东华大学AM：可穿戴纤维晶体管，助力脉冲神经网络训练

近年来，受大脑启发的脉冲神经网络（SNNs）因其事件驱动、稀疏激活的特性，在能效和时序分辨率方面展现出巨大潜力。然而，由于脉冲激活函数的不可微性，SNNs 的高效硬件训练一直面临严峻挑战。传统的替代梯度方法虽能在软件中近似梯度，但其硬件实现需要复杂的指数运算电路，导致高能耗和面积开销，限制了在柔性、可穿戴神经形态系统中的应用。

为解决这一难题，东华大学王刚教授、孙恒达特聘研究员开发了一种基于纺织材料的可调垂直有机电化学晶体管（TT-vOECT），作为硬件替代梯度用于 SNNs 的反向传播。该器件通过一种称为“溶剂互扩散固化纺丝（SISS）”的技术制备，成功克服了 Plateau-Rayleigh 不稳定性，制造出具有明确异质结的同轴三层纤维。TT-vOECT 的非线性传输特性高度近似 Sigmoid 函数的导数，可用于梯度计算。研究团队进一步提出“条件激活反向传播（CAB）”机制，通过双 TT-vOECT 构成的可重构逻辑阵列，实现仅在输入脉冲与替代梯度同时满足条件时才触发权重更新，从而显著减少计算冗余。将该系统集成于卷积 SNNs 中，应用于脑电图（EEG）信号的多类神经疾病分类，准确率与软件基线相当，同时将反向传播计算量降低约 20%。相关论文以“Fiber Transistors as a Hardware Surrogate Gradient for Backpropagation in Spiking Neural Networks”为题，发表在

Advanced Materials

图1展示了该研究的生物灵感与硬件实现路径。图1a 描绘了人脑神经网络中突触可塑性的机制，即突触强度随神经活动的时间与相关性发生可逆变化。图1b 则显示了双层 TT-vOECT 在栅极电压调控下所呈现的传输特性曲线，其形态与 Sigmoid 导数高度吻合。图中还说明了条件激活反向传播（CAB）策略的工作原理：仅当突触前神经元发出脉冲且替代梯度超过阈值时，才会触发权重更新，从而实现稀疏、节能的参数学习。

图1. 神经形态系统中条件激活反向传播（CAB）的生物灵感与设备级实现示意图。 a) 人脑神经网络中突触可塑性的示意图。 b) 双层可调纺织基垂直有机电化学晶体管（TT-vOECT）在栅压调控下模拟 Sigmoid 导数 σ′(vi(t)) 形状的传输特性。图中展示了 CAB 策略的实现方式，即设备输出与突触前脉冲输出 sj(t) 共同决定是否触发突触权重更新，从而实现稀疏且节能的参数学习。

图2详细介绍了通过 SISS 方法制备的同轴三层纤维的结构与性能。该纤维以聚酰亚胺（PI）为芯层，依次包裹 PEDOT:PSS 和 BBL 聚合物层，形成清晰的异质结界面。扫描电镜图像显示 PEDOT 层紧贴导电 PI 基底，BBL 层则均匀包覆在外。通过调节聚合物浓度与注入速率，可精确控制各层厚度及其比例，进而调控器件性能。该纤维在扭曲和打结等复杂形变下仍保持优异机械稳定性，展现出在可穿戴神经形态计算中的应用潜力。

图2. 通过溶剂互扩散固化纺丝（SISS）制备的同轴三层纤维的结构形成、形貌表征与可调性。 a) SISS 法制备同轴三层纤维的示意图。 b) 同轴三层纤维的结构示意图。 c) 同轴三层纤维表面 SEM 图像。比例尺：50 μm。 d) 横截面 SEM 图像，突出 BBL 与 PEDOT 层之间的界面。比例尺：2 μm。 e,f) 通过材料浓度调控总厚度 (e) 和 BBL 与 PEDOT:PSS 厚度比 (f)（每组 n≥10）。两图均显示均值（菱形）、中位数（线）、四分位距（箱体）、高斯分布（曲线）及 5–95% 须线。 g,h) 通过 PEDOT 注入速率调控总厚度 (g) 和 BBL 与 PEDOT:PSS 厚度比 (h)（每组 n≥10）。两图均显示均值（菱形）、中位数（线）、四分位距（箱体）、高斯分布（曲线）及 5–95% 须线。 i,j) 同轴三层纤维的机械形变测试：i) 扭曲，j) 打结（曲率半径 R=1.26 mm）。比例尺：1 mm。

图3重点分析了 TT-vOECT 的电学特性与机械鲁棒性。该器件采用三端结构，通过调节 BBL 与 PEDOT 的厚度比，可显著改变其传输曲线的峰值电压与半高宽，实现对非线性特性的精准调控。交换源漏极可提升响应速度，而多孔纳米纤维电极膜则有助于离子传输，进一步优化性能。器件在弯曲测试中电流保持率超过82%，循环稳定性良好。3×3 器件阵列显示出高度一致的传输特性，峰值电压分布集中，表明其具备良好的可扩展性与批量化生产前景。

