光谱机器视觉技术通过物体的特征光谱信号实现精准识别，其应用场景涵盖农业、化学传感及自动驾驶等多个领域。但传统方法需采集密集的光谱-空间信息数据并进行数字化处理，导致数据瓶颈问题，进而限制了能效、帧率及光谱-空间分辨率的提升。研究内容包括引入了一种光电设备架构，光谱核机（SKM），该架构可以直接在传感器内部压缩光谱分析。通过与电可调双极光电探测器和实时训练算法协同设计，SKM框架能够通过模拟光电流输出实现智能光谱推断，消除了后处理的需求，并大幅降低了功耗和延迟。创新点是实验验证了提出的光谱核机在可见光至中红外光谱波段上的机器学习分析能力，其读出的光电流直接提供最终推断结果。实现了从化学分析到半导体计量的多样化智能任务。该架构比现有高光谱图像分析解决方案功耗显著降低，速度提升超过一个数量级。文章结论为利用电调谐双极性光电探测器，在可见光到中红外波段SKM实现了对物体、结构和化学成分的识别，无需任何数字后处理。SKM框架提供了更高的功率效率和速度，以及大规模训练的灵活性，用于解析、识别和压缩高维光谱-空间信息。启发在于可以进一步思考能否用超表面来实现响应的功能。
文献来源：Science 390,eady6571 (2025).
作者：Jianan Fang, Kun Huang , Ruiyang Qin, Yan Liang, E Wu1,Ming Yan,Heping ZengDehui Zhang, Yuhang Li, Jamie Geng , Hyong Min Kim, Marco Ma , Shifan Wang , Inha Kim,Theodorus Jonathan Wijaya , Naoki Higashitarumizu , I. K. M. Reaz Rahman , Dorottya Urmossy , James Bullock , Aydogan Ozcan , Ali Javey
报告人：高恩博
