深度神經網絡在持續學習中的局限性源于對生物神經回路復雜性的過度簡化，常常忽略了記憶穩定性與學習可塑性之間的動態平衡。在本研究中，提出了一種增強了元可塑性的人工突觸器件，該器件使用石墨烯量子點（GQDs），元可塑性是一種高級的突觸可塑性形式，有助于記憶和學習過程的動態調節，類似于生物系統中的觀察結果。該基于石墨烯量子點的器件利用界面介導的修改非對稱導電路徑，復制了經典的突觸可塑性機制。這使得器件能夠對與歷史權重相關的未來權重變化進行可重復且線性可編程的調整。將元可塑性引入深度神經網絡中對于實現泛化至關重要，使得網絡在適應新信息的同時能夠保持之前獲得的知識。基于石墨烯量子點的器件系統在第四個MNIST數據集任務中達到了97%的準確率，并且在之前的任務中持續保持了94%以上的表現水平。該表現驗證了將元可塑性原則直接應用于深度神經網絡的可行性，從而有效解決了災難性遺忘的問題。這些發現為開發具有強大和持久學習能力的神經形態系統提供了有前景的硬件解決方案，能夠有效地彌合人工神經網絡與生物神經網絡之間的差距。