背景介绍

生物神经系统中的不同神经元具有差异化的膜时间常数，可分别承担快速响应与长时信息积累，从而实现高效的时空信息处理。脉冲神经网络（SNN）虽具有事件驱动和低功耗优势，但现有硬件神经元多采用固定膜动力学，难以在同一器件中兼顾快速放电与长期积分，也限制了网络针对不同层级和任务自适应选择时间尺度。因此，在器件层面实现膜时间常数的连续可调，是提升SNN学习能力并推动自适应神经形态硬件发展的关键。

成果简介

研究团队构建了TiN/Hf_0.5Zr_0.5O₂（HZO）/TiO₂/ITO异质结构，研制出CMOS工艺兼容的寿命可调光神经元器件。其核心创新在于利用读取电压调控光生载流子的分离、复合与陷阱占据，使单个器件的光电流衰减寿命能够连续变化，直接对应可调的神经元膜时间常数。该器件不仅可在同一硬件单元中模拟快速放电与低阈值放电神经元，还实现了兴奋性突触后电流、双脉冲易化、泄漏积分及短时记忆向长时记忆转变等功能；在1.5 V读取电压下，时间常数可超过776 s，体现出宽范围的时间尺度调控能力。

在此基础上，团队进一步将器件的可调寿命映射为SNN中的可训练时间常数，使不同网络层能够自主形成快、慢动力学共存的时间异质结构，这是本工作的另一项关键创新。仿真结果表明，该模式在CIFAR-10、CIFAR-100、Tiny-ImageNet和Caltech101上的识别准确率分别达到85.21%、39.47%、45.33%和63.80%，并在动态CIFAR10-DVS数据集上取得76.31%的准确率，整体优于固定时间常数模式，同时表现出更快的训练收敛和更好的目标检测性能。该研究建立了从器件寿命调控到网络时间尺度自适应的直接联系，为事件驱动、时序自适应的硬件SNN提供了新的器件与架构路径。

图文导读

从生物时间异质性到寿命可调人工神经元

图1  HZO基寿命可调光神经元的设计概念。

不同生物神经元依靠不同膜时间常数承担快速响应、记忆编码和长时信息积累等功能。该工作以读取电压调控光生载流子寿命，使同一器件能够在快速衰减与长时保持之间连续切换，从而避免为不同时间尺度分别设计独立神经元器件，并为SNN引入可训练的时间异质性。

光输入驱动的泄漏积分与脉冲发放

图2  寿命可调光神经元的LIF放电行为。

器件在连续光脉冲作用下完成光感知、电流积累、自然泄漏与阈值发放。改变光脉冲间隔、宽度和强度，可调节膜电流的累积速度与输出脉冲次数，说明该器件能够将不同时间特征的光输入直接编码为稀疏脉冲，为事件驱动神经形态感知提供可调硬件神经元。

可训练时间常数提升SNN学习性能

图3  基于寿命可调光神经元的SNN架构及识别结果。

网络训练过程中，不同层级可自主选择适合的时间常数：较短时间常数有利于快速提取局部特征，较长时间常数则有助于积累长时语义信息。快、慢动力学的协同缓解了固定时间常数模式在信息积累与时间分辨率之间的矛盾，使网络在多个静态与动态视觉数据集上获得更高准确率和更快收敛。

作者简介

本工作由复旦大学集成电路与微纳电子创新学院/微电子学院、复旦大学纳米技术研究院，上海交通大学电子工程系以及山东大学集成电路学院合作完成。Chiunghan Yeh、Shaotian Zhang和Chen Lu为共同第一作者；Jiaming Liu、Jiajie Yu和Lin Chen为共同通讯作者。

复旦大学陈琳教授团队长期围绕新型存储与神经形态器件、铪基铁电材料与器件、柔性与可穿戴电子以及先进集成技术开展研究，致力于从材料、器件到计算系统构建低功耗、可集成的新型智能硬件。

文章信息

Yeh C, Zhang S, Lu C, et al. Enhancing learning of spiking neural networks with lifetime-tunable optical neuron devices. Nano Research, 2026, https://doi.org/10.26599/NR.2026.94909146.

转载本文请联系原作者获取授权，同时请注明本文来自SciOpen TUP科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3563286-1558548.html?mobile=1

收藏

分享