澳大利亚研发类脑神经形态设备 实时处理视觉数据并模拟人脑功能

近日，澳大利亚皇家墨尔本理工大学（RMIT University）的研究团队在类脑神经形态设备的开发上取得了重大突破，成功研发出一种能够模拟人脑信息处理方式的紧凑型系统。这项新技术能够在无需外部计算机的情况下，实时检测手势动作、存储记忆并处理视觉数据，为未来的高级机器人技术、自动驾驶汽车及人机交互系统的进化提供了新的可能性。

研究团队的负责人、RMIT大学的教授苏米特·瓦利亚（Sumeet Walia）表示，这款设备的设计着重于模拟人眼捕捉光线以及大脑处理视觉信息的能力。这种类脑设备具备瞬时感知环境变化及形成记忆的能力，同时高度节能且数据处理效率极高。据悉，该领域的快速发展主要集中在神经形态视觉与信息处理上，旨在创造更加智能和高效的计算、感知系统。

在这一研究中，脉冲神经网络（SNNs）被认为是至关重要的操作方法。例如，漏电积分-发放（LIF）模型模仿了真实神经元的行为，该模型下的电信号持续累积，直到超过特定阈值后触发脉冲并重置系统。尽管目前已有多种光敏材料应用于基础类脑功能的测试，但要精准复制完整的LIF行为并将其有效应用于视觉任务，依然是一个充满潜力、值得深入探索的前沿领域。

RMIT的研究人员通过将神经形态材料与先 锐的信号处理技术相结合，成功开发出了一款能够实时捕捉和处理视觉信息的设备。该技术的核心在于使用二硫化钼（MoS₂），这是一种带有原子级缺陷的金属化合物，能够如同大脑中的神经元一样检查光线并将其转化为电信号。这样的创新设计使得该设备在处理速度和能耗方面都有了显著的提升。

研究结果显示，通过化学气相沉积技术所制造的超薄MoS₂层能够在相应条件下模拟脑细胞的充放电过程，与漏电积分-发放神经元模型高度一致。这一发现为脉冲神经网络的构建提供了新的基石。研究人员利用MoS₂的光响应特性创建了相应的脉冲神经网络模型，经过多次训练，该模型在静态图像处理任务中的准确率达到了75%，而在更复杂的动态任务中，经过60次训练后准确率提升至80%。这一调优过程中，设备通过边缘检测技术检测手势动作，有效避免了冗余的逐帧捕捉，因而在数据采集与能效方面都有了显著的减少。

RMIT的博士研究生、该研究工作的第一作者蒂哈·昂（Thiha Aung）表示：“我们已经证明，原子级的二硫化钼能够准确模拟漏电积分-发放神经元的行为，这标志着脉冲神经网络的技术迈出了重要一步。”他指出，以前的研究主要集中在紫外光範围内的静态图像检测，而此次研究则扩展到了光范围内，并在此基础上进一步完善了系统的功能。

该研究团队还提出，当前设备具备重置记忆的功能，使得在面对新任务时能够及时调整，以应对变化的环境。这一创新技术在提升自动驾驶汽车和高级机器人应对视觉信息的反应速度及准确性方面，有望在高风险或快速变化的场景中发挥巨大的作用。同时，它还将对制造业和个人辅助等领域的人机交互应用产生显著的影响。

目前，研究人员正在将最初的单像素原型扩展为更大的基于MoS₂的像素阵列，并已获得新的研究资金支持。未来，他们的计划包括优化设备以应对更复杂的视觉任务，提高能效以及将该系统与传统数字技术进行整合。研究团队还在积极探索其他材料的可能性，以进一步拓展设备在红外光范围内的应用，包括在环境监测和智能感知等领域的潜力。

该团队的研究成果已正式发布在《先进材料技术》（Advanced Materials Technologies）期刊上，标志着这一领域的研究进展和新的技术挑战。

澳大利亚皇家墨尔本理工大学的神经形态设备不仅展示了突破性的技术创新，还开启了诸多前沿应用的可能性。随着进一步的探索与研究，该设备有望在未来的科技生态中扮演越来越重要的角色。