一种可用于光电探测器及神经形态视觉传感器的光电子器件及其制备方法

技术领域

本发明属于光电子器件技术领域，特别是指一种可用于光电探测器及神经形态视觉传感器的光电子器件及其制备方法。

背景技术

光电探测器是现代传感、通信和成像系统中不可或缺的关键光电元件。它能够快速、灵敏地检测光信号的变化并将其转换为数字信号，以便计算机或其他数字设备进行处理。光电探测器具有快速光响应和高灵敏度的特点，因此在光电成像领域有着重要的应用。使用光电探测器阵列，可以快速感应微弱的光信号和移动物体并对其成像。然而，传统的光电探测器无法记忆图像，也无法模拟人类视觉系统处理光信号的方式。

受到人类视觉系统的启发，神经形态视觉传感器是一种能以类似人眼方式处理光信息的光电器件，可实现对光信号的感知、记忆和处理。与传统的数字视觉系统中将每个像素接收到的光强度转换成数字值不同，神经形态视觉传感器可以模仿人脑中神经元的运作方式。因此，它不仅能实现图像降噪和对比度增强，还能进行适应性更强的图像分析和识别。随着仿生技术和智能制造的迅猛发展，神经形态视觉传感器已成为人工智能时代不可或缺的一部分。然而，人类视网膜无法识别每秒少于24帧(刷新率约为40Hz)的连贯图像。这使得NVS难以对高频光信号立即做出响应并快速捕捉图像。因此，如果能在单个器件上实现光电探测器和神经形态视觉传感器并根据需要进行切换，将大幅提高器件的集成度并拓宽光电器件的应用范围。然而，光电探测器通常需要器件具有较快的光响应速度，而神经形态视觉传感器则需要器件具有长期光电导效应也就是较慢的光响应速度。因此，光响应速度的矛盾使得这两种器件在同一器件上的实现变得非常困难。

发明内容

为了解决上述问题，本发明的目的在于提供一种可用于光电探测器及神经形态视觉传感器的光电子器件及其制备方法，该器件制备方法简单且在功能上可根据需求切换。作为光电探测器，器件可实现快速的光学成像和光通讯功能。作为神经形态视觉传感器，器件具有超低功耗，并且表现出优异的图像传感、记忆以及神经形态预处理功能。利用神经形态视觉传感器对图像进行预处理后，图像识别的准确率和效率都有明显提高。

为了实现上述目的，本发明的技术方案如下：

一种可用于光电探测器及神经形态视觉传感器的光电子器件，该器件的结构为背靠背的GaN/Ga

所述的可用于光电探测器及神经形态视觉传感器的光电子器件，GaN薄膜厚度为500nm～5μm，GaN薄膜的沟槽深度贯穿至蓝宝石基底使两侧GaN薄膜绝缘，沟槽宽度在5～50μm之间，沟槽之间的间距为1～5mm。

所述的可用于光电探测器及神经形态视觉传感器的光电子器件，Ga

所述的可用于光电探测器及神经形态视觉传感器的光电子器件，金属电极为Ti/Au或Cr/Au。

一种可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，包括如下步骤：

步骤1：将生长在蓝宝石上的GaN薄膜切割出沟槽；

步骤2：将Au催化剂利用电子束蒸发至GaN沟槽的侧壁上；

步骤3：将金属Ga放入带有凹槽的石英舟中，将带有Au催化剂的GaN/蓝宝石垂直放置在石英舟的凹槽中，GaN薄膜面向金属Ga并与金属Ga相距一定距离；

步骤4：将石英舟放入一端开口的石英管中，并将石英管置于管式炉的反应炉管内腔，将管式炉加热至一定温度后通入Ar/O

步骤5：在GaN薄膜沟槽两侧的GaN薄膜表面制备金属电极，形成最终的可用于光电探测器及神经形态视觉传感器的光电子器件。

所述的可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，步骤1中，GaN薄膜沟槽数量为1～100。

所述的可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，步骤2中，Au催化剂的厚度为1～5nm。

所述的可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，步骤3中，GaN薄膜与金属Ga的距离为0.5～2cm。

所述的可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，步骤4中，管式炉的加热温度为900～1050℃，反应时间为15～30分钟。

本发明的设计思想是：

本发明构筑一种GaN/Ga

与现有技术相比，本发明一种可用于光电探测器及神经形态视觉传感器的光电子器件的优点在于：

1)在紫外光照射下，Ga

2)基于器件在不同电压下独特的光电特性，在该器件上可实现光电探测器和神经形态视觉传感器两种器件功能，并通过电压调节进行切换。

3)本发明所公开的器件作为紫外光电探测器时，基于其超快的光响应速度，器件能够实现快速的光学成像和光通信等功能。

4)本发明所公开的器件作为神经形态视觉传感器时，可表现出与人脑学习和记忆行为类似的各种神经元/突触功能。尤其是，当神经形态视觉传感器用于图像预处理时，其对比度增强和降噪功能可大幅提高图像识别的准确性和速度，并降低功耗。

