Nature Commun：人工神经网络原位训练特点光传感器

传感器内计算已经成为下一代机器视觉的一种超快、低功耗技术。但是，由于对高性能设备和高效编程方案的需求，传感器内计算系统的原位训练仍然具有挑战性。

有鉴于此， 河北大学闫小兵教授、华南师范大学樊贞教授等 通过实验验证铁电光传感器（FE-PS）的传感器内人工神经网络（ANN, artificial neural network）的原位训练。

本文要点：

（1） 通过训练得到的FE-PS器件具有自供电、快速（<30 μs）和多电平（>4 bits）光响应、长保留时间（50天）、高续航（10 ⁹ ）、高写入速度（100 ns）、小周期和器件间变化（分别为~0.66%和~2.72%）等优势，这些都是原位训练所需要的。此外，还提出了一种双向闭环规划方案，实现了FE-PS精确、高效的权值更新。

（2） 利用该编程方案，对基于FE-PS的传感器内神经网络进行原位训练，用于自动驾驶原型车的交通标志识别。此外，这种传感器内人工神经网络的运行速度比冯·诺伊曼机器视觉系统快50倍。

这项研究为具有原位训练能力的传感器内计算系统的发展铺平了道路，这可能会在新的数据流机器视觉任务中找到应用。

参考文献

Lin, H., Ou, J., Fan, Z. et al. In situ training of an in-sensor artificial neural network based on ferroelectric photosensors. Nat Commun 16 , 421 (2025).

DOI: 10.1038/s41467-024-55508-z

https://www.nature.com/articles/s41467-024-55508-z