💡这项突破是什么?
）和波长范围下的性能变化，我们展示了在受脑区功能启发的、复杂度递增的三项任务中，权重规则处理的高度一致性。重要的是，这三项不同视觉任务（数字/字母识别、形状识别和特征识别）所需的神经结构（深度卷积网络、残差网络和注意力网络）及其对应的衰减率（阶梯式、指数式和预热式）也是不同的。所提出的晶体管能够通过光学混合编程促进受生物启发的脑区之间的转换，从而适应动态的视觉环境。这种首次引入的创新方法，为脑启发计算和仿生视觉的实际应用铺平了道路。
任务1（识别字母/数字）主要激活初级视觉皮层（V1-V3）和下颞叶皮层进行基础感知；任务2（识别图案/颜色）进一步调动梭状回和V4区处理精细特征；任务3（区分动物特征）则需顶叶内沟等高级中枢参与整合。这种层级化激活模式揭示了大脑应对递增认知需求的动态协作机制。
图1. 受脑功能区启发的晶圆级突触阵列的设计和制造
晶圆级均匀工艺：4英寸柔性阵列1000器件统计阈值电压、开态电流呈正态分布。
高线性权重更新：电导-脉冲数线性度R²>0.99，优于现有二维/有机/氧化物体系。128态非易失存储：连续光脉冲下可分辨128级权重，对应7 bit精度，保持时间>1000 s。
图3. 栅极可调控双极光存储
波长-强度协同编程：通过375/405/532nm与0.1–2.1 mW cm-2组合动态生成步进、指数、余弦等学习率曲线，直接映射至CNN/ResNet/Attention权重。
图4. 用于动态神经网络的动态可编程神经形态器件
相关工作以Gate-Tunable Highly Linear Bipolar Photoresponse in Se@SWCNT Adaptive Neurons for Dynamically Programmable Neuromorphic Computing为题发表在Advanced Materials上（论文1）。中国科学院苏州纳米所博士生姚建，博士后王琦男和耿林为论文共同第一作者。西交利物浦大学赵春教授和中国科学院苏州纳米所刘立伟研究员、李清文研究员、康黎星研究员为共同通讯作者。同时团队还系统地总结了全光控先进神经形态的最新进展，重点探讨了材料和全光学控制机制在提升效率和可扩展性方面的贡献以及全光学控制神经形态器件在光学逻辑门、视觉感知和脑启发计算等多样化应用中的潜力 (ACS Nano 2025,19,29,26320)（论文2）。系列研究获得了国家自然科学基金、江苏省重点研发计划等项目的支持，以及中国科学院苏州纳米所纳米真空互联实验站（Nano-X）和纳米加工平台的技术支持。
