摘要：全光突触 机械/热调节突触可塑性 6x6阵列
神经形态计算系统有望克服受数据传输瓶颈限制的传统冯·诺伊曼架构的低效率。然而，传统的电调制突触面临固有的限制，如有限的开关速度，高功耗和大量的互连损耗。光信号提供了一种变革性的替代方案，利用超快传输、高带宽和最小的串扰。本文提出了一种基于机械发光材料Li0.1Na0.9NbO3:Pr3+ (LNN:Pr3+)的全光突触，通过光信号处理模拟生物突触，包括同源和异源突触行为。LNN:Pr3+的陷阱深度分布能够对紫外光、机械力和热输入做出多刺激反应，复制多种突触功能，如短期增强（STP）、长期增强（LTP）、成对脉冲促进（PPF）和学习经验行为适应。此外，该方法还应用于硬件级去噪和多模融合感知，实现了动态环境下的时空特征提取。这项工作不仅为设计全光学突触提供了线索，而且还将机械发光（ML）与神经形态工程联系起来，推进了节能、光驱动的人工智能技术。
在信息时代，随着非结构化物联网（IoT）数据的指数级涌入，在过去半个世纪中广泛使用的冯·诺伊曼计算机越来越受到计算速度限制和高能耗的限制为了满足大数据时代对高效数据处理的需求，受人脑信息处理功能
启发的神经形态计算
架构
被提出，作为解决冯·诺伊曼架构因内存和中央处理单元物理分离而面临的限制的一种有希望的解决方案。
人脑常被比作生物超级计算机，由约1015个突触连接和1011个神经元细胞组成的神经网络相互连接这些突触作为关键的连接点，动态地重塑神经元的连接，以支持大脑非凡的计算能力和适应性。模仿这种神经计算模型，研究人员越来越关注人工突触的发展。[4-6]这些设备经过广泛的模拟，主要是根据电子原理操作的。[7,8]利用互补金属氧化物半导体（CMOS）电路、[9,10]新兴晶体管、[11,12]忆阻器、[13,14]和自旋电子器件等电子元件，已经开发出了各种全电调节的人工突触。[15,16]虽然在信号处理和解释方面是有效的，但这些系统通常依赖于额外的电极进行电信号传输，使外部电路设计复杂化，并引入了诸如电阻-电容延迟和电流串扰等挑战。
幸运的是，与通过基于电压或电流的读/写机制操作的传统神经形态设备（主要指电子突触）相比，全光突触利用光强度调制输入和输出信号。虽然辅助物理过程偶尔会协助设备操作，但它们不参与信号传输，从而使光保持为信息传输的唯一介质。[17-20]这种全光策略具有几个明显的优点，包括低串扰、高带宽、降低功耗和增强稳定性表S1（支持信息）给出了全光学和传统神经形态设备之间关键指标的详细比较。值得注意的是，全光神经形态器件可以通过消除线材限制，避开限制集成区域带来的带宽限制，增强人工神经网络的信息处理能力，从而实现更宽的带宽。[22-24]因此，当务之急是开发各种各样的人工光学突触来利用这些优势。近年来，大量的光学突触被引入，每一个都利用不同的化学或物理机制和新材料，如钙钛矿[25]、相变材料[26]、长余辉化合物[27]和光子雪崩纳米晶体[28]一般来说，在光激发下，光产生的电子被泵浦到激发态，然后被困在缺陷阱中。捕获的电子可以根据激发频率进行调制，说明了突触可塑性功能的模拟。然而，有一个至关重要的需要多样化的全光神经形态设备的频谱，以增加可用于实际应用的选择。众所周知，机械发光材料因其具有分布应力传感[29]、不依赖连续功率[30]、高灵敏度[31]以及多响应材料的多功能性等优势而引起了研究人员的极大兴趣。
