脉冲神经网络（Spiking Neural Network,SNN）脉冲神经网络是源于生物启发的新一代人工神经网络模型，属于深度学习的子集，且具有较强的生物基础支撑。 思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定阈值才被激活。当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。 简介 脉冲神经网络 （SNN-Spiking Neuron Networks) 包含具有时序动力学特性的神经元节点、稳态-可塑性平衡的突触结构、功能特异性的网络环路等，高度借鉴了生物启发的局部非监督(如脉冲时序依赖可塑性、短时突触可塑性、局部稳态调节等)、全局弱监督(如多巴胺奖赏学习、基于能量的函数优化等)的生物优化方法，因此具有强大的时空信息表征、异步事件信息处理、网络自组织学习等能力。 [1] 脉冲神经网络，其模拟神经元更加接近实际，除此之外，把时间信息的影响也考虑其中。思路是这样的，动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定值才被激活。当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。 在脉冲神经网络中，神经元的当前激活水平（被建模成某种微分方程）通常被认为是当前状态，一个输入脉冲会使当前这个值升高，持续一段时间，然后逐渐衰退。出现了很多编码方式把这些输出脉冲序列解释为一个实际的数字，这些编码方式会同时考虑到脉冲频率和脉冲间隔时间。 借助于神经科学的研究，人们可以精确的建立基于脉冲产生时间神经网络模型。这种新型的神经网络采用脉冲编码(spike coding)，通过获得脉冲发生的精确时间，这种新型的神经网络可以进行获得更多的信息和更强的计算能力。 历史背景 Alan Lloyd Hodgkin和Andrew Huxley在1952年提出了第一个脉冲神经网络模型，这个模型描述了动作电位是怎样产生并传播的。但是，脉冲并不是在神经元之间直接传播的，它需要在突触间隙间交换一种叫“神经递质”的化学物质。这种生物体的复杂性和可变性导致了神经元模型的多样性。 从信息论的观点来看，找到一种可以解释脉冲，也就是动作电位的模型是个问题。所以，神经科学的一个基本问题就是确定神经元是否通过时间编码来交流。时间编码表明单一的神经元可以取代上百个S型隐藏层节点。 应用 脉冲神经网络大体上可以和传统的人工神经网络一样被用在信息处理中，而且脉冲神经网络可以对一个虚拟昆虫寻找食物的问题建模，而不需要环境的先验知识。并且，由于它更加接近现实的性能，使它可以用来学习生物神经系统的工作，电生理学的脉冲和脉冲神经网络在电脑上的模拟输出相比，决定了拓扑学和生物神经学的假说的可能性。 在实践中脉冲神经网络和已被证明的理论之间还存在一个主要的不同点。脉冲神经网络已被证明在神经科学系统中有作用，而在工程学中还无建树，一些大规模的神经网络已经被审计来利用脉冲神经网络中发现的脉冲编码，这些网络根据储备池计算 的原则，但是现实中，大规模的脉冲神经网络计算由于所需计算资源多而产能小被限制了，造成了只有很少的大规模脉冲神经网络被用来解决复杂的计算问题，而这些之前都是由第二代神经网络解决的。第二代神经网络模型中难以加入时间，脉冲神经网络（特备当算法定义为离散时间时）相当容易观察其动力学特征。我们很难建立一个具有稳定行为的模型来实现一个特定功能。 分类 脉冲耦合神经网络（PCNN-Pulse Coupled Neural Network）与脉冲神经网络 （SNN-Spiking Neuron Networks) 容易混淆。脉冲耦合神经网络(PCNN)可以看做是脉冲神经网络(SNN)的一种，而脉冲神经网络(SNN)是更广泛的分类。两者其实无明显差异，都是基于脉冲编码（spike coding)。

