西交利物浦大学赵春/刘庆&华师大田博博等综述：突触可塑性工程从器件到系统

Synaptic Plasticity Engineering for Neural Precision, Temporal Learning, and Scalable Neuromorphic Systems

ZhengjunLiu, YuxiaoFang, QingLiu*, BoboTian*, ChunZhao*

Nano-Micro Letters (2026)18: 196

https://doi.org/10.1007/s40820-025-02028-0

本文亮点

1. 可塑性工程赋能计算单元：围绕突触可塑性工程的器件-算法映射，面向空间模型实现高精度权重可编程调节，并面向动态神经网络实现高效时序信息处理。

2. 可塑性调控驱动算法增益：系统解析可塑性调节提升精度、稳定性与收敛速度的作用机制，强化神经形态模型在训练与推理阶段的鲁棒性表现。

3. 资源高效的神经形态架构设计：提出面向系统级落地的资源效率策略，通过多功能器件集成、多模态融合与异构阵列协同，实现可扩展、低功耗与通用化的智能硬件平台。

研究背景

神经形态器件与网络已成为当前研究的热点领域，涵盖忆阻器和突触晶体管的长期增强与长期抑制、二维材料、铁电材料及量子点等新型材料体系；面向卷积神经网络和全连接神经网络的高精度权重映射；针对储备池和脉冲神经网络的短时记忆与时序学习；以及感知-存储-计算一体化和阵列级系统演示等多方面进展。然而，真正挑战在于如何将器件层面的“优异可塑性”稳定转化为系统层面的算法收益。一方面，空间网络要求模拟权重具备高分辨率、低非线性、强对称性和抗漂移特性；另一方面，时序网络则需可调的短期记忆/衰减窗口以及阈值/时序敏感的脉冲学习规则，方能有效捕捉真实世界的时间相关性，实现“记得住、忘得对”的动态平衡。以往研究多局限于单器件层面，而从可塑性工程到算法优化、资源效率与泛化能力的系统化贯通仍相对不足。本综述强调，可塑性工程应直接驱动网络与系统性能提升，并提出从权重精度、时间学习、感知门控到阵列与异构系统集成的清晰路线图。

内容简介

针对神经形态器件中“器件级优异表现”难以稳定转化为“系统级算法收益”的关键瓶颈，近年来研究逐步跳出静态仿真范式，转向动态、面向网络训练与任务需求的可塑性设计，从而显著提升计算精度与功能相关性。西交利物浦大学赵春等人围绕“可塑性如何服务神经网络”这一主线，重点梳理多样化突触行为在稳定学习、时间信息处理与情境感知适应等任务中的协同作用，包括：空间模型中的多级长时程增强/抑制(LTP/LTD)，时间模型中的可调短期记忆(STM)，以及波长选择性响应、兴奋/抑制协同、自适应阈值调制等关键调控机制。

在行为层面之外，我们进一步总结多功能单器件集成、多模态融合与异构系统组装等策略如何推动神经形态架构向更紧凑、更低功耗与更强通用性演进；同时，阵列级最新进展也凸显了高性能可扩展性与系统落地潜力。尽管进展显著，现有调控策略在灵活性、行为多样性与大规模协同一致性方面仍存在约束。未来研究亟需在可塑性模式丰富化、跨模态协同增强与阵列均匀性提升等方向持续突破，为可部署、高效率的神经形态智能系统铺平道路。

图文导读

I 突触可塑性工程：从单器件可塑行为到阵列级系统集成的技术路径

过去十年，神经形态器件研究快速发展，突触可塑性也从“单器件可模拟”迈向“可参与网络训练”的新阶段。然而，器件级的优异可塑性表现并不必然带来系统级算法收益，这成为限制神经形态硬件落地的关键瓶颈。为此，研究范式正从静态表征转向动态、面向网络任务的可塑性工程设计。

在空间权重网络中，高分辨、近线性、对称且抗漂移的突触权重调控是精度与可扩展性的基础；在时序动态网络中，可调短期记忆与动态阈值调制支撑时空编码与事件驱动学习。与此同时，可塑性也带来新的“前端计算优势”：波长选择性可塑性实现靶向感知与噪声抑制，兴奋–抑制协同构建注意与感受野，动态阈值与元可塑性增强自适应与泛化。

但仅靠行为还不够，系统走向低功耗与可部署需要架构协同：多模态融合、单器件多功能与异构集成把感知、记忆与计算推向更紧凑的闭环系统。基于上述逻辑，本文在图1给出综述框架概览，在图2总结可塑性工程技术路线图，并进一步讨论阵列级挑战与未来方向。

