《Advanced Science》：Recent Advances and Perspectives on Field-Effect Transistors for Artificial Visual Neuromorphic Systems
編輯推薦：
本文系統性地綜述了場效應晶體管在人工視覺神經形態系統領域的最新研究進展。面對馮·諾依曼架構在算力和能效方面的瓶頸，作者闡述了如何以FET為核心平臺，通過其優異的光電可調性、機械柔性和低功耗特性，模仿人眼（視網膜）到視覺皮層的生物視覺處理通路。文章深入探討了構建此類系統所需的關鍵半導體材料（如無機氧化物、有機半導體、二維材料、有機-無機雜化鈣鈦礦）、多種核心FET架構（FGFETs、FeFETs、OECTs、EGTs）及其工作機制，并詳細分析了這些器件在模擬生物視覺功能（如短/長期可塑性、顏色識別、動態適應）以及實現陣列和交叉架構進行視覺感知計算方面的應用。最后，對當前的技術挑戰和未來發展前景進行了討論，為下一代仿生電子與智能感知系統的設計提供了重要參考。
在人工智能與數據爆炸式增長的時代，傳統計算機的“大腦”——馮·諾依曼架構，正因其計算與存儲單元分離導致的“交通擁堵”而步履維艱。與之形成鮮明對比的是，人腦，尤其是人眼，能以極低的能耗（1-100飛焦）無縫處理復雜的視覺信息。受此啟發，科學家們致力于開發“人工視覺神經形態系統”，旨在將“看見”與“理解”融為一體，而場效應晶體管（FET）正是實現這一愿景的明星平臺。
FET的分類與構建基石
FET之所以備受青睞，源于其三端結構（源極、漏極、柵極）能像生物突觸一樣，通過柵極獨立、精確地調控溝道電導，從而模擬學習與記憶。實現高性能視覺神經形態FET，需要兩大核心要素的協同：半導體材料構成“感光視網膜”，而介電層結構則決定了“信息處理”的機制。
首先看半導體材料。它們不僅需要高速傳輸電荷，往往還需直接感應光線。文檔梳理了四類主流材料：其中，無機氧化物（如a-IGZO）擁有高遷移率和良好的均勻性，適合大規模集成陣列，其寬禁帶特性對紫外光敏感。有機半導體分子結構可調，能響應特定波長的光，且具備優異的柔性和溶液加工性，便于制造可穿戴設備，但其載流子遷移率較低，穩定性是挑戰。二維材料（如MoS2、黑磷）憑借原子級厚度和超高表面靈敏度，能構建極高密度的仿視網膜器件，但大面積高質量制備困難。有機-無機雜化鈣鈦礦集高效光吸收與可遷移離子于一身，能在一個器件內同時完成感光和“記憶”（電導調制），堪稱“感算一體”的理想候選，然而其穩定性和毒性問題亟待解決。
介電層的選擇則塑造了FET的“性格”，催生出四種主力架構：
- •
浮柵場效應晶體管：其核心是在介電層中嵌入一個“浮柵”，用于捕獲和存儲電荷。注入的電荷會產生電場，長期改變晶體管的開關閾值，從而模擬長期記憶。通過優化浮柵材料（如MXene、量子點）和器件結構（如雙浮柵、范德瓦爾斯異質結），可以顯著提升其存儲性能和柔韌性。
- •
鐵電場效應晶體管：使用鐵電材料（如HfO2、P(VDF-TrFE)）作柵介質。外加柵壓可翻轉其自發極化方向，并在撤去電壓后保持，從而非易失地調控溝道，且功耗極低。將鐵電性與光敏材料（如α-In2Se3）結合，可實現感光、存儲與邏輯的“三位一體”。
- •
有機電化學晶體管：其工作機制最接近生物突觸，依靠電解質中的離子在柵壓驅動下進入/退出有機半導體溝道，引發體積摻雜/去摻雜，從而改變電導。這種離子-電子混合傳導機制非常適合模擬生物神經的信號傳遞，且在柔性、生物兼容性方面優勢突出，可直接與生物組織或光敏水凝膠集成，實現顏色感知等功能。