hello world! my hugo! sss ss

忆阻器，全称记忆电阻器(Memristor)。它是表示磁通与电荷关系的电路器件。忆阻具有电阻的量纲，但和电阻不同的是，忆阻的阻值是由流经它的电荷确定。 因此，通过测定忆阻的阻值，便可知道流经它的电荷量，从而有记忆电荷的作用。1971年 [1] ，蔡少棠从逻辑和公理的观点指出，自然界应该还存在一个电路元件，它表示磁通与电荷的关系。2008年 [2] ，惠普公司的研究人员首次做出纳米忆阻器件，掀起忆阻研究热潮。纳米忆阻器件的出现，有望实现非易失性随机存储器。 并且，基于忆阻的随机存储器的集成度，功耗，读写速度都要比传统的随机存储器优越。此外，忆阻是硬件实现人工神经网络突触的最好方式 [3] 。由于忆阻的非线性性质，可以产生混沌电路，从而在保密通信中也有很多应用

大家好，今天为大家分享一篇2025年11月发表在XX（英文）的文献，题目为"Structural Transformation of 2D InSe Toward Ultrafast and Energy-Efficient Non-Volatile Memristive Switching"。本文的第一作者是Genwang Wang，本文的通讯作者是Lijun Yang和Kah-Wee Ang。 摘要 二维材料为开发基于忆阻器的存内计算系统提供了多功能平台，有望解决传统冯·诺依曼架构的一些局限性。然而，由于许多二维材料的固有特性，在神经网络硬件中满足对精度、稳定性及能效的严格要求仍是一个挑战。 本研究引入了一种可控的紫外臭氧（UVO）处理方法，通过引入定制的缺陷、非晶区域和氧化相组合来设计二维硒化铟（InSe）的特性。这种改性改善了InSe的结构稳定性和垂直电导率，并促进了离子迁移，从而实现了从非开关到稳定的非易失性电阻开关（RS）行为的转变。 所得忆阻器表现出均匀的RS特性，开关电压变异性低（5.8%），以及10²到10⁵范围内的可调开关开/关比。此外，这些器件展示了亚20纳秒的开关速度，并能模拟人工神经网络（ANN），其识别精度可与基于软件的实现相媲美。研究还进一步展示了具有更高功率效率的基于硬件的卷积图像处理，这突显了UVO-InSe忆阻器在节能神经形态计算应用中的潜力。 正文解读 2.1 UVO处理诱导InSe的改性：缺陷、氧化和非晶结构 图1. UVO处理对InSe的改性。a) 示意图展示了UVO处理后的改性InSe。b) UVO-InSe处理后（$T=150^{\circ}C$, $t=30\mathrm{min}$）的截面透射电镜（TEM）图像。标尺为$5\mathrm{nm}$。c) 在不同温度和时间下UVO处理后InSe（厚度：$75\mathrm{nm}$）的拉曼光谱。d) 在不同温度（$t=5$ min）下处理的各种InSe纳米薄片的PL光谱。e) UVO处理前后（$T=150^{\circ}C$, $t=30\mathrm{min}$）InSe表面形貌的原子力显微镜（AFM）图像。图中显示了天蓝色虚线标记线的Z向高度轮廓。表面粗糙度Sa在红色虚线矩形区域内计算。标尺为$3\upmu\mathrm{m}$。 解释： UVO处理通过引入非晶层、氧化物和缺陷来改变InSe的晶体结构，同时保持其表面形貌，从而增强其结构稳定性。图1展示了UVO处理对InSe结构和形貌的影响。拉曼和PL光谱证实了UVO处理诱导的结构变化，包括原始峰强度的减弱和新峰的出现，表明非晶和氧化相的形成。AFM图像显示，在优化参数下，UVO处理对InSe表面粗糙度影响极小，且能有效去除机械剥离带来的有机杂质，提高了表面质量，并增强了其在大气环境下的稳定性。 