深圳大学周晔教授团队!Advanced Science丨前沿综述:光子赋能的节能透明神经形态计算器件

大家好，今天为大家分享一篇2026年6月1日发表在国际知名学术期刊Advanced Science上的文献，题目为"Photonic-Enabled Energy-Efficient Transparent Neuromorphic Computing Devices: A Review"。本文的第一作者是Shuvaraj Ghosh，本文的通讯作者是Ye Zhou和Joondong Kim。

摘要

在人工智能（AI）这一不断发展的领域中，两个显著的趋势正在显现：大型AI模型规模的快速增长和海量数据的激增。摩尔定律的局限性凸显了对替代计算范式的需求，以满足日益增长的计算能力需求并解决冯·诺依曼模型的限制。如今，受人脑机制和功能启发的神经形态计算，利用物理人工神经元进行计算，正引起广泛关注。神经形态计算旨在通过将存储和逻辑单元共同定位来模拟类脑信息处理，从而打破冯·诺依曼瓶颈。在这方面，光子材料在计算中的集成为光子计算的发展铺平了道路，其中光作为能量的基本来源，也可被用作神经形态计算的信号。光子计算能够实现具有亚纳秒级延迟和低散热的超快人工神经网络。然而，目前的神经形态技术在实现Peta级（千万亿次）速度和高能效方面仍面临挑战。此外，神经形态计算和AI的普遍优势可以通过光学透明的方式实现，从而拓宽其在仿生学和人机界面中的应用。本综述探讨了用于创建模拟自然功能的人工界面的透明光子器件的适用性及其设计策略。

图文解读

随着AI模型参数数量的急剧增加，传统的计算架构面临着巨大的挑战。如下图所示，AI模型的参数量呈指数级增长，例如GPT-4已拥有约1.8万亿个参数。这迫使我们寻找新的计算范式。

图1 代表性AI模型参数随时间增长的趋势。 参数（即权重）是AI系统中的变量，其值在训练期间进行调整，以建立输入数据与输出标签的关联方式。最新的ChatGPT拥有创纪录的1.8万亿个参数，并且仍在增长。参数数量是根据各自论文中公布的统计数据估算的，自然会存在一些不确定性。经许可转载[24]。版权所有2025，Wiley-VCH。

神经形态计算，即模仿大脑工作方式的计算，被认为是一个有前途的解决方案。它旨在实现高速度、并行处理和极低的能耗。这一领域的市场前景广阔，预计将迎来高速增长。

图2 神经形态计算市场。 该图显示了神经形态计算市场的估值和预期增长率，反映了该技术日益增长的商业和研究兴趣。经许可转载[84]。版权所有2023，Multidisciplinary Digital Publishing Institute。

与传统的电子神经形态计算相比，光子神经形态计算利用光子作为信息载体，展现出在速度、带宽和能效方面的巨大潜力。下图直观地比较了生物大脑、电子神经形态系统和光子神经形态系统在关键性能指标上的差异。光子系统在速度和能耗上更接近生物大脑。

图3 生物认知系统（人类皮层和大脑）、基于CMOS的电子神经形态计算以及最新的光子神经形态计算的比较。 该图从互连密度、计算速度和能耗等多个维度对比了三者。可以看出，光子神经形态计算在速度和能耗方面具有显著优势，更接近生物系统的效率。经许可转载[89]。版权所有2022，American Institute of Physics。经许可转载[24]。版权所有2025，Wiley-VCH。

实现透明的光子神经形态器件，关键在于材料的选择。这些材料需要同时具备高光学透明度和可调控的光电特性。本综述系统地总结了五类适用于此类器件的先进材料。

图4 用于透明光子赋能神经形态计算器件的适用材料综合示意图。 该图展示了五类材料：i) 相变材料（GST, GSST），ii) 透明导电氧化物，iii) 无机钙钛矿（BST），iv) 有机钙钛矿和胶体量子点，以及 v) 二维材料（石墨烯, TMDCs）。这些材料为构建高性能、透明的神经形态器件提供了基础。

相变材料（PCM）是构建光子突触的关键材料之一。通过光脉冲加热，可以改变PCM的晶相（非晶态/晶态），从而调节光波导的透射率，模拟生物突触权重的变化。下图展示了一种基于PCM的集成光子突触的设计与优化。

图5 (a) 神经元和突触的结构。 插图：突触连接点的示意图。(b) 模拟神经突触功能的集成光子突触示意图。 该突触基于一个锥形波导（深蓝色），顶部有离散的PCM岛，光学连接突触前和突触后信号。(c) 标准设计的光子突触示意图，顶部为直波导上的GST薄膜。(d) 突触模拟设计的光子突触示意图，采用锥形波导和离散GST岛的优化结构。(e) 两种设计下的电场分布对比。(f) GST内部电场的统计结果。研究表明，(d)中的优化设计能更有效地将光场耦合到PCM中，从而提高调控效率。经许可转载[110]。版权所有2017，Science。