附图说明

图1：(a)是GaN/Ga

图2是制备GaN/Ga

图3是Ga

图4是器件在222nm光照，不同偏压下的瞬态光响应曲线。

图5中，(a)是GaN/Ga

图6是Ga

图7是器件在小偏压(0.5V)下单个周期的瞬态光响应曲线。

图8是器件作为光电探测器时(0.5V)，所实现的光电成像功能。

图9是器件作为光电探测器时(0.5V)，利用器件所获得的莫尔斯电码的信息传输。

图10是器件作为神经形态视觉传感器时，通过脉冲数实现了器件从短期可塑性(STP)到长期可续性(LTP)的行为转换。

图11是器件作为神经形态视觉传感器时，器件的经验学习行为，包括学习、遗忘和再学习过程。

图12是器件作为神经形态视觉传感器时，超低工作电压(0.1mV)下计算的器件功耗。

图13是器件作为神经形态视觉传感器时，器件观察(a)1次、(b)3次和(c)10次后的光响应图像映射。

图14是器件作为神经形态视觉传感器时，(a)器件的对比度增强和降噪效果，以及(b)未经器件图像预处理和经过图像预处理的识别准确率曲线。

具体实施方式：

在具体实施过程中，本发明可用于光电探测器及神经形态视觉传感器的光电子器件结构为背靠背的GaN/Ga

下面，结合附图和具体实施例对本发明做进一步说明。

参照图1，本发明的一种可用于光电探测器及神经形态视觉传感器的光电子器件，自下而上依次为带有半圆柱形沟槽2的蓝宝石1、带有板条形沟槽的GaN薄膜、Ga

参照图2，本发明GaN/Ga

实施例：

如图1-图2所示，本实施例可用于光电探测器及神经形态视觉传感器的光电子器件的制备方法，具体步骤如下：

1)利用机械切割的方法将生长在蓝宝石1上的GaN薄膜切割出8个平行的沟槽，沟槽宽度为25μm，沟槽之间的间距为2mm，沟槽的深度约为10μm；

2)利用光刻和电子束蒸发的方法，将Au催化剂蒸发至GaN沟槽的侧壁上，Au催化剂的厚度为3nm；

3)将1.5g的金属Ga放入带有凹槽的石英舟6中，将带有Au催化剂的GaN/蓝宝石7垂直放置于石英舟6的凹槽中，GaN薄膜面向金属Ga并与Ga相距1.5cm；

4)将石英舟6放入一端开口的石英管5中，并将石英管5置于管式炉3的反应炉管4内腔。将管式炉3加热至1000℃后通入14标准立方厘米/分钟(sccm)的Ar/O

5)利用掩膜版结合电子束蒸发，在8个GaN薄膜沟槽两侧的GaN薄膜表面制备8×8阵列的Ti/Au电极，形成最终的一种可用于光电探测器及神经形态视觉传感器的光电子器件。

参照图3，从Ga

参照图4，从器件在254nm光照射下的瞬态光响应曲线可以看出，器件在高电压(5V)下表现出了光电流的非易失性。而在低电压(0.5V)下，在撤掉紫外光照后器件的光电流会迅速恢复到初始状态，显示出光电流的易失性。这说明该器件在不同的工作电压下呈现出两种不同的光响应状态，即快速光响应和慢速光响应。

参照图5和图6，为了揭示图4中器件在不同电压下所展现出不同的光响应特性，图5a首先给出了GaN/Ga

参照图7，从器件在小电压(0.5V)下单个周期的瞬态光响应曲线可以看出，器件作为光电探测器具有非常快的光响应速度，其光响应上升时间(T

参照图8，器件作为光电探测器时，器件可实现快速的光电成像。

参照图9，器件作为光电探测器时，器件可实现莫尔斯电码的信息传输。

参照图10，重复学习有助于大脑处理和存储信息。记忆水平受学习频率、持续时间和强度的影响，通过反复学习可实现从STP到LTP的转变。如图10所示，器件作为神经形态视觉传感器时，随着施加在器件上的光脉冲数的增加，器件电流显著提高，这意味着器件对图像的记忆需要更长的时间才能遗忘。这种STP到LTP的过渡与人脑对图像的记忆过程极为相似。因此，可以通过调节光脉冲的数量来实现器件对图像记忆水平的调节，这意味着我们的器件在模拟人脑的图像学习和记忆能力方面是可行的。

参照图11，神经突触的可塑性使人脑在记忆图像时会经历一个“学习-遗忘-再学习”的过程。为了模拟这种经验学习行为，我们使用了30个连续光脉冲来刺激器件。如图11所示，在光脉冲的连续刺激下，器件电流持续上升。而在光脉冲刺激之后，器件电流开始下降，这与学习过程中的遗忘部分相对应。为了恢复遗忘的部分，再次向器件施加光脉冲。可以看到，只需要8个光脉冲就可以恢复之前的学习水平，这远远少于第一次学习的次数。

参照图12，除了能够模拟生物神经突触的各种功能，理想的神经形态器件还应具有低功耗。传统的互补金属氧化物半导体(CMOS)模拟单个事件需要消耗约900pJ的能量，而人脑的能耗仅为1～10fJ。基于器件结构的独特设计，器件的最低功耗仅为每个事件3.26fJ，与人脑功耗相当。

参照图13，在人类视觉系统中，图像对视网膜细胞的反复刺激会导致视觉神经之间的突触权重增加。这样，人脑对图像的记忆就越清晰，遗忘的可能性就越小。因此，基于器件所表现出来的神经突触可塑性，器件很好地模拟了人类视觉的图像记忆和遗忘功能。

参照图14，通过神经形态视觉传感器的图像预处理，输出图像的主体特征得到了突出，而背景噪声则被大幅抑制(图14a)。与输入图像相比，输出图像的对比度更高。我们利用神经形态视觉传感器和人工神经网络(ANN)构成了一个神经形态视觉系统用于执行图像识别任务。可以看到，在没有通过神经形态视觉传感器进行图像预处理的情况下，图像识别率达到99.0％需要125个迭代(图14b)。而经过神经形态视觉传感器预处理后，仅用47个迭代就可获得相同的识别率。这些结果表明，使用神经形态视觉传感器对图像进行预处理后，可以实现图像的特征提取，并提高图像的识别率和识别速度。

实施例结果表明，本发明的GaN/Ga

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变换或替换，都应涵盖在本发明的包含范围内。因此，本发明的保护范围应该以权利要求书的保护范围为准。