2.2 UVO处理诱导忆阻器中的均匀非易失性电阻开关 图2. 基于原始和UVO-InSe的垂直电子器件的直流特性。a) 垂直两端电子器件的光学图像和示意图。标尺为$20\upmu\mathrm{m}$。b) 原始InSe（厚度：$75\mathrm{nm}$）以及UVO处理（$T=150^{\circ}C$）$t=5\mathrm{min}$和$t=30\mathrm{min}$后的改性InSe的I-V曲线。c) $t=5$ min处理的UVO-InSe忆阻器的I-V电阻开关（RS）曲线（100次测量循环）。d) $t=30$ min处理的UVO-InSe忆阻器的I-V电阻开关（RS）曲线。e) UVO-InSe（$T=150^{\circ}C$, $t=30\mathrm{min}$）忆阻器在高阻态（HRS）和低阻态（LRS）下100次循环的电流变化，以及f) 相应的设置（Set）和复位（Reset）电压分布直方图。g) 不同厚度UVO-InSe（$T=750^{\circ}C$, $t=30\mathrm{min}$）忆阻器的典型开关I-V曲线，h) 设置（Set）和复位（Reset）电压变化，以及i) 保持性测试。 解释： UVO处理显著增强了InSe的垂直电导率，并促使器件从无开关行为转变为稳定的非易失性电阻开关（RS）行为。图2a展示了垂直两端器件的结构。图2b中的I-V曲线表明，经过UVO处理后，InSe器件的电流显著增加。图2c和2d显示，通过延长UVO处理时间，忆阻器从挥发性RS行为转变为完全双极性非易失性RS行为，且具有高开/关比和出色的均匀性。图2e和2f进一步展示了UVO-InSe忆阻器在HRS和LRS下的电流稳定性及较低的Set和Reset电压变异性，优于其他一些二维材料忆阻器。图2g-i显示了不同厚度忆阻器的RS曲线、电压变异性和保持性，证实了其在多种条件下均能实现稳定的非易失性开关。 2.3 UVO处理下的结构演变及电阻开关机制 图3. UVO-InSe忆阻器（$T=150^{\circ}C$, $t=30\mathrm{min}$）的电阻开关（RS）机制。a) 原始InSe和b) UVO-InSe的O、Se和In的XPS光谱。c) 基于原始InSe、薄型和厚型UVO-InSe忆阻器的截面高分辨率透射电镜（HR-TEM）图像。橙色虚线和绿色虚线圆圈展示了UVO-InSe中的非晶层和缺陷。标尺为$10\mathrm{nm}$。d) UVO-InSe在高阻态（HRS）和低阻态（LRS）下的导电原子力显微镜（C-AFM）电导图。标尺为$100\mathrm{nm}$。e) Ti阳离子在原始双层InSe、含缺陷InSe以及含缺陷和氧化物的InSe中扩散势垒的DFT计算结果。插图显示了Ti阳离子（蓝色）在含缺陷和氧化物的InSe中迁移过程中的一些关键位置。 解释： 为了深入理解电阻开关（RS）机制，研究人员通过X射线光电子能谱（XPS）和高分辨率透射电镜（HR-TEM）分析了InSe的晶体结构演变。图3a和3b展示了原始和UVO-InSe的XPS谱，揭示了UVO处理后In₂O₃和SeOx结构的形成，以及In峰半高宽的增加，证实了非晶、氧化和缺陷结构的存在。图3c的HR-TEM图像进一步验证了UVO处理在InSe中引入了非晶氧化层和高密度缺陷。导电原子力显微镜（C-AFM）图像（图3d）在高阻态（HRS）和低阻态（LRS）下清晰显示了纳米级导电丝的形成与断裂。密度泛函理论（DFT）计算（图3e）结果表明，UVO处理引入的缺陷和氧化物协同作用，显著降低了Ti阳离子的扩散势垒，从而促进了Ti导电丝的形成和断裂，这是忆阻器稳定RS行为的关键机制。 2.4 突触可塑性及人工神经网络模拟 ...

