《InfoMat》:Intrinsic chiroptical responsivity in self-powered organic photodiodes for polarization-tunable optical convolution
编辑推荐:
有机半导体(organic semiconductors)的本征手性光学(chiroptical)特性为偏振编码光电信号处理提供了有力平台。本研究开发了基于手性非富勒烯受体(non-fullerene acceptors)与无手性聚合物给体共混的自供能手性有机
有机半导体(organic semiconductors)的本征手性光学(chiroptical)特性为偏振编码光电信号处理提供了有力平台。本研究开发了基于手性非富勒烯受体(non-fullerene acceptors)与无手性聚合物给体共混的自供能手性有机光电二极管(chiral organic photodiodes, COPs),其圆偏振光(circularly polarized light, CPL)依赖的响应度(responsivity, R)为可调卷积加权提供了物理基础。得益于其偏振依赖的光电流,数学上表述为CPL振幅与波片旋转角θ的正弦函数的乘积,这些COPs可作为无偏压(bias-free)、动态可重构卷积滤波器,在噪声光传播条件下实现稳健的特征提取。这种材料驱动的调制机制无需外部偏压或额外电路元件即可实现有效的对比度增强与噪声抑制。当集成入光学卷积框架中,与基于自然光的对应体系相比,CPL响应的COPs将提取特征图的结构相似性指数(structural similarity index measure, SSIM)从0.15提升至0.80,并将手写数字分类准确率从76%提高至87%。这些结果表明手性有机光电二极管是低功耗、耐噪声光信息处理的有前景材料平台。
研究背景与意义
传统卷积神经网络(convolutional neural networks, CNNs)多依赖基于忆阻器(memristors)的电学卷积滤波实现权重调制,需外加偏置电压导致高能耗与延迟,且电学数据传输限制了大规模实时处理能力。光学卷积神经网络(optical convolutional neural networks, OCNNs)利用光子高带宽与并行性可在光域直接执行卷积,降低延时与功耗,但在散射噪声环境中信号完整性差、易退化。圆偏振光(circularly polarized light, CPL)具偏振记忆效应(polarization memory effect),旋向(helicity/handedness)在多次散射中较线偏振光或自然光更不易退偏,具备更强的抗噪传输能力。受螳螂虾CPL敏感视觉启发,将CPL引入OCNNs有望提升噪声鲁棒性。然而此前CPL多被静态编码,未充分利用其相位稳定性,且无能量高效、无需额外功耗的可调卷积滤波器方案。针对此,研究人员提出基于手性有机体异质结自供能光电二极管的OCNN架构,以材料本征CPL选择性吸收实现偏振依赖光电流响应,通过线性偏振片(linear polarizer, LP)与四分之一波片(quarter-wave plate, QWP)夹角θ调控卷积权重,零偏压下工作,兼具低功耗与噪声免疫优势。该论文发表于《InfoMat》。
主要关键技术方法
研究人员采用旋涂法制备ITO/PEDOT:PSS/PM6:(S,S)-BTP-4Cl/PFN-Br/Ag结构的体异质结(bulk-heterojunction, BHJ)器件;通过紫外-可见吸收光谱(uv-vis absorption spectrum)、圆二色光谱(circular dichroism, CD)及原子力显微镜(atomic force microscopy, AFM)表征活性层光学手性与形貌;利用Keithley B2902A在808 nm经LP+QWP产生可调椭圆/圆偏振光,测试电流-电压(I-V)、光开关响应及CPL分辨光电流不对称性因子(gph);构建反向并联双二极管电路实现正负权重;以MATLAB数值模拟CPL与自然光在加性高斯噪声环境中的场强波动,并以MNIST(60000训练/10000测试)及CIFAR-10数据集在DNN+NeuroSim框架下搭建含COP卷积层的六层网络进行特征提取与识别验证。
研究结果
2.1 Chiral non-fullerene molecules-involved chiral organic photodiodes(含手性非富勒烯分子的手性有机光电二极管)
