随着脑启发脉冲神经网络与可穿戴柔性电子的兴起，亟需在低电压、低能耗且可织物集成的平台上实现可训练的神经形态计算。然而，受脉冲激活不可导所限，硬件上实现替代梯度（如Sigmoid导数）通常依赖复杂指数电路，带来能耗与面积开销，并缺乏可扩展、可穿戴的器件方案。
为解决这一问题，东华大学王刚研究员、孙恒达研究员提出利用可调纤维垂直有机电化学晶体管（TT-vOECT）实现脉冲神经网络反向传播硬件替代梯度。团队基于溶剂互扩散固化纺丝一体化制备同轴三层纤维，使器件转移曲线逼近Sigmoid导数并构建可重构逻辑；结合条件激活反向传播实现事件驱动的稀疏更新。在脑电多分类任务中达到与软件相当精度，同时将反向传播梯度计算约减少20%。
相关研究以“Fiber Transistors as a Hardware Surrogate Gradient for Backpropagation in Spiking Neural Networks”为题发表在学术期刊Advanced Materials（DOI: 10.1002/adma.202514904）。博士生陈维楚与蒋浩为共同第一作者。相关工作得到了朱美芳院士指导，基于国家自然科学基金、国家重点研发项目等支持。
团队通过溶剂互扩散固化纺丝，利用两种溶液接触时的溶剂互扩散，在一次成形中构建PI/PEDOT:PSS/BBL同轴三层结构，并克服了Plateau-Rayleigh不稳定性，实现清晰的异质结界面。通过调节溶液浓度与注入速率，BBL/PEDOT 厚度比可在0.42–1.47间可控，进一步通过与纳米纤维膜结合实现了TT-vOECT。器件的转移曲线在亚伏特驱动下天然逼近Sigmoid导数（皮尔逊相关系数高达0.997），用作SNN训练的硬件替代梯度。将器件与现有电路模块结合，可成功实现硬件梯度的非线性计算。同时团队提出条件激活反向传播，设计“双TT-vOECT”可重构逻辑阵列实现条件门控，仅当输入脉冲 sᵢ(t)=1 且替代梯度 σ′(vi(t)) > 10⁻³ 时才触发权重更新，从源头削减低信息量更新与乘加操作，降低通信与能耗压力。将“器件驱动的替代梯度 + 条件激活反向传播”整合进卷积脉冲神经网络，用于多类别脑电神经疾病识别，得到与软件基线相当的准确率，同时将冗余反传计算约减少20%，展示出在可穿戴神经形态学习中的应用潜力。
以下为该工作的具体研究内容：
代替梯度与条件激活反向传播的器件级实现
传统的SNN由于脉冲激活函数的不可微性，难以直接应用基于梯度的优化方法。为此，研究团队创新性地提出了一种基于硬件物理特性的解决方案：利用TT-vOECT的非线性传输特性，直接在器件层面模拟Sigmoid函数的导数，从而实现“代理梯度”计算。进一步引入了“条件激活反向传播”策略。该策略通过门控机制，仅在突触前神经元发放脉冲且代理梯度幅度足够大时才触发权重更新，从而在硬件电路上实现了稀疏、事件驱动的高效学习，为构建类脑智能系统奠定了重要基础
溶剂互扩散固化纺丝
为了实现上述神经形态功能，研究团队开发了一种全新的“溶剂互扩散固化纺丝”策略，成功制备出具有精确结构的同轴三层纤维。三层同轴针头内道注入表面蒸镀铬金的PI管纤维，中道注入PEDOT:PSS水溶液、外道注入BBL甲磺酸溶液，PI纤维的牵伸同时PEDOT:PSS水溶液与BBL甲磺酸溶液同时挤出。该工艺巧妙借助溶剂互扩散在空气中快速固化，有效抑制了纺丝中常见的Plateau-Rayleigh不稳定性，形成清晰的BBL/PEDOT异质结界面。厚度与厚度比可精准调控：材料浓度与注入速率决定总厚度与厚度比，实测可在0.42–1.47范围内稳定可调。这种纤维在扭曲、打结等复杂形变下仍能保持结构完整性。
可调纤维垂直有机电化学晶体管
