传统冯·诺依曼架构的存-算分离严重制约人工智能系统的能效。而人脑依托神经元之间突触权重的动态更新与自适应调节机制，依据神经通路“用进废退”的规律，主动强化高频有效信息对应的突触连接权重、弱化冗余无效信号对应的突触连接，精准筛选有用信息、抑制多余干扰，使大脑能以极低能耗高效处理各类复杂信息。因此，受生物启发的人工突触器件有望突破传统冯·诺依曼架构的限制，实现高效的信息处理。然而现有的人工突触多依赖电信号读写，仍存在转换损耗、能耗、电子噪声、串扰、带宽等限制。如何实现完全由光信号驱动的突触权重双向调节，是下一代神经形态计算领域的重大挑战。近日，南京师范大学计算机与电子信息学院甘志星团队提出一种基于稀土掺杂长余辉晶体的全光调制人工突触器件，仅用光信号即可实现兴奋/抑制可塑性双向调节，为全光神经网络开辟了新路径。成果以“Fully photon-modulated synaptic devices with bidirectional plasticity for neuromorphic vision and recognition”为题发表于《Advanced Photonics》(中国科学院一区TOP，影响因子IF：19.5)。

研究团队另辟蹊径，选用稀土掺杂长余辉晶体材料，建立了“激发历史依赖的粒子数布局分配模型”。该模型成功预测了双脉冲易化与双脉冲抑制等关键突触行为：在紫外光脉冲刺激下，器件因陷阱捕获载流子而产生累积增强效应（兴奋性）；在紫外背景光下施加近红外脉冲，则通过去捕获实现响应逐次减弱（抑制性）。所有功能均由全光学操控，无需任何电信号参与。

基于这一机制，团队将该全光器件与硅基成像芯片耦合，构建了具备感内降噪能力的神经形态相机。利用强信号衰减慢、弱信号（噪声）衰减快的特性，图像对比度显著提升。进一步地，团队采用该全光突触阵列搭建人工神经网络，在含噪手写数字识别任务中，经感内自降噪后识别准确率达95.99%，逼近理想软件仿真的97.87%。

图1 激发历史依赖的粒子数布局分配模型

图2 基于全光突触阵列构建的人工神经网络实现手写数字识别

该器件实现了兴奋/抑制双向可塑性的全光控制，并集成了感-存-算与抗干扰学习能力，有望应用于低功耗神经形态视觉、物联网终端及类脑芯片等领域。国际光学工程学会（SPIE）官网以News形式对该成果进行了跟踪报道https://spie.org/news/photon-driven-synapse-advances-low-power-neuromorphic-systems。南京师范大学甘志星为该论文唯一通讯作者。该团队近年来在人工光电突触方向上持续深耕，前期相关研究成果简化了人工光电突触器件架构并降低能耗（Advanced Materials 2024, 36(18), 2311524, IF:29.1；Research 2024, 7, 0526, IF:12.9），丰富了人工突触器件功能和记忆模式（Advanced Functional Materials 2026, 36(28), e24890, IF:19.9; Laser & Photonics Reviews, 2026, 20(7), e71384, IF:9.7），本研究在此基础上实现全光调制的重要突破。研究获得国家自然科学基金重大计划培育项目、江苏省自然科学基金等项目资助。

关键词：全光突触，神经形态计算，余辉，突触可塑性，光学神经网络

论文信息：Y. Yan et al., "Fully photon-modulated synaptic devices with bidirectional plasticity for neuromorphic vision and recognition," Adv. Photon. 8(4) 046001 (2026).

DOI: 10.1117/1.AP.8.4.046001.