中国科学技术大学石媛媛教授团队近期在类脑智能神经形态器件研究方面取得重要突破。该团队创新设计了一种具备双弛豫时间尺度特性的电解质栅wse?薄膜晶体管，并将其应用于物理储备池计算中，有效解决了传统动态忆阻器在处理时序信号时时间特征尺度单一的问题。相关研究成果以“dynamic monolayer wse? electrolyte-gated transistor with coexistent double relaxation timescale for enhanced physical reservoir computing”为题，发表于国际著名学术期刊《small》。

物理储备池计算因其训练复杂度低，在边缘计算和交通预测等领域展现出广阔前景。然而，传统基于动态忆阻器的储备池系统受限于载流子动力学中的单一弛豫时间尺度（Single Relaxation Timescale, SRT），在面对多尺度时序任务时存在记忆容量不足、特征提取能力弱等局限（图1a-b）。受生物神经元中钙离子多时间尺度动力学机制的启发（图1c-d），研究团队利用单层二维材料与聚合物电解质之间的强离子-电子耦合效应，成功构建了具备快/慢双弛豫时间尺度（Double Relaxation Timescale, DRT）的动态记忆器件（图1e）。这种新型耦合机制使器件呈现出亚秒级和秒级的双指数弛豫特性，极大扩展了储备池的状态空间维度（图1f）。

图1. 基于SRT和DRT器件的物理储备池计算系统示意图。a) 基于SRT器件的经典物理储备池计算框架。b) SRT动态忆阻器的典型弛豫行为。c) 生物神经元中发放脉冲时钙离子分布示意图。d) 神经元不同部位在发放脉冲时的钙离子浓度变化。e) DRT器件的典型弛豫行为。f) 基于DRT器件的新型物理储备池计算框架。

在性能测试中，研究团队通过实验与仿真验证表明，该DRT WSe?晶体管不仅继承了传统动态忆阻器的低功耗优点，还在处理复杂时序任务方面表现出色。在混沌时间序列预测任务中，该器件实现了超过200步的长期预测能力；在多尺度振荡器任务中，其预测均方误差低至5.05×10??。尤为突出的是在实际交通场景的应用中，基于无人机拍摄的真实交通数据（图2a-c），该技术能准确预测车辆与行人的运动轨迹，位置误差小于0.8米（图2 d-i），为智能交通碰撞预警系统提供了有力的技术支撑。这项研究为高性能类脑智能神经形态器件的发展开辟了新路径。

图2. 基于电解质栅单层WSe?晶体管的物理储备池计算系统在交通轨迹预测中的应用。a) 包含移动车辆和行人的典型交通场景。b) 不同交通要素的空间帧信息。c) 根据首帧目标位置预测的后两帧坐标信息。d) 碰撞场景中车辆和行人的实际轨迹与e)预测轨迹对比。f) 碰撞场景中预测轨迹与实际轨迹的误差。g) 非碰撞场景中车辆和行人的实际轨迹与h)预测轨迹对比。i) 非碰撞场景中预测轨迹与实际轨迹的误差。

本论文的第一作者为我院博士生孙东东和硕士生李傲，通讯作者为石媛媛教授。该研究得到了中国科学技术大学微纳研究与制造中心及理化中心的支持。