图1. 综述框架：可塑性单元、模型增益、资源策、阵列级系应用。

图2. 可塑性工程路线图：权重更新，波长选择性、兴奋–抑制协同、动态阈值与异构协同。

II 模拟权重态的突触工程：多级精度与长期稳定

2.1 多态可编程与对称更新：构建高精度模拟权重

在空间权重驱动网络(卷积神经网络(CNN)/多层感知机(MLP))中，器件性能的评价应从“可塑性现象展示”进一步转向“可训练权重表达能力”。高保真模拟权重通常要求：足够的电导状态数、宽动态范围(DR)，以及近线性、对称、可重复且漂移受抑的更新特性。本综述结合神经网络映射与器件表征，系统阐明上述权重指标如何直接影响训练与推理性能。以VP-MoS₂异质结构突触器件为例，其网络映射结构如图3a所示，并嵌入多层架构开展模拟训练与推理。训练前后权重分布的“重构–分离”(图3b)表明：高分辨权重能够增强类内聚合、拉大类间间隔，从而支撑更可靠的可分性。更关键的是系统层面存在一个近似“硬门槛”(图3c)：当DR与状态数不足时，准确率会出现断崖式下滑，尤其在DR小于20 dB时性能急剧恶化，说明必须依赖高DR与均匀可编程性来降低映射误差与量化噪声。对应到器件层面，VP-MoS₂利用VP的宽带隙与强光相互作用，实现超106的暗/光比、60 dB的DR，并获得128个清晰电导态(7-bit)；其LTP/LTD更新曲线(图3d)与单态波形(图3e)进一步表明光/电协同驱动可实现重复、近线性且对称的权重写入/擦除，从而提供更精密的权重空间。

2.2 抗漂移与稳态保持：面向长期训练的权重稳定性

除“可编程”外，稳定性与漂移抑制是走向大规模部署的另一条生命线。以BICUVOX/LSF50固态氧离子突触晶体管为例，权重映射后MNIST数据集准确率达到96%，接近软件基准(图3f)，突出说明漂移最小化对推理可靠性与收敛行为的直接贡献。其更新特性(图3g、3h)显示：在sub-1V低电压下可实现大于100个近线性电导态(约7-bit)，非线性因子0.3-1.7、不对称比0.03，并在5000次循环及升温条件下保持稳定，体现了离子调制路径的确定性与耐久性。进一步地，MFMIS铁电忆容阵列提供了“电容域权重”的替代路线：通过畴动力学形成多级电容态(图3i)，在3-bit中间态下仍可保持超10⁴ s(图3j)，循环统计显示高/低态一致性良好(图3k)，为面向能效与漂移鲁棒的权重表示提供了可扩展的阵列级证据。

图3. 神经形态突触器件中的多态权重调制与稳定性展示。

III 时间可塑性的突触工程：从短时记忆到时序学习

3.1 可调STM时间窗：可控遗忘与时序编码

围绕储备池计算(RC)与脉冲神经网络(SNN)等时序模型的核心需求，本文系统梳理动态突触可塑性如何在脉冲驱动下实现快速、可逆的时序编码，并通过可调的记忆保持与遗忘窗口完成信息筛选与状态更新，从而提升复杂时序信号的表征能力。以全量子点光电忆阻器(FQDOM)为例，其异质结结构在单一硬件节点内统一实现宽谱光探测、非线性STM衰减、颜色选择性响应与储备池计算(图4a)。在字母分类任务中，脉冲编码图像的非线性时序映射可在小于30次训练内达到100%准确率(图4b、4c)，体现器件级记忆动力学对训练效率与任务表现的直接增益。进一步地，通过调控脉冲数量、强度与光谱成分，可扩展记忆衰减过程并重塑突触响应轨迹，从而丰富储备池状态空间，增强高维时序处理能力(图4d)。可调STM时间窗口被认为是时序感知、自适应响应与稳健学习的基础。以光子雪崩(PA)纳米晶为例，其依托激发态吸收与能量循环实现超陡非线性发光，并呈现稳定STM行为；其成对脉冲易化(PPF)指数对脉冲间隔高度敏感，可复现生物突触中由时间间隔调制的衰减记忆增强效应(图4e)，从而支持纯光子域的动态特征提取与时序求和。进一步，UCNPs@SiO₂/P3HT混合晶体管通过光电耦合与电编程协同，实现不少于8级非挥发电导态、可调弛豫时间以及更丰富的非线性记忆动力学。在近红外刺激下，该器件构建的储备池可同时支持静态/动态模式识别：静态数字分类准确率达91.13%，复杂非线性序列预测的NMSE低至1.06×10⁻³(图4f-4h)。通过变量编程与光输入的协同调控，储备池状态空间进一步扩展，进而提升预测精度与时序适应性，体现多模输入融合在时序神经形态计算中的价值。

