用电致发光钙钛矿量子点打造的“节能多任务学习”神经网络

本文介绍了一种面向多任务学习（MT）的人工智能硬件新方案。受人脑可并行处理多种任务的启发，研究团队设计并制备了一种基于混合维度结构的钙钛矿量子点（Cs₁₋ₓFAₓPbBr₃）交叉阵列芯片。该芯片的独特之处在于：每个突触单元能同时输出两种信号——电信号（突触后电流，PSC）和光信号（突触后电致发光，PSEL），相当于一个器件具备‘双权重’（W₁和W₂）调节能力。通过调控甲脒（FA⁺）掺杂比例（x值）和输入电脉冲参数，芯片可稳定实现约1000种不同状态，展现出优异的长时程可塑性（LTP/LTD）、脉冲频率依赖可塑性和成对脉冲易化效应（PPF），完全模拟生物突触的核心功能。

研究将该硬件应用于人脸图像分析，同步执行三项典型任务：（1）回归任务——精确预测年龄（1–116岁）；（2）分类任务——识别白人、黑人、亚洲人、印度人和其他共五类人种；（3）图像重建任务——根据关键特征还原原始人脸图像。实验表明，采用‘总损失策略’联合优化两个任务（如‘年龄预测+人种识别’或‘人种识别+图像重建’）时，仅需100–119个训练周期（epoch）即可达到与传统单任务分别训练（需189或168个周期）相当的精度，计算效率分别提升47.09%和29.17%。更重要的是，相比GPU硬件加速器，该芯片在完成相同任务时，能量消耗大幅降低——前者减少8.2倍，后者减少32.4倍。这一优势主要源于其物理架构避免了GPU中高耗能的数据搬运（如缓存与主存读写），所有计算在硬件阵列内原位完成。

文章还详细说明了芯片材料合成（如FA醋酸盐与CsCO₃前驱体制备）、多层薄膜旋涂工艺（ZnO/b-PEI电子传输层、钙钛矿发光层、PVK空穴传输层、V₂O₅₋y空穴注入层）、器件表征（HR-TEM、XPS、EL光谱、I-V曲线等）及多任务算法实现（基于PyTorch的MT-CNN与MT-ResNet-15模型）。结果证实：这种电光双模突触不仅性能媲美单一模式系统，而且具备高度可扩展性与鲁棒性，即使在实际硬件状态数受限（如260态）条件下仍保持良好任务表现。该工作为构建高效、低功耗、可部署于终端设备的类脑多任务AI系统开辟了切实可行的技术路径。