《Nature Communications》：Homogeneous integration of two-dimensional material-based optoelectronic neurons and ferroelectric synapses for neuromorphic vision
编辑推荐：
为解决动态视觉处理在边缘计算中的能效与速度瓶颈，研究人员开展了基于MoS2光电晶体管的LIF神经元与铁电突触均质集成研究。该研究成功实现了多光谱感知、无电容积分及阈值触发脉冲等生物神经元特性，集成SNN系统在颜色识别和物体检测任务中分别达到91.7%和93.5%的准确率，为新一代神经形态视觉芯片提供了可行方案。
随着人工智能和物联网技术的快速发展，边缘设备对实时视觉处理的需求日益增长。传统视觉系统通常将图像采集与处理分离，导致高延迟和能耗，难以满足自动驾驶、智能监控等场景的严格要求。神经形态视觉系统通过模拟生物视觉神经系统，有望实现高效动态视觉处理。然而，现有技术面临两大挑战：一是光电泄漏积分放电（LIF）神经元难以完整模拟生物神经元的多光谱感知、脉冲触发等行为；二是神经元与突触器件集成困难，制约了系统的一体化与性能提升。
为突破这些瓶颈，研究人员在《Nature Communications》发表论文，报道了基于二维材料MoS2的光电LIF神经元与铁电突触的均质集成研究。该研究通过创新器件设计与工艺，成功将光学传感、脉冲编码和权重存储功能集成于单一基底，为高性能神经形态视觉系统提供了新思路。
研究团队主要采用以下关键技术方法：利用MoS2光电晶体管构建光电LIF神经元，实现光信号到电脉冲的转换；通过铁电栅介质调控突触权重，实现非易失性存储；采用均质集成工艺在单一芯片上协同制备神经元与突触阵列。
光电LIF神经元的特性
通过优化MoS2光电晶体管的能带结构与界面特性，研究人员成功模拟了生物神经元的关键行为。实验表明，该器件可实现多光谱感知（覆盖可见光至近红外波段）、无电容积分（通过光生载流子直接累积）及阈值触发脉冲发射。此外，神经元支持互补速率编码与首脉冲时间编码，增强了视觉信息处理的灵活性。
均质集成与SNN系统性能
通过同步加工工艺，研究人员将MoS2光电神经元与铁电突触集成于同一基底，实现了易失性光学编码与非易失性权重存储的统一。集成后的SNN系统在视觉任务测试中表现优异：颜色识别准确率达91.7%，物体检测准确率达93.5%，显著优于传统分离式架构。系统还展现出低功耗特性，单次脉冲能耗仅为纳焦耳量级。
结论与展望
本研究通过二维材料与铁电器件的协同创新，实现了光电神经元与突触的高效集成，解决了神经形态视觉系统在能效、速度和集成度方面的核心难题。该技术为开发可扩展、高性能的边缘视觉处理芯片奠定了基础，未来有望应用于智能机器人、医疗影像分析等领域。同时，研究揭示的均质集成策略为其他神经形态器件开发提供了重要参考。
