近日，绍兴大学神经形态器件团队在国际高水平学术期刊 Light: Science & Applications 发表题为“Orthogonally regulated multi-timescale reservoir and linear nonvolatile readout in a vertical transistor for dynamic machine vision”的研究论文。该期刊是 Nature Portfolio 合作出版的国际知名光学期刊，最新公布的2025年影响因子为24.0，位列JCR光学学科一区（Q1），2025年中国科学院期刊分区为物理与天体物理大类一区Top，列入南京大学卓越期刊名单。论文第一作者为绍兴大学数理信息学院青年教师戴钦镛，绍兴大学姚博教授、南京大学施毅院士和李昀教授担任通讯作者，绍兴大学为论文第一署名单位。
图1. 垂直铁电有机场效应晶体管的多时间尺度储备池计算与非易失读出架构。 (a) 面向人体动作识别的整体计算架构；(b) 基于光激发的非线性易失性物理储备池及器件结构；(c) 基于铁电极化调控的线性、对称非易失性电学读出机制。
针对传统储备池计算器件难以兼顾丰富的时序动力学与高精度权重存储的问题，研究团队设计了一种垂直沟道有机铁电场效应晶体管（Fe-vOFET），通过光生载流子动力学与铁电极化调控的正交解耦，在同一器件平台实现了多时间尺度光电储备池与线性非易失读出功能。其中，Rubrene/F16CuPc有机异质结利用不同波长光激发产生差异化的载流子弛豫动力学，构建多时间尺度储备池；MFMIS铁电栅结构则实现了线性、对称和稳定的突触权重调节，权重保持时间超过3000 s，循环耐久性超过106次（图1）。
图2. 基于多波长储备池计算的人体动作识别及性能评估。 (a) 多波长储备池、主成分分析及神经网络读出的人体动作识别流程；(b) 有无储备池计算时的动作信息处理效果对比；(c) 器件的长时程增强与长时程抑制特性；(d–e) 不同储备池数量下的模型识别准确率；(f) 10类人体动作识别的混淆矩阵；(g) 本研究与已有储备池计算系统的性能比较。
在人工智能应用方面，研究团队将器件的多波长动态响应引入储备池计算，结合轻量化神经网络读出，实现了动态视觉信息处理。在Weizmann人体动作识别任务中，系统取得了91.95%的识别准确率，在交通运动轨迹识别任务中准确率达到97.2%（图2）。此外，研究还将该计算框架拓展至MNIST手写数字及CIFAR-10图像识别任务，为面向边缘智能的低功耗视觉计算硬件提供了新的实现思路。
论文链接： https://doi.org/10.1038/s41377-026-02420-4
