NCE编辑优选：基于光致变色和毛细效应的液态光学忆阻器

文章介绍

Dingchen Wang（王鼎臣）, Anran Yuan（员安然）, Shilei Dai（代世磊）, Xiao Tang（唐潇）, Kunbin Huang（黄坤斌）, Songrui Wei（魏松瑞）, Han Zhang（张晗） and Zhongrui Wang（王中锐）

通讯作者：

• 王中锐，香港大学电气与电子工程系
• 张晗，深圳大学物理与光电子学院

研究背景：

物联网（IoT）的快速发展对数据的本地高效处理提出了更高的需求，尤其是在自动驾驶、机器人视觉、智能家居、远程传感、国防监控和显微镜等应用领域。这些应用需要高性能的边缘计算系统，而光子神经形态计算因其高并行性、低延迟、能效高和带宽大的特点成为研究热点。然而，现有光子神经形态计算系统通常使用刚性材料，无法在机械变形环境下保持可靠性和长期稳定性，特别是在软体机器人和可穿戴设备中。本研究旨在开发一种具有高机械灵活性和可编程光学特性的液态光学忆阻器（LOM），以克服现有光子神经形态计算系统在机械变形下的性能局限。

研究内容：

本研究选择了富含电子的多金属氧酸盐（POMs）作为主要材料，结合二甲基碳酸酯（DMC）形成有机-无机杂化液体。图一中的DMC-POM液体展示出可逆光致变色特性，通过紫外光照射和氧化过程实现颜色变化。

图一: 合成的 DMC-POM 液体可以在无色状态（左）和有色状态（右）之间可逆切换。

DMC-POM液体被注入两根光纤之间的间隙，通过毛细作用确保液滴形态的稳定性和可变性，液滴形态可通过调节液体体积从骨状、杆状变为类似突触的结构，以适应不同的机械应变需求。

图二: (a) 无色状态下的液态光学忆阻器（LOM）。此时LOM处于初始状态，没有经过紫外光编程。(b) 紫外光编程开始时的LOM。此时LOM开始接受紫外光的照射，逐渐改变其光学特性。(c) 着色后的LOM。在紫外光编程后，LOM的颜色发生了变化，表现出光致变色的效果。(d) 紫外光编程结束时的LOM。此时LOM已经完全经历了紫外光编程，颜色达到稳定状态。比例尺：100 μm。

如图二所示，在实验中使用650nm激光作为信号光源，通过紫外光编程LOM的传输特性。随后进行一系列机械应变测试，评估LOM在拉伸、错位和弯曲条件下的性能稳定性，并使用LOM构建的神经网络进行图像识别模拟实验。

图三：(a): LOM在不同时间下的传输强度（Transmittance）随紫外光脉冲的变化。随着时间的推移，紫外光脉冲的应用使传输强度逐渐降低，最终达到稳定的传输状态。(b): LOM在10个周期内的可逆性能测试。该图显示了在多次紫外光脉冲应用和去除后的传输强度变化，证明了LOM在多个循环中的可逆性和稳定性。(c): LOM在600秒内不同状态下的传输强度保持情况。该图展示了LOM在不同状态下（高传输、中传输和低传输）保持传输强度的稳定性。

结果显示，DMC-POM液体在UV光照射下表现出显著的光吸收变化（图三），能够非易失的准连续调控权重；

图四：(a): LOM在不同应变下的功率变化。随着应变从0%逐步增加到400%，功率逐渐下降。达到400%应变后，功率开始恢复，表明LOM在极端应变条件下的适应性。(b): LOM在长时间应变循环中的接收功率变化。主图显示了在长达3000秒的时间内，LOM的接收功率保持稳定。插图展示了在多个应变周期（0%、100%、200%、300%和400%）下的功率变化，证明了LOM在循环应变中的稳定性和可恢复性。

LOM能够在400%的应变下保持功能，适应错位和弯曲等机械变形条件，显示出优异的机械稳定性（图四）；

图五：基于液态光学忆阻器的模式识别神经网络示意图。图中所示的完全连接的网络由3 x 3 个输入神经元和 3 个输出神经元构成，具有非负权重和偏置值。

采用LOM构建的神经网络在MNIST数据集上的图像识别准确率超过90%（图五），证明其在柔性神经形态计算系统中的应用潜力。

• 2023年影响因子：5.8  Citescore: 5.9
• Neuromorphic Computing and Engineering（NCE）是一本涵盖多个学科领域、采用开放获取（OA）形式出版的期刊。NCE期刊将神经形态系统的硬件和计算方面结合在一起，读者群覆盖工程、材料科学、物理、化学、生物学、神经科学和计算机科学等领域，跨越学术界和产业界的各个群体。在NCE期刊上发表的研究需针对神经形态系统和人工神经网络领域做出及时而重要的贡献。