利用卷积神经网络（CNN）高效处理宽带信号可以提高机器学习工具的性能，用于广泛的实时应用，包括图像识别、遥感和环境监测。然而，过去的研究表明，直接在传感器中执行宽带卷积处理计算具有挑战性，尤其是在使用传统的互补金属氧化物半导体（CMOS）技术时，这是大多数现有晶体管功能的基础。

华中科技大学和南京大学的研究人员最近研究了利用范德华异质结构这一替代平台实现宽带信号卷积处理的可能性。他们发表在《自然电子学》上的论文最终将为开发性能更好的图像识别算法提供信息。

“我们的论文受到了我们之前一些研究工作的启发，”进行这项研究的三位研究人员翟天佑、周兴和苗峰告诉TechXplore。“在发表在《高级材料和高级功能材料》上的研究中，我们实现了不同异质结构中的III型和II型带对齐。此外，我们在《科学进步》上发表了一篇论文，其中我们实现了基于WSe2的可重构神经网络视觉传感器。”

基于他们之前的研究成果，翟、周、苗和他们的同事决定制造异质结构，可用于使用卷积神经网络处理宽带信号。他们使用机械转移方法，专门创建了基于PdSe2/MoTe2的异质结构。

研究人员创建的异质结构表现出门可调的正、负光响应，以及宽带线性门依赖性光响应。由于其优越的特性，该团队能够利用其异质结构来制造光伏传感器，从而实现不同类型的宽带卷积处理。

翟、周和苗解释说：“在固定的栅极电压下，不同光子能量下的光响应调制决定了与波长相关的卷积特性。”。此外，光响应取决于门电压，门电压的调制可用于实现不同卷积核的配置，以实现对遥感图像的不同操作

作为概念的初步证明，翟、周、苗和他们的同事使用基于异质结构的单个设备分别接收像素图像，然后对这些图像执行宽带卷积处理。然而，在未来，他们还可以使用两个或多个设备测试他们提出的系统。

研究人员是第一批直接在传感器中进行宽带图像识别的研究人员之一。他们的发现非常有希望，因为他们的解决方案明显优于只能进行单波段处理的传统卷积网络。

值得注意的是，翟、周、苗及其同事开发的设备同时实现了光探测和宽带信息处理。未来，它可以用来开发更先进的图像识别工具，以及监控远程环境的替代解决方案。

翟、周和苗补充道：“利用我们新设计的特殊双极性vdW异质结构，我们开发了一种实现传感器计算多功能光电器件的新方法。”。“我们现在计划在硬件级别实现传感器内存计算，以满足更复杂的功能需求。同时，我们还计划实现这些设备的大规模集成，以实现实用的传感器卷积处理。”

漏 2022科学X网络