研究人员开发出新型神经形态设备，可模仿人脑实时处理视觉数据

本站 5 月 14 日消息，澳大利亚皇家墨尔本理工大学（RMIT University）的研究团队开发出一款先进的类脑神经形态设备，该设备能够模拟人脑处理信息的方式。这一紧凑型系统无需依赖外部计算机，即可实时检测手势动作、存储记忆并处理视觉数据。

该设备的问世为高级机器人技术、自动驾驶汽车以及下一代无缝人机交互系统的发展铺平了道路。RMIT 大学教授兼团队负责人苏米特・瓦利亚（Sumeet Walia）表示：“这款概念验证设备模拟了人眼捕捉光线以及大脑处理视觉信息的能力，能够在瞬间感知环境变化并形成记忆，无需消耗大量数据和能量。”

神经形态视觉与信息处理是当前快速发展的前沿领域，旨在开发更智能、更高效的计算与感知系统。其中，脉冲神经网络（SNNs）是一种关键方法，其工作原理类似于真实脑细胞，通过触发信号（即“脉冲”）来传递信息。一种常见的模型是漏电积分-发放（LIF）模型，在该模型中，电信号不断累积，直至达到一定阈值后触发脉冲并重置系统，与真实神经元的行为高度相似。

尽管已有多种光敏材料被用于基础类脑功能测试，但精准复制完整的 LIF 行为，尤其是系统存储和重置电状态的方式，并将其应用于视觉任务，仍然是一个新兴且有待深入探索的领域。RMIT 的研究人员将神经形态材料与先进信号处理技术相结合，开发出能够实时捕捉和处理视觉信息的设备。该技术的核心是二硫化钼（MoS₂），这是一种具有原子级缺陷的金属化合物，能够像人脑中的神经元一样检测光线并将其转化为电信号。

这项新研究表明，通过化学气相沉积技术制造的超薄 MoS₂层能够模拟脑细胞的充放电过程，与漏电积分-发放（LIF）神经元模型高度一致。这些超薄层对光线的响应方式使其能够复制真实神经元的电行为，通过调节栅极电压，系统能够快速重置自身，从而提高响应速度，类似于真实大脑的工作方式。

研究人员利用 MoS₂的关键光响应特性构建了脉冲神经网络（SNN），该模型在经过 15 次训练后，在静态图像任务中的准确率达到了 75%，在经过 60 次训练后，在动态任务中的准确率达到 80%，展现出强大的实时视觉处理潜力。在实验中，该设备通过边缘检测技术检测手势动作，避免了逐帧捕捉，从而减少了数据和能耗。随后，设备将这些变化存储为记忆，模拟了大脑的功能。这项研究在可见光范围内展开，进一步拓展了此前在紫外光谱领域的研究成果。

RMIT 的博士研究生、该研究的第一作者蒂哈・昂（Thiha Aung）表示：“我们证明了原子级薄的二硫化钼能够精准复制漏电积分-发放（LIF）神经元行为，这是脉冲神经网络的基本构建模块。”

据研究团队介绍，此前基于紫外光的研究主要集中在静态图像检测、记忆和处理方面。而紫外光和可见光设备均具备重置记忆的功能，以便为新任务做好准备。

据本站了解，该创新技术有望显著提升自动驾驶汽车和高级机器人对视觉输入的响应能力，尤其是在高风险或快速变化的环境中。通过瞬间检测场景变化并最小化数据处理需求，该技术能够实现更快、更高效的反应，同时也将增强人机交互在制造业或个人辅助等领域的应用。

目前，研究人员正在将单像素原型扩展为更大的基于 MoS₂的像素阵列，并得到了新的研究资金支持。未来计划包括优化设备以应对更复杂的视觉任务、提高能效以及将其与传统数字系统集成。

此外，研究团队还在探索其他材料，以拓展设备在红外光范围内的能力，用于排放追踪和智能环境感知等应用。该团队的研究成果已发表在《先进材料技术》（Advanced Materials Technologies）期刊上。