在这里，我们提出了一种人工全光突触（AOS），它采用Li0.1Na0.9NbO3:Pr3+ (LNN:Pr3+)的机械发光材料，具有适当的陷阱水平（0.73和0.80 eV）和源自相同陷阱的机械/热双响应。LNN:Pr3+颗粒被封装在聚对苯二甲酸乙二醇酯（PET）薄膜中，以制造柔性6×6突触阵列，而无需额外配置通道材料，电极和其他相关组件。在紫外线激发下，价带的电子被泵浦到激发态，然后被困在缺陷阱中，其中被困电子的数量根据不同的激发方案而变化。然后，缺陷阱中的电子通过热和机械刺激实现 解捕获，同时伴随热释光（TL）和机械释光（ML）。在这种情况下，光产生的电子作为神经递质，而缺陷相关阱在光激发和发光过程（ML和TL）中被认为是受体。因此，突触可塑性可以通过机械力或热刺激（例如，应变门控或温度依赖的权重更新）来调节。最后，新兴的应用，如硬件级去噪和多模融合感知，都证明了基于LNN:Pr3+的全光突触在高效神经形态计算系统中的巨大潜力。
基于机械发光材料的全光突触的设计与结构。a)人类生物神经系统示意图，显示同源突触（左）和异源突触（右）促进神经信号传递。b)由机械发光材料（LNN:Pr3+）组成的全光学人工突触阵列示意图，左图为LNN:Pr3+晶体结构的三维示意图，右图为突触阵列器件的光学照片。c) LNN:Pr3+颗粒的SEM图像及其Na、Nb、O、pr元素分布图。d)不同接触载荷下LNN:Pr3+与复合膜接触位置的ML谱图。e)在不同温度下监测热释光光谱。f) Li0.1Na0.9NbO3:Pr3+中被困载流子的捕获和释放机制示意图。g)全光突触的新兴应用，包括硬件去噪功能和多模融合感知能力。
ML和TL模式下LNN:Pr3+器件的同源突触可塑性。a)同源突触示意图。ML模式：控制不同激发程序下的ML强度变化，可以模拟STP （b)和LTP (c)。d）通过控制不同脉冲频率和次数照射下的发光强度，从STP过渡到LTP。e) EPSI由一对间隔1s的突触前光脉冲触发。A1和A2分别表示第一和第二EPSI的振幅。f) PPF指数定义为A2/A1随脉冲间隔Δt的曲线，拟合线表明PPF指数随Δt的增大呈指数递减。附图为ML现象的光学照片，其中Δt为1或70 s. g)在0.05 Hz的不同激励周期下实现了学习经验行为。TL模式：h)不同频率下的变换，附图为不同次数照射下的结果。i)由一对间隔1s的突触前光脉冲触发EPSI。A1和A2分别表示第一和第二EPSI的振幅。j) PPF指数定义为A2/A1随脉冲间隔Δt绘制。附图为TL的光学照片，其中Δt为1秒或7秒。)在0.05 Hz的不同激励周期下实现的学习经验行为。
总之，我们提出了基于LNN:Pr3+机械发光材料的全光突触，该材料利用紫外光、力和热响应来促进多模信号处理。在紫外光刺激后，使用力或热刺激，研究了突触的STP和LTP， PPF，从STP到LTP的转变以及学习经验行为。通过利用热刺激作为异突触可塑性的调节终端，我们有效地控制了突触行为，扩展了LNN:Pr3+突触的功能。基于观察到的STP和LTP现象，我们成功地实现了图像去噪，显著提高了后续识别任务的效率和准确性。此外，通过在图像识别中采用力和热两种模式，双特征提取策略可以实现高识别率，为高级处理和识别任务提供全面可靠的图像数据。此外，该器件可以使用微/纳米制造技术实现小型化，并通过集成MEMS和微加热器组件实现可靠的运行。这项工作为利用LNN:Pr3+机械发光材料的全光突触器件提供了一个有前途的平台，拓宽了神经形态模拟的材料基础。所展示的设备为构建低功耗、全光子神经形态计算和传感系统提供了一条引人注目的道路。
标题：All-Optical Synapses Based on a Mechanoluminescent Material
链接： https://doi.org/10.1002/adma.202503376
