随着大数据时代的到来，基于传统互补金属氧化物半导体（CMOS）技术与冯·诺依曼架构的人工智能硬件系统，在面对指数级增长的计算需求时，正受到摩尔定律物理极限的严重制约，面临着计算效率提升瓶颈和高能耗的巨大挑战。为此集成光子神经网络（PNN）凭借光子超高速、宽带宽、高并行度以及低功耗的固有优势，成为融合类脑计算与光子计算的一种极具前景的新型计算范式。在生物学中，神经元并非进行确定性计算，其离子通道的随机开启等内部噪声赋予了生物神经元固有的随机动力学特性，从而为贝叶斯推理等概率计算提供了关键支撑。因此在光子硬件中引入概率模型，对于抑制确定性推理的过度自信、提升神经网络的准确性与鲁棒性具有重要意义。

但现有的光子神经元普遍存在体积庞大或光学响应弱的问题，这严重限制了系统的高密度集成与实际应用。更为关键的是目前报道的光子神经元大多表现出确定性动力学特征，缺乏内在的随机性，若要实现概率计算，往往必须依赖复杂的外部熵源或回馈光路，这极大地增加了光子神经网络的架构复杂度与运行开销。虽然传统的硫属化物相变材料在构建非易失性多态光子突触方面展现出巨大潜力，但在用于神经元时，其非易失性特征导致器件在触发脉冲后难以自发恢复到静息状态。这些非理想因素和架构缺陷共同构成了当前制约大规模、低复杂度、高性能芯片级光子概率类脑计算系统发展的核心挑战。

针对上述问题，由华中科技大学等组成的团队利用泽攸科技的原位TEM测量系统进行了系统研究，该团队利用一种新型SbTe9相变材料开发出首个紧凑型芯片级光子脉冲神经元，其通过材料固有的微观结构演化产生的随机性实现了稳定的概率脉冲发放，为大规模光子概率计算系统提供了一种低复杂度且高鲁棒性的硬件解决方案。

研究团队开发了一种基于新型相变材料SbTe9的紧凑型芯片级光子脉冲神经元，利用该材料在非平衡熔化与结晶过程中的微观结构演化来实现内在随机性。与传统相变材料不同，这种材料在室温下呈晶态，通过外部刺激加热至熔点以上时会转化为液态，在刺激移除后则自发重新结晶，这种上升与回落的过程模拟了生物神经元的膜电位动力学。由于微观结构在循环过程中的随机重构，材料的熔点和局部温度会产生固有波动，这种物理层面的随机性使得神经元能够表现出稳定的概率脉冲发放特性。该机制消除了对外部熵源的依赖，为构建高集成度光子概率计算系统奠定了物理基础。

图1 光子脉冲神经元与光子神经网络概念图

为了精准解析这种随机特性的物理起源，研究人员利用先进的测试手段对SbTe9薄膜的相变行为进行了系统表征。通过使用泽攸科技提供的原位样品杆，团队能够实时观测SbTe9薄膜在不同温度下的微观结构动态演化。实验直接观察到Te相与Sb2Te3相表现出截然不同的转换行为，特别是在加热循环中Te相的局部熔化、晶界迁移以及结晶过程中空位的随机形成，这些来自原位表征的直接证据，不仅验证了材料内部空间随机性的存在，也为理解光子神经元如何将微观演化转化为宏观概率脉冲发放提供了准确的科学支撑。

图2 SbTe9薄膜的相变及PSN工作机理

图3 PSN的综合性能评估

该光子脉冲神经元在保持功能先进性的同时，展现出了极佳的硬件性能参数与集成潜力。其有源区尺寸仅为1.5平方微米，与单模波导尺寸相当，相比于传统的非易失性相变材料神经元实现了约四个数量级的体积缩小。在性能测试中，该器件实现了每微米2分贝的极强调制能力，响应时间缩短至660纳秒。此外九个阵列器件的驱动电压呈现出均值为3.04伏的类高斯分布，表现出优秀的工艺均匀性，且其循环寿命超过万次脉冲。这种紧凑、高效且一致性良好的器件结构，使得在大规模硅基光子芯片上密集集成复杂的概率神经计算网络成为可能。

图4 使用PSN进行乳腺细胞诊断的贝叶斯推理

研究团队通过构建基于该光子神经元的概率脉冲神经网络，成功演示了其在不确定性量化和高可靠决策方面的应用价值。在针对乳腺癌细胞数据集的无监督学习任务中，该网络实现了高达98.67%的诊断准确率，并能通过预测熵准确量化分类结果的可信度。与传统确定性神经网络相比，该系统能够通过脉冲分布捕捉特征的歧义性，显著降低了在样本模糊时的误诊风险。同时，在图像识别任务中，该网络表现出对突触编程偏差和输入噪声的极强容忍度，其鲁棒性比确定性神经元提升了数倍，证明了基于物理随机性的光子计算在处理真实复杂数据时的显著优势。

图5 基于全相变材料的SCNN进行Fashion-MNIST分类

泽攸科技作为中国本土的高端精密仪器公司，是原位电子显微镜表征解决方案的一流供应商，推出的PicoFemto系列的原位透射电子显微镜表征解决方案，陆续为国内外用户的重磅研究成果提供了技术支持。下图为该研究成果中用到的泽攸科技原位TEM样品杆产品：

FEI兼容原位探针杆