可塑性

可塑性调控驱动算法增益：系统解析可塑性调节提升精度、稳定性与收敛速度的作用机制，强化神经形态模型在训练与推理阶段的鲁棒性表现。

(2)需要建立多模态协同的可塑性调制与闭环通路，实现前端融合与近存储更新，增强复杂环境下的鲁棒性并降低数据搬运开销；

本文围绕“突触可塑性行为的功能分化”这一主线，系统总结了人工突触器件在高分辨多级LTP/LTD、可调STM/FM、兴奋–抑制协同、波长选择性响应、动态阈值调制与多模态感知适应等方面的进展，并强调这些行为如何对应支撑空间权重精度、时序相关性建模、情境门控、跨模态融合与资源高效集成等关键系统能力。

西交利物浦大学赵春等人围绕“可塑性如何服务神经网络”这一主线，重点梳理多样化突触行为在稳定学习、时间信息处理与情境感知适应等任务中的协同作用，包括：空间模型中的多级长时程增强/抑制(LTP/LTD)，时间模型中的可调短期记忆(STM)，以及波长选择性响应、兴奋/抑制协同、自适应阈值调制等关键调控机制。

围绕“波长选择性可塑性如何转化为系统级鲁棒感知与注意机制”这一问题，本文梳理了多类器件与阵列工作在噪声环境下实现光谱特征提取、动态场景感知与序列学习的关键路径。

围绕储备池计算(RC)与脉冲神经网络(SNN)等时序模型的核心需求，本文系统梳理动态突触可塑性如何在脉冲驱动下实现快速、可逆的时序编码，并通过可调的记忆保持与遗忘窗口完成信息筛选与状态更新，从而提升复杂时序信号的表征能力。

围绕这一瓶颈，本文梳理自适应阈值调制与元可塑性如何通过硬件级预处理与可编程响应窗口，在前端完成噪声抑制与情境自适应编码，从而支撑复杂场景下的高精度特征提取与稳定学习。

面向可部署的神经形态系统，多器件模块集成的关键不在于简单堆叠功能，而在于通过匹配偏压范围、电导窗口与时间常数，实现跨器件的鲁棒耦合与资源效率优化：将感知预处理前移至传感器端，将可塑性更新靠近存储侧，从而降低模数转换与互连开销，并更自然地支持事件驱动计算。

与此同时，可塑性也带来新的“前端计算优势”：波长选择性可塑性实现靶向感知与噪声抑制，兴奋–抑制协同构建注意与感受野，动态阈值与元可塑性增强自适应与泛化。

围绕这一瓶颈，本文梳理自适应阈值调制与元可塑性如何通过硬件级预处理与可编程响应窗口，在前端完成噪声抑制与情境自适应编码，从而支撑复杂场景下的高精度特征提取与稳定学习。

然而，真正挑战在于如何将器件层面的“优异可塑性”稳定转化为系统层面的算法收益。

以全二维材料SNN为例，WSe₂I²FET神经元与α-In₂Se₃/h-BN/CIPSFeFET突触实现器件级整合(图5a)，在无监督人脸分类任务中仅20次训练即可达到87.5%的准确率，体现阈值动力学与可塑性协同对学习效率的直接增益(图5b)。

可塑性调控驱动算法增益：系统解析可塑性调节提升精度、稳定性与收敛速度的作用机制，强化神经形态模型在训练与推理阶段的鲁棒性表现。