研究人员将无手性聚合物PM6与手性非富勒烯受体(S,S)-BTP-4Cl共混制膜,UV-vis显示808 nm近红外强吸收保留,CD谱证实烷基侧链点手性诱导超分子手性,纯膜最大吸收不对称因子(gabs)为-0.01,共混后降至-0.005但峰位不变;AFM显示共混膜均方根粗糙度(Rq)由1.75 nm降至1.07 nm,抑制大尺度聚集并形成利于激子解离的相分离形貌。能级匹配使808 nm CPL照射下PM6与(S,S)-BTP-4Cl间发生有效空穴转移,光致发光(photoluminescence, PL)淬灭证实激子解离;左/右旋CPL(L-CPL/R-CPL)差分吸收造成界面载流子数目不对称,产生差异化光电流,构成COP的CPL敏感性基础。零偏压下器件在808 nm处外量子效率(external quantum efficiency, EQE)达67%,响应度R为0.44 A W-1,比探测率(specific detectivity, D*)最高1.54×1012Jones,上升/下降时间约37 μs/212 μs,短路光电流密度(Jsc)为5.19 mA cm-2、开路电压(Voc)为0.34 V(入射功率12.3 mW cm-2),确认自供能工作能力。
2.2 Polarization-dependent photocurrents of chiral organic photodiodes(手性有机光电二极管的偏振依赖光电流)
研究人员首先验证COP对808 nm L-CPL与R-CPL的差异响应:I-V曲线计算得光电流不对称性因子gph=2(IL-IR)/(IL+IR),因活性层对R-CPL吸收更强致IR>IL,gph为负;零偏稳态I-T开关曲线确认旋向分辨;阵列器件间L-CPL与R-CPL下输出电流(Iout)分别为3.61±0.01 μA与3.71±0.01 μA,相对标准偏差1%;Iout随光强线性增加。进一步用LP+QWP将自然光调制成椭圆偏振光,改变QWP快轴与LP透光轴夹角θ,测得Iout=AP·sin(2θ)+BP+C(P为光强,A、B、C为常数),呈正弦函数变化,各偏振态光强波动仅0.39%。为实现负权重,两COP反向并联使Iout=AP[sin(2θ2)-sin(2θ1)],权重范围[-2, 2];多单元并联求和∑AP[sin(2θ2)-sin(2θ1)]完成卷积累加运算,数学等价于忆阻器基电学CNN卷积原理,证明COP可执行OCNN卷积操作。
2.3 The innovative design of chiral organic photodiodes-based convolutional filters(手性有机光电二极管基卷积滤波器的创新设计)
研究人员将灰度像素值线性映射为808 nm光强(100~355 μW cm-2)作为COP阵列输入;构建三个独立3×3 COP阵列组成"三合一"卷积核,单次滑动可同时提取三种特征,权重由sin(2θ2)-sin(2θ1)决定,通过调节θ在[-2, 2]内连续调权。18只器件I-V曲线与短-circuit电流高度一致,不同θ下偏振响应阵列间变异约2%,差分相减不引入明显累积误差。以Prewitt-x/y、Sobel-x/y边缘检测算子为目标,依实验标定偏振响应代入数值模拟确定各核元最佳θ,仿真特征提取图与标准算子结果吻合,证实COP卷积滤波器可有效执行图像特征提取。
2.4 Application of chiral organic photodiodes in OCNNs and their noise resistance(手性有机光电二极管在OCNN中的应用及其抗噪性)
研究人员在MATLAB中建模仿真CPL与自然光经高斯噪声干扰的传播,CPL强度波动明显更小,具更优噪声稳定性。在含噪环境下对实验组(CPL+噪声+Prewitt-x)与对照组(自然光+噪声+Prewitt-x)分别作特征提取,结构相似性指数(structural similarity index measure, SSIM)分别为0.80与0.15,CPL显著抑制噪声致特征图退化。将COP卷积层嵌入含全连接层的六层OCNN,MNIST数据集训练与推理结果显示:CPL组识别准确率87%、损失0.2,自然光组仅76%、损失0.3,混淆矩阵显示CPL组各类别分类精度全面提升;扩展至CIFAR-10数据集准确率达85%,证明方法具泛化能力。与其他光计算平台比,该CPL基OCNN突出优势为零偏压工作与优异噪声免疫。
讨论与结论(译自CONCLUSION)
本研究开发了以手性非富勒烯受体与无手性聚合物给体共混的自供能手性有机光电二极管(chiral organic photodiodes, COPs)作为光学卷积神经网络(OCNNs)卷积滤波器的创新架构。其核心突破在于利用COP的偏振依赖灵敏度实现动态权重调节——卷积运算可数学表述为圆偏振光(CPL)振幅与波片(retarder)旋转角θ的正弦函数之乘积,提供了一种直观有效的权重调制手段。与传统CNN依赖可调电阻元件不同,本工作零偏压(zero-bias)操作显著降低能耗,提升低功耗光计算可行性。研究人员通过模拟与实验系统评估了CPL在OCNN中的抗噪能力:模拟噪声环境中,基于CPL的OCNN在MNIST数据集上识别准确率达87%,优于非偏振光体系的76%。这一显著提升印证了CPL驱动光计算的鲁棒性,可为光传播中信号退化提供增强的稳定性与恢复力。该结果表明,将CPL整合入OCNN可实质性解决光神经网络中长期存在的能效与噪声敏感难题,为下一代高性能低功耗光学人工智能系统奠定基础,推动光计算与神经形态工程(neuromorphic engineering)的未来发展。