当前自动驾驶系统依赖冯·诺依曼架构，内存与计算单元分离导致高延迟和高能耗。厦门大学团队创新提出锂离子增强石墨烯氧化物突触器件，构建单设备储层计算系统。Li+掺杂引发GO与rGO可逆转换，器件开关电压仅0.5V，具备短期突触特性（EPSC、PPF、STDP）和长期可塑性（LTP/LTD），支持16种可区分状态。基于此打造的全GO储层计算系统，在40%噪声水平下手写数字识别准确率保持92.2%，在噪声干扰自动驾驶场景中决策正确率达98.33%。这项研究为自动驾驶提供了脑启发计算新范式。
传统自动驾驶系统如“隔墙对话”：传感单元检测道路信息，需先经模数转换传输至计算单元，处理后再数模转换控制车辆。这种内存-计算分离的冯·诺依曼架构，导致数据搬运耗时耗能，如同让快递员在仓库和办公室间往返奔波。尤其恶劣天气下图像噪声增加，更放大计算负担。
研究团队受大脑内嗅皮层-海马体协作启发，用GO突触器件同时实现储层和读出层功能。Li+离子如“智能信使”，与GO氧官能团配位诱导可逆氧化还原反应，使器件兼具短期记忆（储层）和长期学习（读出）能力。这种单器件储层计算系统，犹如将交通指挥中心集成到每个路口，本地实时决策。
通过优化GO与LiCl溶液比例（1:1），团队获得了性能稳定的突触器件。I-V测试显示，器件SET电压仅0.5V，在100次连续循环中保持窄分布开关阈值。
图2详细展示了器件特性：图2a-e显示不同溶液比例的I-V曲线，1:1比例表现最佳；图2f显示SET电压累积分布函数，证明操作稳定性；图2g展示兴奋性突触后电流（EPSC）短期响应；图2h-i显示器件多级电阻状态和保持特性；图2j-k展示单设备和多设备的长期可塑性统计结果，证明权重更新线性度优异。
通过XPS、Raman和DFT计算，团队揭示了Li+增强GO器件的内在机制。Li+与GO氧官能团配位，诱导局部还原反应，形成可逆导电通道。
图3深入解析机制：图3a-c显示高阻态（HRS）下C、Li、O的XPS谱，图3e-g对应低阻态（LRS）谱图，表明Li+配位导致GO部分还原；图3d和h的Raman谱显示Ip/Ig比从HRS的0.88增至LRS的0.97，证实还原过程；图3i-k的差分电荷密度图展示Li+与环氧基、羟基、羧基配位引起的电子重排；图3l-n的能带结构和态密度显示配位后带隙减小，导电性增强。
手写数字的"雾中看花"挑战在恶劣天气或传感器噪声条件下，传统识别系统性能急剧下降。团队将全GO储层计算系统应用于噪声手写数字识别任务。
图4展示完整识别流程：图4a显示噪声图像处理流程；图4b为电压脉冲编码对应关系；图4c-d展示不同编码方案下EPSC特性和统计分布；图4e-g为LTP/LTD行为建模和统计结果；图4h-i显示不同噪声水平下识别准确率与训练迭代关系；图4j为最高噪声水平混淆矩阵；图4k-m展示硬件验证过程，包括显示界面和LED指示状态。
在模拟自动驾驶中，四通道道路检测器实时输出电压脉冲，激发GO器件短期突触响应形成储层状态，读出层解析后控制车辆转向。系统在前进、左转、右转、停止四种场景中决策正确率达98.33%，噪声扰动下仍保持稳定轨迹。
经过100次训练迭代后，决策正确率达到98.33%，且在传感器噪声干扰下依然保持稳定轨迹，展现出强大的实用性。
这项研究通过锂离子增强GO突触器件，实现了单器件储层计算系统，解决了自动驾驶中实时决策的延迟与能耗难题。器件0.5V的低开关电压和优异线性度，为脑启发计算提供了硬件基础；在噪声下手写数字92.2%的识别率和自动驾驶98.33%的决策正确率，展现了优异的实用潜力。这项工作不仅为自动驾驶提供了新型计算范式，更为二维材料神经形态计算开辟了新道路。
Gongjie Liu, Zichao Wang, Yuefeng Gu, Xuehui Dong, Xiaolin Xiang, Lisi Wei, Qiuhong Li, Lithium-ion–enhanced graphene oxide synaptic devices for reservoir-computing–based autonomous driving, Carbon, 250, 121276 (2026)
https://doi.org/10.1016/j.carbon.2026.121276
李秋红，厦门大学微电子系教授、博士生导师。主要研究方向为半导体材料与器件、微纳传感器及其柔性可穿戴器件、新能源材料与器件、EDA技术。2021年获第三届EDA设计精英挑战赛二等奖；2013年获浙江省科学技术奖一等奖；2008年获教育部自然科学一等奖。