大家好，今天为大家分享一篇2025年11月发表在Advanced Functional Materials的文献，题目为"Amorphous Tungsten Oxide Homojunction-Based Optoelectronic Memristor Array Mimicking Local Image Enhancement for Network Intrusion Detection System"。本文的第一作者是Wenhao Yang，本文的通讯作者是Hao Kan, Yiming Wang, Qikai Guo和Yang Li。 摘要翻译与整理 网络入侵检测系统的性能受限于数据质量和特征信息的丰富性。传统的通用数据预处理方法难以有效捕获局部特征，这进一步削弱了其识别非线性和复杂入侵行为的能力。本研究开发了一种基于富氧和缺氧非晶态氧化钨（WOx(OR)/WOx(OD)）的、具有多波长控制功能的光电忆阻器阵列。该器件在电刺激下表现出突触行为。值得注意的是，该器件在可见光照射下表现出快速光响应，而在紫外（UV）照射下则表现出持久光电导行为，这是通过调节WOx(OD)中氧空位的电离和去电离过程实现的。利用这一现象，研究人员在该器件上成功演示了局部图像增强策略，结果显示增强前后图像对比度显著提高。此外，将这种局部增强方法应用于KDDCUP-99数据集，使得卷积神经网络（CNN）能够更好地捕获复杂入侵特征，将检测准确率从89.66%提高到94.03%。这种集成方法为入侵检测领域引入了一种新颖的技术途径，无缝衔接了图像处理、神经形态计算和网络安全应用。 正文解读 1. 引言 传统冯·诺依曼架构的瓶颈和器件尺寸微缩化的需求，推动了后摩尔定律技术的发展。脑启发神经形态设备和系统因其模仿人类大脑处理和学习机制的能力而备受关注，特别是在高效数据处理和低能耗方面。忆阻器作为模拟生物突触的关键组件，可以通过调节电阻来模仿突触可塑性。然而，在有效处理和可视化复杂网络数据方面，忆阻器仍面临挑战。当前的网络连接分析方法通常效率低下，难以捕捉复杂模式和动态变化。本研究旨在开发一种忆阻器系统，不仅能模拟突触功能，还能提供数据预处理的新模式，如传感器内图像增强。以往的光电忆阻器主要集中于基本的突触模拟或简单的图像传感。本研究探索了利用器件固有的、依赖波长的特性，在图像被神经网络处理之前对其进行局部、选择性增强，以提高后续机器学习任务的效率和准确性。 本研究开发了一种基于Ag/WOx(OR)/WOx(OD)/ITO异质结构的宽带光电忆阻器阵列（W-OEM），表现出独特的双模、波长选择性响应。WOx功能层由富氧层（OR）和缺氧层（OD）组成，形成双层结构。该器件在电刺激下表现出短时/长时突触可塑性等突触行为。在紫外照射下，WOx(OD)中氧空位（Vo）的电离导致器件表现出持久电导。相反，可见光诱导快速光响应，但其能量不足以调制WOx层中Vo的电离和复合，从而抑制了突触行为。如图1a所示，利用W-OEM的这一能力，研究人员成功实现了局部图像增强策略，显著提高了图像对比度和细节清晰度。此外，将这种局部增强方法应用于KDDCUP-99数据集，增强了卷积神经网络检测图像数据中复杂细微入侵模式的能力，从而提高了网络入侵检测的有效性。实验结果显示，增强后的数据集检测准确率达到94.03%，相较于原始未增强数据集的89.66%有显著提升。这些发现突显了光电调制增强策略在准确识别复杂特征方面的有效性。 2. 结果与讨论 2.1. 器件表征与分析 图1. 基于Ag/WOx(OR)/WOx(OD)/ITO结构的光电忆阻器的结构表征。 a) 基于W-OEM的局部图像增强和入侵检测系统示意图。 b) W-OEM的照片和扫描电子显微镜（SEM）图像。 c) W-OEM的透射电子显微镜（TEM）图像和 d) 截面图像。 