电子科大巫江教授最新Nature子刊！神经形态器件再突破！

一、研究背景

人工智能技术驱动的硬件性能显著提升，但能源消耗仍是核心瓶颈（如先进H100 GPU年耗电量超13太瓦时）。现有视网膜形态器件作为AI硬件核心组件，虽擅长特征提取，但依赖被动注意机制，缺乏主动提取特定特征的灵活性，导致冗余传感数据增多、功耗居高不下，难以适配多运动场景（如道路追踪、生物跟随）的高效需求。而人类视觉系统凭借被动自主注意（PAA）与主动自主注意（AVA）的层级机制，实现了约1.0 pJ/bit的极致能量效率，为解决AI硬件能耗问题提供了重要灵感。因此，开发具备主动注意调控能力、高能效的自主神经形态器件成为亟待突破的方向。

二、研究亮点

1. 首次在神经形态器件中引入主动自主注意（AVA）调控，结合被动自主注意（PAA），实现对特定目标的精准选择与追踪，突破传统器件被动特征提取的局限，平均识别准确率超93%。

2. 器件信息能量效率低至0.625 pJ/bit，接近人类视网膜神经元（0.714 pJ/bit）的生物级能效，大幅优于现有神经形态器件。

3. 通过选择性保留目标光谱通道、抑制无关信号，实现1.17%的超高压缩比，显著减少冗余数据，降低存储与传输能耗。

4. 基于栅压可调的差分光谱响应特性，可实现正负光电导电流的极性调控，有效抑制干扰并放大目标信号，适配多波长场景的精准识别。

三、研究内容

1. 器件结构设计与制备

构建MoSe?/h-BN/MoS?范德华异质结结构，MoSe?作为光活性通道模拟突触权重，MoS?作为传导通道实现记忆功能，h-BN作为势垒层保障界面特性；通过机械剥离、转移印刷、紫外光刻等工艺完成器件制备，并验证了3×3阵列的可扩展性。

2. 核心工作机制

通过可编程栅压脉冲调控光电导，生成可见光范围内的非易失性正负光电导电流（PPC/NPC）；利用PPC与NPC的差分运算实现极性调控光谱重建，结合神经网络训练优化栅压配置，形成主动光谱反馈循环，实现目标信号的选择性增强。

3. 性能表征与验证

器件暗电流与光响应电流差异超两个数量级，响应速度快（上升时间<160 μs），记忆窗口达~80 V；在450-800 nm光谱范围内，通过神经网络训练（仅79轮收敛）实现0.24 nm光谱分辨率，重建准确率达92.2%；针对红、绿、蓝三色运动目标的追踪实验中，各帧速率下识别准确率均超93%。

4. 能效与压缩比测试

基于人脑神经元静息态与动作电位的评估方法，验证器件信息能量效率为0.625 pJ/bit；通过筛选有效边缘像素、保留目标颜色通道，实现1.17%的数据压缩比，远超同类器件。

四、总结与展望

该研究受人类视觉系统启发，成功开发出具备主动自主注意机制的亚皮焦耳/比特级神经形态器件。通过MoSe?/h-BN/MoS?异质结结构设计与栅压可调差分光谱响应机制，器件实现了被动特征提取与主动目标选择的协同，在保持93%以上识别准确率的同时，达成1.17%的超高压缩比与0.625 pJ/bit的极致能效，突破了传统视网膜形态器件的性能瓶颈，为非冯·诺依曼架构AI硬件的低功耗发展提供了全新解决方案。

文献链接：https://www.nature.com/articles/s41467-025-66295-6