面向嗅觉SNN与储备池混合神经形态计算的可重构传感内忆阻器

《Research》：Reconfigurable In-Sensor Computing Memristor for Olfactory SNN and Reservoir Hybrid Neuromorphic Computing

本研究针对传统气体传感系统因冯·诺依曼架构物理分离导致的能效瓶颈，开展了基于MXene@SnS2@PANI异质结的可重构神经形态忆阻器及传感内计算嗅觉系统研究。该器件通过能带调控实现了对电/气刺激的可重构响应，在电脉冲下展示整合发放神经元特性用于SNN气流识别，在气体暴露下实现突触可塑性用于RC浓度识别，成功构建了具备实时有害气体监测与自动通风控制功能的智能嗅觉系统，为新一代神经形态智能传感奠定了基础。

　　

在物联网和人工智能技术飞速发展的今天，传统气体传感系统正面临严峻挑战。由于采用传感器、模数转换器、存储器和处理单元物理分离的冯·诺依曼架构，这些系统存在时间延迟大、能耗高等固有缺陷。特别是在需要低功耗、低延迟应用的场景中，如实时环境监测、工业安全预警等领域，传统架构已难以满足日益增长的需求。

相比之下，生物嗅觉系统展现出惊人的高效性：当气味分子进入鼻腔，嗅觉细胞能瞬间将其转化为电信号，通过突触传递至大脑皮层进行识别，整个过程功耗极低且响应迅捷。受此启发，开发集感知、存储与处理功能于一体的传感内计算神经形态硬件，成为解决当前技术瓶颈的重要方向。

近日发表在《Research》的研究论文"Reconfigurable In-Sensor Computing Memristor for Olfactory SNN and Reservoir Hybrid Neuromorphic Computing"报道了一项突破性进展。研究人员成功研制出基于MXene@SnS₂@PANI异质结的可重构神经形态忆阻器，构建了能够同时处理气体浓度和气流信息的智能嗅觉系统。该系统的独特之处在于，单个器件即可通过能带重构实现突触可塑性和神经元动力学的切换，显著降低了电路复杂性。

研究团队采用了几项关键技术方法：通过水热法合成MXene@SnS₂纳米花球，利用旋涂技术制备MXene@SnS₂@PANI复合薄膜传感器；采用X射线衍射(XRD)、扫描电子显微镜(SEM)、X射线光电子能谱(XPS)等表征材料结构与成分；通过电脉冲和气体脉冲刺激测试器件的神经形态特性；分别构建脉冲神经网络(SNN)和储备池计算(RC)算法模型进行气流模式和气体浓度识别。

Results and Discussion

材料表征与器件构建

研究团队成功制备了MXene@SnS₂@PANI复合材料的神经形态嗅觉器件。XRD分析显示MXene在2θ=6.41°处出现特征峰，对应(002)晶面；MXene@SnS₂@PANI在31.41°和39.33°处的衍射峰与SnS₂的(101)和(102)晶面吻合。SEM图像显示MXene@SnS₂@PANI形成了尺寸约1.8μm的纳米花球结构，通过旋涂技术在叉指电极表面形成了1μm的MXene@SnS₂薄膜和50nm的PANI薄膜。XPS和EDS结果证实了异质结的成功形成，AFM图像显示制备的半导体层具有较大表面积，能有效吸附气体分子。

气体敏感突触行为机制

通过能带结构设计，研究人员阐明了器件的神经形态气体传感机制。当n型MXene@SnS₂与p型PANI结合时，界面处形成耗尽层。暴露于NH₃（电子给体气体）时，PANI表面吸附NH₃分子并接受电子，n型MXene@SnS₂向PANI转移空穴，形成更厚的势垒层，拓宽耗尽层。气体移除后，吸附的NH₃分子脱附，电子在脱附过程中释放。

该器件对100ppm NH₃的响应时间和恢复时间分别为0.9s和15.7s，功耗为475.76μJ。在脉冲间隔(Δt)和脉冲宽度均为1s的条件下，器件表现出明显的配对脉冲易化(PPF)行为，PPF值高达123%。随着NH₃浓度从1ppm增加到100ppm，兴奋性突触后电流(EPSC)的峰值电流和稳态电流均呈现增加趋势，实现了从短期可塑性(STP)到长期可塑性(LTP)的转变。通过调节NH₃脉冲次数，器件在50次气体刺激后表现出576.57μA的EPSC峰值和344.49μA的保持电流，有效模拟了生物突触的权重调制过程。

电脉冲诱导神经元特性

在电脉冲刺激下，器件的能量带结构发生重构：电子从n型MXene@SnS₂表面向PANI表面迁移，空穴从p型PANI表面向MXene@SnS₂表面迁移，使耗尽层从NH₃诱导的宽状态恢复为原始窄状态。电流-电压(I-V)特性测试显示典型的忆阻器钳位滞后回线，证实了器件的忆阻特性。在-10V电压下，连续电脉冲能够整合直至超过预设阈值(I=2mA)，触发类神经元发放响应，展示出整合-发放的神经元动力学特性。

研究人员构建了三层前馈LIF（漏积分发放）SNN模型，输入维度N_in=100，包含100-128-4个神经元，用于六类气流模式识别（无泄漏加五个流量等级）。通过短时傅里叶变换将气流响应转换为二维时频谱特征图，SNN识别准确率达到93.98%，损失率为0.157%。

储备池计算的气体浓度识别

研究团队创新性地采用RC系统进行NH₃浓度检测。通过将气体脉冲和非脉冲分别表示为"1"和"0"的二进制状态，生成16种不同的编码组合和稳态电流值。对不同浓度NH₃(1-100ppm)的脉冲响应进行训练，利用器件响应的时间动态特性作为RC的丰富输入信号，实现了91.56%的气体浓度识别准确率。五折交叉验证结果表明，系统能够有效区分NH₃浓度。

为验证系统的通用计算能力，研究人员还将RC应用于手写字母识别任务。通过将二值像素序列映射为气体脉冲时序，系统对26个字母的识别准确率达到90.38%，展示了处理复杂时空信息的能力。

智能嗅觉系统应用验证

研究团队构建了包含微阵列、传感模块、排气扇、蓝牙数据传输模块的仿生硬件系统。该系统通过蓝牙将实时数据传送至手机，实现远程环境监测。当检测到NH₃浓度异常时，系统能自动触发报警并启动排气扇。通过协调RC和SNN双路径输出，实现了智能化的气体检测与响应机制。

Conclusion

本研究成功演示了基于多种神经形态计算原理的可重构人工嗅觉系统。MXene@SnS₂@PANI可重构神经形态忆阻器通过能带设计，实现了气体分子捕获和电子相互作用逃逸，促进了典型的突触行为。忆阻器电路架构允许同一器件执行突触和神经元计算，在气体模式和电模式之间切换，显著降低了电路复杂性。NH₃刺激和电刺激的协同效应实现了突触可重构特性，在提高识别和计算效率的同时降低了系统复杂度。该系统集成了SNN和RC等多种神经形态计算范式，能够识别气流和监测实时NH₃浓度，体现了神经元的整合和发放特性。基于这些可重构器件构建的神经形态硬件预警系统，能够实时监测有害气体浓度并实现远程自动控制和通风，为未来神经形态智能传感系统的发展奠定了坚实基础。