图4. 神经形态硬件中可调STM的时序动态展示。

3.2 STDP脉冲时序可塑性：把时间差写进权重

在SNN中，动态阈值调制与尖峰时序依赖可塑性(STDP)共同决定事件驱动学习的时序精度与能效边界。以全二维材料SNN为例，WSe₂I²FET神经元与α-In₂Se₃/h-BN/CIPS FeFET突触实现器件级整合(图5a)，在无监督人脸分类任务中仅20次训练即可达到87.5%的准确率，体现阈值动力学与可塑性协同对学习效率的直接增益(图5b)。在器件层面，I²FET依托WSe₂通道高场区产生亚微秒雪崩尖峰，单尖峰能耗约2 pJ，较硅基实现呈现20-5000倍的能耗优势，并支持尖峰频率的线性调制(图5c、5d)。与FeFET突触集成后，系统表现出显著的时空积分特征：单个亚阈值输入不足以触发放电，而时空邻近输入可实现高效求和，复现类树突的事件整合计算(图5e)。进一步地，STDP与自适应阈值的耦合被证明是兼顾时序精确性与能效的重要抓手。以MoS2铁电突触晶体管构建的aSNN为例，其可在数字补全任务中由局部线索重构完整模式，静态数字分类准确率达到91.13%，显示出对关联记忆与模式完成能力的有效支撑(图5f)。该器件利用栅控畴壁动力学实现模拟、对称且近线性的权重调制，并以每事件亚飞焦级能耗支持频率依赖可塑性(SRDP)与STDP学习规则(图5g)；其中预/后突触尖峰的相对时序决定长期增强/长期抑制(LTP/LTD)的方向与幅度，从而在器件层面实现无监督Hebbian学习并保持长期记忆(图5h)。总体而言，高场尖峰产生、铁电畴调控与界面钝化等器件工程要素共同稳定阈值与可塑性窗口，进而优化尖峰时序与间隔分布，提升边缘端时序智能的效率、选择性与鲁棒性。

图5. 动态阈值调制与STDP在SNN实现中的器件机制展示。

IV 情境感知门控的突触工程：选择性输入与自适应响应

4.1 光谱与波长选择性响应：按信息维度精准门控

围绕“波长选择性可塑性如何转化为系统级鲁棒感知与注意机制”这一问题，本文梳理了多类器件与阵列工作在噪声环境下实现光谱特征提取、动态场景感知与序列学习的关键路径。其核心在于：通过对特定波段的选择性突触响应，将目标信息在前端完成增强与过滤，从而降低后端网络对复杂预处理与大规模算力的依赖，并提升噪声条件下的识别稳定性。以perylene-TCNQ分子共晶纳米线(MCN)突触阵列为例，该阵列与CNN协同实现蓝光靶向图像预处理与高精度特征识别(图6a)。在红/绿高斯噪声MNIST去噪任务中，阵列将识别准确率从12%提升至90%，接近干净数据的基准水平(图6b)。器件在365-1050 nm范围内呈现宽带光响应(图6c)，同时对455 nm蓝光脉冲产生显著增强的选择性兴奋性突触后电流(EPSC)(图6d)，从而在复杂背景中有效隔离目标蓝光特征，实现“光谱选择-前端降噪-特征可分”的闭环链路。面向动态运动场景，光谱信息的互补性与仿生结构设计进一步决定系统上限。以等离子体增强MoS2神经元阵列为例，其借鉴鹰眼双波段短轴架构(图6e)，构建可见光与近红外融合的感知路径，用于捕获信息最丰富的时空帧(图6f)。在四类运动识别任务中，该多谱融合方案准确率接近99.8%，显著优于单波段与常规策略(图6g)，体现多谱协同对运动分析的直接系统增益。进一步地，C₆₀/Go π-π耦合异突触阵列(5×5)展示了波长/输入序列依赖的时序计算能力，可用于序列驱动的视频识别(图6h)。顺序字母输入产生可区分的时空电流图，最终帧输出能够编码完整刺激历史(图6i)，且特征向量随先前输入呈现差异化轨迹(图6j)；电流随脉冲数单调递增的规律为精确时序映射提供了可控基础(图6k)。在轻量CNN读出下，该阵列实现97.3%的动态视频识别准确率，并表现出良好的泛化与抗噪能力(图6l)。

