深圳大学张晗教授 Laser & Photonics Rev.:黑磷/铁电CuInP2S6异质结构赋能非易失光子卷积计算

本研究展示了一种面向光纤计算的基础器件平台，旨在解决传统系统的信号衰减和功耗瓶颈问题。该架构核心是一种新型电光调制器，将二维范德华铁电异质结构CuInP2S6（CIPS）和黑磷（BP）与微光纤结谐振器（MKR）单片集成。研究团队利用CIPS的室温铁电性实现8级非易失权重存储，借助BP的强光-物质相互作用实现高效光调制。这种单片全光纤设计完全消除了芯片到光纤的耦合损耗，实现了无缝且高效的光学数据处理。飞秒瞬态反射光谱揭示了皮秒尺度的载流子动力学，验证了千兆赫兹带宽计算能力。在MNIST和Fashion-MNIST数据集上的验证准确率分别达到96.34%和92.68%。该工作确立了BP作为高能效光纤光子计算的有前景解决方案，为面向人工智能的神经形态计算提供了赋能。

背景

大数据和人工智能的指数增长凸显了基于冯·诺依曼架构的电子计算机在处理大规模并行任务和缓解数据移动瓶颈方面的固有局限性。光子计算利用光子学的本征优势——包括超高速、大规模并行性、低串扰和能效处理——已成为超越传统电子计算瓶颈的变革性范式，尤其适用于加速卷积运算。光子卷积计算通过操控光学性质（如振幅、相位、偏振和角动量）将信息编码于光子中。虽然光学计算架构可通过无源衍射层和复杂介质等多样化组件物理实现，但一种特别强大的方法是利用动态可重构光调制器作为主动计算单元，将矩阵运算映射到光的传播上。然而，当前光子计算架构，特别是基于光子集成电路（PIC）的方案，面临重大限制：权重配置通常是静态的，存在高光学损耗，且状态控制是易失性的。此外，将调制和存储单元分离的传统解耦架构带来了根本性约束，导致在离散存储器和处理模块之间频繁传输权重系数产生显著的时间和能量开销。

为应对这些挑战，研究转向了二维范德华材料的独特光电特性。黑磷（BP）具有由褶皱晶格产生的强面内各向异性，可实现方向依赖的电子传输和偏振敏感的光响应，这对光学状态调制至关重要。其层依赖的直接带隙（0.3-2.0电子伏特）使光响应覆盖可见光到中红外波长，确保与现有光纤通信基础设施的兼容性。BP异质结构在近红外波段提供高效率、宽带响应，使其成为高性能光子器件的卓越选择。BP还表现出超快载流子动力学，支持千兆赫兹级别的光调制速率，远超传统相变光电设备。互补于BP的光学调制能力，二维范德华铁电体CuInP2S6（CIPS）通过偏振依赖的离子迁移实现非易失状态控制。利用室温稳定的极化或Cu+介导的开关，CIPS已成为下一代神经形态和光子系统的基石，实现了非易失存储与实时光信号处理的无缝集成。

主要内容概括

本研究围绕构建非易失光子卷积计算平台展开系统设计与验证。研究团队提出了一种将BP/CIPS异质结场效应晶体管（FET）阵列与微光纤结谐振器（MKR）集成的新型光子系统架构，建立了非易失光子卷积计算的创新平台。该架构独特地利用CIPS中的非易失极化状态通过波长调制对光子卷积计算权重进行光学编码，通过稳定的铁电畴排列实现单脉冲功耗操作和零静态存储保持。通过将主动BP/CIPS异质结直接与光纤基谐振器集成，该设计从根本上消除了离散片上波导与外部光纤之间的有问题的光学界面，消除了相关耦合损耗——这是传统混合光子系统的主要瓶颈。

在器件物理层面，研究团队深入探究了BP/CIPS异质结构的电学和光学特性。原子力显微镜显示CIPS薄片厚度均匀为68.9纳米，拉曼映射和能谱分析证实了异质结构的高质量界面和化学锐度。压电响应力显微镜揭示了CIPS在-2.5至+2.5伏特窄矫顽电压窗口内的稳健非易失极化开关特性。电学传输特性表明，BP/CIPS FET的存储窗口源于极化增强的界面电荷捕获机制，而非沟道内的本征铁电开关。当施加正背栅电压时，向上极化场促进电子捕获，移除电压后捕获电子提供有效负电场，显著降低BP沟道电子密度并保持高阻态；施加负电压时则推动捕获电子返回沟道，同时反转铁电极化，维持低阻态。在光学调制层面，微光纤结谐振器展现出0.22纳米的半高全宽和0.53纳米的自由光谱范围，品质因数达7045。通过施加-25至+25伏特的电压脉冲，可在MKR中实现8个离散且稳定的谐振波长状态，总波长偏移0.53纳米，对应3比特多级非易失权重存储。长期保持测试显示，在测量期间波长漂移仅约0.01纳米，证实了优异的零静态功耗存储能力。

为验证高速运算潜力，研究团队采用飞秒瞬态反射光谱（fs-TRS）研究了异质结构的超快载流子动力学。使用3.02电子伏特（420纳米）泵浦脉冲和500-770纳米的连续白光探针，捕获了长达7纳秒的载流子弛豫过程。结果显示，BP/CIPS异质结的瞬态反射信号在1.1皮秒即达峰值，显著快于裸BP的1.87皮秒和裸CIPS的1.41皮秒。通过双指数衰减模型拟合，在545纳米探针波长下，异质结构的快寿命分量τ1=25.2皮秒、慢分量τ2=907.3皮秒，远短于裸BP的τ1=49.3皮秒和τ2=1416.2皮秒；在701纳米处同样观察到显著加速。这种加速归因于异质结界面的能带弯曲降低了激子束缚能、增强了电子-空穴波函数重叠，从而促进更高效的界面复合。对应的频率响应潜力高达545纳米处39吉赫兹和701纳米处24吉赫兹。

