大腦是神經係統中結構最複雜、功能最強大的器官，由千億神經元組成，每個神經元通過數千個突觸與其他神經元相連，形成一個錯綜複雜的信息處理網絡。這個網絡實時處理來自各種感官的模擬信息（如圖像、聲音、氣味等），並以高度並行的模式進行信息處理，還能具有學習和適應的能力。不僅如此，大腦具有較低的功耗，約為10W。若能將大腦強大的信息處理能力應用於機器，構建類似大腦的信息處理係統，將為人工智能的未來發展注入新的活力。
神經形態計算 (Neuromorphic computing)，也稱為類腦計算 (Brain-inspired computing)，以神經元和突觸接收刺激、信息整合、脈衝發放等過程為設計靈感，構建一係列受腦啟發的計算模型、器件原型和集成架構。“類腦計算”的概念由加州理工學院的 Carver Mead 團隊在20 世紀 90 年代首次提出[1，2]，並通過大規模矽基集成電路技術對生物神經係統進行了模擬。
然而，隨著神經形態網絡規模的進一步擴大，基於矽基CMOS器件的電路設計複雜程度將呈指數形式增長，如圖1所示，CMOS晶體管技術的發展曆程是通過不斷改進矽基晶體管的結構和工藝來實現技術革新的。然而，晶體管的物理柵極長度的減小速度相對較慢。自22納米的這個節點以來，柵極長度與技術節點之間的差距變得越來越大。互補金屬氧化物半導體 (CMOS) 器件的尺寸正接近物理極限，摩爾定律的延續麵臨著挑戰。同時，傳統數字計算機由於中央處理器和內存的分離，麵臨著處理大量數據的挑戰，這被稱為馮·諾依曼瓶頸[4]。
在過去的幾十年裏，已經開發出大量能夠模擬突觸功能的電子器件，用於高性能神經形態計算。曆史上，傳統的電阻隨機存取存儲器 (RRAM) 和相變存儲器首先被用於模擬突觸可塑性，其中器件的電阻對應於突觸權重[5，6]。隨著新材料和器件架構的發展，越來越多的神經形態器件被提出用於模擬突觸功能和神經形態工程，主要包括雙端憶阻器和三端突觸晶體管。雙端憶阻器具有結構簡單、能耗低、尺寸緊湊和易於大規模集成的優勢，經常被用於模擬突觸功能[7，8]。此外，憶阻器還可以應用於大規模交叉陣列架構，CMOS 基神經元與交叉陣列憶阻器的結合已被廣泛研究用於實現神經形態計算。然而，這些器件難以同時實現信號傳輸和自學習功能，這阻礙了它們在高級神經形態工程中的進一步應用。三端突觸晶體管可以克服這些缺點[9]。更重要的是，突觸晶體管可以借助適當的材料和器件設計將環境刺激（光、壓力、溫度等）轉換為電信號，使人工突觸能夠立即對周圍環境做出反應。因此，利用具有持續光電導 (PPC) 效應的各種光敏材料（如碳納米管[10]、二維材料[11]、金屬氧化物等）製造的突觸晶體管，可以更好地模擬人腦突觸的光響應特性，從而為神經形態計算的發展提供新的可能性。