图6. 波长选择性突触可塑性在光谱感知与特征编码中的展示。

4.2 兴奋与抑制协同：对比增强与噪声抑制的硬件实现

兴奋-抑制协同是仿生视网膜实现“信息增强与抑噪并行”的关键计算范式：通过对目标特征的选择性增益与对无关背景的抑制，在硬件前端同时完成对比度提升、噪声压制与动态注意分配，从而支撑实时边缘提取、运动辨识与背景动态抑制等边缘端任务。以ZnO/Chl-A/Chl-D异质结光电忆阻器为例，其利用光谱选择性诱导的氧空位光电离/去离子化过程，实现全光驱动的兴奋与抑制双通道调控：430 nm对应正向增强突触电流，730 nm对应抑制突触电流，且双向LTP/LTD切换稳定可逆(图7a、7b)。在5×5阵列中，器件可对图像不同区域进行亮度依赖的选择性放大与抑制，实现实时对比度增强与动态去噪，复现中心–环绕拮抗感受野的功能特征(图7c)。其硬件边缘提取结果与Canny算子高度一致(图7d-7f)，像素分布呈高斯特征(图7e)；进一步通过300×300正负电导矩阵叠加验证了该策略的可扩展性(图7g)。兴奋-抑制协同的价值并不限于静态增强，更可直接服务于动态选择与运动突出。以WSe₂/P(VDF-TrFE)可重构神经形态视觉传感器为例，通过对称非挥发的双向光电流态对时序帧差进行编码，顺序正负电导矩阵相减可有效消除静态背景并突出运动轨迹(图7h)，实现对动态信息的硬件级提纯，从而支撑高精度手势与轨迹识别。进一步地，ITO/Nb:SrTiO₃异质结突触展示了“可编程注意增益”的实现方式：电压辅助光调制使区域增益具备空间特异性，正偏压增强目标区域响应，反偏压抑制无关信号(图7i)。在3×3阵列中，通过空间编程电压可实现注意的聚焦与散焦调控(图7j)，从而显著提升分类准确率(图7k)。在系统级验证中，该机制可将突触电阻态映射至关键面部特征，类激活映射(CAM)可视化显示高相关区域(图7l)；在ORL数据集上识别准确率由77%提升至90%，数据负载降低35-65%，并在噪声与空间畸变条件下保持鲁棒性(图7m)。

图7. 兴奋-抑制协同与空间注意在神经形态视觉系统中的展示。

4.3 自适应阈值调制：动态注意力与事件触发机制

面向真实环境部署，神经形态系统在低对比度、弱信号与动态噪声场景中常出现特征退化与收敛不稳定等问题。围绕这一瓶颈，本文梳理自适应阈值调制与元可塑性如何通过硬件级预处理与可编程响应窗口，在前端完成噪声抑制与情境自适应编码，从而支撑复杂场景下的高精度特征提取与稳定学习。以双对手感受野(DORF)人工神经元阵列为例，在低光自动驾驶场景中，传统视觉链路往往因对比度不足而导致检测显著失效；引入DORF预处理后，系统可通过提取更鲁棒的NIR与UV边界信息恢复目标检测能力，实现显著的边缘增强(图8a)。仿生椭圆DO感受野结构以二维高斯导数形式刻画空间-色度拮抗关系(图8b)，为硬件级方向选择性编码提供了理论描述。器件层面，通过选择性栅压调谐(VGS=2 V、10V或−5V)，阵列对特定取向边缘呈现最大响应(图8c)；在连续角度输入下，尖峰输出出现显著的方向依赖峰值(图8d)，验证了取向选择性编码能力。经硬件处理后的边缘图像在全亮度范围内保持锐利清晰(图8e)，倒置像素图与取向标记光栅图进一步给出一致性验证；同时，尖峰编码图像在不同照度下仍能保持关键特征的完整性(图8f)。系统级收益更为直接：将经DORF预处理的数据集输入卷积SNN后，分类准确率在全照明条件下稳定保持在90%以上(图8g)；在高噪声条件下仍可维持约80%的准确率，显著优于未经预处理情况下的快速退化(图8h)。器件动态特性表明，输出电流随VGS演化跨越三种工作区(图8i)；在低VGS下呈现UV激发尖峰、NIR抑制的响应特征，而在高VGS下关系反转，从而在硬件层面实现双对手色度处理(图8j、8k)。进一步地，栅压调控可使UV与NIR的编码范围发生动态偏移(图8l)，尖峰频率可在sub-Hz至2.6 MHz范围内连续调谐(图8m)，体现出极宽的动态自适应能力，为复杂光照与噪声环境下的稳健感知提供了可编程支撑。