将三层同轴纤维与蒸镀铬金的纳米纤维膜结合实现了TT-vOECT。该器件采用垂直堆叠的BBL/PEDOT双层半导体通道，在栅压调控下表现出独特的可调反双极性。通过改变BBL/PEDOT的厚度与厚度比、漏极电压VD可对转移曲线的峰值电压与半峰宽进行精准调谐。适当降低BBL/PEDOT厚度比会引起峰位左移与半峰宽减小，但过厚的PEDOT则会因离子注入受阻导致响应变慢与峰位偏移。为了评估设备的均匀性并证明在柔性电路中作为神经形态阵列单元的可行性，制作了3×3 TT-vOECT阵列。转移曲线具有较高的均匀性，峰值电压分布在0.509 ± 0.022 V（平均 ± SD）左右，具有良好的一致性和批量生产的可扩展性。
条件激活反向传播
本研究核心在于利用TT-vOECT的本征物理特性直接在硬件中执行复杂的非线性计算。优化后的TT-vOECT（厚度比0.88）其传输特性曲线与理论上的Sigmoid导数函数高度吻合（皮尔逊相关系数0.997），意味着单个纤维晶体管即可替代传统复杂的数字电路来计算反向传播所需的非线性函数。进一步利用两个TT-vOECT构建了可重构的逻辑门电路（AND/OR/NOR/NAND），成功在物理层面实现了条件激活反向传播策略：只有当满足特定的输入和梯度条件时，硬件才会输出更新信号，从而减少梯度信息的冗余计算。
在神经疾病诊断中的验证
为了验证该硬件方案的实用价值，将其应用于基于脑电信号的多种神经系统疾病（如焦虑症、精神分裂症等）分类诊断。在构建的卷积脉冲神经网络中，研究团队将实测的TT-vOECT器件特性嵌入到反向传播训练路径中。结果显示，由器件驱动的条件激活反向传播训练策略不仅取得了与理想软件模拟相媲美的高分类准确率（约90%），而且得益于稀疏更新机制，其反向传播的梯度计算量减了约20%。这一成果有力地证明了该类脑纤维硬件平台在构建低功耗、可穿戴的智能医疗诊断系统方面的广阔应用前景。
小结
本研究开发了一种基于纤维的神经形态硬件平台，通过材料工程、器件设计与系统算法的深度融合，成功实现了高效的片上学习。利用溶剂互扩散固化纺丝技术，制备了具有精准异质结结构的PEDOT:PSS/BBL同轴三层纤维，并以此构建了性能可调的垂直有机电化学晶体管。该器件独特的非线性传输特性能够高度拟合Sigmoid导数函数（皮尔逊相关系数达0.997），从而在硬件层面直接实现“代理梯度”计算。在此基础上，研究引入了条件激活反向传播机制，利用基于TT-vOECT的逻辑门电路实现了稀疏、事件驱动的权重更新，不仅大幅降低了约20%的计算冗余，还在基于EEG信号的神经疾病分类任务中保持了与软件基准相当的高准确率。这项工作确立了一种集器件、电路与系统于一体的协同设计策略，为未来发展低功耗、柔性且具备在线学习能力的可穿戴神经形态计算系统开辟了新的路径。
团队介绍
东华大学王刚研究员团队围绕“半导体功能纤维与器件”这一领域进行系统研究，代表性工作有：基剪切增强液晶纺丝制备聚合物半导体纤维（Natl. Sci. Rev. 2025, nwaf331）；基于直接微光刻技术实现有机半导体晶体管光-电-离协同的晶圆级集成（Adv. Mater. 2025, 2417452）；基于剪切增强杂化的聚合物半导体纤维半导体器件（Adv. Funct. Mater. 2025, e15197）；基于高精度混合流打印技术的聚合物半导体纤维薄膜基电子器件（Proc. Natl. Acad. Sci. U.S.A., 2020, 117, 202000398）；基于一体化流体加工的单纤维电化学晶体管（Adv. Electron. Mater., 2021, 7, 2100231）；高性能纤维状垂直结构有机电化学晶体管的曲面光刻策略（Chem. Mater., 2023, 35, 22, 9739）；基于精密纤维表界面调控的电子-离子杂化半导体纤维及神经界面应用（Nat. Commun., 2023, 14, 2355; Angew. Chem. Int. Ed., 2024: e202418999）。
