综述：光子赋能的高能效透明神经形态计算器件：综述

《Advanced Science》：Photonic-Enabled Energy-Efficient Transparent Neuromorphic Computing Devices: A Review

　　

在人工智能（AI）不断发展的领域中，两个显著趋势正在浮现：大型AI模型规模的快速增长以及海量数据的激增。摩尔定律强调需要替代计算范式以满足对计算能力日益增长的需求，并解决冯·诺依曼（von Neumann）模型带来的限制。如今，受人类大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共位的存储和逻辑功能模拟类脑信息处理，打破冯·诺依曼瓶颈。在这方面，光子材料的集成促进了光子计算的发展，其中光作为基本能量来源，也可用作神经形态计算的信号。光子计算能够实现亚纳秒延迟和低热耗散的超快人工神经网络。然而，当前的神经形态技术仍难以达到拍次级（petascale）速度和能效。此外，神经形态计算和AI的通用优势可以以光学透明的方式实现，从而拓宽其在仿生学和人体接口中的应用。本综述探讨了构建模拟自然功能的人工接口的透明光子器件的适用性和设计策略。

论文第2至第5节内容总结如下：

**2. 基于光子神经形态计算的基础与局限性**

**2.1 传统计算的基础及其局限性**
传统计算机主要基于冯·诺依曼架构，将指令和数据存储在统一存储器中，由中央处理器（CPU）按顺序执行运算。然而，随着数据量和计算需求持续增长，硬件制造技术的限制以及“存储墙”等结构性问题使该架构难以满足AI时代大规模数据处理的效率、能耗、密度和成本要求。频繁的存储器与处理器之间的数据传输导致明显延迟和大量能耗，特别是对于电池受限的边缘设备（如始终在线的传感器、可穿戴设备和植入式脑机接口（BMI）），其系统级能耗预算仅为微瓦到毫瓦级别。因此，迫切需要发展将存储与计算融合（存内计算/感内计算）并利用并行物理通道（如光波分复用（WDM）/空间复用）的替代架构。

**2.2 神经形态计算的基础**
神经形态计算模仿人脑神经网络，旨在实现高速并行处理与低能耗。全球神经形态计算市场预计将从2022年的42.377亿美元以21.2%的年复合增长率（CAGR）增长至2030年。1989年，Carver Mead提出了“神经形态工程”概念，利用亚阈值模拟电路模拟脉冲神经网络（SNN）。人脑包含约1000亿个神经元和10¹⁵个突触，仅消耗约20瓦能量。神经形态计算机采用大规模CPU/GPU集群模拟神经元网络，但硬件实现可通过氧化物基CMOS器件（如忆阻器、自旋存储器、阈值开关等）实现。2008年，惠普（HP）开发了首个忆阻器原型，能模拟突触功能。

**2.3 现有神经形态计算器件面临的挑战与局限**
传统类脑计算面临三大局限：硬件、软件算法以及实际应用。当前硬件能耗普遍高于生物神经系统，传统导体的电阻效应导致能量以热形式耗散，且材料尺寸增大时能效下降。量子效应和热效应在器件微型化时影响显著。通信开销方面，数据在模拟神经元之间传输需要专用编解码技术，增加了计算和能耗负担。此外，大规模神经网络中信息传输路径复杂，需集成专用硬件和纠错机制，进一步加剧开销。并行性与同步方面，传统电子器件受限于电路带宽，难以高效实现高度并行计算，且电磁干扰和全局时钟同步困难。相比之下，光子系统利用固有扇出和WDM技术实现高并行度，并优化同步。

**2.4 光子学基础**
光子学涵盖光传播及与物质相互作用的研究，重点包括光学传感、光互连和光通信。光子计算利用光子而非电子处理信息，可实现高速并行处理、低能耗和低热产生。电子遵循薛定谔方程，具有质量和受限漂移速度；光子遵循麦克斯韦方程组，无质量且以光速运动。麦克斯韦方程组描述了电磁波在介质中的传播、反射、折射、吸收和透射行为，介电常数和磁导率决定了电磁波的相速度以及色散、偏振等现象。这些原理为设计高效光学神经网络（ONN）提供了基础。

**2.5 光子组件在神经形态计算器件中的集成**
光子组件（如垂直腔面发射激光器（VCSEL）、调制器、波导）可替代电子互连，提供超高带宽和极低延迟，硅光子学可与CMOS工艺兼容。光子突触利用光致电导率变化实现突触可塑性，例如透明氧化物In₂O₃/ZnO器件在紫外（UV）光下表现出短时程增强（STP）、长时程增强（LTP）和双脉冲易化（PPF）。光子神经元如半导体激光器可实现飞秒级脉冲发射。光子记忆可利用相变材料（PCM，如Ge₂Sb₂Te₅（GST））实现非易失性存储。集成光子电路（如马赫-曾德尔干涉仪（MZI）阵列）可用于向量-矩阵乘法。光子器件可实现透明或柔性，有利于与传感器和显示集成。

