一种可重构的光敏分裂浮栅存储器，用于类脑计算与非线性激活

更智能的边缘硬件

现在手机、相机和各种小型联网设备都被期望能实时“看见”、识别并做出反应——但现状通常是把原始数据在独立的传感器、存储芯片和处理器之间来回传输。这种数据流动既耗能又拖慢速度。本文介绍了一种新型微小电子构件，它能在单个器件内感光、记忆信息并执行人工智能的关键步骤，有望为日常技术带来更快、更高效的智能硬件。

大脑如何启发新芯片

我们的眼睛和大脑处理视觉的方式与数码相机截然不同。在人体视觉系统中，视网膜不是简单地捕捉图像；它会立即过滤、压缩并突出重要特征，然后以紧凑的信号通过视神经送往视觉皮层。相比之下，大多数机器先采集完整图像、存储起来，然后在别处处理，浪费了时间和能量。研究人员试图在硬件中模仿这一生物策略：构建能够在本地既感知又处理信息的器件，并能够执行现代神经网络赖以做出复杂决策的非线性“激活”步骤。

一器三用

团队开发了他们所称的多模态分裂浮栅存储器。简单来说，它是由超薄材料堆叠而成的结构，表现得像一个非常灵活的晶体管，具有两个可独立控制的区域。通过向这些区域注入并捕获微小电荷包，器件可以按需重编程。在一种配置下，它可作为自供电的光传感器，其灵敏度可以被精细调节，甚至可呈现正或负响应。另一种配置下，它作为存储单元，其电导可以设置为多个稳定的等级，非常适合存储神经网络中连接强度——即“权重”。

将神经“触发”移上芯片

神经网络不仅仅是加法和乘法；在每一层之后，它们会通过非线性激活函数处理结果，常见的有 ReLU 或 Sigmoid。通常这些步骤由独立且耗能的电路来完成。在这里，同一个既能感知又能存储信息的器件也可以执行这些激活。当被编程到某一特定状态时，器件仅在输入超过某一阈值时才允许电流通过，模拟出 ReLU 的行为；当重新编程后，其电流-电压曲线变得平滑呈 S 形，类似 Sigmoid。关键是，在这些模式之间切换仅需电调且迅速完成，无需改变芯片的物理结构。

用于视觉任务的微型硬件“大脑”

为展示其可能性，作者将许多此类器件连成小型阵列并作为完整的硬件视觉系统使用。在所谓的传感器模式下，器件阵列可直接将光的模式转换为带权重的信号，在图像传感器内部执行神经网络的第一层。在存储模式下，类似阵列执行典型的、更深层网络所需的矩阵类运算。处于激活模式的独立器件随后应用 ReLU 和 Sigmoid 操作。借助这种配置，系统能够以接近纯软件模型的准确率对标准 MNIST 数据库中的手写数字进行分类，还能使用自编码器清理噪声图像，并将学习到的权重以非易失形式本地保存。

这对日常技术为何重要

对非专门读者而言，关键点在于研究人员将感知、存储与人工智能的非线性“决策步骤”合并进了单一可重构器件。由于它可用微小能量脉冲编程、在纳秒级时间尺度上运行并能在无电时记忆其设置，这类硬件有望使未来的相机、可穿戴设备和其他边缘设备显著提高效率。与其将大量原始数据发往遥远的处理器或云端，不如在数据产生之处提取意义——正如我们眼睛和大脑所做的那样——从而为紧凑、低功耗、能够实时“看见”并理解世界的机器打开放之门。

引用: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

关键词: 类脑硬件, 传感器内计算, 存内计算, 非线性激活, 边缘人工智能