e) WOx(OR)膜和 f) WOx(OD)膜的原子力显微镜（AFM）平面粗糙度表征。 g) WOx(OR)和 h) WOx(OD)膜的W 4f和O 1s X射线光电子能谱（XPS）。 i) WOx(OR)/WOx(OD)异质结、WOx(OD)和WOx(OR)膜的吸收光谱。 j) WOx(OD)和WOx(OR)膜的能带图。 图1展示了W-OEM器件的详细结构和材料特性。图1a描绘了基于W-OEM的局部图像增强和入侵检测系统的整体示意图，以及模拟生物突触的Ag/WOx(OR)/WOx(OD)/ITO夹层结构。图1b展示了制备的24×24忆阻器交叉阵列的光学图像和SEM图像，其中每个单元尺寸为30 μm。图1c和1d的TEM和HRTEM图像证实了WOx(OR)和WOx(OD)层的厚度分别为45.5 nm和32.8 nm，并且两者都呈非晶态结构。图1e和1f的AFM分析显示，WOx(OD)和WOx(OR)膜的均方根粗糙度分别为4.32 nm和4.52 nm，表面相对均匀平滑。XPS谱图（图1g,h）分析揭示了W和O的元素组成和价态，特别是WOx(OD)膜中氧空位浓度显著高于WOx(OR)膜，这对于调节忆阻特性至关重要。UV-Vis吸收光谱（图1i）显示WOx(OR)/WOx(OD)异质结在紫外和可见光区域均有显著吸收。根据Tauc方法和XPS价带谱（图1j），计算出各层和异质结的带隙及费米能级，构建了接触前的能带结构。 2.2. 仿生突触的性能 图2. W-OEM的仿生突触特性。 a) 生物突触神经信号传输示意图。b) W-OEM经过100次循环后的I-V扫描曲线。c) 通过10次重复负直流电压扫描（0V→+1V→0V）和10次重复正直流电压扫描（0V→-1V→0V）模拟人工突触的模拟开关特性。d) W-OEM在一系列电压脉冲（0.5V用于增强，-0.7V用于抑制）下的电流逐渐变化。e) PPF指数随脉冲间隔的变化曲线及拟合曲线。f) 不同光强度下的光电流响应。g) 在3mW cm⁻²的恒定光强度下，不同光持续时间的光电流响应。h) 在3mW cm⁻²的恒定光强度下，不同频率的光电流响应。i) WOx(OR)/WOx(OD)界面处的平衡能带图：i) 施加电压前的初始状态，j) 施加正扫描电压后的状态，k) 施加负扫描电压后的状态。 ...

大家好，今天为大家分享一篇20XX年XX月发表在Nano Letters（英文）的文献，题目为"One-Step Annealing-Configured $\mathsf{H f}{0.2}\mathsf{Z r}{0.8}\mathsf{O}_{2}$ Memristive−Antiferroelectric Devices for Bioinspired CSNN Neuromorphic Computing"。本文的第一作者是Jinhao Zhang，本文的通讯作者是Jialin Meng, Tianyu Wang和Lin Chen。 摘要 传统计算系统受限于冯·诺依曼架构，这推动了开发兼容的人工神经元和突触器件以实现混合神经形态计算。本文提出了一种CMOS兼容的单层$\mathrm{Hf_{0.2}}\mathrm{Zr_{0.8}O_{2}}$ (HZO) 平台。其中，未经退火的沉积薄膜可用作忆阻突触，而经过一步沉积后退火处理的薄膜则可作为反铁电（AFE）神经元器件。这两种器件角色共享相同的CMOS兼容预制备步骤；仅通过一次不可逆的后退火处理，同一TiN/HZO/TiN堆栈即可分化为反铁电神经元器件。忆阻器件能够实现模拟电导调制，用于卷积特征提取。退火后，反铁电器件表现出自发去极化行为，为基于脉冲的编码和生物学上合理的神经元动力学铺平了道路。通过将这一工艺兼容的双模器件集成为统一的材料平台，构建了一个卷积脉冲神经网络（CSNN），在动态手势识别中达到了97.9%的准确率。