图8. 神经形态神经元阵列中动态可调阈值可塑性与元可塑性展示。

V 资源高效集成的突触工程：融合感知、存储与计算

5.1 器件级多模态融合：单器件多通道感知与联合编码

多模态融合的价值在于把“感知-编码-推理”尽可能前移到器件前端：在单一物理通路内实现光、机械、化学与环境信号的共编码，从而完成数据压缩、提升噪声鲁棒性，并引入情境依赖的自适应权重调控，为边缘端智能降低传感器数量与网络负载。以仿生人工嗅觉系统(AOS)为例，该系统将人源嗅觉受体纳米盘(hORNDs)与MoO₃功能化有机突触器件(MOSD)耦合，模拟嗅球中球状体—僧帽细胞的层级结构。短链脂肪酸(SCFAs)诱导的电导变化被映射到高维9×3阵列中(图9a)，并作为27维输入送入定制ANN(27输入、14隐藏、4输出；图9b)。训练后，单一气味的识别准确率迅速达到100%(图9c)；对于气味混合物，系统可通过组合电导模式与ANN推理实现高精度区分(图9d、9e)，体现“前端编码空间”对复杂气味判别的直接支撑。器件层面的可塑性工程是系统性能的关键保障。MOSD通过可编程Li⁺/TFSI⁻氧化还原嵌入实现稳定的线性权重更新(图9f)，使EPSC记忆保持时间显著延长至约700s(原始器件约5s；图9g)，同时LTP/LTD的非线性与不对称性明显降低(图9h)。在无SCFAs条件下，AOS维持稳定的EPSC与LTP/LTD基线(图9i、9j)；在SCFAs暴露下，系统产生与气味类型相关的EPSC与可塑性响应，检测限低至0.07 ppm(图9k、9l)。主成分分析与荧光表征进一步验证了分子选择性与识别可靠性。

图9. 仿生多模态突触嗅觉系统与器件级表征展示。

5.2 单器件功能一体化：感知、存储、计算闭环融合

单器件多功能集成的核心价值，在于把感知、存储与初级计算尽可能压缩到同一物理节点内，从而减少数据搬运与外围电路开销，降低边缘端功耗，并推动神经形态硬件向更紧凑、更高集成度的形态演进。以铁电隧道结(FTJ)突触为例，该器件通过耦合铁电极化与氧空位迁移，在同一结构内同时获得高密度非挥发存储与快速自适应弛豫动力学(图10a)。在阵列层面，研究者进一步采用分区脉冲编码策略：正脉冲写入图像、负脉冲写入语音，实现多源信息在同一阵列中的并行映射，模拟生物多感官汇聚(图10b)。语音可被转换为像素级电压序列(图10c)，对应的电流响应清晰呈现多模态状态分离，并在此基础上实现稳健的数字识别(图10d)。在更高阶功能仿真中，偏压可编程与多端构型提供了器件级可重构性。以可重构MoS2/h-BN/Graphene神经形态单元为例，通过选择性偏压与多端配置，在单一二维异质结构内集成突触、神经元与树突三类行为(图10e)。器件同时展现光电突触可塑性(图10f)、类神经元积分–发放响应(图10g)，以及光调制下的被动/主动树突滤波与非线性逻辑运算(图10h)，为构建可重构、可扩展的类脑系统提供了统一硬件基元。多功能集成也可直接转化为通信与安全层面的系统优势。三模光敏突触LED(PSSL)平台可通过电压编程在宽带光检测、双极性逻辑与突触发光之间无缝切换(图10i)。利用正交红光/紫外光通道分别编码字母信息(图10j-10l)，在双波长同时照射下，双极探测模式输出“0”可有效抑制干扰，而常规单极器件易将其误判为“1”导致解码错误(图10m)，体现器件本征的高保真与抗干扰光通信潜力。进一步地，原位卷积晶体管(In-SCT)原位卷积晶体管将模拟卷积与突触记忆融合于单一节点(图10n)。其电导变化与卷积面积在数学上等价(图10o)，使阵列能够实现层级堆叠卷积并支持内存中分层计算(图10p)，从而显著降低网络面积与能耗，为超紧凑CNN硬件实现提供了可行路径。

