摘要:

研究论文 ● 开放获取阅读更多

1.文章导读

现代计算机的“存储墙”与高能耗问题，是制约其效仿人脑高效智能的关键瓶颈。为解决这一难题，近期，中国科学院苏州纳米技术与仿生研究所赵建文教授团队提出了一种光电深度融合的全新策略。他们创新性地将碳纳米管晶体管与微型LED单片集成，构建出能像生物神经元一样“感算存一体”的仿生平台。该器件在超低电压下运行，并成功模拟了关键学习行为，为实现高能效神经形态计算提供了突破性路径。相关研究成果以“Carbon nanotube-based bio-inspired neuron systems via cascaded thin-film transistor-driven light emitting diodes and optoelectronic synaptic transistors for neuromorphic computing”为题，发表于SCI期刊《极端制造（英文）》（International Journal of Extreme Manufacturing, IJEM）。

2.图文解析（创新研究/研究亮点/研究进展）

本研究的核心创新在于构建了一个单片集成的“电-光-电”类脑闭环系统，将信号产生、传输与学习同步融合于单一平台，极大简化了架构并提升了能效。研究者创造性地将单壁碳纳米管薄膜晶体管与微型LED耦合，形成了一个完整的内循环：电脉冲驱动LED发光，此光信号随即被同一芯片上的光电突触晶体管捕获并转换为新的电信号。这一闭合回路完美模拟了生物神经元中“动作电位-神经递质-突触后电位”的信息传递与处理全过程，为实现类脑计算奠定了物理基础。

最具突破性的是，碳纳米管晶体管扮演了“驱动器”和“突触”两个核心角色。它既能精准控制LED发光，又能灵敏地响应自身发出的光信号，改变其电导状态（即权重），从而模拟生物突触的学习与记忆功能。这种功能集成从根本上消除了传统系统中处理器与存储器分离带来的能耗与延迟问题。

与需要复杂外部光源的系统不同，该平台所有光信号的产生与处理均在芯片内独立完成。基于成熟的半导体工艺制造，该器件表现出优异的性能：超低工作电压（~1V）、高开关比（10⁶）、低亚阈值摆幅（78 mV/dec）及超过1000次的稳定循环。基于此器件特性构建的模拟神经网络，在图像识别任务中取得了超过92%的准确率，验证了其处理实际任务的巨大潜力。

图1 基于碳纳米管的仿生神经元系统：通过级联薄膜晶体管驱动发光二极管与光电突触晶体管实现类脑计算。

3.总结与展望

这项工作不仅展示了一种高性能、低功耗的神经形态器件，更提供了一种“感算存一体”的硬件实现新范式。通过进一步集成与扩展，这种方法有望实现紧凑节能的神经形态计算硬件、自适应电子设备以及新一代人机界面——这些系统将像大脑本身那样快速高效地学习响应，且功耗极低。