当前位置：首页>深圳>一分钟看芯事 | 深圳大学周晔Nat. Commun.:双极性晶体管突破时序预测与多模态识别瓶颈

一分钟看芯事 | 深圳大学周晔Nat. Commun.:双极性晶体管突破时序预测与多模态识别瓶颈

2026-09-26 22:11:52

一句话总结

深圳大学周晔教授研究基于聚（3 - 己基噻吩）（P3HT）- 氧化锌（ZnO）异质结构构建双极性晶体管，利用其线性区实现稀疏矩阵运算、饱和区提供类 tanh 非线性特性、动态响应自然引入时间属性的优势，构建物理回声状态网络（ESN），在静态模式下完成图像识别、时序预测及多模态分类任务，动态模式下 MNIST 手写数字识别准确率达 96.98%、Fashion-MNIST 达 86.67%，为 neuromorphic 计算提供了兼具高性能与低功耗的硬件架构。

研究背景

随着人工智能的快速发展，传统冯・诺依曼架构面临物理极限、存储瓶颈、能耗过高等严峻挑战。neuromorphic 计算架构模仿人脑工作机制，通过物理器件模拟生物突触与神经元，大幅提升计算效率并降低能耗，成为解决上述问题的理想方案。

目前，物理器件已被广泛用于模拟突触权重与神经元数据映射，在图像识别领域取得显著进展，但基于循环神经网络解决时序预测问题的研究相对有限 —— 这主要源于时序任务训练过程复杂，对物理器件的导电态范围要求更高。回声状态网络（ESN）作为一种特殊的循环神经网络，其储备池层由固定权重的稀疏矩阵和神经元构成，无需训练即可将数据映射为高维特征，特别适用于时序预测任务，也可处理转化为时序信号的图像数据，因此成为物理储备池计算的重要研究方向。

然而，现有基于物理器件的储备池计算仍存在二值化、多位存储等问题亟待解决。双极性晶体管因能同时传输电子与空穴，具备更丰富的导电态与非线性特性，有望为构建高性能物理 ESN 提供新的解决方案，突破现有技术瓶颈。

图文解析

图 1 双极性晶体管的结构与表征

(a) 回声状态网络（ESN）的结构示意图；(b) 10 万倍放大下的横截面 TEM 图像：n 型晶体管、双极性晶体管、p 型晶体管的横截面，以及三种晶体管中 ZnO 层的高分辨率横截面形貌；(c) AFM 观察到的表面形貌：n 型、双极性、p 型晶体管中的 ZnO 层，以及 n 型、双极性、p 型晶体管中的 P3HT 层；(d) 以 100 nm SiO₂为介质层的 n 型、双极性、p 型晶体管的输出曲线；(e) 双极性晶体管阵列的光学图像；(f) 物理 ESN 系统的光学图像；(g) 阵列中双极性晶体管的输出特性与 tanh 函数对比。

图 2 晶体管构建的 ESN 用于字母识别

(a) 英文字母在输出层的转化过程；(b) 晶体管构建的储备池层示意图；(c) ESN 的储备池状态输出；(d) ESN 识别英文字母的混淆矩阵。

图 3 基于动态机制的物理 ESN 用于 MNIST 手写数字识别

(a) 基于动态响应构建的 4 位编码；(b) 不同脉冲间隔下 “0,0,0,0” 和 “1,0,1,0” 编码的实现；(c) 通过改变脉冲间隔实现的 MNIST 数据集映射；(d) 物理 ESN 为这些映射生成的对应储备池状态空间；(e) 五种组合脉冲下的混淆矩阵，展示最终分类性能。

图 4 基于动态响应的物理储备池计算实现洛伦兹吸引子预测任务

(a) 方法示意图：器件动态特性对洛伦兹吸引子进行编码与预测；(b-d) 利用单个器件的本征动态特性对洛伦兹吸引子 x、y、z 轴轨迹的非线性映射（Vds=1 V，洛伦兹吸引子曲线经归一化后通过 DAC 转换为 0~+10 V 的Vg信号）；(e) 预测归一化均方根误差（NRMSE）随脉冲间隔变化的关系；(f) 不同工作模式下预测的洛伦兹吸引子时间轨迹。