《Nature Communications》：Polarization-sensitive in-sensor computing in chiral organic integrated 2D p-n heterostructures for mixed-multimodal image processing
編輯推薦：
為解決傳統圖像傳感器需后端處理的延遲與能耗問題，研究人員開展偏振敏感傳感器內計算研究，集成膽甾相液晶反射器與 MoTe?/MoS?范德華（vdW）p-n 異質結，實現高不對稱因子（1.90）、快速光響應（4 μs），可動態控制響應度，簡化電路并提升實時處理能力。
在機器視覺領域，傳統圖像傳感器依賴光電二極管陣列將視覺數據轉換為電信號，經模數轉換后傳輸至后端處理，這一過程存在數據傳輸量大、延遲高和能耗高的問題。隨著人工智能與實時決策需求的提升，如何在傳感器端直接進行數據處理成為關鍵挑戰。圓偏振光（CPL）因其豐富的光學信息和角度依賴特性，在光學量子計算、生物成像、加密和三維成像等領域展現出巨大潛力，但將 CPL 探測器集成到傳感器內計算框架中的研究尚未充分開展。傳統 CPL 檢測方法存在結構復雜、成本高或載流子遷移率低等缺陷，例如使用手性半導體或超材料時面臨性能限制，而膽甾相液晶網絡（CLCN）與高遷移率半導體結合的方案雖有進展，但橫向晶體管結構中光生載流子分離效率低，存在光門效應導致的慢響應和非線性問題。因此，開發具有高不對稱因子、快速和寬線性光響應的偏振敏感傳感器內計算器件，對于提升機器視覺的實時處理能力和拓展 CPL 應用場景至關重要。
韓國科學技術研究院（KIST）的研究人員針對上述挑戰，開展了基于手性有機集成二維范德華（vdW）p-n 異質結構的偏振敏感傳感器內計算研究。他們將 CLCN 作為手性光學濾波器與 MoTe?/MoS? vdW p-n 異質結集成，開發出高性能 CPL 探測器，實現了混合多模態圖像的動態處理。該研究成果發表在《Nature Communications》上，為傳感器內計算技術帶來了新的突破。
研究中用到的主要關鍵技術方法包括：
- 器件制備：通過機械剝離和干法轉移技術制備 MoTe?/MoS?半垂直 vdW p-n 異質結光二極管，將 CLCN 薄膜集成到器件上，通過調節手性摻雜劑濃度調控 CPL 波長選擇性。
- 性能表征：利用原子力顯微鏡、拉曼光譜、半導體參數分析儀等表征材料厚度、結晶度和光電性能，通過旋轉半波片和四分之一波片調制偏振態，測試器件對不同偏振光的響應。
- 圖像識別與模擬：使用 MNIST 和 Fashion-MNIST 數據集模擬混合 CPL 圖像，通過卷積神經網絡（CNN）評估器件的圖像分解和識別能力。
結果
器件結構與性能
CLCN 集成的 vdW CPL 探測器由 CLCN 薄膜和 MoTe?/MoS? p-n 異質結組成。CLCN 薄膜對特定波長的 CPL 具有手性選擇性反射，R 型和 S 型 CLCN 薄膜的不對稱因子分別為 1.89 和 - 1.88。半垂直結構的 MoTe?/MoS?異質結通過內置電場有效分離光生載流子，光電流上升 / 下降時間均為 4 μs，線性動態范圍高達 114.1 dB，顯示出快速響應和寬范圍檢測能力。
混合 CPL 圖像分解與識別
在混合 CPL 圖像分解實驗中，傳統非手性光電二極管無法區分左 / 右圓偏振光信號，導致圖像模糊和識別錯誤（如將 “2” 和 “5” 的混合信號誤判為 “8”）。而 R 型和 S 型 CPL 探測器可分別選擇性捕獲左 / 右圓偏振光分量，通過 CNN 模擬對 MNIST 和 Fashion-MNIST 數據集的混合圖像識別率高達 98.2% 和 88.0%，顯著優于混合信號的 45.1% 識別率，證明了其對手性信號的高效分解能力。
混合多模態圖像處理
研究提出基于偏振態調制的混合多模態傳感器內計算方法。通過調節偏振態，非可重構器件可動態混合兩種任意內核操作，例如在 1×1 和 1×3 陣列中實現恒等濾波與邊緣檢測（如 Sobel-X 濾波器）的無縫切換。在 3×3 陣列中，通過偏振角度調整，可實現從恒等濾波到邊緣增強、Sobel-X 到 Sobel-Y 濾波的連續過渡，驗證了其在二維圖像動態處理中的靈活性和通用性。
結論與討論
該研究成功開發了基于手性有機層與二維 vdW p-n 異質結集成的偏振敏感 CPL 探測器，結合 CLCN 的高選擇性偏振檢測和 vdW 異質結的高效載流子分離能力，實現了混合 CPL 圖像的高效分解和多模態處理。通過偏振態動態調控響應度，在非可重構電路中實現了內核操作的靈活混合，簡化了電路復雜度并保留了優化能力。該技術為實時機器視覺提供了新的自由度，有望在生物分子分析、自動駕駛、光學加密等領域推動高分辨率、低延遲的智能傳感應用。未來，通過大面積 vdW 薄膜制備和 CLCN 微圖案化技術的提升，可進一步拓展其在大規模陣列中的實際應用，為下一代傳感器內計算架構奠定基礎。