- •
電解質柵場效應晶體管：利用電解質/半導體界面形成的雙電層電容，在超低電壓下產生極強的柵控能力，實現高效節能。通過調控電解質中的離子遷移，可以模擬視覺適應、經驗依賴可塑性等高級功能。
從器件到系統：模擬生物視覺通路
生物視覺是一個從視網膜預處理到視覺皮層高級分析的精密流水線。基于FET的神經形態視覺系統，正沿著這條通路逐級復現其功能。
在視網膜級處理方面，FET陣列可模仿視網膜的“側抑制”效應，即增強圖像邊緣、抑制均勻背景。例如，利用具有雙向整流特性的MoS2浮柵器件，可以構建“中心興奮-周邊抑制”的感受野，直接實現對圖像輪廓的增強提取。FET還能模仿視網膜的明暗適應功能。通過器件的負光電導效應或離子遷移動力學，系統可以根據環境光強自動調整靈敏度閾值，就像人眼從亮處進入暗處時會逐漸看清物體一樣。
在顏色與特征識別層面，FET展現了強大的可編程性。通過在浮柵中引入光響應有機分子，其偶極矩會在不同顏色光照射下改變，從而使器件對紅、綠、藍光產生差異化的電導響應，實現RGB三原色區分。更有趣的是，鐵電FET可以通過預設鐵電極化方向，實現對特定波長光的“選擇性注意”，比如在復雜場景中優先提取短波（藍）信號，從而大幅提升后續圖像分類的準確率。
高級學習與感知功能也在FET上得到實現。例如，IGZO電解質柵晶體管能夠模擬“Bienenstock–Cooper–Munro學習規則”，即神經元的反應閾值會隨著其歷史活動水平滑動。這使得器件能進行經驗依賴的學習，可用于圖像邊緣檢測和數據壓縮。有機電化學晶體管陣列則展示了面部識別的能力，每個突觸單元都能獨立記憶光誘導的電流變化，通過陣列的并行處理實現模式識別。
邁向集成化：陣列與交叉架構
單個突觸器件的演示只是第一步，真正的智能視覺需要將它們高密度集成。交叉陣列架構是主流方向，其行、列電極互聯的結構天然適合并行計算。一項里程碑工作展示了基于MoS2光FET的32x32交叉陣列處理器。這個陣列具有雙重身份：作為前端，它是一個有源像素傳感器，捕獲光學圖像；作為后端，它被重配置為一個模擬卷積神經網絡，光編程的電導值充當突觸權重，直接在陣列上完成乘加運算，對捕獲的圖像進行分類，實現了“感算一體”。另一項工作利用具有超晶格柵的IGZO-FET構建了20x20光子神經形態平臺，能實現超過8比特精度的272個穩定電導狀態。將其中的3x3子陣列配置為硬件卷積核，可在模擬域直接提取圖像特征，無需經過高能耗的模數轉換，在視覺Transformer框架中取得了優異的分類效果。
挑戰與未來展望
盡管前景廣闊，FET視覺神經形態系統走向實用化仍面臨諸多挑戰。材料與器件層面，有機和鈣鈦礦材料的長期穩定性、二維材料的大面積均勻制備、鐵電材料的疲勞與保持特性等問題尚待攻克。集成與系統層面，器件之間的性能差異會引入固定模式噪聲，密集陣列中的漏電流和信號串擾會嚴重影響計算精度，如何設計與FET陣列高效匹配的外圍讀寫電路也是一大難題。此外，現有工作多在器件或小規模陣列層面驗證功能，缺乏大規模、完整系統級的演示。
未來，該領域的發展將圍繞以下幾個方向：開發兼具高性能、高穩定性和環境友好性的新材料體系；創新器件結構，進一步提升能效比、線性度和對稱性；發展面向神經形態計算的專用集成工藝，攻克高密度三維集成技術；設計更先進的算法和架構，以充分發揮“感算一體”硬件的潛力；最終，推動其在機器人視覺、自動駕駛、智能監控、可穿戴醫療設備以及腦機接口等領域的實際應用。通過跨學科的持續努力，基于FET的仿生視覺芯片有望為我們開啟一個真正“眼明心亮”的智能新時代。
