电子信息工程学院杨成东副教授“Tunneling‐Controlled Fusion of Short‐ and Long‐Term Memory in SiO2/HfO2‐Based Neuromorphic Device for Time‐Series Prediction”的研究论文发表于国际权威期刊Advanced Science（中科院1区Top期刊，影响因子14.1）。我院为唯一单位。原文链接：http://doi.org/10.1002/advs.202517994（图1）。

预测是决策前的一项必要操作，通常与历史信息与当前状态之间的交互相关。它需要处理多个时间尺度上的信息，这意味着涉及短-长期可塑性的内在动态。然而，目前短-长期记忆的实现仍受限于LTM模式中不稳定的保留和高能量消耗。这里，一种基于陷阱辅助隧穿策略被应用于基于肖特基的光学突触中，实现了通过隧穿切换的短-长期记忆转换。基于这些器件，已编程实现基于突触放电时间相关的可塑性和基于突触放电数量相关的可塑性，其切换能量低至1pJ，接近人类大脑的水平。通过调整光脉冲输入，可以实现自适应的短-长-期转换，且转换模式清晰可见。此外，形成的LTM在稳定性（在50s的时间内仅损失0.2％）和能量需求（低至3.05 × 10^-11W）方面都显示出与其他实现短期-长期记忆的设备相比的期望改进。通过将设备参数进一步映射到长短期记忆网络中，它能够分析时间序列数据，然后进行精确的长期预测，其误差比低至4.465％。这项研究可以提供一种有希望的解决方案，用于解决精确趋势预测问题，为智能应用带来巨大潜力。

图1 论文首页

（图、文：杨成东；审核：王绶玙）