在系统级验证方面，研究团队将器件作为核心计算权重库进行图像分类任务的数值模拟。采用混合架构处理28×28像素图像，输入层使用2×2卷积核矩阵由动态可调MKR基调制器实现，提取的特征经隐藏层非线性激活后，输出层通过SoftMax函数生成10维概率分布进行分类。在MNIST数据集上训练100个周期，使用60000张训练图像的80%，在10000张测试图像上达到96.34%的验证准确率；在更具挑战性的Fashion-MNIST数据集上同样训练，达到92.68%的验证准确率。

创新点

1. 首创BP/CIPS铁电异质结构与微光纤结谐振器的单片集成架构：将二维半导体与二维铁电体的协同集成应用于光子卷积计算，通过非易失铁电极化状态实现光学权重的波长编码，消除了传统芯片-光纤耦合损耗，实现了全光纤端到端光学数据处理。

2. 实现单脉冲功耗操作与零静态存储保持：利用CIPS的室温铁电性，通过稳定的铁电畴排列达成8级（3比特）非易失权重存储，编程后无需静态功耗维持状态，解决了传统光子系统权重易失和持续能耗的瓶颈。

3. 揭示极化增强界面电荷捕获的非易失调制机制：区别于本征铁电沟道开关，阐明BP/CIPS异质结构的存储窗口源于极化增强的界面电荷捕获，通过能带弯曲和载流子密度持久调制实现非易失电光响应。

4. 实验验证皮秒级超快载流子动力学与吉赫兹带宽潜力：飞秒瞬态反射光谱直接测量异质结界面1.1皮秒的超快光致吸收峰和显著加速的载流子弛豫，对应39吉赫兹的潜在频率响应，为高速实时光子计算提供材料平台本征速度的证据。

5. 建立高能效光子卷积计算的系统级验证：通过MNIST和Fashion-MNIST图像分类任务的离线模拟，分别实现96.34%和92.68%的验证准确率，证明了该架构执行复杂边缘计算任务的鲁棒能力，为分布式光纤传感神经网络等边缘AI应用提供了可行方案。

结论

本研究展示了一种完全集成的、基于光纤的非易失光子卷积计算器件平台，直接应对高性能计算硬件中的易失性和能耗挑战。该方案核心是将二维BP/CIPS铁电异质结与微光纤结谐振器单片集成的新型电光调制器。CIPS的稳健室温铁电性提供断电存储能力，实现零静态功耗权重保持；全光纤设计完全消除了困扰传统混合系统的芯片到光纤耦合损耗。这些特性的协同作用产生了高能效的架构。通过飞秒瞬态反射光谱确认了异质结构界面处的吉赫兹级别载流子动力学，验证了高速运算潜力；通过使用实验数据的离线模拟，在MNIST和Fashion-MNIST数据集上分别实现了96.34%和92.68%的高分类准确率，验证了器件的系统级应用潜力。该工作为推进面向卷积运算的能效光子处理器提供了创新且可行的器件平台。未来工作将聚焦于解决当前平台的关键挑战，如重新设计MKR以大幅增加自由光谱范围以实现实用的波分复用兼容性，以及将材料平台从单个器件制造转化为可规模化、产业兼容的工艺，从而释放其在先进多层人工智能中的全部潜力。

图文内容

图1展示了非易失光子卷积计算架构示意图：该器件由3×4微光纤结谐振器（MKRs）阵列构成，每个单元通过与BP/CIPS异质结构集成，实现对输入光信号的电编程波长选择性滤波，从而作为非易失突触权重。

图2展示了BP/CIPS范德华异质结构的材料与铁电特性表征结果：(a)CIPS的AFM形貌图像；(b)BP/CIPS异质结构中377.7 cm⁻¹处P-P振动模的拉曼成像；(c)异质结构测试区域的SEM图像及对应的Cu、In、P、S元素EDS面分布；(d)单独BP层、CIPS层及BP/CIPS异质结构的拉曼光谱对比；(e)CIPS薄片的PFM振幅-电压蝶形曲线；(f)CIPS薄片的PFM相位-电压滞回曲线。

图3展示了基于BP/CIPS异质结构的纤维基非易失调制效应：(a)BP/CIPS异质结构和BP层的FET转移曲线；(b)器件在PDown、fresh和PUp铁电极化状态下的Ids-Vds输出曲线（直角坐标系绘制I-V曲线），线性特性验证欧姆接触；(c)Vg>0V时的能带弯曲工作机制与示意图；(d)Vg<0V时的能带弯曲工作机制与示意图；(e)MKR在-25V至25V偏置脉冲电压下的透射谱；(f)-25V至+25V电压脉冲（脉宽0.1s）诱导MKR从状态1到状态8的波长偏移(Δλ)；(g)记录波长偏移(Δλ)证实非易失调制效应。

图5展示了光子卷积计算系统的性能验证结果：(a)光子计算架构示意图；(b)MNIST分类任务的混淆矩阵；(c)MNIST训练与验证准确率曲线对比；(d)Fashion-MNIST分类任务的混淆矩阵；(e)Fashion-MNIST训练与验证准确率曲线对比。