图10. 多功能单器件神经形态平台的集成展示。

5.3 多器件模块化集成：分工协同与可扩展系统搭建

面向可部署的神经形态系统，多器件模块集成的关键不在于简单堆叠功能，而在于通过匹配偏压范围、电导窗口与时间常数，实现跨器件的鲁棒耦合与资源效率优化：将感知预处理前移至传感器端，将可塑性更新靠近存储侧，从而降低模数转换与互连开销，并更自然地支持事件驱动计算。以CIPS/GaN FeHEMT人工神经肌肉接头(NMJ)模块为例，该架构借鉴生物眼动系统的闭环控制框架(图11a)，并可直接驱动MEMS镜实现毫安级执行，无需额外放大器(图11b)。其激光位移测量与转向角随栅压呈比例调控关系(图11c、11d)，实验结果与理论预测高度一致(图11e)，说明器件级可塑性能够稳定映射到连续控制变量。进一步集成超声传感器实现实时反馈(图11f)，系统可动态跟踪移动物体(图11g)；突触增强后，sAPE误差显著降低(图11h)，输入/输出相位匹配更紧密(图11i)，体现闭环学习对跟踪稳定性与响应一致性的直接收益。与CMOS积分–发放单元(IFU)集成后，模块进一步支持尖峰式计算与反射样快速响应(图11j)，增强后的输出延迟由297 μs降至152 μs(图11k、11l)，呈现类似生物系统“加速反射”的效果。异构功能耦合为另一条可部署路径。以记忆光耦合器模块为例，长余辉有机发光晶体管(LAOLET)、有机场效应晶体管(OSOFET)与光电二极管放大器(PDA)被协同集成，用于实现阈值门控与光驱动信息传输(图11m)。突触光发射可诱导OSOFET形成非挥发光记忆，从而建立跨器件的光子桥接与可写入的连接权重(图11n)。在亚阈值刺激下，系统产生瞬态PSC并快速衰减(图11o)；当输入跨越阈值时，触发持久余辉并完成永久记忆编码(图11p)，体现“阈值–记忆”一体化的状态转换机制。与触觉传感器进一步集成后，可实现多模训练与响应控制(图11q)：弱训练时低压输入无法有效激活下游输出(图11r)，而强训练后高PSC可驱动持续发光与PDA电流输出，实现器件级感官学习并触发逻辑化行动(图11s)。

图11. 多器件模块单元在物理功能集成中的展示。

VI 面向大规模阵列的突触工程：一致性、可重构与异构集成

6.1 高一致性阵列：从单器件到大规模可训练映射

大规模阵列的系统性能往往不再由单个器件的“最好表现”决定，而由统计变异性、阵列寄生与工艺均匀性共同塑造的误差累积所主导：微小的单元差异在权重映射与迭代更新中会被放大，最终影响学习精度、收敛速度与能耗。围绕这一关键问题，本文梳理高均匀性阵列与可重构策略如何在传感器端实现可靠权重映射、低功耗预处理与可部署边缘智能。以PEDOT:BF4电化学突触晶体管阵列为例，该阵列采用一次可集成电聚合(OSIEP)实现无掩膜的大面积均匀生长(图12a)，为阵列级一致性提供工艺基础。正向脉冲诱导EMIM⁺注入并触发PEDOT⁺去掺杂，使器件表现出从短期抑制(STD)向LTD的连续过渡，记忆窗口超过100s(图12b)。在不同脉冲幅度下，LTD/LTP调制特性显示较高幅度脉冲可带来更接近线性的权重更新轨迹(图12c、12d)，而阵列均匀性使得单一全局查表即可用于权重更新，避免逐单元拟合与校准开销，从系统层面降低映射误差与实现复杂度。在网络映射验证中，MLP直接采用实验测得的LTD/LTP曲线作为权重更新规则(图12e)，MNIST识别准确率可快速收敛至95.2%(图12f)。该结果表明，阵列级均匀性不仅提升器件一致性指标本身，更直接支撑可重复的系统级学习行为与稳定收敛，是从实验演示走向可部署边缘智能的重要前提。

