💡这项突破是什么?
近日，以首都师范大学为第一单位，化学系博士生龙腾、邓一博作为共同第一作者，廖清教授、付红兵教授为通讯作者，在国际化学领域顶级期刊《美国化学会志》（Journal of the American Chemical Society，JACS）发表了题为《基于有机晶体谐振器中自旋-轨道耦合的储备池神经形态计算》（Reservoir Neuromorphic Computing Based on Spin-Orbit Coupling in an Organic Crystal Resonator）的研究论文。合作者包括德国帕德博恩大学马学凯博士、北京石油化工学院顾春玲副教授以及法国克莱蒙奥弗涅大学纪约姆·马尔普埃什（Guillaume Malpuech）教授、德米特里·索尔内什可夫（Dmitry Solnyshkov）教授等。
随着人工智能快速发展，神经形态计算因有望降低功耗、缩短训练时间而备受关注，其中储备池计算利用非线性物理系统替代部分神经网络，但如何在室温、简单器件中实现高效非线性映射并灵活扩展输出维度仍是重要挑战。针对这一问题，研究团队以联苯乙烯衍生物有机单晶六边形微谐振器作为物理储备池，该谐振器无需额外反射镜，仅靠晶体折射率变化即可形成量子化光模式，非共振光激发产生的光致发光在六边形边缘传播并干涉，形成对输入图案高度敏感的非线性强度分布，通过沿边缘划分扇区并积分发光强度，可将高维光学图案压缩为低维输出，同时保持不同符号的可分离性。在10个简单符号识别任务中，团队仅用3个扇区积分强度构建3维输出，连接3×10浅层网络，训练80步即达到99.5%的识别准确率，训练时间较全尺寸网络减少约30倍；在更复杂的美国国家标准与技术研究所数据集手写数字识别任务中，仅利用强度信息时准确率约75%，而进一步利用有机分子强各向异性诱导的自旋-轨道耦合和光学自旋霍尔效应，将六边形划分为12个扇区并分解为6个偏振通道，构建72维输出后，识别准确率提升至93.6%，使网络规模较无储备池的784×10网络缩小10倍，训练速度提升3倍，误差率较仅强度方案降低1.5倍。该工作展示了有机晶体谐振器在储备池神经形态计算中的独特优势：器件结构简单、室温工作、空气稳定，发光寿命约5纳秒，操作速率可达0.2千兆赫兹，单符号功耗约1.5皮焦；自旋-轨道耦合提供了一种自然调控输出维度的自由度，可根据输入复杂度在速度与精度之间灵活平衡，未来通过将输出波导和偏振分束器集成到谐振器边缘，有望实现片上集成，推动有机光子器件在柔性可穿戴、神经形态视觉和低功耗光计算中的应用。
《美国化学会志》创刊于1879年，由美国化学会出版，是国际化学领域最具影响力的顶级期刊之一。该工作获得了国家自然科学基金、国家重点研发计划、北京市自然科学基金、我校交叉研究院、北京先进成像理论与技术高精尖创新中心等基金资助。近年来，化学系在学科建设、人才培养方面取得了明显成效。今后化学系将围绕学校“攀登计划”，加强博士学位点建设，加强北京市重点实验室等科研平台建设，开展高水平原创性科学研究工作，为提高我校整体科研水平及国际学术影响力做出贡献。