图3. 双层 TT-vOECT 的可调传输响应、机械鲁棒性与阵列均匀性。 a) 双层 TT-vOECT 结构示意图。 b) 双层、BBL、PEDOT 以及 BBL 与 PEDOT 串联等效 TT-vOECT 的传输特性。漏极电压 (VD) = 0.1 V。实线表示前向扫描，虚线表示反向扫描。 c) 不同 VD 下双层 TT-vOECT 的传输曲线。实线表示前向扫描，虚线表示反向扫描。 d,e) 在 BBL 与 PEDOT 厚度比分别为 0.42、0.88 和 1.18 时，双层 TT-vOECT 传输曲线的峰值位置 (d) 和半高宽 (FWHM) (e)（每组 n≥10）。两图均显示均值（菱形）、中位数（线）、四分位距（箱体）及 5–95% 须线。 f) 交换源漏电极后双层 TT-vOECT 的传输曲线对比，VD = 0.1 V。实线表示前向扫描，虚线表示反向扫描。 g) 双层 TT-vOECT 在弯曲半径为 10、7.5 和 5 mm 时的最大电流保持率。 h,i) 3×3 双层 TT-vOECT 阵列中峰值位置 (h) 和 FWHM (i) 的空间分布。VD = 0.1 V。

图4展示了如何利用 TT-vOECT 在硬件层面实现条件激活反向传播（CAB）。研究者利用器件的可调传输特性，直接将膜电位映射为栅压，输出电流即作为 Sigmoid 导数的硬件近似。其中，BBL/PEDOT 厚度比为 0.88 的器件与目标函数匹配最佳，Pearson 相关系数达 0.997。通过将两个 TT-vOECT 单元组合为可重构逻辑模块，实现了 AND、OR、NOR、NAND 等基本逻辑操作，为 CAB 提供了硬件支持。最终，通过单 TT-vOECT 模块结合外围电路，成功实现了对权重梯度 ∂L/∂Wij的完整硬件计算。

图4. 使用双层 TT-vOECT 实现条件激活反向传播（CAB）的设备级实现。 a) CAB 机制示意图。使用 AND 门进行反向传播控制。 b) 使用双层 TT-vOECT 对 Sigmoid 导数进行硬件近似，与单层 BBL TT-vOECT 进行比较。Bilayer-1.47、Bilayer-1.18 和 Bilayer-0.88 分别表示 BBL 与 PEDOT 厚度比为 1.47、1.18 和 0.88 的双层 TT-vOECT。Bilayer-0.88 与目标 Sigmoid 导数最为接近，Pearson 相关系数 r = 0.997。VD = 0.1 V。 c,d) 基于集成于单根同轴纤维上的两个双层 TT-vOECT 构成的可重构逻辑门，实现 c) AND/OR 和 d) NOR/NAND 逻辑运算。所加 VD 为 0.1 V。 e) ∂L/∂Wij计算的完整硬件实现，其中 VC 代表 vi(t)，V1 编码 ∂L/∂si(t)，VOUT 反映 δi(t)。

图5验证了该硬件系统在现实任务中的有效性——基于 EEG 信号的神经疾病多分类。研究构建了卷积脉冲神经网络（C-SNN），将设备测得的传输曲线作为替代梯度嵌入反向传播路径，并引入 CAB 策略进行稀疏更新。结果表明，采用优化双层器件的系统分类准确率与理想 Sigmoid 导数相当，训练损失与混淆矩阵高度一致；而仅使用 BBL 器件的系统因梯度近似偏差导致性能显著下降。CAB 策略在几乎不影响精度的情况下，将梯度-脉冲乘积计算次数减少了约20%，显著提升了训练能效。

图5. 基于设备辅助模拟的 EEG 神经疾病分类。 a) 输入卷积脉冲神经网络（C-SNN）的 EEG 信号，用于神经疾病分类。 b) C-SNN 结构示意图。 c,d) 使用双层 TT-vOECT 与 CAB 策略进行反向传播的 EEG 神经疾病检测分类性能：c) 准确率与训练损失，d) 混淆矩阵。 e,f) 使用 Sigmoid 导数与 CAB 策略进行反向传播的结果：e) 准确率与训练损失，f) 混淆矩阵。 g,h) 使用 BBL TT-vOECT 与 CAB 策略进行反向传播的结果：g) 准确率与训练损失，h) 混淆矩阵。准确率值每 25 个周期记录一次。

综上所述，本研究通过材料创新、器件设计与系统优化相结合，成功开发出一种基于纤维晶体管的可训练神经形态硬件平台。该平台不仅实现了对反向传播梯度的硬件级近似，还通过条件激活机制大幅降低了计算开销，为未来可穿戴、植入式神经网络的在线学习与实时推断提供了可行路径。这一成果标志着有机电子器件在高效、柔性神经形态计算领域迈出了关键一步。