《Advanced Intelligent Systems》：Neuromorphic Photonic Processing and Memory With Spiking Resonant Tunneling Diode Neurons and Neural Networks
编辑推荐：
这篇综述系统阐述了共振隧穿二极管（RTD）在光子神经形态计算中的创新应用。作者通过实验与仿真证明，光敏RTD神经元可实现多模态（光子-电子）高速边缘检测（>GHz），构建的脉冲神经网络（pSNN）在复杂数据集分类中准确率达96.5%，并首次提出可调谐光子脉冲记忆系统，为下一代低功耗、高带宽神经形态硬件提供了新范式。
引言：神经形态计算的光子革命
随着全球数据量指数级增长，传统计算架构面临能效瓶颈。神经形态计算模仿生物神经系统的高效处理机制，成为突破冯·诺依曼架构的关键路径。光子技术凭借超高带宽、低串扰和并行处理优势，为神经形态硬件注入新动能。其中，共振隧穿二极管（RTD）因其能模拟生物神经元脉冲发放、不应期等行为，且具备高速（THz级）、低功耗（～100 pJ/脉冲）和紧凑尺寸，成为光电子神经形态硬件的理想构建单元。
RTD脉冲神经元的工作原理
RTD的核心结构为双势垒量子阱（DBQW），通过共振隧穿效应产生具有负微分电阻（NDR）特性的非线性I-V曲线。当偏置电压位于NDR区域（0.6-0.72 V）时，RTD可被光或电脉冲触发兴奋性脉冲，其动力学由包含寄生电感（L=126 nH）、电容（C=0.002 pF）的集总电路模型描述。实验采用500 nm台面半径的光探测RTD，在1550 nm红外波段实现光触发脉冲，通过耦合半导体激光器将电脉冲转换为光脉冲输出，形成完整的光电I/O神经元。
单神经元神经形态处理：时间序列边缘检测
通过同时调制RTD的光输入（编码原始信号）和偏置电压（编码延迟信号），构建了事件型边缘检测系统。当信号在短时间内上升幅度超过阈值时，RTD发放脉冲标记边缘特征。在Mackey-Glass混沌时间序列检测中，实验系统以200 ns/步长成功识别16/20个上升沿（无假阳性），数值仿真更达到近乎完美检测率。该系统展现了RTD神经元对多模态信号的实时处理能力，适用于高速变化检测与警报触发场景。
无耦合RTD阵列：光子脉冲神经网络（pSNN）
将20个独立RTD神经元排列为隐藏层，构建基于极端学习机（ELM）的光子脉冲神经网络。输入特征通过随机权重矩阵线性混合后，以50 ps光脉冲同时激发RTD阵列，脉冲发放阈值等效于Heaviside阶跃激活函数。在Iris花卉数据集分类任务中，系统以1 GHz数据吞吐率运行，仅训练输出层权重即实现96.5%分类准确率。新型"节点显著性"算法进一步将权重简化为二进制，仅用6个关键节点仍保持93%准确率，显著降低硬件训练复杂度。
耦合RTD网络：可调谐神经形态光子记忆
通过光学反馈环路将10个异质偏置的RTD激光神经元全连接，构建具有衰减记忆特性的脉冲存储系统。当反馈衰减为0%时，初始脉冲被无限循环存储；增加衰减至20%后，高阈值神经元逐步退出脉冲再生，实现可控记忆深度（1-10周期）。这种可调谐记忆细胞为处理动态时间序列提供了新思路，克服了传统递归神经网络梯度消失问题。
实验方法与技术细节
实验采用12 GSa/s任意波形发生器同步调制RTD偏压和1550 nm激光器输出，通过透镜光纤将光信号注入RTD光敏窗口。实测脉冲宽度受电路寄生参数限制为～150 ns，但仿真表明优化设计后可缩短至～300 ps。光功率注入引起的I-V曲线偏移可通过光电流模型准确描述，不影响NDR特性。
结论与展望
RTD神经元在单设备边缘检测、阵列化分类网络和耦合记忆系统中均展现出卓越性能，其光电子融合特性、纳秒级响应和可扩展架构，为突破传统计算瓶颈提供了切实路径。未来与硅光子平台的集成有望催生新一代低功耗、高吞吐神经形态处理器。
（注：以上内容严格遵循原文实验数据、模型参数及结论，未添加非原文信息）
