Stay on top!
Get helpful articles and special offers once a month.
用于仿生自适应机器视觉的可切换钙钛矿光伏传感器
Chen, Q., Zhang, Y., Liu, S., Han, T., Chen, X., Xu, Y., Meng, Z., Zhang, G., Zheng, X., Zhao, J., Cao, G., Liu, G.
Advanced Intelligent Systems
Abstract
图a–n依次展示了CsFAMA薄膜的光诱导力显微镜（PiFM）图像：a) 原始状态；b–f) 施加-1至-0.2 V幅值电压应力后；i–n) 施加0至1 V幅值电压应力（步进0.2 V）后。g,h) 钙钛矿光伏传感器器件在正/负电压应力下的工作示意图。SV和RV分别代表应力电压与读取电压。钙钛矿层中的红色球体、黄色球体及绿色八面体分别代表CsFAMA中的阳离子FA⁺/MA⁺物种、阴离子I⁻/Br⁻物种以及阴离子PbI₂.₅₅Br₀.₄₅⁻。为清晰展示，迁移的阳离子FA⁺/MA⁺与阴离子I⁻物种未按比例绘制。 传统人工视觉系统依赖基于互补金属氧化物半导体（CMOS）的图像传感器与现场可编程门阵列（FPGA）将光信号转换为电压脉冲，还需额外神经网络执行目标识别的卷积运算（该功能近年多由忆阻器交叉阵列实现）。兼具自适应图像传感与传感器内计算能力的机器视觉，既可智能精准捕获环境视觉信息，又能通过避免传感器与计算单元间海量数据传输实现原位高效图像处理[20, 29]。这对终端用户应用至关重要——例如车辆自动驾驶中道路障碍物的即时检测与规避。 乘积累加运算（MAC）是人工神经网络中目标识别卷积的核心模块。互联传感器的交叉架构与并行操作可通过基尔霍夫定律自然实现电流求和，而乘法运算可借助欧姆定律I = G·V实现（其中G代表电导）。本研究CsFAMA器件的电流-电压特性表现出对光照的强依赖性（图3e）。将器件电导与光电流对照辐照强度P重绘，呈现G = a·P + G₀与I = aV·P + I₀ = R·P + I₀（即I − I₀ = aV·P = R·P）的线性关系，满足神经网络乘法需求。式中a为前置常数，G₀与I₀分别为暗态电导与电流，R = aV数学上等价于系统光响应度（图3f）。值得注意的是，CsFAMA器件的光响应度是钙钛矿内部离子态的函数，且可通过偏压V非易失性调控（如先前论证），使其可作为线性可更新突触权重，通过光电方式训练钙钛矿光伏传感器阵列执行目标识别任务，无需额外神经网络硬件。