新闻资讯
News
02
2025
-
06
钙钛矿微腔激子极化激元神经形态计算
作者：
近日，清华大学熊启华教授团队联合北京量子信息科学研究院，构建了首个基于钙钛矿激子极化激元的室温神经形态计算平台。该平台无需网络结构设计，通过单次训练即可实现92%准确率的图像识别。系统具备强非线性、皮秒级响应及良好可扩展性，为全光神经网络提供了新材料和实现方案，具备重要的研究与应用价值。该研究工作以“Ultrafast neuromorphic computing driven by polariton nonlinearities”为题发表在eLight（入选两期卓越计划）。
一， 寻找人工智能的“物理大脑”
过去十年，人工智能的发展取得了突破性进展。图像识别、语音理解、自动驾驶等应用的背后，是深度神经网络在不断提升。但支撑这一切的，是庞大的计算资源和高速芯片的持续堆叠。
在现实中，训练一个先进的AI模型，往往需要长时间运行数以百计的GPU设备，所需能耗巨大。这类计算依赖传统电子架构，其本质仍是依次处理信息的逻辑电路，在处理复杂、并行、时变任务时存在天然的效率限制。
这让研究者们开始思考：有没有可能跳出电子芯片的限制，构建一种全新的、物理层面的“类脑计算”系统？
神经形态计算希望模仿大脑的运行机制，在物理结构层面直接实现类神经网络的并行处理和联动响应。这不仅意味着更高的效率，也意味着一种根本不同于现有芯片的“新型计算架构”。
二， 光与物质叠加态提供新的思路
激子极化激元是由半导体中激子与光子强耦合形成的一种准粒子，兼具光子的高速传输与激子的非线性相互作用特性。这类准粒子具备天然的并行性、低功耗、超快响应等优势，被认为是实现神经形态计算的理想候选之一。
然而，现有的激子极化激元神经形态计算方案普遍依赖低温操作和复杂的纳米结构加工，不利于实际部署。能否在常温下实现激子极化激元驱动的神经形态计算，成为推动该方向发展的关键问题
针对这一挑战，清华大学熊启华教授团队与北京量子信息科学研究院合作，构建了一个基于钙钛矿微腔的激子极化激元神经形态计算平台。该团队不仅对室温激子极化激元的非线性响应特性进行了全面的测量，还首次展示了无需预设网络结构条件下的图像识别任务，准确率达到92%，为全光神经形态计算硬件提供了新的材料方案和实验思路。
三， 用钙钛矿激子极化激元实现光驱神经形态计算
该平台的核心结构是一块平面FAPbBr₃钙钛矿微腔，非共振激发下能够实现激子极化激元凝聚。研究团队利用空间光调制器将MNIST手写数字图像编码为空间调制的激发光场，并投射到微腔样品上。钙钛矿激子极化激元系统在不同输入下产生各异的发光模式，这些发光图案作为输出信号，经过线性回归处理完成分类判断。
该方法的关键在于无需事先设定神经网络的拓扑结构，计算过程完全依赖于材料本身的信息映射能力。换言之，系统直接使用材料的光学响应实现了“网络连接”，极大地简化了硬件设计与实验流程。
此外，该平台展现出显著的非线性特性。实验显示，系统在激发强度接近凝聚阈值时，响应从线性迅速过渡到非线性，有助于提高图像间的可分性。进一步的时间分辨光谱测量表明，激子极化激元响应具有皮秒级的动态演化过程，具备处理快速变化信号的潜力。
图3：不同激发功率下激子极化激元神经形态计算的识别正确率
四， 研究亮点与发展前景
本工作在材料选择、系统结构和计算性能等方面均实现了关键突破，主要亮点包括：
4.1 室温运行，突破冷却限制
该平台在常温条件下实现了激子极化激元驱动的神经形态计算，显著降低系统复杂性，具备工程落地潜力。
4.2 网络自生成，提升可扩展性
无需预定义网络结构，系统通过空间调制直接实现全连接映射，简化了训练流程，利于大规模集成。
4.3 动态响应，支持时变信号处理
激子极化激元系统展现出皮秒级响应与强非线性特性，为处理动态、多模态输入提供了物理基础。
这项研究为构建新型光驱神经形态计算芯片提供了思路。将钙钛矿材料优异光学性质与激子极化激元非线性响应机制结合，不仅实现了从“可用”到“实用”的跨越，也为实现高性能、低功耗的智能光计算奠定了基础。未来，该平台有望扩展至更复杂的计算任务，并与光子器件技术深度融合，助力神经形态智能从原理验证走向实用系统。
最新动态
感谢您访问崇帆科技官方网站，如有合作意向或建议，请通过以下方式联系我们，我们会尽快给予回复，谢谢！
移动版
官方公众号