6.2 可重构In-sensor阵列：边采边算、按任务重连

像素级可重构为在传感器计算提供了一条低开销的任务适配路径：通过对单像素响应与耦合关系的可编程调控，可在不显著增加外围电路与数据搬运的前提下，实现面向不同任务条件的原位预处理与鲁棒推理。以有机p-n异质结阵列为例，该阵列在4英寸晶圆上实现520 devices/cm²的高密度集成，并与5 μm通道光刻工艺兼容(图12g)，为大规模像素级可编程奠定制造基础。其垂直双层结构通过正交溶剂工程实现栅控双向NIR光电导(图12h)，栅压可对像素响应进行线性映射(图12i)，从而支持原位灰度反转、高斯平滑与拉普拉斯边缘增强等操作，且输出与理想数字滤波器高度一致。该方案还具备面向封装与嵌入式场景的读出优势：利用硅的NIR透明性，可实现非侵入式近红外读出(图12j)，为后续系统封装与集成提供空间。进一步在任务验证中，研究者构建噪声字母图像数据集(图12k)，将像素作为动态突触节点，并通过误差梯度下降对阵列权重进行训练(图12l)。训练后，阵列光电流输出能够清晰区分不同字母类别(图12m)；在噪声水平σ=0.2时，分类准确率达到97.06%，同时VGS分布快速稳定(图12n)，损失函数迅速下降(图12o)。这些结果表明，像素级可重构可作为阵列尺度的“元可塑性”机制，在噪声鲁棒、快速收敛与模拟预处理的一体化实现中具有直接的系统价值。

图12. 可扩展单器件突触阵列与多功能有机异质结阵列展示。

6.3 多模态感知阵列：跨模态并行输入与联合表征

多模态神经形态感知阵列的系统价值，在于将高维信号采集、特征形成与轻量推理尽可能前移到传感器端：通过阵列级融合与跨模态学习，在资源受限的边缘环境中实现更鲁棒的识别与自适应决策，并面向IoT污染监测、自主机器人等动态场景提供可部署的计算范式。以仿生嗅觉神经元阵列为例，该系统集成9通道OFET传感器阵列、在传感器端的储备池计算以及KNN分类器(图13a)，并采用32点时序采样协议构建高分辨“气体指纹”(图13b)。随着传感器数量增加，分类准确率显著提升：单传感器可达78.9-98.1%，而9传感器阵列达到99.04%(图13c)。对于气体混合物，阵列响应呈现明显的非加和与非线性特征(图13d)，表明仅依赖单通道幅值难以完成可靠判别。进一步在26类气体识别任务中，混淆矩阵呈现明显主对角线主导且误分类极少(图13e)；在特征空间内，KNN决策边界能够清晰分离同分异构体与同系物(图13f)，体现阵列级时序编码对细粒度化学差异的表征能力。该方案进一步完成了真实部署验证：系统搭载于机器狗平台用于地下水污染物分析(图13g)，KNN-Elimination Voting模型对硝基苯(NB)、二甲基甲基膦酸酯(DMMP)、异丙胺(IPAm)及其二元混合物实现100%识别准确率(图13h)，证明在传感器计算与近存储处理可在自主、低功耗场景下稳定运行。多模协同增益同样可在触觉—视觉融合中得到量化体现。以28×28像素力–光突触阵列为例，该阵列同时编码图案光(视觉)与机械刺激(触觉)，并通过机械发光(ML)介导的光刺激发光(PSL)记忆层实现融合(图13i)。在连续30个脉冲下，联合力–光刺激相较单独刺激产生更强阵列输出(图13j)，显示出同步激励带来的协同增强。与ANN集成后，单模态触觉与视觉识别准确率分别为69.6%与79.6%，而视觉–触觉联合感知提升至92.5%(图13k、13l)，定量展示了多模融合在受限资源条件下对识别鲁棒性与精度的提升作用。

