人类视觉系统在不同亮度条件下具有出色的适应能力，这激发了光电神经形态器件的创新发展。近年来，研究工作聚焦于模仿人类视觉系统的功能，致力于开发具有波长选择性和深度感知的光电器件，使其能够以节能方式探测和处理光信号，并具备超越基本计算和存储功能的智能信号处理能力。此外，视觉适应确保人类能够在不同的亮度和黑暗水平下工作和生活。然而，如果要模拟这种自适应能力，光电神经形态器件必须实现双向光响应，这通常需要高工作电压或高光强度。
据麦姆斯咨询报道，近日，由香港理工大学、北京航空航天大学、浙江大学、中国科学院北京纳米能源与系统研究所与嘉善复旦研究院组成的联合研究团队提出了一种基于双向ZnO/CsPbBr₃（bidir-ZC）异质结构的神经形态图像传感器阵列（10 × 10像素），专为超弱光探测而设计。该器件通过ZnO通道内氧空位的电离和去电离作用，实现了正向和负向的光电导特性，并可扩展至其它ZnO/钙钛矿和IGZO/钙钛矿的异质结构中。在2.0 V的低偏压下，该阵列可在绿光（525 nm）和紫外光（365 nm）下（光强范围从45 nW/cm²至15.69 mW/cm²）实现突触权重更新，从而模拟了基本突触功能和视觉适应能力。此外，该阵列能够完成如背景去噪和时空运动编码等多项图像预处理任务，模式识别的准确率达到92%，运动聚类的准确率达到100%。这种简便的设计策略凸显了智能视觉系统在低电压和黑暗条件下实现实时处理图像的潜力。这项研究成果以“Ultraweak light-modulated heterostructure with bidirectional photoresponse for static and dynamic image perception”为题发表在Nature Communications期刊上。香港理工大学郝建华教授、北京航空航天大学潘曹峰教授、浙江大学陈梦晓研究员为该论文通讯作者。
双端光电突触（optoelectronic synapses，OS）凭借其简单的结构和灵活集成大规模阵列的能力，为模拟人类视觉系统的功能提供了一种硬件平台。研究人员通过集成10 × 10双端bidir-ZC光电突触，成功制备了一种神经形态图像传感器阵列。图1a和图1b展示了人类视觉系统与bidir-ZC器件阵列的视觉感知的工作流程。
图1 bidir-ZC神经形态图像传感器阵列的设计和结构
为了系统地研究bidir-ZC神经形态图像传感器阵列的双向光响应机制，研究人员首先对依赖于光强的突触后电流（PSC）开关行为进行了表征，然后对该器件施加脉冲光刺激，验证了模拟生物突触的基本突触功能，相关结果如图2所示。
图2 bidir-ZC神经形态图像传感器阵列的光电导和突触行为
通过分析ZnO/CsPbBr₃异质结构内载流子的传输过程，研究人员深入探讨了该器件双向光响应的工作机制，总结为正光电导（Pos-PC）效应和负光电导（Neg-PC）效应，相关研究结果如图3所示。为了比较，研究人员使用厚聚苯乙烯（PS）薄膜形成另一个ZnO/PS/CsPbBr₃异质结构，其中ZnO薄膜作为导电通道，但PS层阻止了界面处电荷载流子传输。对于ZnO通道，随着绿光刺激强度的增加，大部分电离氧空位得以恢复，多余的电子被收集，从而产生Pos-PC效应。而CsPbBr₃薄膜对超弱光刺激的灵敏度高于ZnO，因此电离氧空位的恢复过程占主导地位，从而产生Neg-PC效应。
图3 Neg-PC和Pos-PC行为的机制
利用双向光响应调节突触权重，bidir-ZC神经形态图像传感器阵列能够模拟人类视觉感知系统的图像记录和视觉自适应行为。图4a为图像记录的实验设置的示意图。
图4 bidir-ZC神经形态图像传感器阵列的成像和视觉自适应
bidir-ZC器件随光强变化的Neg-PC效应和Pos-PC效应非常适合于传感器内图像预处理应用，能够避免传感和处理单元之间的冗余数据传输。利用从Neg-PC到Pos-PC的转化特性，该器件能够实现图像去噪功能（如图5a）。经过40轮训练，该阵列预处理的图像精度达到92%，与无噪声的理想二值图像精度相当，且远高于含噪声输入图像的精度（如图5e）。
图5 基于Pos-PC效应和Neg-PC效应的图像去噪和运动目标感知
综上所述，这项研究基于氧化物半导体与钙钛矿异质结构，开发了一种实现具有超弱光调制双向光响应的阵列器件的简单方法。基于ZnO/CsPbBr₃异质结构的器件阵列在紫外光和绿光刺激下均表现出光诱导的Neg-PC增强、Neg-PC抑制以及Neg-PC向Pos-PC的转化。在这种简单的双末端器件结构中，仅需45 nW/cm²的超弱光强和2.0 V的偏置电压即可触发Neg-PC效应。通过结合Neg-PC与Pos-PC特性，该器件在1.42 μW/cm²至1.31 mW/cm²的光强范围内实现了视觉自适应。此外，在阵列器件终端进行了多种图像处理任务，包括静态图像去噪以及动态图像实时去噪的运动感知。这项研究采用一种简单的无监督学习方法，结合了降维和基于密度的聚类算法，成功实现了高精度的运动聚类和异常运动检测。
论文链接：
https://doi.org/10.1038/s41467-024-54845-3
