Nature Electronics | 基于忆阻闪烁神经元的光子链接三维神经网络

人工智能的持续发展需要更强大的计算架构。然而，基于互补金属氧化物半导体的巨大占地和电导路由的限制阻碍了传统人工神经元及其突触连接的扩展。我们展示了记忆性闪烁神经元可以用来构建可扩展的光子链接三维神经网络。我们的人工神经元基于银/聚（甲基丙烯酸甲酯）/银金属-绝缘体-金属的面内切换开关结。其电阻开关依赖原子尺度的丝状动力学，并通过积分关键数量的入射电尖峰发射光子脉冲，从而消除了庞大的外设电路读出和传输信号的电气布线需求。我们使用记忆闪烁神经元，其覆盖范围为 170 纳米×240 纳米，构建光子链接的三维尖峰神经网络。我们证明该网络在谷歌语音数据集中能够以 91.51%的准确率执行四类分类任务。我们还创建了一个 1 微米间距的高密度人工神经元阵列，并证明其能以 92.27%的准确率完成 MNIST 分类任务。

该研究以题为“Photonically linked three-dimensional neural networks based on memristive blinking neurons”发表在Nature Electronics上。

MBN 的光学与电学特性：a. 带有等离子体纳米天线的 MBN 概念示意图。红色光锥表示与电流变化相关的光子脉冲发射；b. MBN 银天线结构的扫描电子显微镜图像。芯片表面沉积了介电保护层以防止表面充电，这导致扫描电镜图像中出现粗粒度晶界；c. I-V扫描曲线中采用5 μA 的顺应电流（Icc）以防止器件电损伤。箭头指示扫描方向，灰色阴影区域表示电流基本保持恒定的区间，红色阴影区域则突出显示电流变化的阶段。

该研究报道了一种基于银/聚甲基丙烯酸甲酯/银平面结的忆阻闪烁神经元，其尺寸仅为170 nm × 240 nm。器件利用原子尺度导电细丝的动态形成与断裂实现易失性阻变开关，在电流突变瞬间发射光子脉冲，从而在单一器件内同时完成积分-点火功能与光学信号输出，省去了传统人工神经元所需的庞大外围读取电路与电互连布线。实验表明，光子发射强度与电流变化率正相关，且即使将工作电流降低90%仍能产生可检测的光脉冲，显著提升了能效。该神经元可精确模拟漏积分-点火行为，其膜电位积分与漏电特性可通过脉冲幅度与间隔进行调控。

基于上述器件，研究构建了光子链接的脉冲神经网络，通过自由空间光通信实现神经元之间的信号传递，避免了电互连的串扰与三维集成瓶颈。在Google Speech数据集四分类任务中，网络准确率达91.51%；在MNIST手写数字识别中，采用差分卷积编码策略，以1 μm间距的神经元阵列实现了92.27%的准确率。该工作将忆阻器与光子发射集成于同一纳米尺度单元，为高密度、低功耗的三维神经形态计算提供了新的硬件架构。

参考消息：