实验室手性光电二极管光卷积研究取得重要进展

卷积神经网络（CNN）在图像识别等领域表现卓越，但传统电子实现依赖电导调制和外加偏压，存在能耗高、速度受限等问题。近年来光学卷积神经网络（OCNN）虽具备高速和并行优势，但在实际传播过程中易受噪声干扰，信号稳定性差，成为制约其应用的关键瓶颈。

针对上述问题，近日，闽都创新实验室陈惠鹏研究员、刘丽萱副研究员等提出一种基于自供能手性有机光电二极管的全新光卷积计算范式。该工作基于手性非富勒烯受体与非手性聚合物给体构建本体异质结光电二极管。利用圆偏振光（CPL）在复杂环境中具有更强“偏振记忆”的物理特性，将二极管的手性光电响应直接映射为卷积权重，实现“无偏压、可调制”的光学卷积运算，相比于自然光，该CPL策略在噪声环境下该策略显著提升特征提取质量（SSIM由0.15提升至0.80）和识别精度（由76%提升至87%），为低功耗、高鲁棒性的光学智能计算提供了全新路径。

研究首先从自然界入手，借鉴螳螂虾对圆偏振光的高效感知能力，揭示CPL在散射环境中的抗噪优势，并据此提出基于CPL调控的光卷积神经网络架构。通过调节偏振片与四分之一波片之间的角度，实现卷积权重sin(2θ₂)-sin(2θ₁)的调制，将光偏振信息直接嵌入计算过程（图1）。

图1：仿生启发与体系构建

研究人员构建了基于非手性聚合物给体PM6与手性非富勒烯受体(S,S)-BTP-4Cl的体异质结二极管。系统研究器件在不同偏振状态下的光电响应，发现光电流随波片角度（四分之一波片快轴与线偏振片偏振方向之间的夹角）呈正弦变化关系。为将权重调制范围拓展至包含负值，研究人员提出了将两个光电二极管以相反极性并联连接的电路模型。利用差分光电流响应实现对称的权重调节，从而同时获得正负权重，满足光学计算需求。此时，光电流与角度之间的关系可表示，，随着θ的变化，I_out可覆盖正负区间。因此，二极管器件具备实现卷积乘法运算的物理基础（图2）。

图2：卷积权重的物理实现机制

进一步，研究人员提出基于3×3 二极管器件阵列的卷积核设计，并通过光强编码实现图像输入。通过调节各像素对应的偏振角，实现不同权重组合，成功模拟Prewitt、Sobel等经典边缘检测算子，验证了该器件体系在光学卷积运算中的可行性。在构建的OCNN系统中，对比CPL与自然光在噪声环境下的传播稳定性，结果显示CPL具有显著更低的信号波动。基于MNIST数据集的测试表明，CPL体系在特征提取与分类任务中均明显优于对照组，同时在更复杂的CIFAR-10任务中仍保持良好性能，体现出优异的泛化能力。

该研究将器件对圆偏振光的不对称光响应直接映射为卷积权重，实现无需外加偏压的卷积计算，从器件物理层面突破了传统光学神经网络依赖外部调制与复杂光学元件的限制，解决了传统OCNN在能耗与抗噪方面的瓶颈，为新一代低功耗光学人工智能硬件提供了重要思路。

相关成果以“Intrinsic chiroptical responsivity in self‐powered organic photodiodes for polarization‐tunable optical convolution”为题发表在InfoMat上，闽都创新实验室刘丽萱副研究员和黄伟龙硕士研究生为论文第一作者，刘丽萱副研究员和陈惠鹏研究员为通讯作者，闽都创新实验室为论文第一完成单位。此项工作得到国家自然科学基金项目、闽都创新实验室自主部署项目的支持。

原文链接：https://onlinelibrary.wiley.com/doi/10.1002/inf2.70133

（陈惠鹏团队 供稿）