一只飞行中的无人机，位置、方向和速度都在改变。要判断它如何运动，视觉系统需要保留连续时刻的差异。光电存储器能够记住光刺激，但当状态划分得越来越细，电导波动也可能把相邻状态混在一起。难题由此变得具体：怎样让器件既记得住，又分得清？
香港理工大学与西南大学研究团队在 Nature Communications 发表的这项工作，从碳基异质结的载流子运动入手，在写入过程中抑制噪声，获得 1024 个可分辨光电存储态。论文依次回答四个问题：为什么能稳定记忆、怎样精细写入、千态是否真正可分，以及这些状态如何用于运动感知。
从瞬时响应到稳定记忆，改变的是载流子的去向
图 1a–b 先把问题画清楚：普通光电二极管在照光时产生电流，撤去光后响应迅速回落；光电存储器则能把刺激留下来，形成不同电导等级。在有限的电导范围里，等级之间的间隔越小，潜在编码容量越高，但前提是每一级的波动不能淹没这段间隔。
图 1c 给出实际结构：透明 FTO 电极、非晶碳层、TiOₓ 层与金电极依次堆叠，旁边对应 24 个单元的阵列照片和薄膜截面。碳层与氧化钛层共同形成 III 型异质结；两种材料接触后的能带排列，决定了界面附近电荷如何迁移。
图 1d–e 是机制核心。光照使 TiOₓ 氧空位中的电子脱出；内建电场促使这些电子与碳层提供的空穴在界面处快速复合。这样可减少电子重新回到带电氧空位的机会，让参与导电的缺陷状态更稳定。右侧能带图描述这一过程，第一性原理计算则补充界面电荷转移的依据。
图 1f–g 把解释落到材料表征上：405 nm 下碳层的外量子效率约为 2.57%，高于 TiOₓ 的约 0.3%，意味着界面能够获得较充足的空穴；电子顺磁共振在 g＝2.003 处给出氧空位信号。两组证据分别对应载流子来源与可调记忆位点，支撑原位抑噪的物理图景。
把连续变化写成细小、可控的电导台阶
有了稳定记忆，还需要控制每次写入的幅度。图 2a 显示器件在测试电压范围内具有正光响应；图 2b–c 改变光脉冲宽度、间隔和匹配偏压，得到不同大小的电导步进。窄脉冲对应较小的单次光剂量，为在同一电导范围内划分更多等级提供了调节手段。
图 2d 用“1000000000”“1000000001”和“1111111111”展示序列编码。“1”对应一次光刺激，“0”对应暗态位置并配合电压调节。因此，编码利用的是光输入与电学控制共同形成的时序响应，可以把不同时间位置的刺激映射成不同输出状态。
图 2e 检查连续刺激下的调节能力：在 500 μs 脉宽和间隔条件下改变光强，曲线呈现逐级增加的响应，论文报告该调节关系的线性度为 99.7%。图 2f 则将不同 10 bit 序列得到的电流由低到高排序，展示 1024 个输出等级。这里的 10 bit 指器件编码容量。
千态是否真正可分，要看相邻等级与反复写入
图 3a 将 1024 个状态放到 1000 s 时间轴上。每个状态由指定光序列写入，状态切换之间使用 −4.0 V、500 μs 电压脉冲复位。密集的曲线展示整体保持能力，但要证明相邻状态可以辨认，还必须放大它们之间的细小差别。
图 3b–d 因而选取第 420 与 421 态：在 900–1000 s 的读出区间，两条曲线保持分离；电流统计分布的均值相差约 0.25 nA，高于论文给出的约 0.19 nA 波动幅度。相邻采样点的散点图进一步显示，两组数据分别聚集，而不是混成一团。
图 3e–f 将检验扩展到重复操作与多个单元。50 次循环及 24 个器件的统计中，相邻态平均电导间隔为 1.27±0.02 nS，整体电流范围为 0.28±0.015 μA。这回答了能否反复写出相近等级的问题。图中的 nS 是纳西门子，即电导单位，描述电导间隔或波动。
让运动轨迹先被融合，再交给识别网络
图 4a–b 借鉴猛禽视觉的分工：光敏单元快速接收信息，后续细胞完成整合与分级处理。器件中，碳层感光、异质结载流子整合和 TiOₓ 可调状态分别承担相应功能。这里的仿生重点，是把感知、记忆与信息整合连接起来，让前端保留时间变化。
图 4c–d 说明这项研究如何组成系统。前端器件执行时空信息融合，DAC、ADC 与微控制器负责激励、读出及协调，后端阵列和处理环节完成识别。硬件照片同时给出 24 单元前端、32×32 后端阵列与外围电路，清楚展示了器件和电路之间的分工。
图 4e–f 用真实木块运动演示这一链路。物体从不同时间位置经过时，连续刺激被累积为带有层次的融合图像；左右两个运动方向留下不同的空间强度分布。识别阶段利用这些特征判断动作，前端因此提供的不只是某一瞬间的位置，还包含位置随时间变化的线索。
图 4g–h 进一步分析快速无人机视频。不同编码精度下，融合图保留的轨迹细节不同，10 bit 状态能够表达更细的时序变化；研究比较了五类与七类动作的识别结果。g 图明确属于感知仿真，视频任务将器件响应映射与 CNN 识别结合，用于检验细粒度编码对复杂运动的帮助。
从材料机制，走向感知应用
四张图构成了一条完整证据链：先以界面设计改变载流子路径，再用光电协同写入细分状态，随后检验这些状态的分离与重复性，最终将它们用于时空信息融合。研究的价值在于，精细编码能力来自器件自身稳定的物理状态，而不是写入后再增加一道去噪程序。
对玄光明鉴而言，这项工作对应千态光电编码与原位抑噪的器件基础。更稳定的状态有助于前端保留细微输入差异，再由阵列、读出电路和端侧算法完成后续处理。从一束光到运动轨迹，材料开始参与信息整理，也为感存算视觉前端提供了具体实现路径。
文献与原图来源
Guangdong Zhou, Yu Xu, Xuesen Xie, Chaoyi Zhu, Jin Ye, Yang Chai
A thousand-state optoelectronic memory for high-precision spatiotemporal encoding. Nature Communications 17, 5052 (2026). DOI: 10.1038/s41467-026-71504-x
图 1–4 来自原论文，保留图中的子图标识、坐标与原有图像；中文图注和正文为逐图解读。