这项工作展示了CMOS兼容的神经形态电子器件在紧凑型神经形态硬件中实现混合神经形态计算的潜力。 图文解读 图1. 工艺兼容的单层HZO平台及其一步退火分化示意图和功能概述。 a) 用于并行信号处理的神经形态硬件阵列示意图。b) 生物参考图，说明大脑区域和视觉通路。c) 生物启发的时间编码策略，包括潜伏期编码和相位编码。d) 未沉积态HZO忆阻器的I-V特性，表现出双极性开关操作；插图显示了导通状态下的导电丝通路，实现了突触功能的模拟权重调制。e) 退火工艺兼容的双模Hf0.2Zr0.8O2器件示意图：忆阻态支持卷积预处理，退火后的反铁电态支持基于脉冲的神经元动力学。f) 反铁电相HZO器件的极化-电压（P-V）曲线，显示出典型的双滞回环；反平行极化机制示意图说明其适合作为积分-发射神经元。g) 在忆阻硬件上实现的CNN，用于从手势图像序列中提取关键点。h) 基于潜伏期和相位的脉冲编码，用于生成脉冲信号。i) HZO器件的脉冲发射行为，展示了生物启发的信号输出动力学。j) 基于稀疏时间脉冲的SNN推理和分类架构。k) 四种动态美国手语（ASL）手势“Hello”、“Thank you”、“Yes”和“No”的识别结果。 解释： 该图全面概述了所提出的HZO双模器件平台及其在CSNN中的应用。它从硬件架构（a）和生物学启发（b, c）开始，展示了未退火HZO器件作为忆阻突触的I-V特性及导电丝机制（d），以及退火后HZO器件作为反铁电神经元的P-V曲线及极化机制（e, f）。随后，该图进一步阐释了CSNN在手势识别中的工作流程，包括基于忆阻器的CNN特征提取（g）、生物启发的脉冲编码（h）、神经元脉冲发射行为（i），以及基于SNN的分类架构（j），最终展示了在动态手势识别中的高准确率（k）。 图2. Hf0.2Zr0.8O2薄膜在退火过程中的结构和相演变。 a-c) TiN/Hf0.2Zr0.8O2/TiN器件热处理阶段示意图：(a) 沉积态（AD），(b) 退火过程，和 (c) 快速热退火（AR）后状态，突出显示结晶行为和晶粒形成。d) 沉积态非晶HZO（AD-HZO）的截面高分辨率透射电子显微镜（HRTEM）图像和能量色散X射线光谱（EDS）图，证实了均匀的厚度和元素分布。e) 退火后HZO样品（AR-HZO）的HRTEM和EDS图，显示出清晰的晶格条纹和增强的结晶度。f) RTP前后X射线衍射（XRD）图谱，揭示了对应于正交相的o-(111)和t-(011)衍射峰的出现。g-i) 退火后样品的X射线光电子能谱（XPS）分析，包括(g) Hf 4f，(h) Zr 3d，和(i) O 1s，表明退火后化学态的变化。 解释： 该图通过多种材料表征手段，详细展示了HZO薄膜从沉积态到退火态的结构和相变。a-c示意图清晰描绘了退火过程对材料晶体结构的影响。d和e的HRTEM和EDS图像直观地证明了从非晶到多晶的转变以及元素分布的均匀性。f的XRD图谱提供了定量的证据，显示了退火后正交相和四方相衍射峰的出现，这是反铁电性的关键。g-i的XPS分析进一步揭示了退火过程中Hf、Zr和O元素的化学键合状态变化，支持了结晶度增强和氧缺陷减少的结论，这些结构和化学变化是器件功能转变的物理基础。 图3. TiN/HZO/TiN忆阻器的器件结构和神经形态特性。 a) 导通状态下导电丝形成示意图，以及通过原子层沉积（ALD）制备的器件结构，HZO开关层为1:4的层堆栈。b) 典型的电流-电压（I-V）特性，显示形成、置位和复位过程的双极性电阻开关行为。c) 在1.0至3.0 V电压脉冲下触发的兴奋性突触后电流（EPSC）响应。d) EPSC幅度作为输入电压的函数，显示出与可调电导行为一致的非线性增加。e) 在两个连续脉冲作用下的配对脉冲易化（PPF）响应。f) 在正负电压脉冲序列下的长时程增强（LTP）和长时程抑制（LTD）特性。g) 使用基于忆阻器的CNN检测和提取手势关键点。 ...

