近年来，受大脑启示的脉冲神经网络（SNNs）因其事情驱动、稀少激活的特性，在能效和时序分辨率方面展现出巨大潜力。但是，因为脉冲激活函数的不行微性，SNNs 的高效硬件练习一向面对严峻应战。传统的代替梯度办法虽能在软件中近似梯度，但其硬件完成需求杂乱的指数运算电路，导致高能耗和面积开支，约束了在柔性、可穿戴神经形状体系中的运用。

  为处理这一难题，东华大学王刚教授、孙恒达特聘研讨员开发了一种依据纺织资料的可调笔直有机电化学晶体管（TT-vOECT），作为硬件代替梯度用于 SNNs 的反向传达。该器材经过一种称为“溶剂互分散固化纺丝（SISS）”的技能制备，成功克服了 Plateau-Rayleigh 不稳定性，制造出具有明晰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，可用于梯度核算。研讨团队进一步提出“条件激活反向传达（CAB）”机制，经过双 TT-vOECT 构成的可重构逻辑阵列，完成仅在输入脉冲与代替梯度一起满意条件时才触发权重更新，然后显着削减核算冗余。将该体系集成于卷积 SNNs 中，运用于脑电图（EEG）信号的多类神经疾病分类，准确率与软件基线适当，一起将反向传达核算量下降约 20%。相关论文以“Fiber Transistors as a Hardware Surrogate Gradient for Backpropagation in Spiking Neural Networks”为题，宣布在

  图1展现了该研讨的生物创意与硬件完成途径。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刻与相关性产生可逆改动。图1b 则显现了双层 TT-vOECT 在栅极电压调控下所出现的传输特性曲线，其形状与 Sigmoid 导数高度符合。图中还说明晰条件激活反向传达（CAB）战略的作业原理：仅当突触前神经元宣布脉冲且代替梯度超越阈值时，才会触发权重更新，以此来完成稀少、节能的参数学习。

  图1. 神经形状体系中条件激活反向传达（CAB）的生物创意与设备级完成示意图。 a) 人脑神经网络中突触可塑性的示意图。 b) 双层可调纺织基笔直有机电化学晶体管（TT-vOECT）在栅压调控下模仿 Sigmoid 导数 σ′(vi(t)) 形状的传输特性。图中展现了 CAB 战略的完成办法，即设备输出与突触前脉冲输出 sj(t) 一起决议是不是触发突触权重更新，以此来完成稀少且节能的参数学习。

  图2具体的介绍了经过 SISS 办法制备的同轴三层纤维的结构与功能。该纤维以聚酰亚胺（PI）为芯层，顺次包裹 PEDOT:PSS 和 BBL 聚合物层，构成明晰的异质结界面。扫描电镜图画显现 PEDOT 层紧贴导电 PI 基底，BBL 层则均匀包覆在外。经过调理聚合物浓度与注入速率，可准确操控各层厚度及其份额，从而调控器材功能。该纤维在歪曲和打结等杂乱形变下仍坚持优异机械稳定性，展现出在可穿戴神经形状核算中的运用潜力。

  图2. 经过溶剂互分散固化纺丝（SISS）制备的同轴三层纤维的结构构成、描摹表征与可调性。 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) 同轴三层纤维外表 SEM 图画。份额尺：50 μm。 d) 横截面 SEM 图画，杰出 BBL 与 PEDOT 层之间的界面。份额尺：2 μm。 e,f) 经过资料浓度调控总厚度 (e) 和 BBL 与 PEDOT:PSS 厚度比 (f)（每组 n≥10）。两图均显现均值（菱形）、中位数（线）、四分位距（箱体）、高斯散布（曲线% 须线。 g,h) 经过 PEDOT 注入速率调控总厚度 (g) 和 BBL 与 PEDOT:PSS 厚度比 (h)（每组 n≥10）。两图均显现均值（菱形）、中位数（线）、四分位距（箱体）、高斯散布（曲线% 须线。 i,j) 同轴三层纤维的机械形变测验：i) 歪曲，j) 打结（曲率半径 R=1.26 mm）。份额尺：1 mm。

  图3要点剖析了 TT-vOECT 的电学特性与机械鲁棒性。该器材选用三端结构，经过调理 BBL 与 PEDOT 的厚度比，可显着改动其传输曲线的峰值电压与半高宽，完成对非线性特性的精准调控。交流源漏极可提高响应速度，而多孔纳米纤维电极膜则有助于离子传输，逐渐优化功能。器材在曲折测验中电流坚持率超越82%，循环稳定性杰出。3×3 器材阵列显现出高度一致的传输特性，峰值电压散布会集，标明其具有杰出的可扩展性与批量化生产远景。

  图4展现了怎么运用 TT-vOECT 在硬件层面完成条件激活反向传达（CAB）。研讨者运用器材的可调传输特性，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。其间，BBL/PEDOT 厚度比为 0.88 的器材与方针函数匹配最佳，Pearson 相关系数达 0.997。经过将两个 TT-vOECT 单元组合为可重构逻辑模块，完成了 AND、OR、NOR、NAND 等根本逻辑操作，为 CAB 供给了硬件支撑。终究，经过单 TT-vOECT 模块结合外围电路，成功完成了对权重梯度 ∂L/∂Wij的完好硬件核算。

  图5验证了该硬件体系在实际使命中的有效性——依据 EEG 信号的神经疾病多分类。研讨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代替梯度嵌入反向传达途径，并引进 CAB 战略进行稀少更新。依据效果得出，选用优化双层器材的体系分类准确率与抱负 Sigmoid 导数适当，练习丢失与混杂矩阵高度一致；而仅运用 BBL 器材的体系因梯度近似误差导致功能显着下降。CAB 战略在简直不影响精度的情况下，将梯度-脉冲乘积核算次数削减了约20%，显着提高了练习能效。

  图5. 依据设备辅佐模仿的 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) 运用双层 TT-vOECT 与 CAB 战略进行反向传达的 EEG 神经疾病检测分类功能：c) 准确率与练习丢失，d) 混杂矩阵。 e,f) 运用 Sigmoid 导数与 CAB 战略进行反向传达的效果：e) 准确率与练习丢失，f) 混杂矩阵。 g,h) 运用 BBL TT-vOECT 与 CAB 战略进行反向传达的效果：g) 准确率与练习丢失，h) 混杂矩阵。准确率值每 25 个周期记载一次。

  综上所述，本研讨经过资料立异、器材规划与体系优化相结合，成功开宣布一种依据纤维晶体管的可练习神经形状硬件渠道。该渠道不只完成了对反向传达梯度的硬件级近似，还经过条件激活机制大幅度下降了核算开支，为未来可穿戴、植入式神经网络的在线学习与实时揣度供给了可行途径。这一效果标志着有机电子器材在高效、柔性神经形状核算范畴迈出了要害一步。