人类视网膜通过感知光信号收集丰富的动态图像，并对其进行预处理，进而加速下游视觉皮层的任务识别。传统硅视觉芯片的信号感知、存储和处理单元相互独立，各单元之间大量频繁的数据传输和模数转换，不但会产生大量的能耗，还严重限制了算速。这一局限性随着摩尔定律的减速进一步加剧。因此，开发柔性且具有“感算一体”特征的光电材料和器件，对于实现低功耗高算速的边缘计算器件具有重要的意义。

  中国科学院福建物质结构研究所结构化学国家重点实验室黄伟国研究员团队、香港大学王忠睿教授团队提出了一种材料-算法协同设计策略，开发出具有高效激子分离和空间电荷传输特性的半导体聚合物(p-NDI)，并且成功地构建了具有多任务识别能力的“储池计算”视觉芯片。基于p-NDI出色的光响应行为和瞬态记忆特性，器件可同时感知、存储和预处理光信号，并表现出多比特信号区分能力，记忆非线性衰减行为，和对于不同输入信号的实时关联特性。基于此，该“储池计算”器件对手写字母、数字和服装的识别率分别为98.04%、88.18%和91.76%。此外，其对不同动态手势的识别率高达98.62%，为有机光电材料中报道的最高值。该工作为柔性可穿戴具有多任务学习识别功能的高效光子神经形态器件提供了一种全新的设计策略。

  形貌分析表明p-NDI具有较规整面外取向，及较差的面内取向，为有效的空间电荷传输创造了一个良好的连接路径。这些特性促成了基于p-NDI的晶体管具有出色的光响应行为和瞬态记忆特性。

  上图结果表明基于p-NDI的 “储池计算”器件对手写字母、数字和服装的识别率分别为98.04%、88.18%和91.76%。   

  在多任务识别性能方面，光电储池计算系统与典型的单层ANN和双层ANN两者相比，其精度更高，且需训练参数量和MAC操作数量更少。

  基于p-NDI构建的具有多任务识别能力的“储池计算”视觉芯片可以成功实现对于动图的识别，且对不同动态手势识别率高达到98.62%。

  该成果以“Wearable in-sensor reservoir computing using optoelectronic polymers with through-space charge-transport characteristics for multi-task learning” 为题发表于《nature communication》上。中国科学院大学博士研究生吴孝嵩和香港大学博士研究生王少聪为本文共同第一作者。该项研究得到国家自然科学基金委，中国福建光电信息科学与技术创新实验室支持。

  原文链接：https://www.nature.com/articles/s41467-023-36205-9

  图文转载自【中国聚合物网】:http://www.polymer.cn/