AM|基于层状黑磷的全光学调控存储与神经形态计算

tutu 2020-11-19 14:38

近日，顶级期刊Advanced Materials在线刊发了来自澳大利亚皇家墨尔本理工大学研究人员的题为“Fully Light‐Controlled Memory and Neuromorphic Computation in Layered Black Phosphorus”的文章。在这项工作中， ...

文章链接：https://doi.org/10.1002/adma.202004207

图1. 多层黑磷器件与可重构存储

背景

人类的视觉本质上是一个以记忆为基础的过程，它是由大脑视觉皮层中的神经网络进化而来的。这种自然视觉感知和认知学习激发了人工视觉系统的发展，通过感知和处理实时视觉信息来实现自主控制。与视觉系统的生物结构一样，人工视觉系统也包括接收视觉信息的光传感器(光电探测器)、存储图像信息的记忆块和执行神经形态计算、图像处理和物体识别的处理器。在目前的人工视觉技术中，最先进的成像设备可以有效地检测图像。然而，这些系统会产生大量的冗余数据集。这需要大量的计算来提取有意义的信息和大量的数据存储，通常通过将数据上传到云端并应用机器学习算法进行处理来提供。此外，这些提高的要求导致了数据延迟和高功耗，这对它们适应下一代神经形态结构提出了严峻的挑战。因此，实现具有内建记忆和信号处理能力的单一成像单元，对于部署高效的类脑视觉系统是必不可少的。

摘要

视觉记忆是人类认知学习的核心属性之一。人工智能系统的基础是对电磁波谱可见和不可见部分的生物启发神经形态视觉组件。实现具有内建记忆和信号处理能力的单一成像单元，是部署高效的类脑视觉系统的必要条件。然而，缺乏一个可以完全由光控制而不需要应用交替极性电信号的平台阻碍了这一技术的进步。在此，我们提出了基于一个简单的可重构光电晶体管结构的完全光调制二维半导体的神经形态成像元件。这个独立的装置展示了神经形态图像预处理和识别的固有特性。利用二维黑磷(BP)中氧化相关缺陷引起的独特光响应，可以实现视觉记忆、波长选择多比特编程和消除功能，从而实现对像素级图像的预处理。此外，全光学驱动的神经形态计算通过机器学习实现了数字分类和图像识别，准确率超过90%。这些设备为神经机器人、人机交互技术和具有视觉数据存储/缓冲和处理的可伸缩仿生系统提供了一种很有前途的方法。

Imprinting vision as memory is a core attribute of human cognitive learning. Fundamental to artificial intelligence systems are bioinspired neuromorphic vision components for the visible and invisible segments of the electromagnetic spectrum. Realization of a single imaging unit with a combination of in‐built memory and signal processing capability is imperative to deploy efficient brain‐like vision systems. However, the lack of a platform that can be fully controlled by light without the need to apply alternating polarity electric signals has hampered this technological advance. Here, a neuromorphic imaging element based on a fully light‐modulated 2D semiconductor in a simple reconfigurable phototransistor structure is presented. This standalone device exhibits inherent characteristics that enable neuromorphic image pre‐processing and recognition. Fundamentally, the unique photoresponse induced by oxidation‐related defects in 2D black phosphorus (BP) is exploited to achieve visual memory, wavelength‐selective multibit programming, and erasing functions, which allow in‐pixel image pre‐processing. Furthermore, all‐optically driven neuromorphic computation is demonstrated by machine learning to classify numbers and recognize images with an accuracy of over 90%. The devices provide a promising approach toward neurorobotics, human–machine interaction technologies, and scalable bionic systems with visual data storage/buffering and processing.