大家好，今天为大家分享一篇2025年发表在ACS Photonics的文献，题目为"Optically Controlled ${\mathsf{M o S}}_{2}$ Phase Conversion Memory-Based In-Sensor Computing Enables Higher Information Security"。本文的第一作者是Jinchengyan Wang，本文的通讯作者是Chaoyi Zhu、Jinshun Bi和Guangdong Zhou。 摘要 数据安全在工业、商业、农业和军事国防等多个领域中扮演着越来越重要的角色。传统的加密技术涉及复杂的电路和算法设计。本文提出了一种基于双端MoS2光电存储器的混合架构，用于图像加密，实现了0.0%的成功攻击率（SAR）和0.32的系统链接指标（$D_{\leftrightarrow}^{s y s}$）。这一优异性能归因于MoS2光电存储器中由光剂量诱导的相变（$\mathrm{H}{y}\mathrm{MoS}{x}$）产生。通过精确控制$\mathrm{H}{y}\mathrm{MoS}{x}$的浓度比例，这种双端光电存储器能够提供128个短时态和256个长时态，以执行储层编码和像素压缩，有效减少加密后的数据流并提高数据安全性。该方案为未来信息安全领域的数据加密提供了在安全性、效率和适应性方面的显著优势。 正文解读 图1. 用于信息保护的双端MoS2光电存储器示意图。(a) 基于传感器内MoS2光电计算系统的图像保护架构，包括感知层、预处理层和高级处理层。(b) 基于MoS2光电存储器的储层计算（RC）示意图，可执行实时图像预处理以及多层感知机（MLP）的光电存储器阵列实现非线性变换。 解释： 图1展示了基于MoS2光电存储器的图像加密架构。图1a描绘了一个三层处理系统，包括感知、预处理和高级处理，旨在实现传感器内的信息保护。通过将原始图像映射到MoS2光电存储器阵列，器件能够感知图像信息并以光电流响应表示像素灰度值。图1b详细展示了基于MoS2光电存储器的储层计算（RC）系统，其能够进行实时图像预处理，并通过光电存储器阵列实现多层感知机（MLP）的非线性变换，是整个加密系统高效运行的核心。 图2. 光诱导高导电相变机制。(a) 光电存储器结构，其中约162.5 nm厚的MoS2薄膜夹在约112.5 nm厚的铜顶电极和约125.0 nm厚的铜底电极之间。(b) 该光电存储器的电流-电压(I-V)曲线，显示出典型的双极性电阻开关行为和由100次I-V扫描验证的稳定循环稳定性。(c) 以12x12阵列规模的光电存储器中高阻态与低阻态电阻比分布表征的器件间稳定性。(d) 在不同光强度照射下的I-V曲线，显示出正向光响应。(e, f) 钼3d核心能级的X射线光电子能谱（XPS）揭示，在光照后形成了基于Mo5+的组分。(g) 光诱导相变机制示意图。通过水分解产生的质子、光生空穴和电子形成高导电相HyMoSx层，使MoS2光电存储器能够具有可调且独特的光电导状态，从而执行可靠的神经形态边缘计算。 解释： 图2详细阐述了MoS2光电存储器中光诱导高导电相变的机制。图2a展示了器件的层状结构，MoS2薄膜夹在Cu电极之间。图2b和2c分别验证了器件在电学刺激下的双极性电阻开关行为以及12x12阵列中良好的器件间稳定性。