除了相变材料，透明导电氧化物（TCOs）也为构建透明光子突触提供了可能。下图展示了一种基于全氧化物（In₂O₃/ZnO）的透明光子突触器件，它在紫外光照射下表现出多种典型的生物突触可塑性行为。

图6 (a, b) 分别为人类大脑内突触结构和双端可见光透明器件的示意图。(c) 与人工突触结构相似的光电探测器草图。(d-h) 器件的光电响应特性。 (d) 展示了光脉冲关闭后电流的逐渐衰减，模拟短期突触可塑性。(e) 表明响应强度与光强相关。(f, g) 展示了双脉冲易化（PPF）行为，这是短期记忆的一种形式。(h) 展示了通过光脉冲序列实现权重的逐步增强（长时程增强，LTP）和通过电脉冲实现权重的抑制（长时程抑制，LTD），模拟了学习和遗忘过程。经许可转载[103]。版权所有2018，American Chemical Society。

近年来，钙钛矿材料因其优异的光电特性而备受关注。研究人员利用光致变色钙钛矿薄膜，实现了无需任何电极的全光子人工突触。通过不同波长的光照，可以可逆地改变材料的透射率，从而实现“光驱动的光学存储”和逻辑运算。

图7 (a-d) 光致变色钙钛矿薄膜在不同光照条件下的透射率变化。 展示了通过光照可对材料光学状态进行非易失性调控。(e-h) 模拟突触可塑性行为， 包括双脉冲易化（PPF）和学习能力。(i-k) 基于该器件实现全光学的“与”（AND）和“或”（OR）逻辑门功能， 展示了其在光计算中的潜力。经许可转载[120]。版权所有2024，Nature。

除了突触，神经元也是神经形态计算的核心。忆阻器因其阈值开关特性，成为构建光控神经元的理想选择。下图展示了两种基于忆阻器的光子神经元，它们能将连续的光信号强度编码为离散的脉冲频率，模拟生物神经元的放电行为。

图8 (a-c) 基于TaOₓ忆阻器的光控人工神经元。 (a) 器件稳定的阈值开关特性。(b) 脉冲编码机制示意图。(c) 脉冲频率随光照强度的变化，实现了光强到频率的转换。经许可转载[123]。版权所有2025，Wiley-VCH。(d-f) 基于VOₓ忆阻器的LIF（Leaky-Integrate-and-Fire）神经元。 (d) 测量电路图。(e, f) 振荡（脉冲）频率可由激发波长和光强度精确调控，实现了光控的神经元放电行为。经许可转载[124]。版权所有2024，Wiley-VCH。

创新点与未来展望

本文总结了该领域的3-5个核心创新点：

1. 1. 材料体系创新： 系统地介绍了适用于透明光子神经形态器件的多种材料体系，包括宽带隙相变材料、透明氧化物、二维材料和钙钛矿等。这些材料为器件实现光学透明性和神经形态功能性的统一奠定了基础。
2. 2. 器件结构创新： 综述了多种先进的器件设计，如基于相变材料或光致变色材料的全光子突触，以及基于忆阻器的光控神经元。这些器件能够在光学域直接模拟生物神经功能，具有超快速度和超低能耗的潜力。
3. 3. 系统架构创新： 探讨了将单个器件扩展为大规模网络的方法，包括混合光电架构、波分复用（WDM）技术以及广播-加权方案。这些架构为构建实用化的光子神经形态计算系统提供了思路。
4. 4. 应用场景拓展： 展示了透明神经形态器件在“传感器内计算”（in-sensor computing）领域的巨大潜力，可应用于智能显示、增强现实（AR）/虚拟现实（VR）和可穿戴设备等前沿领域，实现了感知与计算的深度融合。

对未来研究方向与改进的展望：

1. 1. 规模化与异构集成： 未来的核心挑战之一是如何将神经元密度提升至实用水平。这需要通过3D封装、芯粒（chiplet）等技术，并将不同优势的材料（如III-V族半导体、硅光、二维材料等）进行异构集成。
2. 2. 能效提升与材料优化： 虽然光子器件已展现出极高的能效，但通过优化谐振腔品质因数（Q值）、降低波导损耗等方式仍有提升空间。未来需要开发稳定性更高、开关能耗更低、制备均匀性更好的新材料，并解决高密度集成带来的热管理问题。
3. 3. 全光计算的探索： 虽然混合光电系统是当前较为务实的方案，但长远目标是发展更复杂的全光逻辑和处理单元，以最大限度地发挥光的速度优势，减少光电转换带来的延迟和功耗。
4. 4. 神经形态仿生学应用： 一个极具前景的方向是开发仿生系统，如人工视网膜、机器人感官皮肤和自适应人机接口。这要求器件不仅透明高效，还需具备柔性、生物相容性等特点。