图13. 多模态单器件阵列在跨模态感知与智能识别中的展示。

6.4 异构集成阵列：材料–器件–CMOS协同的系统级落地

面向感知–计算–执行闭环的可部署系统，异构集成阵列的关键在于任务导向的协同设计：让传感器、突触与神经元的偏压范围、电导窗口与时间常数相互匹配，实现高效耦合与时序对齐，从而缓解传统冯诺依曼架构中的数据搬运瓶颈，并支撑动态物体跟踪(DOT)、触觉认知与实时多模识别等高级任务。以2D MoS₂-HfOₓ FeFET混合存内计算(CIM)系统为例，该平台在单片上集成数字逻辑与模拟多级单元(MSC)阵列，实现亚飞焦级能效与超过96%的晶圆级产率。4×4 MSC阵列配合可编程权重矩阵可提供超过6-bit分辨率的对称/近线性电导态(图14a)，溶液法制备流程兼顾CMOS兼容性与规模扩展潜力(图14b)。在数字侧，FeFET布尔逻辑与施密特触发器(ST)阵列支持AND/OR/XOR/全加器等逻辑运算，并实现动态波形转换(图14c、14d)；其中ST在脉冲整形中提供轨到轨逻辑转换、超快响应与噪声免疫能力(图14e)。在系统级流水线中，铁电XNOR、卷积与ST阵列完成实时物体检测(图14f)，模拟MSC-CNN阵列进一步执行多层特征提取与轨迹预测(图14g)。与Intel i9 CPU与NVIDIA V100 GPU的基准对比显示，该系统能效提升超过两个数量级且保持高准确率(图14h)，DOT识别混淆矩阵达到99.8%(图14i)。这些结果凸显阵列级精确线性权重更新，以及可编程阈值滞回在时序对齐与稳定推理中的系统价值。异构集成的意义也体现在感知–执行的直接耦合上。以生物启发触觉神经形态系统为例，该系统整合摩擦电Cu/PDMS传感器、微控制器与MoS₂/P(VDF-TrFE)FeFET突触阵列(图14j)，将触觉刺激转换为时序电压并在端侧实时处理。摩尔斯码识别中，从信号生成、图像编码到神经网络分类的流程被完整实现(图14k)，并将“A”“B”“C”的电压输出可视化为20×20图案(图14l)；随机化数据增强进一步提升噪声条件下的特征鲁棒性(图14m)。在任务表现上，SLP摩尔斯码与MLP MNIST的训练准确率均可快速收敛(图14n)，最终准确率与混淆矩阵显示全类别高保真分类(图14o)，且与其他突触平台相比在收敛与泛化上具备竞争优势。其物理基础在于铁电畴极化建立稳定、低变异的权重映射；同时，输入速率相关的积分效应与阈值自适应可调谐时序窗口，使系统能够对齐触觉刺激的统计特征并保持稳定决策。

图14. 异构集成阵列在神经形态感知、计算与执行中的展示。

VII 总结

本文围绕“突触可塑性行为的功能分化”这一主线，系统总结了人工突触器件在高分辨多级LTP/LTD、可调STM/FM、兴奋–抑制协同、波长选择性响应、动态阈值调制与多模态感知适应等方面的进展，并强调这些行为如何对应支撑空间权重精度、时序相关性建模、情境门控、跨模态融合与资源高效集成等关键系统能力。总体而言，可塑性工程的价值不止于器件层面的“可塑现象”，更在于其能否稳定转化为可训练、可映射、可部署的算法收益与系统鲁棒性。尽管取得显著突破，面向真实部署的突触可塑性工程仍面临三类关键挑战与方向：(1)需要进一步拓展可塑性机制的行为空间，发展可组合、可迁移的多阈值动态、元可塑性与选择性门控等新模式，以提升在线学习与自适应能力；(2)需要建立多模态协同的可塑性调制与闭环通路，实现前端融合与近存储更新，增强复杂环境下的鲁棒性并降低数据搬运开销；(3)需要强化面向大规模阵列的工程可靠性，提升均匀性、重现性与长期稳定性，并发展阵列级全局调制与变异感知校准策略，以实现一致的权重映射与可控的任务时序窗口。

图15. 突触可塑性工程的系统化总结与未来方向。

作者简介

关于我们

Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，主要报道纳米/微米尺度相关的高水平文章(research article, review, communication, perspective, highlight, etc)，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。已被SCI、EI、PubMed、SCOPUS等数据库收录，2024 JCR IF=36.3，学科排名Q1区前2%，中国科学院期刊分区1区TOP期刊。多次荣获“中国最具国际影响力学术期刊”、“中国高校杰出科技期刊”、“上海市精品科技期刊”等荣誉，2021年荣获“中国出版政府奖期刊奖提名奖”。欢迎关注和投稿。

Web: https://springer.com/40820

E-mail: editor@nmlett.org

Tel: 021-34207624

如果文章对您有帮助，可以与别人分享！：Nano-Micro Letters » 西交利物浦大学赵春/刘庆&华师大田博博等综述：突触可塑性工程从器件到系统