近期，芝加哥大学王思泓教授，阿贡国家实验室Fangfang Xia博士，在可拉伸神经形态电路领域取得新进展。报道了一类大规模、本征可拉伸的有机电化学晶体管（organic electrochemical transistor, OECT）神经形态阵列，阵列实现每平方厘米 10,000 个晶体管密度，可在柔性可穿戴、植入式器件和软机器人中实现近传感端机器学习计算。

  2026年5月20日，相关成果以“A large-scale stretchable neuromorphic circuit for on-body edge computing”为题，发表于《Nature Electronics》。第一作者为李松松博士（现为香港浸会大学物理系助理教授），共同第一作者为Zixuan Zhao，Max Weires。通讯作者为Fangfang Xia博士与王思泓教授。

  随着柔性传感器和生物电子器件能够连续采集高密度、多模态的生理信号，如何在体表或组织界面附近实时处理数据，已成为下一代软电子系统的关键瓶颈。传统计算芯片通常刚性较强、体积较大，难以与柔软可拉伸传感界面自然集成；而若将大量原始数据传输到体外或远端处理，又会带来延迟、能耗和信号质量损失。研究团队提出的可拉伸神经形态电路，为体表边缘智能提供了新的器件平台。

图1. 用于体表边缘计算的大规模本征可拉伸神经形态阵列。

高密度可拉伸有机电化学晶体管阵列

  有机电化学晶体管具有低电压工作、多级电导调控、离子-电子耦合和类突触行为等特点，是构建生物界面神经形态计算硬件的理想候选。然而，以往可拉伸 OECT 阵列受限于高分辨率图案化和可拉伸凝胶电解质加工，集成规模仍难以支撑应用级机器学习任务。该工作表明，要实现大规模可拉伸神经形态阵列，不仅需要器件结构设计，更关键的是各功能材料之间的匹配：电极、半导体和电解质必须同时满足可拉伸性、图案化精度、电化学稳定性和器件均一性要求。

  针对这一难题，研究团队发展了类似光刻的微纳加工流程，在 SEBS 弹性基底上依次图案化微裂纹金电极、可拉伸半导体聚合物 p(g2T-T) 以及光图案化离子凝胶电解质。其中，微裂纹金电极兼具高导电性、电化学惰性和可拉伸性；p(g2T-T) 半导体层提供稳定的离子-电子混合传输与可调电导；而 PEG 基离子凝胶电解质的组成则被系统优化，通过调控交联组分与三硫醇交联剂的比例，在图案化能力和拉伸性之间取得平衡。研究发现，离子凝胶的材料组成对阵列成败尤为重要：交联不足会导致材料不可拉伸，交联/终止反应过强又会损害图案化能力；只有在合适配比下，电解质才能同时实现高分辨率图案化和 100% 应变下的稳定保持。

  基于这一材料组合与加工策略，研究团队实现了最高每平方厘米 10,000 个器件的可拉伸 OECT 阵列密度，并保持良好的器件完整性与一致性。该结果说明，大规模可拉伸神经形态电路的实现并非单一器件结构的突破，而是来自电极、半导体和凝胶电解质材料体系的协同设计，为复杂可拉伸电路的规模化制备奠定了基础。

图2. 基于光刻思路的本征可拉伸神经形态阵列微加工流程。

稳定突触行为与机械鲁棒性

  在神经形态计算中，器件电导需要像人工突触权重一样被连续、精确和稳定地调控。论文显示，该可拉伸 OECT 阵列具备线性、精确的电导编程能力，可实现 100 个可区分电导状态，并在超过 2,500 次长时程增强/抑制循环中保持高耐久性。阵列器件间性能差异控制在约±10% 范围内，满足硬件映射机器学习权重的均一性需求。

  在机械变形下，阵列同样表现出良好稳定性。器件在最高 60% 拉伸应变及释放后仍能维持转移特性；经过 100 次 100% 应变循环后，性能变化很小。这种机械稳定性使神经形态计算单元能够与皮肤、器官表面或软体机器人等动态界面共同变形。

图3. 本征可拉伸阵列的神经形态器件性能、状态保持与拉伸稳定性。

面向健康数据的边缘机器学习

  研究团队将阵列作为神经网络中的突触权重硬件，首先实现了多层感知机（MLP）的模拟计算。对于二维分类任务，硬件实现的模型在完整数据集上达到 99.2% 的总体准确率，在测试集上达到 99.5% 的准确率，并且在模拟拉伸状态下仍保持较高分类性能。

  进一步地，团队演示了可穿戴场景中的心脏风险评估。硬件实现的两层 MLP 读取年龄、血脂、静息心电、最大心率等多项生命体征特征，在心脏病数据集上实现平均 83.5% 的总体推理准确率和 78.7% 的测试集准确率。该演示说明，可拉伸神经形态阵列有望在可穿戴系统中直接处理健康数据，减少对远端计算与无线传输的依赖。

图4. 基于可拉伸神经形态阵列的 MLP 硬件实现及心梗风险预测演示。

心脏电生理波前定位与软机器人智能

  除分类任务外，该阵列还被用于卷积运算。研究团队将其作为边缘检测卷积核，对心脏激活电位图进行硬件处理，从而定位心律失常中的传播波前。与软件计算结果相比，硬件处理的匹配率超过 99.6%，并可在 60% 拉伸条件下维持较高准确度。这一能力指向未来柔性心脏贴片或植入式器件对异常电活动的高空间分辨率、实时识别。

图5. 可拉伸神经形态阵列实现卷积运算，用于心脏电生理传播波前定位。

  团队还探索了在软机器人中实现强化学习的可能性。通过将训练后的策略网络映射到可拉伸神经形态阵列，研究展示了软机器人在迷宫导航任务中的决策潜力。对于需要在狭窄、未知或动态环境中自主行动的软机器人而言，这类可随形变集成的边缘计算硬件有望在传感、记忆与决策之间建立更紧密的闭环。

图6. 面向软机器人导航的强化学习神经形态硬件实现。

研究意义

  总体而言，该工作把可拉伸电子学、生物电子器件和神经形态计算结合起来，突破了软电子系统中“传感柔软、计算刚性”的长期矛盾。通过高密度、可光刻、本征可拉伸的有机电化学晶体管阵列，研究团队展示了从器件、阵列到机器学习应用的完整链条，为下一代可穿戴健康监测、植入式闭环治疗以及智能软机器人提供了可扩展的硬件基础。

  招聘信息：论文第一作者李松松教授现已加入香港浸会大学物理系，独立PI，课题组主要从事边缘感算器件，分子电子学器件，AI科学家等方向的独立研究；课题组主页：https://song2li.github.io/。课题组常年招收博士研究生，欢迎优秀同学加入，有意者请联系邮箱：song2li@hkbu.edu.hk。

  原文链接：https://www.nature.com/articles/s41928-026-01639-8