。
可扩展阵列的突触工程
将突触器件扩展到类脑阵列规模面临器件间差异、周期间随机性、更新非线性和阵列物理效应（如潜行电流）等挑战。高均匀性阵列是实现可靠系统性能的关键。例如，通过一次性可集成电聚合（OSIEP）方法制备的聚（3,4-乙烯二氧噻吩）（PEDOT）:BF4突触晶体管阵列，展现了优异的均匀性，使得从实验中提取的LTD/LTP曲线可作为整个网络的单一查找表，无需逐单元拟合，在MNIST数字识别任务中实现了95.2%的准确率。可重构原位传感阵列则允许在操作期间对像素的响应增益、极性或持久性进行重新编程。例如，有机p-n异质结构阵列（520 devices/cm2）具有栅极可调的正/负近红外光电导，支持像素级滤波和原位分类，在近红外照明下准确率高达约97%。这种可重构性作为一种可塑性工程策略，通过编程权重的符号、增益和持久性来提升神经精度，并通过调整挥发性来提供任务匹配的时序窗口。多模态感知阵列旨在实现实时、高维感知和鲁棒的跨模态学习。例如，仿生嗅觉神经元阵列集成了OFET传感器阵列、原位储备池计算和K近邻（KNN）分类器，对26种气体分析物实现了99.04%的识别准确率，并成功部署于移动机器人进行地下水污染物检测。异构集成阵列将数字逻辑和模拟多级单元（MSC）阵列单片集成，用于模拟向量-矩阵乘法（VMM）。例如，晶圆级二维MoS2-HfOxFeFET混合存内计算（CIM）系统，在动态目标跟踪（DOT）任务中实现了99.8%的识别准确率，能效比传统CPU（Intel i9）和GPU（NVIDIA Tesla V100）提升两个数量级以上。
结论与展望
本综述系统梳理了基于功能分化的突触可塑性工程研究进展。尽管取得了显著成就，但当前调制策略在灵活性、多样性和大规模协调性方面仍存在局限。未来研究应聚焦于：探索新型突触可塑性机制（如多阈值动态、活动依赖性元可塑性），以丰富行为库；发展多模态协同可塑性调制技术，实现感知、记忆与计算的深度融合；以及针对大规模神经形态阵列，提升可塑性调制的均匀性、可重构性及变化感知校准能力。这些努力将共同推动可部署、高效率的神经形态智能走向现实。优先的应用试验场，如可穿戴健康监测、低光/夜视感知和极端环境传感，可作为近期验证这些突触策略能否转化为可部署系统的关键平台。