**3. 透明光子神经形态计算器件的概念与架构**

**3.1 光子记忆与突触的材料**
透明光子神经形态器件需采用宽带隙材料以确保可见光到近红外（NIR）区域的透明性，同时具备可切换的电/光响应。材料类别包括：相变材料（如GST、GSST、Sb₂S₃、Sb₂Se₃），其中Sb₂S₃在红/NIR波段近透明，可实现低损耗光子记忆；二维（2D）材料（如石墨烯≈97.7%单层透过率、MoS₂、WS₂等）结合量子点（如钙钛矿量子点）可实现高响应度和光辅助记忆；透明导电氧化物（TCO，如ITO、ZnO、AZO、IGZO）带隙>3.0 eV，可见光透过率高，可集成于波导上实现全光学突触，如In₂O₃/ZnO器件在UV下展现突触可塑性；钙钛矿氧化物（如Ba_0.5Sr_0.5TiO₃）结合宽带隙与铁电开关特性；有机/无机杂化材料（如胶体量子点、金属卤化物钙钛矿量子点CsPbX₃）可实现高光响应和记忆效应。例如，铅基无铅2D钙钛矿PEA₂SnI₄在可见光下产生持续光电流，模拟兴奋性突触后电流。

**3.2 光子神经元**
光子神经元是利用非线性光学效应实现信号积分和阈值触发放电的仿生神经元。结构上，基于波导的神经元采用干涉仪网格、微环谐振器（MRR）和光电探测器-调制器对进行加权求和与非线性变换。基于激光的激发性神经元（如VCSEL-SA、FP-SA腔）可产生GHz级光尖峰。忆阻器-电容振荡神经元利用易失性阈值开关模拟泄漏积分-放电（LIF）动力学，如TaO_X忆阻器结合IGCdO光晶体管可构建具有160 dB动态范围的视觉神经元。相变材料（如V₃O₅）光控振荡频率可调节LIF行为。

**3.3 全光逻辑**
光学电路利用MZI、非线性元件（如半导体光放大器、PCM）实现AND、OR、XOR等逻辑功能。干涉仪通过控制输入光脉冲的相位或强度产生干涉模式，输出逻辑状态。单个微环利用克尔非线性可实现GHz速率的NAND门。全光逻辑系统可实现无电子转换的信号处理。

**3.4 混合电子-光子架构**
实际应用中常采用光学与电子元件混合的方式。硅光子神经网络利用热光/电光移相器调整权重，光电探测器读取输出。通过将石墨烯、2D材料、LiNbO₃、III-V增益层等集成于硅上，实现高速电吸收调制器、片上激光器与探测器。混合“电光”加速器将光子模拟MAC核与电子电荷积累结合，提升光学矩阵操作的规模。

**4. 应用与未来方向**

**4.1 边缘AI与感内计算**
光子神经形态电路可对光学输入进行并行处理，减少数据移动。微环权重库和广播-权重架构实现高带宽推理，例如“Netcast”系统每个乘累加（MAC）操作仅耗≈10 aJ，适用于始终在线的边缘AI。

**4.2 透明显示器**
TCO（如IGZO）可用于光学突触晶体管，实现>80%可见光透射率。双模GaN纳米线器件可实现360°光探测和突触记忆，适用于增强现实（AR）/虚拟现实（VR）系统中的透明感官显示。

**4.3 可穿戴与柔性系统**
柔性打印神经形态阵列可监测和处理多模态生理信号。透明光子突触嵌入柔性基底可开发自适应抬头显示器和软性隐形眼镜，实现低功耗视觉与生物特征处理。

**4.4 可扩展性与集成**
采用WDM与微环权重库技术实现单片芯片多通道。广播环和波长交换光子网络可连接大量神经元。异构集成（将光子芯片与电子器件、非易失性存储器共同封装）可克服互连瓶颈。未来需结合多种材料（III-V半导体、硅光子、2D晶体、硫系化合物等）并利用3D芯片封装。

**4.5 能效与材料**
光子神经形态器件已达飞焦（甚至阿焦）每操作，通过优化高Q谐振器、低损耗波导和PCM薄膜等可进一步节能。新型透明材料（如2D/有机光组件、超表面辅助滤波器）可实现紧凑低电压操作，但需解决均匀制造、材料稳定性和热管理问题。

**4.6 神经形态仿生学**
光子神经形态器件通过集成光子神经元和突触，在采集点直接处理感官信息（如视觉、光学、生理信号），实现实时时空处理、尖峰编码和自适应学习。透明柔性形态可构建人工视网膜、感觉皮肤和自适应人机接口。结合可扩展光子网络与异构材料集成，可实现低功耗低延迟的类脑硬件。

**5. 结论**
本综述深入探讨了透明神经形态光子系统的最新进展，强调了光子工程和材料科学中的关键挑战与解决方案。基于光子的透明神经形态器件结合光学与类脑电路，在带宽和能效上实现显著提升，其透明和柔性特性可创造全新形态（如透明传感器、显示器、可穿戴设备）。材料创新（透明氧化物、PCM、2D材料）和器件架构进步（全光逻辑、光子记忆与突触、混合电光架构、双模传感器）以及异构集成是未来发展的关键。这些系统将推动AR/VR眼镜、智能健康贴片、机器人皮肤等应用，实现边缘自主低功耗AI。