基于钙钛矿的全光突触实现多维可重构光学类脑计算

会学习的光

驱动现代人工智能的计算机仍然在独立的存储和处理芯片之间来回移动比特，浪费时间和能量。这项研究探索了一种截然不同的方法：利用光既传递信息又执行类脑学习。研究人员构建了一个“全光突触”——一个由光控制且能记住过去光脉冲的小元件——并展示了如何通过大量此类元件识别模式并在不改动硬件连线的情况下适应变化的环境。

随光与空气而变的薄膜

研究的核心是一种由钙钛矿材料制成的薄膜，对光和空气中的水分特别敏感。当紫外光照射薄膜时，其晶体结构发生重排并变暗，阻挡更多可见光；当光源移除且材料从环境中吸收水分时，它会缓慢恢复到更透明的状态。这种来回变化是完全可逆的，并在多次循环和数月存放后保持高度稳定。由于通过薄膜的透光量可以从接近透明到强着色大幅变化，它为编码不同“权重”或强度提供了宽广的区间——类似于大脑中神经元之间可变的连接强度。

会记忆的光学突触

研究人员将薄膜透明度的变化视为一种光学记忆。连续的光脉冲可以暂时增强薄膜的响应，模仿真实突触在信号快速到达时短暂增强的行为。通过改变作用在薄膜上的脉冲数量、重复频率和强度，团队可以将器件从快速衰减的短期记忆推进到持久存在的长期记忆，反映了大脑短期记忆与长期记忆的区别。周围的湿度也充当调节旋钮：较干燥的空气会减慢材料的恢复，延长光脉冲“记忆”保持的时间，而更潮湿的环境则加快遗忘。

从单一器件读取多重线索

由于薄膜的响应同时依赖多个因素——光强、照射时间和湿度——同一类型的突触天然携带关于环境的多维信息。团队记录了在不同条件下薄膜随时间演化的透明度轨迹，并将这些轨迹输入到循环神经网络（一种擅长识别随时间展开模式的人工智能）中。尽管所有信息都来自一种光学信号，网络学会了完美区分不同光强、脉冲时长和湿度水平，表明这些光子突触既能作为丰富的时间敏感传感器，也能作为存储元件。

仅用光重设任务

为展示实际计算能力，作者随后将这些薄膜阵列用作衍射光学神经网络中的可调元件——在该装置中，图像通过薄的图案层传播并被处理，而不是通过电子电路。通过对钙钛矿突触照射不同的编程光序列，他们可以在每个位置调节出多达80个不同的透明度级别，有效地设定网络的内部参数而无需任何物理更改。用一组光学“权重”，系统可以对手写数字进行分类；换一组，则能识别来自另一本数据库的服装项目。两项任务均由相同硬件完成，仅通过光驱动的突触更新进行重新配置。

对未来机器的意义

这项工作表明，一层简单的光敏薄膜可以表现为神经网络中智能且可调的连接体，将信息存储在其透明度中，并根据近期信号和周围环境产生不同响应。通过组合许多此类元件，研究人员创建了能够感知、记忆并以高速、低能耗适应新任务的光学系统，且无需传统电子电路。用通俗的话说，这是朝着将“眼睛”和“脑”都由同一种基于光的材料构成的相机与传感器迈出的一步，它们直接从所见光中学习，并仅通过新的照明模式重塑自身行为。

引用: Zi, J., Sun, J., Yang, B. et al. Multidimensional and reconfigurable optical neuromorphic computing using perovskite-based all-photonic synapses. Commun Mater 7, 92 (2026). https://doi.org/10.1038/s43246-026-01097-x

关键词: 光学类脑计算, 钙钛矿突触, 全光存储, 可重构光子学, 衍射神经网络