图2d显示了器件在不同光强度下的正向光响应，表明光照可以诱导导电性变化。图2e和2f通过XPS数据证实了光照下$\mathrm{Mo}^{5+}$组分的形成。图2g总结了光诱导相变机制，解释了水分解产生的质子、光生载流子如何共同作用形成高导电$\mathrm{H}{y}\mathrm{MoS}{x}$相，从而实现MoS2光电存储器可调控的光电导状态，为神经形态计算奠定基础。 图3. 光电特性和多级光电导。 (a) 在1.0秒脉冲宽度和1.405 $\mu\mathrm{W}{\cdot}\mu\mathrm{m}^{-2}$光强度刺激下的光电流响应，显示出学习-遗忘周期后的累积记忆。(b, c) 在低光剂量（1秒脉冲宽度，0.775 $\mu\mathrm{W}{\cdot}\mu\mathrm{m}^{-2}$光强度）和高光剂量（50秒脉冲宽度，1.195至2.115 $\mu\mathrm{W}{\cdot}\mu\mathrm{m}^{-2}$光强度）下，分别呈现短期和长期突触可塑性（STP和LTP）特征。(d-f) 光脉冲宽度、强度和频率依赖性可塑性，表明MoS2光电器件能够忠实模拟突触功能。(g) MoS2光电器件在不同光强度下光电流增益随脉冲宽度的变化曲线，显示在0至0.75秒脉冲宽度范围内光电流增益迅速增加，随后在0.75至3.0秒脉冲宽度范围内缓慢增加。这通过光刺激提供了灵活的光电导调制，以满足多样化的权重更新需求。(h) 多级光电导状态。在1.97 $\mu\mathrm{W}{\cdot}\mu\mathrm{m}^{-2}$恒定光强度刺激下，可触发128个光电导状态，提供至少7位的计算精度。 解释： 图3展示了MoS2光电存储器在光调控下的突触可塑性及其多级光电导特性。图3a显示了器件在光刺激下的累积记忆效应，类似于人眼的视觉信息保留能力。图3b和3c区分了低光剂量下的短期突触可塑性（STP）和高光剂量下的长期突触可塑性（LTP），这对于实现多时间尺度的记忆功能至关重要。图3d-f进一步揭示了器件对光脉冲宽度、强度和频率的依赖性可塑性，证实其能有效模拟生物突触功能。图3g展示了光电流增益随脉冲宽度的变化，为灵活的权重更新提供了基础。最重要的是，图3h表明该器件能实现128个独立的光电导状态，为高精度计算提供了至少7位的能力。 图4. MoS2光电存储器阵列上多层感知机处理的实现设计。(a) 在不同脉冲宽度下，光电流增益与光强度之间的关系，显示出高线性度。(b) 光电协同电导编程。通过6个光脉冲（光强度1.615 $\mu\mathrm{W}{\cdot}\mu\mathrm{m}^{-2}$，脉冲宽度0.5秒）将电导从低设置为高，并通过单个电压脉冲（-0.7伏，0.5秒）快速复位到初始电导状态，为基于光电存储器的MLP-Hash系统提供高效的光电协同电导编程。(c) 在MoS2光电存储器阵列上实现的多层感知机（MLP）架构示意图，包括128x129、64x65和32x33配置的三层。第一层128x129的MoS2光电存储器阵列执行原始图像特征映射，提取初始的128维特征，这些特征再由后续的64x65层进一步处理以生成64维中间特征。最终的32x33层将特征维度降低到16维输出，用于哈希编码。(d) 规模约为100K的MoS2光电存储器交叉阵列的光学图像，满足MLP的实现要求。 ...